Chyba 1: Předpoklad, že všechny modely 'uncensored' jsou stejně neomezené
Termín uncensored AI (AI bez omezení) je často volně používán agregátory k popisu modelů s uvolněnými filtry. Některé modely stále zachovávají tvrdé klasifikátory pro konkrétní témata, zatímco jiné jsou skutečně open-weight a vyladěny pro minimální odmítání. Tato variace znamená, že vaše integrace může fungovat dokonale s jedním modelem, ale narazí na neočekávaná odmítnutí s jiným. Vždy ověřte konkrétní chování modelu, ke kterému směrujete požadavky.
Nabízíme jeden skutečně nezfiltrovaný model, který neodmítá legální obsah pro dospělé nebo kontroverzní témata. Tím se eliminuje hádání při směrování modelů. Získáte konzistentní chování u každého požadavku bez obav ze skrytých zábran.
Chyba 2: Ignorování limitů kontextového okna 100k tokenů
Vaše integrace selže, když celkový počet tokenů v podnětu plus dokončení přesáhne limit modelu. Mnoho vývojářů nakonfiguruje svého klienta k odesílání 100k tokenů, ale zapomínají, že model potřebuje prostor pro generování odpovědi. Pokud je kontextové okno 100 000 tokenů, musíte rezervovat místo pro výstup. Odeslání příliš velkého podnětu vede k okamžité chybě nebo zkrácení.
Podporujeme kontextové okno o velikosti 100 000 tokenů pro prompt a dokončení dohromady. To umožňuje rozsáhlou historii nebo dlouhé dokumenty. Ujistěte se, že váš kód správně vypočítá zbývající tokeny před každou žádostí. Přetečení tohoto limitu plýtvá penězi na zamítnuté žádosti.
Chyba 3: Záměna max_tokens s délkou kontextu
Délka kontextu určuje, kolik historie model dokáže přečíst. Max tokenů určuje, kolik textu model může napsat. Jedná se o nezávislá omezení. Můžete mít obrovské kontextové okno, ale malý maximální výstup. Nastavení max_tokens příliš nízko vede k oříznutí odpovědi. Nastavení příliš vysoko zvyšuje riziko zbytečných nákladů, pokud model vygeneruje plýtvavý text.
LLM bez omezení podporuje maximální výstup 16,000 tokenů na požadavek. Pokud nezadáte max_tokens, výchozí hodnota je 2,048 tokenů. Tato výchozí hodnota je často příliš krátká pro složité úkoly logického uvažování. Explicitně nastavte parametr tak, aby odpovídal očekávané délce odpovědi. Tím předejdete ořezanému JSONu nebo neúplným blokům kódu.
Chyba 4: Přehlédnutí rozdílu v počtu tokenů mezi streamováním a nestreamováním
Odpovědi v proudu dodávají tokeny postupně. Neproudné odpovědi čekají na celé dokončení. Využití tokenů je často hlášeno v posledním kusu proudu. Pokud váš klient ignoruje poslední kus, přijdete o přesná data pro fakturaci. To ztěžuje ladění drahých požadavků.
Poskytujeme streamování přes SSE s využitím tokenů v posledním bloku. Ujistěte se, že váš parser zachytí tuto poslední událost. Nestreamované požadavky také zahrnují data o využití v těle odpovědi. Použijte streamování pro lepší uživatelský zážitek, ale sledujte využití správně. Chybějící poslední blok vede k podhodnocení nákladů.
Chyba 5: Očekávání nulových odmítnutí pro všechny typy obsahu
Uncensored neznamená neomezený. Většina modelů stále vynucuje pevný limit na sexuální obsah s nezletilými. Jedná se o standardní bezpečnostní základ i u modelů s otevřenými váhami. Pokud odešlete prompt porušující toto pravidlo, API vrátí odmítnutí. Není to chyba; je to vynucení politiky.
Naše API odepírá požadavky obsahující sexuální obsah zahrnující nezletilé. Veškerý jiný zákonný obsah pro dospělé je povolen. Toto tvrdé omezení platí bez ohledu na styl promptu. Nepředpokládejte, že každé odepření indikuje problém modelu. Nejprve zkontrolujte svůj obsah proti tomuto specifickému omezení.
Chyba 6: Použití nesprávných nastavení teploty pro kreativitu vs. kódování
Teplota ovládá náhodnost. Vysoké hodnoty zvyšují kreativitu, ale snižují přesnost. Nízké hodnoty činí výstup deterministickým a přesným. Použití vysoké teploty při generování kódu zavádí syntaktické chyby. Použití nízké teploty při kreativním psaní činí text repetitivním a nudným.
Upravte teplotu na základě vaší úlohy. Použijte nižší hodnoty pro volání funkcí nebo režim JSON. Použijte vyšší hodnoty pro generování příběhů nebo brainstorming. Naše LLM bez omezení dobře reaguje na tato nastavení. Vyzkoušejte různé hodnoty a najděte správnou rovnováhu pro váš případ použití.
Chyba 7: Neotestování struktury výstupu v režimu JSON včas
LLM nejsou databáze. Generují text, který vypadá jako JSON. Chyby nastávají, když model vygeneruje další text nebo neplatnou syntaxi. Parsování selže, pokud nevalidujete výstup. Spoléhání na to, že model vždy vygeneruje dokonalé JSON, je riskantní. Vždy implementujte mechanismus opakování pro neplatný JSON.
Podporujeme režim JSON prostřednictvím response_format json_object. To donutí model k výstupu platného JSON. Stále může produkovat prázdné objekty nebo chybějící pole. Strukturu ověřte před použitím dat. To ušetří čas při ladění později v pipeline.
Chyba 8: Předpoklad, že kredit vyprší jako předplatné
Mnoho poskytovatelů API účtuje měsíční poplatky, které expirují. Náš model je jiný. Platíte za to, co používáte. Předplacený kredit nikdy nevyprší. Pokud si dobijete $100, tento zůstatek zůstane k dispozici donekonečna. To je ideální pro přerušované projekty nebo dlouhodobé ukládání. Neztrácíte peníze čekáním.
Měříme podle skutečného využití tokenů. Chyby a odmítnutí jsou zdarma. To znamená, že platíte pouze za úspěšná dokončení. Doplnění pouze kryptoměnami. Žádné měsíční poplatky znamenají žádné překvapivé poplatky. Použijte model předplatného pro předvídatelné dlouhodobé náklady.
