Modelos Abliterated Hospedados: Use uma API, Pule a GPU

O que "hospedado" significa para um modelo estilo abliterated

Pessoas que buscam modelos abliterated hospedados geralmente deparam com o mesmo obstáculo. Os pesos são gratuitos para download, mas rodar um modelo capaz exige muita memória de vídeo, uma pilha de inferência compatível e paciência para a configuração. Um serviço hospedado transfere tudo isso para as máquinas de outra pessoa. Você mantém a parte que lhe interessa: um modelo que responde sem recusas de conteúdo para uso adulto lícito.

Neste site, o modelo é um único modelo de pesos abertos executado por um provedor independente. Ele é ajustado para pular recusas, o mesmo objetivo que a abliteration persegue. Não é a API oficial da Meta, Mistral, Qwen, DeepSeek ou qualquer outro fornecedor, nem é um roteador que encaminha sua solicitação para diferentes modelos. Há um único ID de modelo, uncensored, e todas as requisições vão para ele.

Se você quiser entender a técnica em si primeiro, a página sobre modelos abliterated cobre a ideia, e o artigo sobre escolhendo um LLM abliterated para roleplay cobre o que é importante para trabalho com personagens.

Download local ou API hospedada: o que muda

Nenhuma opção é sempre melhor. Esta tabela lista as diferenças práticas.

Pergunta	Pesos locais	API Hospedada
Hardware	Você fornece memória de GPU dimensionada para o modelo e a quantização	Nenhum do seu lado
Configuração	Baixe, converta, configure um tempo de execução	Criar uma chave, definir uma URL base
Formato do custo	Hardware e energia antecipados	Por token, a partir de crédito pré-pago
Comprimento do contexto	Limitado pela sua memória	100.000 tokens, prompt mais conclusão
Privacidade	Tudo permanece na sua máquina	As requisições vão para um servidor; os prompts não são usados para treinamento
Uso offline	Funciona	Precisa de uma conexão

Se seus prompts nunca devem sair do seu hardware, execute localmente e aceite o trabalho de configuração. Se você quer testar uma ideia nesta tarde, ou seu aplicativo já se comunica com um endpoint estilo OpenAI, a hospedagem é mais rápida. Muitas pessoas começam hospedado e migram para local depois, ou o contrário.

Faça sua primeira requisição

Crie uma conta, abra a página da chave de API e copie sua chave. Em seguida, aponte qualquer SDK OpenAI para a base URL. O endpoint suporta POST /v1/chat/completions, POST /v1/responses e GET /v1/models.

Python

Copyfrom openai import OpenAI

client = OpenAI(
    base_url="https://api.abliterated.cc/v1",
    api_key="YOUR_KEY",
)

resp = client.chat.completions.create(
    model="uncensored",
    messages=[
        {"role": "system", "content": "You are a blunt, helpful writing partner."},
        {"role": "user", "content": "Draft a tense opening scene for a noir story."},
    ],
    temperature=0.8,
)
print(resp.choices[0].message.content)
print(resp.usage)

curl

Copycurl https://api.abliterated.cc/v1/chat/completions \
  -H "Authorization: Bearer YOUR_KEY" \
  -H "Content-Type: application/json" \
  -d '{"model":"uncensored","messages":[{"role":"user","content":"Say hello in one sentence."}]}'

A lista completa de parâmetros está na página de documentação. max_tokens é opcional; a conclusão pode usar o que sobrar da janela de 100.000 tokens após o seu prompt.

Streaming e chamadas de ferramentas funcionam como em outros lugares

Como a API segue o formato OpenAI, os recursos que você já usa são transferidos. Defina stream: true e você receberá eventos enviados pelo servidor, com uso de token no final. A chamada de ferramentas aceita tools e tool_choice, transmite tool_calls e espera resultados como mensagens com role: "tool". O modo JSON está disponível através de response_format.

Copyimport OpenAI from "openai";

const client = new OpenAI({
  baseURL: "https://api.abliterated.cc/v1",
  apiKey: process.env.API_KEY,
});

const stream = await client.chat.completions.create({
  model: "uncensored",
  stream: true,
  messages: [{ role: "user", content: "Write two lines of dialogue between a smuggler and a customs officer." }],
});

for await (const chunk of stream) {
  process.stdout.write(chunk.choices[0]?.delta?.content ?? "");
}

Configurações de amostragem como temperatura, top_p, stop, seed e penalidades de repetição são passadas diretamente. Se você está construindo uma interface em torno disso, o tutorial sobre construir um chatbot a partir de um LLM mostra como manter o histórico de conversas e lidar com o streaming em um aplicativo pequeno.

Quanto custa, com números reais

A precificação é de $0,15 por 1M de tokens de entrada e $0,50 por 1M de tokens de saída. Não há assinatura. Você recarrega crédito e o gasta; o crédito nunca expira e as requisições falhas ou recusadas não são cobradas.

Aqui estão três exemplos, cada um calculado com base nessas duas taxas.

• Turno de chat curto: 2.000 tokens de entrada e 500 tokens de saída. Entrada é 2.000 / 1.000.000 x $0,15 = $0,0003. Saída é 500 / 1.000.000 x $0,50 = $0,00025. Total $0,00055, então cerca de 1.800 turnos assim custam $1.
• Sessão de história longa: um histórico de 40.000 tokens reenviado com 1.000 tokens de saída. Entrada é $0.006, saída é $0.0005, total $0.0065.
• Lote de 1.000 requisições: 1.500 tokens de entrada e 700 tokens de saída por requisição. Isso dá 1,5M de tokens de entrada, $0,225, mais 0,7M de tokens de saída, $0,35. Total $0,575.

Históricos longos custam mais porque você paga pela entrada em cada chamada. Mantenha um resumo dos turnos anteriores em vez de reenviar tudo quando a história ficar longa. As taxas e bônus atuais estão listados na página de precificação.

Adicionando crédito e o teste grátis

Recargas aceitam qualquer valor inteiro de $20 a $500. Valores maiores ganham um bônus: +5% a partir de $50, +10% a partir de $100 e +15% a partir de $200. Você pode pagar com cripto (USDT na TRC20, USDC na Base).

Para testar antes de pagar, entre com Google ou com e-mail e senha, depois reivindique o teste na página da chave de API. São $0,50 de crédito, válidos por 7 dias, um por pessoa, e não precisam de cartão. Na taxa de turno curto acima, isso cobre aproximadamente 900 requisições. Uma chave de teste é limitada a 2 requisições simultâneas e 60 requisições por minuto. Uma chave completa permite 8 requisições simultâneas e 300 requisições por minuto.

Pronto para experimentar? Obtenha uma chave de API e execute o snippet Python acima.

Erros comuns ao migrar de uma configuração local

Um tempo de execução local oculta alguns detalhes que uma API hospedada torna explícitos. Estes são os que mais causam problemas.

• Nome do modelo errado. Ferramentas locais frequentemente esperam um nome de arquivo ou uma tag. Aqui o ID do modelo é sempre uncensored. Qualquer outro valor não fará o que você espera.
• Falta /v1 na URL base. A URL base termina em /v1. Os clientes adicionam /chat/completions sozinhos, então não o anexe duas vezes.
• Modelos de chat pré-definidos. Executores locais às vezes precisam de um prompt template para o modelo. Com a API, você envia messages simples e o servidor aplica o template.
• Reenviar todo o histórico para sempre. Um modelo local não custa nada por token, então as pessoas colam transcrições inteiras. Em uma API, esse hábito se acumula, como os exemplos de custo mostram. Diminua ou resuma mensagens antigas.
• Ignorando respostas 429. Tente novamente com um pequeno atraso em vez de disparar a mesma requisição em um loop apertado.

Corrija esses cinco erros e um script escrito para um servidor local geralmente roda contra o endpoint hospedado sem outra alteração.

Limites para considerar

Hospedado não significa ilimitado. Acima da taxa de requisições, você recebe HTTP 429 com o código de erro rate_limited. Muitas requisições simultâneas retornam 429 com concurrency. Durante sobrecarga temporária, a API também envia 429 com um cabeçalho Retry-After: 5, então aguarde cinco segundos e tente novamente. Uma solicitação em streaming mantém seu slot de concorrência até o fim do streaming, então uma UI que abre muitos streamings de uma vez pode atingir o limite de concorrência mais cedo do que o esperado.

Verifique o cabeçalho de resposta X-Balance-USD para ver seu crédito restante sem uma chamada separada. A API é apenas texto: sem imagens, áudio, vídeo, embeddings ou fine-tuning. Uma regra é fixa: conteúdo sexual envolvendo menores de idade nunca é permitido.

Mais guias

• Como os Modelos Abliterated São Feitos? Uma Explicação Simples
• API LLM Uncensored: Compatível com OpenAI & Modo JSON