Dolphin AI : Liste de contrôle de production pour les LLM sans censure

Vérifiez la politique de contenu uncensored

Oui, le modèle n’accepte pas de refus pour les sujets adultes licites, fictifs, de recherche en sécurité ou controversés.

Contrairement aux LLM standards qui appliquent des filtres de sécurité cachés, un modèle d’IA sans censure vous permet de générer du contenu pour adultes ou d’explorer des cas limites sans refus inattendus. Vous pouvez le vérifier en envoyant une requête qui déclencherait généralement un blocage de sécurité sur les modèles commerciaux. Si la réponse renvoie du texte au lieu d’un refus, la politique fonctionne comme prévu. Notez qu’une limite stricte de contenu s’applique toujours : les requêtes impliquant du contenu sexuel avec des mineurs sont refusées. Il s’agit d’une limite juridique standard, et non d’un filtre stylistique.

Lors du test, utilisez des invites qui sont techniquement valides mais socialement restreintes. Cela confirme que le modèle est vraiment uncensord pour votre cas d’usage spécifique. Rappelez-vous, cela s’applique uniquement à la génération de texte. Il n’y a pas de génération d’images ou d’audio, donc la capacité uncensord est strictement réservée au texte.

Vérifier les limites de la fenêtre de contexte

Oui, la fenêtre de contexte prend en charge 100 000 tokens pour l'entrée et la sortie combinées.

Cette grande fenêtre vous permet de traiter de longs documents ou des conversations étendues en une seule requête. Cependant, vous devez tenir compte de la limite de sortie maximale. Vous pouvez demander jusqu’à 16 000 jetons par réponse. Si vous ne définissez pas le max_tokens paramètre, le modèle se définit par défaut à 2 048 tokens. Cette distinction est critique pour les tâches de génération de texte long.

Lors de la conception de votre application, assurez-vous que votre bibliothèque cliente gère correctement les longues réponses. Le streaming est souvent nécessaire pour gérer l’utilisation de la mémoire pour les grandes sorties. La limite de 100 000 tokens s’applique à la taille totale de la requête. Cela signifie que votre invite d’entrée et la sortie générée partagent ce budget. Planifiez votre utilisation des tokens en conséquence pour éviter la troncature ou les erreurs.

Confirmer la prise en charge du streaming

Oui, le streaming est pris en charge via les événements envoyés par le serveur (SSE).

Le streaming vous permet de recevoir les jetons au fur et à mesure de leur génération, réduisant la latence perçue pour les utilisateurs. C'est essentiel pour les interfaces de chat et les applications en temps réel. L'API retourne les informations d'utilisation des jetons dans le dernier fragment du flux. Cela garantit que vous pouvez suivre les coûts avec précision même en mode streaming.

Pour implémenter cela, utilisez le stream le paramètre dans votre requête. Votre bibliothèque cliente devrait gérer le flux SSE correctement. Tous les SDK ne gèrent pas le streaming également bien. Testez votre implémentation pour vous assurer qu'elle ne perd pas de tokens ou ne retarde pas l'affichage. Le streaming est une fonctionnalité standard dans les API LLM modernes. Il améliore considérablement l'expérience utilisateur pour les réponses longues.

Testez les capacités d'appel de fonction

Oui, l'appel de fonctions est pris en charge avec tools et tool_choice.

L'appel de fonction permet au modèle de générer des données structurées que votre application peut exécuter. C'est crucial pour la création d'agents ou de workflows complexes. Vous définissez les outils dans la requête, et le modèle répond avec un objet JSON structuré contenant le nom de la fonction et les arguments.

Testez ceci en définissant un outil simple, comme une recherche météo ou une calculatrice. Envoyez une requête qui déclenche l'outil. Vérifiez que le modèle génère le bon nom de fonction et des arguments valides. Cela confirme que le modèle comprend le schéma de l'outil. L'appel de fonction est une fonctionnalité clé pour les applications LLM avancées. Assurez-vous que votre bibliothèque cliente analyse correctement la réponse.

Valider la stabilité du mode JSON

Oui, le mode JSON est pris en charge via le response_format paramètre.

Paramétrage response_format à json_object force le modèle à produire du JSON valide. Cela est utile pour analyser des données structurées sans dépendre de l'appel de fonctions. Cela garantit que la sortie est lisible par une machine. Cette fonctionnalité est stable et fiable pour l'extraction de données structurées.

Testez ceci en envoyant un prompt nécessitant une structure JSON spécifique. Vérifiez que la sortie s'analyse correctement sans erreurs. Le mode JSON est essentiel pour intégrer les LLM dans les systèmes existants. Il réduit le besoin de post-traitement pour corriger les sorties mal formées. Assurez-vous que votre application gère les erreurs d'analyse JSON de manière gracieuse.

Examen de la transparence des prix

Oui, la tarification est transparente avec une facturation claire par token.

Le coût est de 0,15 $ par million de tokens d'entrée et de 0,50 $ par million de tokens de sortie. Il n'y a pas de frais cachés ni de verrouillage d'abonnement. Vous ne payez que ce que vous utilisez. Les erreurs et les refus sont gratuits, ce qui réduit le risque lors des tests. Ce modèle est une API LLM bon marché pour les cas d'utilisation à fort volume.

Le crédit prépayé est facturé en fonction de l'utilisation réelle des tokens. Le crédit n'expire jamais. Cela diffère des modèles d'abonnement qui facturent mensuellement indépendamment de l'utilisation. Vous pouvez recharger à tout moment. La tarification est simple et prévisible. Calculez vos coûts en fonction de votre volume de tokens attendu. Cette transparence vous aide à budgétiser avec précision vos projets.

Évaluer la flexibilité des paiements

Oui, le paiement est flexible mais limité aux crypto-monnaies.

Vous pouvez recharger avec des USDT sur TRC20 ou des USDC sur Base. Le montant minimum est de 20 $ et le maximum est de 500 $. Il existe des crédits bonus pour les recharges plus importantes : +5 % à partir de 50 $, +10 % à partir de 100 $ et +15 % à partir de 200 $. Cela vous permet de tester l'API sans engagement. L'inscription se fait via Google ou e-mail. La clé API est affichée immédiatement. Ce processus simplifié réduit la friction pour les développeurs. Assurez-vous que votre passerelle de paiement prend en charge les cryptomonnaies spécifiées. Les crédits bonus ajoutent de la valeur pour les utilisateurs intensifs.

Vérifiez la confidentialité et l’utilisation des données

Oui, vos données sont privées et ne sont pas utilisées pour l’apprentissage.

Lorsque vous envoyez une requête, les invites ne sont pas utilisées pour entraîner le modèle. C’est crucial pour les données propriétaires ou sensibles. Le compte ne nécessite qu’une adresse e-mail. Aucun numéro de téléphone n’est requis. Cela minimise la collecte de données personnelles. Vous conservez un contrôle total sur vos données.

Vérifiez ceci en examinant les conditions d'utilisation ou la documentation de l'API. Assurez-vous que votre bibliothèque cliente ne consigne pas les invites inutilement. La confidentialité est une préoccupation majeure pour les utilisateurs d'entreprise. La nature non censrée du modèle signifie que vous pouvez envoyer du contenu sensible sans craindre qu'il ne soit utilisé pour l'entraînement. C'est un avantage significatif par rapport aux modèles commerciaux qui utilisent les données pour s'améliorer.

Tester les limites de débit et la concurrence

Oui, les limites de débit sont fixées à 300 demandes par minute et 8 demandes simultanées par clé.

Cela permet de gérer des applications à haut débit sans throttling excessif. La limite du corps de la requête est de 8 Mo. Cela prend en charge les grandes entrées. Une seule clé active est autorisée par compte. Une nouvelle clé remplace l'ancienne. Cela simplifie la gestion des clés.

Testez votre application sous charge pour vous assurer qu'elle gère correctement ces limites. Implémentez une logique de réessai pour les erreurs de limite de débit. La limite de concurrence est importante pour le traitement parallèle. Assurez-vous que votre bibliothèque cliente respecte ces limites. Cela évite de surcharger l'API et garantit des performances cohérentes. La limite de 8 Mo est suffisante pour la plupart des cas d'utilisation.