L'API DeepSeek R1 Abliterated ti offre accesso programmatico a DeepSeek R1 Distill Llama 70B Abliterated e DeepSeek R1 Distill Qwen 32B Abliterated tramite una chiave API Muapi. Ogni endpoint accetta lo stesso corpo della richiesta: prompt, system_prompt opzionale, max_tokens.I modelli aboliti sono modelli linguistici modificati per ridurre il loro comportamento di rifiuto intrinseco. L'abliterazione e le tecniche correlate (obliterazione, derestrizione) riducono la frequenza con cui un modello rifiuta una richiesta; non garantiscono un output illimitato, non rimuovono ogni limite o modificano la politica di utilizzo accettabile di Muapi. Rimani responsabile del modo in cui utilizzi l'output.
DeepSeek R1 distillato su Llama 70B con comportamento di rifiuto ridotto dall'abliterazione: ragionamento basato sulla catena di pensiero con una finestra di contesto di token 16K.
DeepSeek R1 distillato su Qwen 32B con comportamento di rifiuto ridotto dall'abliterazione: ragionamento compatto con catena di pensiero con una finestra di contesto di token 16K.
Questa pagina riguarda DeepSeek R1 Distill Llama 70B Abliterated e DeepSeek R1 Distill Qwen 32B Abliterated su Muapi. DeepSeek R1 distillato su Llama 70B con comportamento di rifiuto ridotto dall'abliterazione: ragionamento basato sulla catena di pensiero con una finestra di contesto di token 16K. DeepSeek R1 distillato su Qwen 32B con comportamento di rifiuto ridotto dall'abliterazione: ragionamento compatto con catena di pensiero con una finestra di contesto di token 16K.
Invia un prompt, facoltativamente con un system_prompt per impostare persona e tono, e interroga il testo generato. Gli usi tipici includono la scrittura creativa, la ricerca sul team rosso e sulla sicurezza, la valutazione rispetto al modello base non modificato e le applicazioni in cui i rifiuti di un modello base ostacolano il lavoro legittimo. I modelli aboliti sono modelli linguistici modificati per ridurre il loro comportamento di rifiuto intrinseco. L'abliterazione e le tecniche correlate (obliterazione, derestrizione) riducono la frequenza con cui un modello rifiuta una richiesta; non garantiscono un output illimitato, non rimuovono ogni limite o modificano la politica di utilizzo accettabile di Muapi. Rimani responsabile del modo in cui utilizzi l'output.
Ogni endpoint accetta lo stesso corpo della richiesta e restituisce il testo tramite l'endpoint del risultato condiviso, quindi cambiare modello è una modifica di una sola riga.
L'abliterazione e le tecniche correlate riducono la frequenza con cui il modello rifiuta una richiesta. Il comportamento varia in base al modello e al prompt e non è una garanzia.
Imposta un system_prompt per gestire la persona, il tono e il formato di output per il lavoro creativo, analitico o di valutazione.
La fatturazione segue il conteggio dei token per ogni chiamata restituita. Non è previsto alcun abbonamento né modello di hosting da gestire.
Utilizza questi modelli per chat, bozze e ragionamenti passo passo.
Riduzione dei rifiuti non significa assenza di regole. La politica di utilizzo accettabile di Muapi e la legge applicabile si applicano ancora a ciò che generi.
| Punto finale | Ingresso | Uscita | Prezzo | Ideale per |
|---|---|---|---|---|
| deepseek-r1-llama-70b-abliterated | Prompt + system_prompt, max_tokens | Risposta testuale completa (sondaggio per risultato) | $ 1,40/milione in entrata · $ 1,40/milione in uscita | Ragionamento passo passo sulla base Llama 70B |
| deepseek-r1-qwen-32b-abliterated | Prompt + system_prompt, max_tokens | Risposta testuale completa (sondaggio per risultato) | $ 2,80/milione in entrata · $ 2,80/milione in uscita | Ragionamento passo passo compatto sulla base Qwen 32B |
Fatturato per token in base all'utilizzo restituito da ciascuna chiamata; i prezzi sono per milione di token di input e output.
Invia una richiesta JSON con la chiave API Muapi, salva l'ID della richiesta ed esegui il polling dell'endpoint dei risultati condivisi.
curl -X POST https://api.muapi.ai/api/v1/deepseek-r1-llama-70b-abliterated \
-H "x-api-key: YOUR_API_KEY" \
-H "Content-Type: application/json" \
-d '{"prompt": "Reason step by step through this logic puzzle and show your working.", "system_prompt": "You are a candid, detail-oriented assistant.", "max_tokens": 1024}'
# Response: {"request_id":"REQUEST_ID"}Chiama deepseek-r1-llama-70b-abliterated con un prompt e un system_prompt facoltativo.
curl -X POST https://api.muapi.ai/api/v1/deepseek-r1-qwen-32b-abliterated \
-H "x-api-key: YOUR_API_KEY" \
-H "Content-Type: application/json" \
-d '{"prompt": "Work through this probability problem step by step.", "system_prompt": "You are a candid, detail-oriented assistant.", "max_tokens": 1024}'
# Response: {"request_id":"REQUEST_ID"}Chiama deepseek-r1-qwen-32b-abliterated con un prompt e un system_prompt facoltativo.
Esegui il polling dell'endpoint dei risultati condivisi fino al completamento dell'attività, quindi leggi il testo generato dagli output.
Un modello linguistico abolito è un modello il cui comportamento di rifiuto è stato ridotto modificando la direzione interna che guida i rifiuti, solitamente senza riqualificazione da zero. Termini correlati come obliterato e derestricted descrivono tecniche simili. Il risultato tende a declinare meno richieste rispetto al modello originale, ma non è una garanzia e la qualità può differire dal modello base.
DeepSeek R1 Distill Llama 70B Abliterato e DeepSeek R1 Distill Qwen 32B Abliterato. Ciascuno è un endpoint separato con il proprio nome di modello nell'URL.
La fatturazione è per token, detratta dopo ogni chiamata dai conteggi restituiti dal modello. Le tariffe partono da $ 1,40 per milione di token di input; vedere la tabella dei prezzi per ogni modello.
No. Rifiuti ridotti non significano risultati illimitati, e la conoscenza e la qualità di ciascun modello vincolano comunque la risposta. Sei responsabile del modo in cui utilizzi l'output e le richieste che violano la politica di utilizzo accettabile di Muapi o la legge non sono consentite.
No. Ogni modello in questa pagina contiene testo in entrata e in uscita.
POST su /api/v1/<nome-modello> restituisce un request_id. Esegui il polling /api/v1/predictions/{request_id}/result fino al completamento dello stato, quindi leggi il testo dagli output.
Crea una chiave API Muapi e chiama ogni modello in questa pagina con una semplice richiesta REST.