Abliterated Model: AI Large Language Models

Rufe Abliterated Model über eine einzige API auf. 262K--Token-Kontext, streaming and pay-per-token pricing. Teste das Modell kostenlos im Muapi-Playground.

Interaktive Steuerung laden

Rufe Abliterated Model über eine einzige API auf. 262K--Token-Kontext, streaming and pay-per-token pricing. Teste das Modell kostenlos im Muapi-Playground.

📝

Übersicht

Über dieses Modell

Abliterated Model ist ein multimodales Reasoning-Modell mit einem 262K-token Kontextfenster und Bildeingabe. Es wurde durch Abliteration so angepasst, dass es seltener ablehnt. Muapi stellt das Modell über einen einzelnen REST-Endpunkt mit asynchroner Statusabfrage und Server-Sent-Events-Streaming bereit. So kannst du es in Chat-Apps, Agenten und Workflows integrieren, ohne GPUs selbst zu hosten. Es eignet sich besonders für das Reasoning über Texte und Bilder. Die Abrechnung erfolgt pro Token: $2/M Eingabe-Tokens und $6/M Ausgabe-Tokens; ein Abonnement ist nicht erforderlich. See also Abliterated Model Large, Abliterated Model Large V2. Entdecke die gesamte Modellpalette auf der Seite Abliterated Model API oder im abliterated LLM API; verwandte Modellfamilien: GLM Abliterated API and Gemma Abliterated API. „Abliterated“ und „derestricted“ bezeichnen Anpassungen, die Ablehnungen durch das Modell verringern sollen. Sie garantieren keine uneingeschränkte Ausgabe. Du bist weiterhin dafür verantwortlich, geltende Gesetze und die Nutzungsbedingungen von Muapi einzuhalten.

1Chat und Assistenten: Entwickle dialogbasierte Apps mit Abliterated Model für reasoning over text and images.

2Experimente mit weniger Ablehnungen: Vergleiche das Ablehnungsverhalten in eigenen Evaluierungen mit dem Basismodell und halte dabei Muapis Nutzungsrichtlinien ein.

3Agenten und Workflows: Rufe das Modell über Muapi-Workflow-Knoten und die Beispiele im [abliterated LLM API](/abliterated-llm-api)-Hub auf.

💰

Preise und Wert

Kostenanalyse

Anbieter	Kosten	Notizen
muapiapp	$2/M input tokens and $6/M output tokens	Abrechnung pro Token auf Grundlage der tatsächlichen Nutzung; vorab wird ein kleiner Mindestbetrag reserviert.
Fal.ai	Nicht verfügbar	Abliterated Model wird nicht als gehosteter Endpunkt angeboten.
Replicate	Nicht verfügbar	Abliterated Model wird nicht als gehosteter Endpunkt angeboten.

muapiapp$2/M input tokens and $6/M output tokens

Abrechnung pro Token auf Grundlage der tatsächlichen Nutzung; vorab wird ein kleiner Mindestbetrag reserviert.

Fal.aiNicht verfügbar

Abliterated Model wird nicht als gehosteter Endpunkt angeboten.

ReplicateNicht verfügbar

Abliterated Model wird nicht als gehosteter Endpunkt angeboten.

** Die Preise der Mitbewerber werden auf der Grundlage ähnlicher Modellarchitekturen und Nutzungsstufen geschätzt.

⚙️

Technische Details

Konfigurationsschema

Parameter	Typ	Beschreibung	Standard
Aufforderung	string	.	`Summarize the trade-offs between a monolith and microservices in five bullet points.`
Bild-URL	string	Optional public image URL for multimodal analysis.	`undefined`
Systemaufforderung	string	, .	`You are a concise, direct assistant.`
Maximale Anzahl an Token	integer	Optional maximum number of tokens to generate.	`8192`

Aufforderungstring

StandardwertSummarize the trade-offs between a monolith and microservices in five bullet points.

Bild-URLstring

Optional public image URL for multimodal analysis.

Standardwertundefined

Systemaufforderungstring

, .

StandardwertYou are a concise, direct assistant.

Maximale Anzahl an Tokeninteger

Optional maximum number of tokens to generate.

Standardwert8192

📖

Implementierungsleitfaden

Entwicklerdokumentation

So verwendest du Abliterated Model API

API-Schlüssel erstellen: Erstelle einen Schlüssel in deinem Muapi-Dashboard.
Prompt senden: Sende per POST prompt (optional zusätzlich system_prompt and max_tokens, up to 32768 ) an /api/v1/abliterated-model . Gib optional eine öffentlich zugängliche image_url an, um deinem Prompt ein Bild hinzuzufügen.

curl -X POST https://api.muapi.ai/api/v1/abliterated-model \
  -H "x-api-key: $MUAPI_KEY" \
  -H "Content-Type: application/json" \
  -d '{"prompt": "Explain how attention works in transformers.", "image_url": "https://example.com/photo.jpg"}'

Status abfragen oder streamen: Frage GET /api/v1/predictions/{request_id}/result so lange ab, bis status is completed oder streame Tokens live über /api/v1/abliterated-model/stream.

curl -X POST https://api.muapi.ai/api/v1/abliterated-model/stream \
  -H "x-api-key: $MUAPI_KEY" \
  -H "Content-Type: application/json" \
  -d '{"prompt": "Explain how attention works in transformers.", "image_url": "https://example.com/photo.jpg"}'

Ergebnis lesen: Der generierte Text wird in outputs. Abgerechnet wird die tatsächlich verwendete Token-Anzahl.

❓

Häufige Fragen

Häufig gefragt

Was ist Abliterated Model?

Abliterated Model ist ein multimodales Reasoning-Modell mit einem 262K-token Kontextfenster und Bildeingabe. Es wurde durch Abliteration so angepasst, dass es seltener ablehnt.

Was bedeutet „abliterated“?

Ablitierte oder derestricted Modelle werden so angepasst, dass sie seltener ablehnen. Ablehnungen werden dadurch reduziert, aber nicht beseitigt; eine uneingeschränkte Ausgabe ist nicht garantiert.

Wie wird Abliterated Model abgerechnet?

Die Abrechnung erfolgt pro Token: $2/M Eingabe-Tokens und $6/M Ausgabe-Tokens. Beim Start der Anfrage wird ein kleiner Mindestbetrag reserviert und anschließend mit der tatsächlichen Nutzung verrechnet.

Unterstützt Abliterated Model Streaming?

Ja. Streame Tokens live über `/api/v1/abliterated-model/stream` mit Server-Sent Events oder frage den asynchronen Endpunkt regelmäßig ab.

Wie groß ist das Kontextfenster?

Das Kontextfenster umfasst etwa 262K Tokens. Prompt und Ausgabe müssen zusammen hineinpassen; `max_tokens` ist auf 32768 begrenzt. Bildeingaben werden über `image_url`.

Ist eine uneingeschränkte Ausgabe garantiert?

Nein. Ablitierte Modelle lehnen seltener ab, ihr Verhalten hängt jedoch vom Prompt ab und die Qualität kann vom Basismodell abweichen. Prüfe das Modell für deinen Anwendungsfall und halte geltende Gesetze ein.