錯誤 1：假設上下文視窗是無限的
開發者常誤以為因為模型是非審查的，它就能永遠記住一切。這是錯誤的。我們的非審查模型支援 100,000 token 的上下文視窗，這很大但並非無限。如果您輸入大量文件，您必須謹慎管理截斷。忽略此限制會導致無聲的資料遺失或昂貴的重新嘗試。請務必同時計算提示和補全的 token。如果總和超過 100,000，請求將失敗。不要假設 API 會在不經您指示的情況下智慧地刪除舊資料。
錯誤 2：忽略 16k 輸出限制
一個常見錯誤是發送請求時未指定 max_tokens 卻期望獲得完整文章。預設輸出限制為 2,048 個 Token。如果需要更長的回應，你必須明確設定該參數。我們的 API 允許每次請求高達 16,000 個 Token。未設定此值會導致故事或程式碼區塊被截斷。這種截斷是突然發生的，會破壞應用程式的邏輯。始終定義生成的上限以控制成本與結構。
錯誤 3：串流端點處理不當
SSE 串流傳輸提供更好的使用者體驗，但也引入了複雜性。您必須解析最後一個區塊以取得準確的 token 用量以進行計費。如果您提前斷開連線，可能會遺失用量資料。我們的 API 在最後一個區塊包含 token 計數。確保您的客戶端能優雅地處理部分回應。不要假設每個區塊都包含用量資料。這種做法可防止因請求不完整而產生的意外費用。
錯誤 4：忘記設定 response_format 以輸出 JSON
當構建解析 AI 輸出的應用程序時，依賴自然語言來格式化 JSON 是有風險的。您應明確設置 response_format 為 json_object。這會強制模型輸出有效的 JSON 語法。沒有這一點，您可能會收到尾隨逗號或缺少引號。解析錯誤會破壞您的集成。始終在處理之前驗證輸出結構。這個小變化顯著提高了自動化工作流程的可靠性。
錯誤 5：誤解 Token 計費方式
許多用戶對按 token 計費感到驚訝。我們的無審查 LLM 每 1M 輸入 token 收取 $0.15，每 1M 輸出 token 收取 $0.50。錯誤免費，但成功的生成會消耗真實信用額度。您必須監控使用情況，以免預付信用額度耗盡。沒有需要管理的月費訂閱。您的信用額度永不過期。然而，高用量用戶在啟動前應計算預估的 token 數量。
錯誤 6：期望所有請求都零拒絕
「無審查」一詞並不意味著完全不受任何規則限制。我們保留一項硬性限制：禁止涉及未成年人的性內容。其他所有內容，包括具爭議性、政治性或成人主題，皆允許使用。若您期望所有類型的內容皆零拒絕，可能會感到失望。我們的模型僅針對該特定類別進行拒絕。這在大多數大型語言模型中皆為標準做法。請勿假設您的無審查模型會無條件生成任何內容。
錯誤 7：速率限制未使用退避機制
我們的 API 對每個金鑰實施每分鐘 300 次請求的限制。如果您突發更多請求，將收到 429 錯誤。實施指數退避對於穩定性至關重要。失敗時不要立即重試。將請求分散在時間上。我們還將每個金鑰的併發請求限制為八個。超過此限制會導致排隊延遲。適當的速率限制確保了在高峰使用時間段內的一致性能。監控您的錯誤率以調整退避策略。
錯誤 8：使用錯誤的模型 ID
整合時，開發者經常從其他供應商複製貼上模型 ID。您必須使用我們 uncensored 模型的特定模型 ID。正確的 ID 是「uncensored」。使用其他 ID 將導致錯誤或意外行為。我們的 API 與 OpenAI 相容，但模型本身是獨立的。它不是 GPT 或 Claude。請務必在儀表板中驗證您的模型 ID。這個小細節可避免許多整合問題。
錯誤 9：忽略內容政策細微差別
雖然我們允許大多數成人內容，但「無審查」的定義各不相同。我們不過濾基於政治正確性的內容。然而，我們會根據特定內容類型進行過濾。確保您的應用程式能正確處理這些細微差別。在擴展之前請徹底測試您的提示。政策透明且一致。您不會因為合法的成人內容而面臨突發封禁。這種穩定性對於長期運行的應用程式至關重要。
