O que a hospedagem cuida para você
Executar um modelo de linguagem em produção envolve mais do que baixar pesos. Uma API hospedada assume o seguinte para que seu código não precise:
| Cuidado pelo host | Ainda é seu |
|---|---|
| GPUs, drivers e o servidor de inferência | Escrever e testar seus prompts |
| Carregar o modelo e mantê-lo ativo | Escolher temperatura, max_tokens e outras configurações |
| Agrupar várias solicitações | Lógica de retry para respostas 429 |
| Autenticação e limite de requisições | Manter sua chave de API em segredo |
| Medição e saldo pré-pago | Acompanhar seus gastos |
| Atualizações de software no lado do serviço | Manipular a saída do modelo no seu aplicativo |
O serviço aqui é uma API de chat compatível com OpenAI que serve um único modelo de pesos abertos, executado por um provedor independente. Não é a API oficial de nenhum fornecedor de modelo e não é um roteador entre vários. Apenas texto: sem geração de imagem, áudio ou vídeo, sem embeddings e sem fine-tune.
Sua primeira requisição
Crie uma conta com o Google ou com e-mail e senha, depois copie uma chave na página chave de API. Resgatar o teste com um clique lá adiciona $0,50 de crédito, válido por 7 dias, sem cartão.
curl
curl https://api.uncensoredmodelhub.com/v1/chat/completions \
-H "Authorization: Bearer $API_KEY" \
-H "Content-Type: application/json" \
-d '{
"model": "uncensored",
"messages": [{"role": "user", "content": "Explain what a hosted LLM API does in two sentences."}]
}'
Python
from openai import OpenAI
client = OpenAI(base_url="https://api.uncensoredmodelhub.com/v1", api_key="YOUR_KEY")
resp = client.chat.completions.create(
model="uncensored",
messages=[{"role": "user", "content": "Explain what a hosted LLM API does in two sentences."}],
)
print(resp.choices[0].message.content)
Node
import OpenAI from "openai";
const client = new OpenAI({
baseURL: "https://api.uncensoredmodelhub.com/v1",
apiKey: process.env.API_KEY,
});
const resp = await client.chat.completions.create({
model: "uncensored",
messages: [{ role: "user", content: "Explain what a hosted LLM API does in two sentences." }],
});
console.log(resp.choices[0].message.content);
Os mesmos endpoints também incluem POST /v1/responses e GET /v1/models. A documentação lista os parâmetros.
Streaming, ferramentas e modo JSON
A maior parte do que os desenvolvedores usam de uma API de chat está disponível.
- Streaming. Defina
stream: truepara receber eventos enviados pelo servidor conforme os tokens são gerados; o uso é relatado no final. Interfaces de chat dependem disso. - Chamada de ferramentas. Passe
toolsetool_choice, leiatool_callsda resposta (eles também fazem streaming) e retorne os resultados como mensagens comrole: "tool". - Modo JSON.
response_format: {"type":"json_object"}faz o modelo retornar um objeto JSON, útil para extração e classificação. - Controles de amostragem. temperature, top_p, stop, seed e as penalidades são passados diretamente.
Uma chamada de streaming em Python se parece com isto:
stream = client.chat.completions.create(
model="uncensored",
messages=[{"role": "user", "content": "Write a four-line poem about servers."}],
stream=True,
)
for chunk in stream:
if chunk.choices and chunk.choices[0].delta.content:
print(chunk.choices[0].delta.content, end="", flush=True)
Bibliotecas que já falam o formato OpenAI, como LangChain, funcionam alterando a URL base; nossa página sobre LangChain com modelos de código aberto mostra um exemplo.
Limites e como gerenciá-los
A hospedagem é compartilhada, então há limites. Conheça-os antes de criar um loop em torno da API.
- Contexto: 100.000 tokens, prompt mais conclusão. A conclusão pode usar o que o prompt deixar disponível, e
max_tokensé opcional. - Concorrência e limite de requisições: uma chave completa permite 8 requisições simultâneas e 300 por minuto; uma chave de teste grátis permite 2 e 60. Uma requisição em streaming ocupa sua vaga até o fim do streaming.
- Tamanho do corpo: 8 MB por solicitação.
- Respostas 429: o código de erro é
rate_limitedpara solicitações por minuto,concurrencypara muitas ao mesmo tempo, e um cabeçalhoRetry-After: 5aparece em sobrecarga temporária.
Uma simples nova tentativa (retry) que espera e tenta de novo é suficiente na maioria dos apps. Se uma requisição falhar porque o prompt é muito longo, a página sobre erros de janela de contexto excedida cobre correções como resumir ou truncar o histórico.
Cabeçalhos de resposta ajudam no monitoramento: X-Request-Id para citar em um ticket de suporte, X-RateLimit-Limit-Requests e X-RateLimit-Limit-Concurrency para seus limites, e X-Balance-USD para o que resta.
Migrando um aplicativo existente
Se seu código já usa um cliente OpenAI, raramente precisará reescrevê-lo. Os SDKs oficiais leem duas variáveis de ambiente, então uma mudança pode acontecer fora do código:
export OPENAI_BASE_URL="https://api.uncensoredmodelhub.com/v1"
export OPENAI_API_KEY="YOUR_KEY"
Então defina o nome do modelo para uncensored onde seu código nomeia um modelo. Três coisas valem a pena verificar antes de ir para produção:
- Recursos dos quais você depende. Chat, streaming, ferramentas e modo JSON funcionam. Chamadas para embeddings, imagem ou endpoints de áudio não funcionarão, pois este é um serviço apenas de texto.
- Comprimento do prompt. Qualquer coisa acima de 100.000 tokens no total deve ser cortada ou resumida primeiro.
- Concorrência. Se seu aplicativo puder disparar mais de 8 solicitações ao mesmo tempo, coloque uma fila ou semáforo na frente do cliente para não acionar erros 429 nos picos.
Mantenha a chave no servidor. Nunca a envie no código do navegador ou em um aplicativo móvel, porque qualquer pessoa que a extrair pode gastar seu saldo. Armazene-a em uma variável de ambiente ou gerenciador de segredos e faça rotação se ela vazar.
Custo e faturamento
A cobrança é por token: $0,15 por 1M de entrada e $0,50 por 1M de saída. O crédito é pré-pago e nunca expira, e não há assinatura. Requisições falhas ou recusadas não são cobradas.
Um exemplo rápido. Uma requisição com 2.000 tokens de entrada e 500 tokens de saída custa 2.000 × $0,15 / 1M + 500 × $0,50 / 1M = $0,0003 + $0,00025 = $0,00055. Isso são 1.818 dessas requisições por dólar. Recargas são qualquer valor inteiro de $20 a $500, por cripto (USDT em TRC20, USDC em Base), com bônus de +5% a partir de $50, +10% a partir de $100 e +15% a partir de $200. Veja a página de preços.
Para verificar seu saldo no código, chame GET /v1/balance ou a variante estilo OpenAI GET /v1/dashboard/billing/credit_grants, ou leia X-Balance-USD de qualquer resposta.
Hospedado ou auto-executado: uma verificação rápida
Uma API hospedada se encaixa quando você quer lançar rapidamente, tem tráfego irregular ou não quer operar GPUs. Você abre mão da escolha do modelo e da capacidade de fazer fine-tune. Os prompts são enviados ao provedor, embora não sejam usados para treinamento.
Se você está comparando com executar seu próprio hardware, compare as figuras por token acima com sua cotação de hardware próprio. Para o contexto sobre o tipo de modelo, leia o que é um modelo de IA sem censura. Em termos de conteúdo, o modelo é ajustado para responder sem recusas para uso adulto legal, com um limite rígido: nada sexual envolvendo menores de idade.

