Kesalahan 1: Mengasumsikan semua model 'uncensored' sama-sama tidak terkendali
Istilah uncensored AI sering digunakan secara longgar oleh agregator untuk menggambarkan model dengan filter yang lebih longgar. Beberapa model masih mempertahankan klasifikasi keras untuk topik tertentu, sementara yang lain benar-benar open-weight dan disetel untuk penolakan minimal. Variasi ini berarti integrasi Anda mungkin berfungsi sempurna dengan satu model tetapi mengalami penolakan yang tidak terduga dengan model lain. Selalu verifikasi perilaku spesifik model yang Anda arahkan.
Kami menawarkan satu model benar-benar uncensored yang tidak menolak topik dewasa yang sah atau kontroversial. Ini menghilangkan tebak-tebakan dalam routing model. Anda mendapatkan perilaku yang konsisten di setiap permintaan tanpa khawatir tentang guardrails tersembunyi.
Kesalahan 2: Mengabaikan batas jendela konteks token 100k
Integrasi Anda gagal ketika total token dalam prompt plus kelengkapan melebihi batas model. Banyak pengembang mengonfigurasi klien mereka untuk mengirim 100k token tetapi lupa bahwa model membutuhkan ruang untuk menghasilkan respons. Jika jendela konteks adalah 100.000 token, Anda harus memesan ruang untuk output. Mengirim prompt yang terlalu besar menghasilkan error segera atau pemotongan.
Kami mendukung jendela konteks 100.000 token untuk gabungan prompt dan penyelesaian. Ini memungkinkan riwayat ekstensif atau dokumen panjang. Pastikan kode Anda menghitung token yang tersisa dengan benar sebelum setiap permintaan. Melebih batas ini membuang-buang uang untuk permintaan yang ditolak.
Kesalahan 3: Membingungkan max_tokens dengan panjang konteks
Panjang konteks menentukan seberapa banyak riwayat yang dapat dibaca model. Token maksimum menentukan seberapa banyak teks yang dapat ditulis model. Ini adalah batas independen. Anda dapat memiliki jendela konteks yang besar tetapi output maksimum yang kecil. Menetapkan max_tokens terlalu rendah akan memotong jawaban Anda. Menetapkannya terlalu tinggi berisiko pembilangan tidak perlu jika model menghasilkan pengisi teks.
LLM uncensored kami mendukung output maksimum 16.000 token per permintaan. Jika Anda tidak mengatur max_tokens, nilai defaultnya adalah 2.048 token. Default ini sering terlalu pendek untuk tugas penalaran kompleks. Atur parameter secara eksplisit untuk sesuai dengan panjang respons yang diharapkan. Ini mencegah JSON yang terpotong atau blok kode yang tidak lengkap.
Kesalahan 4: Melewatkan perhitungan token streaming vs. non-streaming
Responsi streaming mengirimkan token secara bertahap. Responsi non-streaming menunggu penyelesaian lengkap. Penggunaan token sering dilaporkan di bagian terakhir dari stream. Jika klien Anda mengabaikan bagian terakhir, Anda kehilangan data penagihan yang akurat. Ini membuat permintaan yang mahal menjadi sulit didebug.
Kami menyediakan streaming melalui SSE dengan penggunaan token di potongan terakhir. Pastikan parser Anda menangkap peristiwa terakhir ini. Permintaan non-streaming juga menyertakan data penggunaan dalam tubuh respons. Gunakan streaming untuk pengalaman pengguna yang lebih baik tetapi lacak penggunaan dengan benar. Melewatkan potongan terakhir menyebabkan biaya yang dilaporkan kurang.
Kesalahan 5: Mengharapkan Nol Penolakan untuk Semua Jenis Konten
Uncensored tidak berarti tanpa batas. Sebagian besar model masih memberlakukan batas keras pada konten seksual yang melibatkan anak di bawah umur. Ini adalah dasar keamanan standar bahkan pada model open-weight. Jika Anda mengirim prompt yang melanggar aturan ini, API akan mengembalikan penolakan. Ini bukan bug; ini adalah penegakan kebijakan.
API kami menolak permintaan yang mengandung konten seksual yang melibatkan anak di bawah umur. Semua konten dewasa lainnya yang sah diperbolehkan. Batas tegas ini berlaku terlepas dari gaya prompt. Jangan mengasumsikan setiap penolakan menunjukkan masalah model. Periksa konten Anda terhadap batasan spesifik ini terlebih dahulu.
Kesalahan 6: Menggunakan pengaturan suhu yang salah untuk kreatif vs. pengkodean
Temperature mengendalikan keacakan. Nilai tinggi meningkatkan kreativitas tetapi mengurangi presisi. Nilai rendah membuat output deterministik dan presisi. Menggunakan suhu tinggi untuk generasi kode memperkenalkan kesalahan sintaks. Menggunakan suhu rendah untuk penulisan kreatif membuat teks repetitif dan hambar.
Sesuaikan suhu berdasarkan tugas Anda. Gunakan nilai yang lebih rendah untuk panggilan fungsi atau mode JSON. Gunakan nilai yang lebih tinggi untuk generasi cerita atau brainstorming. LLM tanpa sensor kami merespons dengan baik terhadap penyesuaian ini. Uji nilai yang berbeda untuk menemukan keseimbangan yang tepat untuk kasus penggunaan Anda.
Kesalahan 7: Tidak menguji struktur output mode JSON sejak awal
LLM bukan basis data. Mereka menghasilkan teks yang terlihat seperti JSON. Kesalahan terjadi ketika model menghasilkan teks tambahan atau sintaks yang tidak valid. Parsing gagal jika Anda tidak memvalidasi output. Bergantung pada model untuk menghasilkan JSON sempurna setiap saat berisiko. Selalu terapkan mekanisme retry untuk JSON yang tidak valid.
Kami mendukung mode JSON melalui response_format json_object. Ini memaksa model untuk menghasilkan JSON yang valid. Model masih mungkin menghasilkan objek kosong atau bidang yang hilang. Validasi struktur sebelum menggunakan data. Ini menghemat waktu debugging nanti di pipeline.
Kesalahan 8: Mengasumsikan kredit kedaluwarsa seperti langganan
Banyak penyedia API membebankan biaya bulanan yang kadaluarsa. Model kami berbeda. Anda membayar untuk apa yang Anda gunakan. Kredit prabayar tidak pernah kedaluwarsa. Jika Anda mengisi $100, saldo itu tetap tersedia tanpa batas waktu. Ini sangat ideal untuk proyek intermiten atau penyimpanan jangka panjang. Anda tidak kehilangan uang hanya dengan menunggu.
Kami membebankan biaya berdasarkan penggunaan token aktual. Kesalahan dan penolakan gratis. Ini berarti Anda hanya membayar untuk penyelesaian yang berhasil. Isi ulang hanya dengan kripto. Tidak ada biaya bulanan berarti tidak ada biaya kejutan. Gunakan model prabayar untuk biaya jangka panjang yang dapat diprediksi.
