GLM Abliterated API ger dig programmatisk tillgång till GLM 5.3 Flash Abliterated, GLM 5.3 Abliterated och GLM 4.6 Derestricted v5 genom en Muapi API-nyckel. Varje slutpunkt har samma förfrågningstext: 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.
GLM 5.3 Flash med vägransbeteende reducerat genom abliterering: snabba resonemang, ett 1M-token kontextfönster och valfri bildinmatning.
GLM 4.6 (v5) med dess vägransbeteende reducerat genom begränsning: ett 131K-token kontextfönster, text in och text ut.
GLM 5.3 i full storlek med vägransbeteende reducerat genom abliterering: ett 1M-token kontextfönster, text in och text ut.
Den här sidan täcker GLM 5.3 Flash Abliterated, GLM 5.3 Abliterated och GLM 4.6 Derestricted v5 på Muapi. 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.
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 GLM 5.3 Flash Abliterated.
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/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.
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.
GLM 5.3 Flash Abliterated, GLM 5.3 Abliterated och GLM 4.6 Derestricted v5. 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 $0,40 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 GLM 5.3 Flash 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.
Ja. Alla tre modellerna här stöder verktygsanrop: GLM 5.3 Flash Abliterated, GLM 5.3 Abliterated och GLM 4.6 Derestricted v5. I Claude Code, ställ in ANTHROPIC_BASE_URL till https://api.muapi.ai/anthropic och ANTHROPIC_AUTH_TOKEN till din Muapi API-nyckel, starta den sedan med claude --model glm-5-3-flash-abliterated (ställ även in ANTHROPIC_DEFAULT_HAIKU_MODEL_MODEL till samma ANTHROPIC_DEFAULT_HAIKU_MODEL_MODEL_MODEL 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.