URL de base et authentification
Notre API suit la norme de compatibilité OpenAI, ce qui signifie que vous pouvez utiliser les SDK existants avec des modifications minimes. L'URL de base est https://api.sdxlnsfw.top/v1. Vous vous authentifiez à l'aide d'un jeton Bearer dans l'en-tête Authorization. Contrairement à de nombreux concurrents, nous ne nécessitons pas de numéro de téléphone pour l'inscription ; vous pouvez créer un compte via Google ou e-mail et recevoir votre clé immédiatement.
Chaque compte prend en charge une clé active à la fois. Si vous générez une nouvelle clé, l'ancienne est révoquée instantanément. Assurez-vous que votre en-tête Authorization est défini sur Bearer YOUR_API_KEY pour toutes les requêtes. Cet endpoint gère tout le traitement textuel, de la génération de prompts à la légendage, sans interférer avec vos pipelines d'image ou d'audio.
Envoyer votre première requête
Commencez par envoyer une requête simple de complétion de texte pour vérifier la connectivité. L'ID du modèle est uncensored. Ce modèle est ajusté pour répondre sans refus de contenu pour un usage adulte légal, ce qui le rend idéal pour l'ingénierie de prompts NSFW. Vous pouvez envoyer jusqu'à 100,000 tokens dans la fenêtre de contexte, sans limite de sortie séparée par requête.
Voici un exemple cURL de base pour tester l'endpoint. Remplacez YOUR_API_KEY par votre clé. Si vous recevez une réponse JSON avec du contenu, votre intégration fonctionne. Les erreurs comme 401 indiquent une clé invalide, tandis que 402 signifie que vous devez recharger votre crédit.
Génération de prompts pour sdxl nsfw
Utilisez l'API pour générer des prompts détaillés pour vos pipelines SDXL NSFW. Le modèle sans censure gère des tags spécifiques, des descriptions anatomiques et des styles artistiques sans filtrage. Vous pouvez passer un prompt système pour définir le rôle du modèle, en assurant une sortie cohérente pour votre workflow. Par exemple, demandez-lui d'étendre un concept simple en un prompt complet avec des détails d'éclairage et de caméra.
L'API est textuelle uniquement, elle ne génère donc pas l'image elle-même. Elle fournit l'infrastructure textuelle qui alimente votre étape de génération. Cela garantit que vos métadonnées et prompts restent sans censure, préservant l'intention exacte de votre direction créative. Utilisez le paramètre temperature pour contrôler la créativité ; des valeurs plus élevées produisent des prompts plus variés.
Appel de fonctions et outils
Intégrez l'extraction de données structurées ou l'utilisation d'outils dans votre pipeline. L'API prend en charge l'appel de fonctions, vous permettant de définir des outils que le modèle peut invoquer. Cela est utile pour analyser du texte non structuré ou déclencher des actions spécifiques dans votre script. Définissez tool_choice pour contrôler si le modèle doit utiliser un outil ou peut choisir librement.
Définissez vos fonctions dans le tableau tools. Le modèle renverra une réponse avec des appels d'outils si approprié. Cette fonctionnalité est disponible pour toutes les requêtes, permettant une logique complexe dans vos workflows de classification textuelle NSFW ou de légendage. Assurez-vous que vos définitions de fonctions sont du JSON valide pour éviter les erreurs d'analyse.
Réponses en streaming
Pour les applications en temps réel, utilisez les Server-Sent Events (SSE) pour diffuser des réponses token par token. Cela réduit la latence perçue et vous permet d'afficher la progression à mesure que le modèle génère du texte. Le streaming est activé en définissant stream: true dans votre requête. Chaque chunk contient du contenu partiel, et le dernier chunk inclut les statistiques d'utilisation des tokens.
Ceci est particulièrement utile pour la génération de longs prompts ou l'écriture de scripts. Vous pouvez traiter les tokens à mesure qu'ils arrivent, en construisant le texte final de manière incrémentale. Rappelez-vous que les erreurs pendant le streaming peuvent toujours renvoyer un dernier chunk avec les détails de l'erreur. Gérez les interruptions réseau avec élégance, car les connexions en streaming peuvent se couper.
Mode JSON pour les données structurées
Assurez une sortie cohérente pour les pipelines automatisés en utilisant le mode JSON. Définissez response_format sur {"type": "json_object"} pour forcer le modèle à renvoyer du JSON valide. C'est critique pour analyser les réponses dans votre code sans regex complexe ou post-traitement. Le modèle respectera la structure que vous définissez dans votre prompt système ou vos exemples few-shot.
Utilisez ceci pour générer des métadonnées, extraire des tags ou formater des prompts pour des outils en aval. Le mode JSON garantit la fiabilité, réduisant le risque que des réponses malformées cassent votre pipeline. Notez que le mode JSON peut légèrement augmenter la latence en raison de la surcharge de validation. Validez toujours la sortie dans votre code, car le modèle peut toujours produire du JSON invalide dans des cas limites.
cURL
curl https://api.sdxlnsfw.top/v1/chat/completions \
-H "Authorization: Bearer $API_KEY" \
-H "Content-Type: application/json" \
-d '{
"model": "uncensored",
"messages": [{"role": "user", "content": "Write a blunt product review of a cheap VPN."}]
}'Python
from openai import OpenAI
client = OpenAI(base_url="https://api.sdxlnsfw.top/v1", api_key="YOUR_KEY")
resp = client.chat.completions.create(
model="uncensored",
messages=[{"role": "user", "content": "Summarise this thread without softening it."}],
)
print(resp.choices[0].message.content)Node.js
import OpenAI from "openai";
const client = new OpenAI({ baseURL: "https://api.sdxlnsfw.top/v1", apiKey: process.env.API_KEY });
const resp = await client.chat.completions.create({
model: "uncensored",
messages: [{ role: "user", content: "Draft a villain monologue for my game." }],
});
console.log(resp.choices[0].message.content);Diffusion en continu
stream = client.chat.completions.create(
model="uncensored",
messages=[{"role": "user", "content": "Tell the story in second person."}],
stream=True,
)
for chunk in stream:
if chunk.choices and chunk.choices[0].delta.content:
print(chunk.choices[0].delta.content, end="", flush=True)