L'API GLM Abliterated ti offre accesso programmatico a GLM 5.3 Flash Abliterated, GLM 5.3 Abliterated e GLM 4.6 Derestricted v5 tramite una chiave API Muapi. Ogni endpoint accetta lo stesso corpo della richiesta: prompt, system_prompt facoltativo, max_tokens e image_url sui modelli con funzionalità di visione.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.
GLM 5.3 Flash con comportamento di rifiuto ridotto tramite l'abliterazione: ragionamento rapido, finestra di contesto del token da 1 milione e input di immagine opzionale.
GLM 5.3 a grandezza naturale con comportamento di rifiuto ridotto tramite l'abliterazione: una finestra di contesto di token da 1 milione, testo in entrata e in uscita.
GLM 4.6 (v5) con il suo comportamento di rifiuto ridotto tramite la derestrizione: una finestra di contesto di token da 131.000, testo in entrata e in uscita.
Questa pagina riguarda GLM 5.3 Flash Abliterated, GLM 5.3 Abliterated e GLM 4.6 Derestricted v5 su Muapi. GLM 5.3 Flash con comportamento di rifiuto ridotto tramite l'abliterazione: ragionamento rapido, finestra di contesto del token da 1 milione e input di immagine opzionale. GLM 5.3 a grandezza naturale con comportamento di rifiuto ridotto tramite l'abliterazione: una finestra di contesto di token da 1 milione, testo in entrata e in uscita. GLM 4.6 (v5) con il suo comportamento di rifiuto ridotto tramite la derestrizione: una finestra di contesto di token da 131.000, testo in entrata e in uscita.
Invia un prompt, facoltativamente con un system_prompt per impostare persona e tono e un image_url sui modelli con capacità di visione, e sondaggi per 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.
Passa un image_url a GLM 5.3 Flash Abliterated.
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 |
|---|---|---|---|---|
| glm-5-3-flash-abliterated | Prompt + system_prompt, max_tokens, image_url opzionale | Risposta testuale completa (sondaggio per risultato) | $ 0,40/milione in entrata · $ 1,60/milione in uscita | Ragionamento veloce ed economico con input di immagini e contesto molto lungo |
| glm-5-3-abliterated | Prompt + system_prompt, max_tokens | Risposta testuale completa (sondaggio per risultato) | $ 2,50/milione in entrata · $ 4,50/milione in uscita | Ragionamento a grandezza naturale su un contesto molto lungo |
| glm-4-6-derestricted-v5 | Prompt + system_prompt, max_tokens | Risposta testuale completa (sondaggio per risultato) | $ 0,80/milione in entrata · $ 3,00/milione in uscita | Ragionamento GLM di medie dimensioni con un contesto di token da 131.000 |
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.
Chiama glm-5-3-flash-abliterated con un prompt e system_prompt facoltativo, image_url.
Chiama glm-5-3-abliterated con un prompt e system_prompt facoltativo.
Chiama glm-4-6-derestricted-v5 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.
GLM 5.3 Flash Abliterato, GLM 5.3 Abliterato e GLM 4.6 Delimitato v5. 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 $ 0,40 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.
Sì su GLM 5.3 Flash Abliterated: aggiungi un image_url accanto al tuo prompt. Gli altri sono solo testo.
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.