Dolphin AI: Checklist di Produzione per LLM Senza Filtri

Verifica la politica sui contenuti senza filtri

Sì, il modello non rifiuta argomenti legali per adulti, di fantasia, di ricerca sulla sicurezza o controversi.

A differenza dei LLM standard che applicano filtri di sicurezza nascosti, un modello AI uncensored ti permette di generare contenuti NSFW o esplorare casi limite senza rifiuti inaspettati. Dovresti verificare questo inviando una richiesta che tipicamente attiva un blocco di sicurezza nei modelli commerciali. Se la risposta restituisce testo invece di un rifiuto, la policy funziona come previsto. Nota che si applica sempre un limite rigido ai contenuti: le richieste che coinvolgono contenuti sessuali con minori vengono rifiutate. Questo è un limite legale standard, non un filtro stilistico.

Quando testi, usa prompt che sono tecnicamente validi ma socialmente limitati. Questo conferma che il modello è davvero uncensored per il tuo caso d'uso specifico. Ricorda, questo si applica solo alla generazione di testo. Non c'è generazione di immagini o audio, quindi la capacità uncensored è strettamente per il testo.

Verifica i limiti della finestra di contesto

Sì, la finestra di contesto supporta 100.000 token per prompt e completamento combinati.

Questa finestra ampia ti consente di elaborare documenti estesi o conversazioni lunghe in una singola richiesta. Tuttavia, devi tenere conto del limite massimo di output. Puoi richiedere fino a 16,000 token per risposta. Se non imposti il max_tokens parametro, il modello utilizza per impostazione predefinita 2.048 token. Questa distinzione è critica per le attività di generazione di testi lunghi.

Quando progetti la tua applicazione, assicurati che la tua libreria client gestisca correttamente le risposte lunghe. Lo streaming è spesso necessario per gestire l'utilizzo della memoria per output di grandi dimensioni. Il limite di 100.000 token si applica alla dimensione totale della richiesta. Questo significa che il tuo prompt di input e l'output generato condividono questo budget. Pianifica l'utilizzo dei token di conseguenza per evitare troncamenti o errori.

Conferma il supporto per lo streaming

Sì, lo streaming è supportato tramite Server-Sent Events (SSE).

Lo streaming permette di ricevere i token man mano che vengono generati, riducendo la latenza percepita per gli utenti. Questo è essenziale per le interfacce di chat e le applicazioni in tempo reale. L'API restituisce le informazioni sull'utilizzo dei token nell'ultimo chunk dello stream. Questo garantisce che tu possa monitorare i costi con precisione anche durante lo streaming.

Per implementare questo, usa il stream il parametro nella tua richiesta. La tua libreria client dovrebbe gestire correttamente lo stream SSE. Non tutti gli SDK gestiscono lo streaming allo stesso modo. Testa la tua implementazione per assicurarti che non perda token o ritardi la visualizzazione. Lo streaming è una funzionalità standard nelle API LLM moderne. Migliora significativamente l'esperienza utente per le risposte lunghe.

Testa le capacità di chiamata di funzioni

Sì, il function calling è supportato con tools e tool_choice.

Il function calling consente al modello di output di dati strutturati che la tua applicazione può eseguire. Questo è fondamentale per la creazione di agent o flussi di lavoro complessi. Definisci gli strumenti nella richiesta e il modello risponde con un oggetto JSON strutturato contenente il nome della funzione e gli argomenti.

Testa questo definendo un semplice strumento, come una ricerca meteo o una calcolatrice. Invia una richiesta che attivi lo strumento. Verifica che il modello restituisca il nome corretto della funzione e argomenti validi. Questo conferma che il modello comprende lo schema dello strumento. Il richiamo di funzioni è una funzionalità chiave per le applicazioni LLM avanzate. Assicurati che la tua libreria client analizzi correttamente la risposta.

Convalida la stabilità della modalità JSON

Sì, la modalità JSON è supportata tramite il response_format parametro.

Impostazione response_format a json_object obbliga il modello a produrre JSON valido. Questo è utile per l'analisi dei dati strutturati senza fare affidamento sul function calling. Garantisce che l'output sia leggibile dalla macchina. Questa funzione è stabile e affidabile per l'estrazione di dati strutturati.

Testa questo inviando un prompt che richiede una specifica struttura JSON. Verifica che l'output venga analizzato correttamente senza errori. La modalità JSON è essenziale per integrare i LLM nei sistemi esistenti. Riduce la necessità di post-elaborazione per correggere output malformati. Assicurati che la tua applicazione gestisca gli errori di analisi JSON in modo elegante.

Rivedi la trasparenza dei prezzi

Sì, i prezzi sono trasparenti con fatturazione chiara per token.

Il costo è $0,15 per 1 milione di token di input e $0,50 per 1 milione di token di output. Non ci sono commissioni nascoste né blocchi di abbonamento. Paghi solo per quello che usi. Errori e rifiuti sono gratuiti, il che riduce il rischio per i test. Questo modello è un'API LLM economica per casi d'uso ad alto volume.

Il credito prepagato viene addebitato in base all'utilizzo reale dei token. Il credito non scade mai. Questo è diverso dai modelli di abbonamento che addebitano mensilmente indipendentemente dall'utilizzo. Puoi ricaricare in qualsiasi momento. I prezzi sono semplici e prevedibili. Calcola i tuoi costi in base al volume di token previsto. Questa trasparenza ti aiuta a budgettare con precisione i tuoi progetti.

Valutare la flessibilità dei pagamenti

Sì, il pagamento è flessibile ma limitato alle criptovalute.

Puoi effettuare una ricarica con USDT su TRC20 o USDC su Base. L'importo minimo è di $20 e il massimo è di $500. Ci sono crediti bonus per ricariche più grandi: +5% da $50, +10% da $100 e +15% da $200. Questo ti permette di testare l'API senza impegno. La registrazione avviene tramite Google o email. La chiave API viene visualizzata immediatamente. Questo processo semplificato riduce l'attrito per gli sviluppatori. Assicurati che il tuo gateway di pagamento supporti le criptovalute specificate. I crediti bonus aggiungono valore per gli utenti intensivi.

Verifica privacy e utilizzo dei dati

Sì, i tuoi dati sono privati e non vengono utilizzati per l'addestramento.

Quando invii una richiesta, i prompt non vengono utilizzati per addestrare il modello. Questo è fondamentale per i dati proprietari o i contenuti sensibili. L’account richiede solo un indirizzo email. Non è necessario un numero di telefono. Questo minimizza la raccolta di dati personali. Mantieni il pieno controllo sui tuoi dati.

Verifica questo controllando i termini di servizio o la documentazione API. Assicurati che la tua libreria client non registri i prompt inutilmente. La privacy è una preoccupazione chiave per gli utenti enterprise. La natura senza filtri del modello significa che puoi inviare contenuti sensibili senza timore che vengano utilizzati per l'addestramento. Questo è un vantaggio significativo rispetto ai modelli commerciali che utilizzano i dati per il miglioramento.

Testa i limiti di frequenza e la concorrenza

Sì, i limiti di velocità sono impostati a 300 richieste al minuto e 8 richieste concorrenti per chiave.

Questo permette applicazioni ad alto throughput senza throttling eccessivo. Il limite del corpo della richiesta è di 8 MB. Questo supporta input di grandi dimensioni. È consentita una sola chiave attiva per account. Una nuova chiave sostituisce quella vecchia. Questo semplifica la gestione delle chiavi.

Testa la tua applicazione sotto carico per assicurarti che gestisca correttamente questi limiti. Implementa una logica di retry per gli errori di rate limit. Il limite di concorrenza è importante per l'elaborazione parallela. Assicurati che la tua libreria client rispetti questi limiti. Questo evita di sovraccaricare l'API e garantisce prestazioni coerenti. Il limite di 8 MB è sufficiente per la maggior parte dei casi d'uso.