Grok API 無審查：如何使用 Grok SDK 搭配無審查模型

Grok API 無審查是什麼意思？

當開發者討論 grok api uncensored 概念時，他們通常是在尋找一種繞過標準商業模型對合法但敏感主題所施加的內容篩選機制的方法。在此語境下，「無審查」意指底層大型語言模型經過調整，能在不拒絕爭議性、成人或創意提示詞的情況下作答，前提是這些內容不違法。這與單純移除幾個關鍵字不同；它涉及針對原始輸出生成進行優化的模型架構與訓練資料。

我們的服務正是如此：一個單一的託管 LLM，不會拒絕合法的成人、虛構或安全研究主題。它不是多個供應商的封裝程式。它是運行於我們自己伺服器上的單一開放權重模型。與標準商業 API 的主要區別在於，它不會對邊緣案例提示詞進行禮貌性的拒絕。然而，有一個硬性內容限制始終適用：涉及未成年人的性內容會被嚴格拒絕。這確保了 API 仍可用於一般開發，同時為特定用例提供開發者所需的原始行為。

為何要使用 Grok SDK 搭配無審查模型？

開發者經常使用標準 SDK 整合大型語言模型，因為它們可靠、文件齊全且支援廣泛。使用這些標準工具搭配無審查模型，讓你能保留現有基礎設施，僅改變模型的行為。主要優勢在於一致性：你無需重寫應用程式邏輯來處理不同的回應格式或錯誤代碼。

透過使用標準的 OpenAI 相容端點，你可以將此無審查模型接入任何預期 chat-completions 回應格式的客戶端。這在 A/B 測試中特別有用，因為你可以比較來自相同程式碼庫的過濾與未過濾輸出。你不受限於單一供應商的生態系統。如果你正在建構聊天機器人、內容產生器或研究工具，無審查模型透過移除為避免觸發機制而需特別措辭的需求，降低了提示詞工程的摩擦。該模型設計為直接回答，非常適合應用場景，其中語氣和拒絕率是用戶體驗的關鍵因素。

與 Grok 相容客戶端的相容性

一個常見的混淆點在於「Grok 相容」與「OpenAI 相容」之間的差異。我們的 API 是 OpenAI 相容的。這意味著它遵循與 OpenAI Chat API 相同的 REST 結構、JSON 請求主體和回應格式。大多數現代 LLM SDK（包括用於 Grok 或其他供應商的 SDK）都是基於此 OpenAI 標準建構的。因此，你只需更改基礎 URL 和 API 金鑰，即可使用完全相同的 Python 或 Node.js 客戶端來呼叫我們的無審查 API。

這種方法避免了可能需要引入不必要複雜性的供應商專屬 SDK。你不需要特殊的「Grok SDK」即可使用我們的模型。任何能連接到 OpenAI 端點的客戶端都能連接到我們的端點。這包括用於 Python 的 openai 等流行函式庫，或 @anthropic-ai/sdk（當配置為 OpenAI 端點時）以及各種 Node.js 封裝函式庫。我們服務的基礎 URL 為 https://api.uncensoredchat.cc/v1。你在請求中傳遞模型 ID uncensored。這種標準化確保你的程式碼保持可移植性並具備未來前瞻性，無論你選擇哪個供應商來託管你的模型。

無審查回應的設定

要從無審查模型獲得最佳結果，你應配置請求以鼓勵直接且具創意的輸出。標準參數如 temperature、top_p 和 stop 的作用方式與 OpenAI API 完全相同。較高的溫度值（例如 0.7–1.0）會增加回應的隨機性和創意，這通常在無審查用例中很有用，因為你希望獲得新穎或較不可預測的答案。

你也可以使用 frequency_penalty 和 presence_penalty 來減少重複，並鼓勵模型在單一回應中探索不同的主題。函式呼叫（工具）和 JSON 模式（response_format: json_object）均獲得完整支援。這表示你可以像使用其他模型一樣，將無審查模型用於結構化資料擷取或工具執行。該模型不會因內容篩選機制而拒絕輸出 JSON 或執行工具，從而實現強大的管線整合。你可以設定 seed 以獲得可重現的結果，這對於除錯和測試你的整合很有用。這些標準參數讓你能夠對模型行為進行細粒度控制，而無需依賴專有設定。

Token 限制與上下文視窗

了解 token 限制對於管理成本和效能至關重要。我們的無審查模型支援 100,000 個 token 的上下文視窗，包含提示詞和補全內容。這遠大於許多標準模型，讓你能在單一請求中處理長文件或維持廣泛的對話歷史。

每個請求的最大輸出為 32,000 個 token。若未指定 max_tokens 參數，模型將預設為 2,048 個 token。此限制適用於整個請求，因此必須將輸入提示詞的大小納入考量。例如，若發送 10,000 個 token 的提示詞，最多可接收 54,000 個 token 的輸出（上限為 32,000）。這種彈性非常適合用於摘要長文本、生成程式碼或撰寫詳細文章。Token 計數透明，可透過 API 回應標頭或串流資料監控用量，確保在預算範圍內並避免意外截斷。

使用 Grok SDK 串流資料

串流對於建構回應式使用者介面至關重要，特別是處理大型回應時。我們的 API 支援伺服器傳送事件（SSE）進行串流。啟用串流時，模型會隨著產生而回傳 token，讓你能即時顯示輸出。這對於延遲至關重要的聊天應用程式特別有用。

Copyfrom openai import OpenAI

client = OpenAI(base_url="https://api.uncensoredchat.cc/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)

串流時，回應的最後一個區塊包含請求的總 token 使用量。這讓你能追蹤成本並監控使用情況，而無需進行單獨的 API 呼叫。串流格式與 OpenAI 串流格式完全相同，因此任何處理 OpenAI 串流的 SDK 都能與我們的無審查 API 配合運作。你可以透過更新基礎 URL，輕鬆將此功能整合到你現有的串流邏輯中。這確保無論你使用的是過濾還是無審查模型，你的使用者體驗都能保持順暢且一致。

與 Grok 相比的成本效益

LLM API 的價格因供應商和模型大小而差異很大。我們的無審查 API 提供透明的預付額度模式，無月費。費用為每 100 萬個輸入 token 0.25 美元，每 100 萬個輸出 token 1.00 美元。此定價簡單明瞭，適用於所有請求，包括串流和非串流請求。

Copyimport OpenAI from "openai";

const client = new OpenAI({ baseURL: "https://api.uncensoredchat.cc/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);

與根據模型層級或速度收費的某些供應商不同，我們根據實際 token 使用量收費。錯誤和拒絕是免費的，所以你只需為模型產生的內容付費。預付額度永不過期，且你可使用加密貨幣儲值。對於具有變動使用模式的開發者而言，此模式通常更具成本效益。你無需預測每月用量或為閒置容量付費。無訂閱費意味著你可以從小規模開始，並根據需要擴展，非常適合希望精確控制成本的初創公司和個人開發者。

開始使用 Uncensored Chat

開始使用我們的無審查 API 很簡單。你可以使用 Google 帳戶註冊，或提供電子郵件和密碼。不需要電話號碼。建立帳戶後，你會立即收到 API 金鑰。此金鑰用於對 API 請求進行身份驗證。

Copycurl https://api.uncensoredchat.cc/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."}]
  }'

你可以透過將 SDK 指向我們的基礎 URL https://api.uncensoredchat.cc/v1 來開始發送請求。在請求中使用模型 ID uncensored。你可以使用 USDT (TRC20) 或 USDC (Base) 儲值，金額介於 10 美元至 500 美元之間。新帳戶會獲得 0.50 美元的免費試用額度，有效期為 7 天，無需信用卡。這允許你在承諾較大額度的儲值之前徹底測試 API。API 支援每分鐘 300 個請求和每個金鑰 8 個並行請求，這足以滿足大多數開發和生產負載。