Qwen 2.5 32B Instruksikan Dihapuskan
Qwen 2.5 32B Instruksikan dengan perilaku penolakan dikurangi dengan aliterasi: model obrolan dan pengkodean umum yang ringkas dengan jendela konteks token 32K.
Qwen Abliterated API memberi Anda akses terprogram ke 6 model melalui satu kunci API Muapi. Setiap titik akhir mengambil isi permintaan yang sama: prompt, system_prompt opsional, max_tokens, dan image_url pada model berkemampuan vision.Model yang terabliterasi adalah model bahasa yang dimodifikasi untuk mengurangi perilaku penolakan bawaannya. Abliterasi dan teknik terkait (obliterasi, derestriction) menurunkan frekuensi model menolak permintaan; mereka tidak menjamin keluaran tidak dibatasi, menghapus setiap batasan, atau mengubah kebijakan penggunaan Muapi yang dapat diterima. Anda tetap bertanggung jawab atas cara Anda menggunakan hasilnya.
Qwen 2.5 32B Instruksikan dengan perilaku penolakan dikurangi dengan aliterasi: model obrolan dan pengkodean umum yang ringkas dengan jendela konteks token 32K.
Qwen3.5 27B Queen dengan perilaku penolakannya dikurangi melalui pembatasan: input gambar, jendela konteks token 262 ribu, dan tarif token tetap.
Qwen3.5 27B Blossom (V6.4) dengan perilaku penolakannya dikurangi melalui pembatasan: input gambar, jendela konteks token 262 ribu, dan tarif token tetap.
Qwen3.5 27B disaring dari jejak penalaran Claude Opus 4.6, dengan perilaku penolakannya dikurangi melalui pembatasan: input gambar dan jendela konteks token 262K.
Qwen 3.8 27B dengan perilaku penolakan dikurangi melalui aliterasi: input gambar, jendela konteks token 524K, dan mode berpikir opsional.
Qwen 3.8 27B dengan penolakan dihapus melalui ablasi gaya obliterasi, input gambar, jendela konteks token 524K, dan mode berpikir opsional.
Halaman ini mencakup 6 model di Muapi. Masing-masing tercantum di bawah ini dengan jendela konteksnya, modalitas input, dan harganya.
Kirimkan perintah, opsional dengan system_prompt untuk mengatur persona dan nada serta image_url pada model berkemampuan vision, dan jajak pendapat untuk teks yang dihasilkan. Penggunaan yang umum mencakup penulisan kreatif, penelitian tim merah dan keselamatan, evaluasi terhadap model dasar yang tidak dimodifikasi, dan penerapan di mana penolakan model dasar menghalangi pekerjaan yang sah. Model yang terabliterasi adalah model bahasa yang dimodifikasi untuk mengurangi perilaku penolakan bawaannya. Abliterasi dan teknik terkait (obliterasi, derestriction) menurunkan frekuensi model menolak permintaan; mereka tidak menjamin keluaran tidak dibatasi, menghapus setiap batasan, atau mengubah kebijakan penggunaan Muapi yang dapat diterima. Anda tetap bertanggung jawab atas cara Anda menggunakan hasilnya.
Setiap titik akhir menerima isi permintaan yang sama dan mengembalikan teks melalui titik akhir hasil bersama, sehingga peralihan model adalah perubahan satu baris.
Abliterasi dan teknik terkait menurunkan frekuensi model menolak permintaan. Perilaku bervariasi berdasarkan model dan perintah, dan bukan merupakan jaminan.
Tetapkan system_prompt untuk mengarahkan persona, nada, dan format keluaran untuk pekerjaan kreatif, analitis, atau evaluasi.
Penagihan mengikuti jumlah token setiap panggilan kembali. Tidak ada langganan dan tidak ada model hosting yang harus dikelola.
Berikan image_url ke Qwen 3.8 27B Abliterated, Qwen 3.8 27B Obliterated, Qwen3.5 27B Queen Derestricted, Qwen3.5 27B Blossom Derestricted, Qwen3.5 27B Opus-Distilled Derestricted.
Berkurangnya penolakan bukan berarti tidak ada aturan. Kebijakan penggunaan yang dapat diterima Muapi dan hukum yang berlaku masih berlaku pada apa yang Anda hasilkan.
| Titik akhir | Masukan | Keluaran | Harga | Terbaik Untuk |
|---|---|---|---|---|
Ditagih per token dari penggunaan setiap panggilan kembali; harga adalah per juta token input dan output.
Kirimkan permintaan JSON dengan kunci API Muapi Anda, simpan ID permintaan, dan lakukan polling pada titik akhir hasil yang dibagikan.
Panggil qwen-3-8-27b-abliterated dengan system_prompt, image_url, dan bendera pemikiran yang cepat dan opsional.
Panggil qwen-3-8-27b-obliterated dengan system_prompt, image_url, dan bendera pemikiran yang cepat dan opsional.
Panggil qwen-2-5-32b-abliterated dengan system_prompt prompt dan opsional.
Panggil qwen-3-5-27b-queen-derestricted dengan prompt dan opsional system_prompt, image_url.
Hubungi qwen-3-5-27b-blossom-derestricted dengan prompt dan opsional system_prompt, image_url.
Hubungi qwen-3-5-27b-opus-distilled-derestricted dengan prompt dan opsional system_prompt, image_url.
Lakukan polling pada titik akhir hasil yang dibagikan hingga tugas selesai, lalu baca teks yang dihasilkan dari output.
Model bahasa yang terabliterasi adalah model yang perilaku penolakannya telah dikurangi dengan mengedit arah internal yang mendorong penolakan, biasanya tanpa pelatihan ulang dari awal. Istilah terkait seperti dilenyapkan dan dibatasi menggambarkan teknik serupa. Hasilnya cenderung menolak permintaan lebih sedikit dibandingkan model aslinya, namun hal tersebut bukan merupakan jaminan dan kualitas dapat berbeda dari model dasar.
Qwen 3.8 27B Dihapuskan, Qwen 3.8 27B Dihapuskan, Qwen 2.5 32B Instruksi Dihapuskan, Qwen3.5 27B Ratu Dibatalkan, Qwen3.5 27B Blossom Dibatasi dan Qwen3.5 27B Distilasi Opus Dibatasi. Masing-masing adalah titik akhir terpisah dengan nama modelnya sendiri di URL.
Penagihan adalah per token, dipotong setelah setiap panggilan dari jumlah yang dikembalikan model. Tarif mulai dari $0,30 per juta token masukan; lihat tabel harga untuk setiap model.
Tidak. Berkurangnya penolakan tidak berarti keluaran tidak dibatasi, dan pengetahuan serta kualitas masing-masing model tetap mengikat jawabannya. Anda bertanggung jawab atas cara Anda menggunakan hasilnya, dan permintaan yang melanggar kebijakan penggunaan Muapi yang dapat diterima atau hukum tidak diizinkan.
Ya pada Qwen 3.8 27B Abliterated, Qwen 3.8 27B Obliterated, Qwen3.5 27B Queen Derestricted, Qwen3.5 27B Blossom Derestricted, Qwen3.5 27B Opus-Distilled Derestricted: tambahkan image_url di samping prompt Anda. Yang lainnya hanya berupa teks.
POST ke /api/v1/<model-name> mengembalikan request_id. Lakukan polling /api/v1/predictions/{request_id}/result hingga status selesai, lalu baca teks dari output.
Tetapkan pemikiran ke benar agar model dapat berpikir sebelum menjawab, sehingga dapat membantu mengatasi masalah yang lebih sulit dengan mengorbankan lebih banyak token keluaran. Biarkan saja untuk mendapatkan balasan yang lebih cepat dan lebih murah.
Buat satu kunci API Muapi dan panggil setiap model di halaman ini dengan permintaan REST biasa.