Abliterated LLM API ger dig programmatisk åtkomst till 20 modeller genom en Muapi API-nyckel och en begäranform: prompt, optional system_prompt, max_tokens och image_url på vision-kapabla modeller.Ablitererade modeller är språkmodeller som modifierats för att minska deras inbyggda vägransbeteende. Abliterering och relaterade tekniker (utplåning, utplåning) minskar hur ofta en modell avslår en begäran; de garanterar inte obegränsad produktion, tar inte bort varje gräns eller ändrar Muapis policy för acceptabel användning. Du förblir ansvarig för hur du använder utdata.
Gemma 4 26B A4B med vägransbeteende reducerat genom abliterering: en effektiv blandning av experter chattmodell med ett 65K-token kontextfönster, text in och text ut.
Gemma 4 31B Gembrain med reducerat vägransbeteende: bildinmatning, ett sammanhangsfönster på 262 000 token och en fast tokenhastighet för allmän och kreativ chatt.
Gemma 4 31B SDFT Abliterated, en utplånad Gemma 4 med minskade avslag, inställd för karaktärschatt och kreativt skrivande, med bildinmatning och ett 262K-token kontextfönster.
MiMo V2.6 Flash med dess vägransbeteende reducerat genom abliterering: snabba resonemang, ett 1M-token kontextfönster och valfri bildinmatning.
En abliterad resonemangsmodell för allmänna ändamål med ett 262K-token kontextfönster och valfri bildinmatning.
Den större abliterade resonemangsmodellen med ett 1M-token kontextfönster, text in och text ut.
Den andra revideringen av den stora utplånade resonemangsmodellen, med ett 1M-token kontextfönster och enbart textinmatning.
Qwen 3.8 27B med vägransbeteende reducerat genom abliterering: bildinmatning, ett 524K-token kontextfönster och ett valfritt tankeläge.
Qwen 3.8 27B med avslag borttagna via en utplåningsliknande ablation, bildinmatning, ett 524K-token kontextfönster och ett valfritt tankeläge.
Qwen 2.5 32B Instruera med vägransbeteende reducerat genom abliterering: en kompakt allmän chatt- och kodningsmodell med ett 32K-token kontextfönster.
Qwen3.5 27B Queen med sitt vägransbeteende reducerat genom begränsning: bildinmatning, ett 262K-token kontextfönster och en platt tokenhastighet.
Qwen3.5 27B Blossom (V6.4) med sitt vägransbeteende reducerat genom begränsning: bildinmatning, ett 262K-token kontextfönster och en platt tokenhastighet.
Qwen3.5 27B destillerad från Claude Opus 4.6 resonemangsspår, med dess vägransbeteende reducerat genom begränsning: bildinmatning och ett 262K-token kontextfönster.
Llama 3.3 70B Instruera med vägransbeteende reducerat av abliterering: en stor chattbaslinje med öppen vikt och ett 32K-token kontextfönster.
NeuralDaredevil 8B, ett utplånat Llama 3 8B-derivat: det lättaste och billigaste alternativet här, med ett 8K-token kontextfönster.
DeepSeek R1 destillerad på Llama 70B med vägransbeteende reducerat genom abliterering: tankekedja med ett 16K-token kontextfönster.
DeepSeek R1 destillerad på Qwen 32B med vägransbeteende reducerat genom abliterering: kompakt tankekedja med ett 16K-token kontextfönster.
GLM 5.3 Flash med vägransbeteende reducerat genom abliterering: snabba resonemang, ett 1M-token kontextfönster och valfri bildinmatning.
GLM 5.3 i full storlek med vägransbeteende reducerat genom abliterering: ett 1M-token kontextfönster, text in och text ut.
GLM 4.6 (v5) med dess vägransbeteende reducerat genom begränsning: ett 131K-token kontextfönster, text in och text ut.
Abliterated LLM API är Muapis katalog med 20 abliterade och avgränsade LLM:er, från lätta 8B chattmodeller till 1M-token-kontextresonemangsmodeller, bakom ett konsekvent REST-gränssnitt så att du kan jämföra dem genom att ändra ett enda modellnamn.
Skicka en prompt, eventuellt med en system_prompt för att ställa in persona och ton och en image_url på modeller med synförmåga, och enkät efter den genererade texten. Typiska användningsområden inkluderar kreativt skrivande, red-team och säkerhetsforskning, utvärdering mot den omodifierade basmodellen och applikationer där en basmodells avslag står i vägen för legitimt arbete. Ablitererade modeller är språkmodeller som modifierats för att minska deras inbyggda vägransbeteende. Abliterering och relaterade tekniker (utplåning, utplåning) minskar hur ofta en modell avslår en begäran; de garanterar inte obegränsad produktion, tar inte bort varje gräns eller ändrar Muapis policy för acceptabel användning. Du förblir ansvarig för hur du använder utdata.
Varje slutpunkt accepterar samma förfrågningstext och returnerar text genom den delade resultatslutpunkten, så att byta modell är en ändring på en rad.
Abliterering och relaterade tekniker minskar hur ofta modellen avslår en begäran. Beteendet varierar beroende på modell och uppmaning och är ingen garanti.
Ställ in en system_prompt för att styra persona, ton och utdataformat för kreativt, analytiskt eller utvärderingsarbete.
Fakturering följer tokenräkningen varje samtal returnerar. Det finns inget abonnemang och ingen modellvärd att hantera.
Skicka en image_url till MiMo V2.6 Flash Abliterated, Abliterated Model, Qwen 3.8 27B Abliterated, Qwen 3.8 27B Obliterated, Qwen3.5 27B Queen Derestricted, Qwen3.5 27B Blossom Derestricted, Qwen3.5 27B Flash Op.5.5 27B Flash Ablitererad, Gemma 4 31B Gembrain Abliterated, Gemma 4 31B SDFT Ablitererad.
Minskade avslag innebär inte inga regler. Muapis policy för acceptabel användning och tillämplig lag gäller fortfarande för det du genererar.
| Slutpunkt | Ingång | Utgång | Pris | Bäst för |
|---|---|---|---|---|
Faktureras per token från användningen varje samtal returnerar; Priserna är per miljon in- och utmatningstoken.
Skicka en JSON-förfrågan med din Muapi API-nyckel, spara förfrågnings-ID och polla den delade resultatslutpunkten.
curl -X POST https://api.muapi.ai/api/v1/mimo-v2-6-flash-abliterated \
-H "x-api-key: YOUR_API_KEY" \
-H "Content-Type: application/json" \
-d '{"prompt": "Write a morally gray villain monologue for my novel.", "system_prompt": "You are a candid, detail-oriented assistant.", "image_url": "https://example.com/reference.png", "max_tokens": 1024}'
# Response: {"request_id":"REQUEST_ID"}Ring mimo-v2-6-flash-ablitererad med en prompt och valfri system_prompt, image_url.
Ring abliterated-model med en prompt och valfri system_prompt, image_url.
curl -X POST https://api.muapi.ai/api/v1/abliterated-model-large \
-H "x-api-key: YOUR_API_KEY" \
-H "Content-Type: application/json" \
-d '{"prompt": "Summarize this long transcript and list every claim that needs a fact-check.", "system_prompt": "You are a candid, detail-oriented assistant.", "max_tokens": 1024}'
# Response: {"request_id":"REQUEST_ID"}Ring abliterated-model-large med en prompt och valfri system_prompt.
curl -X POST https://api.muapi.ai/api/v1/abliterated-model-large-v2 \
-H "x-api-key: YOUR_API_KEY" \
-H "Content-Type: application/json" \
-d '{"prompt": "Draft a blunt red-team style review of this product launch plan.", "system_prompt": "You are a candid, detail-oriented assistant.", "max_tokens": 1024}'
# Response: {"request_id":"REQUEST_ID"}Ring abliterated-model-large-v2 med en prompt och valfri system_prompt.
Ring qwen-3-8-27b-abiterat med en prompt och valfri system_prompt, image_url och tankeflagga.
Ring qwen-3-8-27b-utplånad med en prompt och valfri system_prompt, image_url och tankeflagga.
curl -X POST https://api.muapi.ai/api/v1/qwen-2-5-32b-abliterated \
-H "x-api-key: YOUR_API_KEY" \
-H "Content-Type: application/json" \
-d '{"prompt": "Write a Python function that parses log lines and explain each step.", "system_prompt": "You are a candid, detail-oriented assistant.", "max_tokens": 1024}'
# Response: {"request_id":"REQUEST_ID"}Ring qwen-2-5-32b-abiterat med en prompt och valfri system_prompt.
curl -X POST https://api.muapi.ai/api/v1/qwen-3-5-27b-queen-derestricted \
-H "x-api-key: YOUR_API_KEY" \
-H "Content-Type: application/json" \
-d '{"prompt": "Write a candid character study of a retired assassin.", "system_prompt": "You are a candid, detail-oriented assistant.", "image_url": "https://example.com/reference.png", "max_tokens": 1024}'
# Response: {"request_id":"REQUEST_ID"}Ring qwen-3-5-27b-queen-derestricted med en prompt och valfri system_prompt, image_url.
curl -X POST https://api.muapi.ai/api/v1/qwen-3-5-27b-blossom-derestricted \
-H "x-api-key: YOUR_API_KEY" \
-H "Content-Type: application/json" \
-d '{"prompt": "Continue this fantasy scene in the voice of a sardonic narrator.", "system_prompt": "You are a candid, detail-oriented assistant.", "image_url": "https://example.com/reference.png", "max_tokens": 1024}'
# Response: {"request_id":"REQUEST_ID"}Ring qwen-3-5-27b-blossom-derestricted med en prompt och valfri system_prompt, image_url.
Ring qwen-3-5-27b-opus-distillered-derestricted med en prompt och valfri system_prompt, image_url.
curl -X POST https://api.muapi.ai/api/v1/llama-3-3-70b-abliterated \
-H "x-api-key: YOUR_API_KEY" \
-H "Content-Type: application/json" \
-d '{"prompt": "Continue this interactive fiction scene without softening the tone.", "system_prompt": "You are a candid, detail-oriented assistant.", "max_tokens": 1024}'
# Response: {"request_id":"REQUEST_ID"}Ring llama-3-3-70b-ablitererad med en prompt och valfri system_prompt.
Ring neuraldaredevil-8b-ablitererad med en prompt och valfri system_prompt.
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"}Ring deepseek-r1-llama-70b-aliterat med en prompt och valfri system_prompt.
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"}Ring deepseek-r1-qwen-32b-aliterat med en prompt och valfri system_prompt.
curl -X POST https://api.muapi.ai/api/v1/glm-5-3-flash-abliterated \
-H "x-api-key: YOUR_API_KEY" \
-H "Content-Type: application/json" \
-d '{"prompt": "Analyze this chart and write a blunt executive summary of the risks.", "system_prompt": "You are a candid, detail-oriented assistant.", "image_url": "https://example.com/reference.png", "max_tokens": 1024}'
# Response: {"request_id":"REQUEST_ID"}Ring glm-5-3-flash-aliterat med en prompt och valfri system_prompt, image_url.
curl -X POST https://api.muapi.ai/api/v1/glm-5-3-abliterated \
-H "x-api-key: YOUR_API_KEY" \
-H "Content-Type: application/json" \
-d '{"prompt": "Summarize this 500-page report and flag every unsupported claim.", "system_prompt": "You are a candid, detail-oriented assistant.", "max_tokens": 1024}'
# Response: {"request_id":"REQUEST_ID"}Ring glm-5-3-abiterat med en prompt och valfri system_prompt.
curl -X POST https://api.muapi.ai/api/v1/glm-4-6-derestricted-v5 \
-H "x-api-key: YOUR_API_KEY" \
-H "Content-Type: application/json" \
-d '{"prompt": "Draft a frank critique of this business plan.", "system_prompt": "You are a candid, detail-oriented assistant.", "max_tokens": 1024}'
# Response: {"request_id":"REQUEST_ID"}Ring glm-4-6-derestricted-v5 med en prompt och valfri system_prompt.
Ring gemma-4-26b-a4b-ablitererad med en prompt och valfri system_prompt.
Ring gemma-4-31b-gembrain-aliterat med en prompt och valfri system_prompt, image_url.
Ring gemma-4-31b-sdft-aliterat med en prompt och valfri system_prompt, image_url.
Fråga den delade resultatslutpunkten tills uppgiften är klar och läs sedan den genererade texten från utdata.
En ablitererad språkmodell är en modell vars vägransbeteende har reducerats genom att redigera den interna riktningen som driver vägran, vanligtvis utan omskolning från grunden. Besläktade termer som utplånad och avgränsad beskriver liknande tekniker. Resultatet tenderar att avvisa färre förfrågningar än originalmodellen, men det är ingen garanti och kvaliteten kan skilja sig från basmodellen.
MiMo V2.6 Flash Abliterated, Abliterated Model, Abliterated Model Large, Abliterated Model Large V2, Qwen 3.8 27B Abliterated, Qwen 3.8 27B Obliterated, Qwen 2.5 32B Instruct Abliterated, Qwen3.5 27B Queen3 Derestricted, Q7B Queen3 Derestricted. Qwen3.5 27B Opus-Destillerad Derestricted, Llama 3.3 70B Instruct Abliterated, NeuralDaredevil 8B Abliterated, DeepSeek R1 Destill Llama 70B Abliterated, DeepSeek R1 Destill Qwen 32B Abliterated, GLM Abliterated, GLM Abliterated, GLM Abliter. 4.6 Derestricted v5, Gemma 4 26B A4B Abliterated, Gemma 4 31B Gembrain Abliterated och Gemma 4 31B SDFT Abliterated. Var och en är en separat slutpunkt med sitt eget modellnamn i URL:en.
Fakturering är per token, dras av efter varje samtal från de räkningar som modellen returnerar. Priserna börjar på $0,30 per miljon inmatade tokens; se pristabellen för varje modell.
Nej. Minskade avslag betyder inte obegränsad produktion, och varje modells kunskap och kvalitet är fortfarande bunden av svaret. Du är ansvarig för hur du använder utdata, och förfrågningar som bryter mot Muapis policy för acceptabel användning eller lagen är inte tillåtna.
Ja på MiMo V2.6 Flash Abliterated, Abliterated Model, Qwen 3.8 27B Abliterated, Qwen 3.8 27B Obliterated, Qwen3.5 27B Queen Derestricted, Qwen3.5 27B Blossom Derestricted, Qwen3.5 27B Derestricted Flash, Ablitered 5, Gemma. 4 31B Gembrain Abliterated, Gemma 4 31B SDFT Abliterated: lägg till en image_url bredvid din prompt. De andra är endast textbaserade.
POST till /api/v1/<modellnamn> returnerar ett request_id. Omröstning /api/v1/predictions/{request_id}/result tills statusen är klar, läs sedan texten från utdata.
Ställ in tänkandet på sant för att låta modellen resonera innan den svarar, vilket kan hjälpa till med svårare problem till priset av fler output-tokens. Lämna det av för snabbare och billigare svar.
Ja, för modellerna som stöder verktygsanrop: 14 av de 20 modellerna här, inklusive MiMo V2.6 Flash Abliterated, Qwen 3.8 27B Obliterated, GLM 5.3 Abliterated, Gemma 4 31B SDFT Abliterated och Abliterated Model Large V2. De övriga 6 är endast textbaserade och kan inte användas i kodningsagenter. I Claude Code ställer du in ANTHROPIC_BASE_URL till https://api.muapi.ai/anthropic och ANTHROPIC_AUTH_TOKEN till din Muapi API-nyckel, och starta den sedan med claude --model qwen-3-8-27b-obliterated (ställ även in ANTHROPIC_DEFAULT_HALIKU_MODEL till samma ANTHROPIC_DEFAULT_HALIKU_MODEL-ID och samma id). Codex CLI fungerar också: lägg till en modellleverantör med base_url https://api.muapi.ai/openai/v1 och ställ in modellen till samma id. Kvaliteten varierar beroende på modell och mindre modeller kan hoppa över steg i uppgifter med flera filer, det finns ingen snabb cachelagring så varje tur faktureras för hela konversationen hittills, och varje svar är begränsat till 16 384 tokens. Installationsguide: /docs/ai-agent-install-chat-agents.
Skapa en Muapi API-nyckel och anrop varje modell på den här sidan med en vanlig REST-begäran.