Dolphin AI: Checklista för produktion av icke-censurerade LLM:er

Verifiera avcensurerad innehållspolicy

Ja, modellen vägrar inte lagliga vuxen-, fiktiva, säkerhetsforskning- eller kontroversiella ämnen.

Till skillnad från standard-LLM:n som tillämpar dolda säkerhetsfilter, tillåter en obegränsad AI-modell att du genererar NSFW-innehåll eller utforskar kantfall utan oväntade avslag. Du bör verifiera detta genom att skicka en begäran som vanligtvis utlöser ett säkerhetsblock i kommersiella modeller. Om svaret returnerar text istället för ett avslag, fungerar policyn som avsett. Observera att en hård innehållsgräns alltid gäller: begäranden som involverar sexuellt innehåll med minderåriga avvisas. Detta är en standard juridisk gräns, inte ett stilistiskt filter.

När du testar, använd prompter som är tekniskt giltiga men socialt begränsade. Detta bekräftar att modellen är verkligen obegränsad för ditt specifika användningsfall. Kom ihåg att detta gäller endast textgenerering. Det finns ingen bild- eller ljudgenerering, så den obegränsade förmågan är strikt för text.

Kontrollera kontextfönstergränser

Ja, kontextrutan stöder 100 000 token för både prompt och svar tillsammans.

Detta stora fönster gör att du kan bearbeta omfattande dokument eller långa konversationer i en enda begäran. Du måste dock ta hänsyn till maxgränsen för utdata. Du kan begära upp till 16,000 tokens per svar. Om du inte ställer in max_tokens parameter är standardvärdet 2 048 token. Denna distinktion är kritisk för uppgifter med lång textgenerering.

När du designar din applikation, se till att ditt klientbibliotek hanterar långa svar korrekt. Streaming är ofta nödvändigt för att hantera minnesanvändningen för stora utdata. Gränsen på 100,000 tokens gäller för total storlek på förfrågan. Detta innebär att din input-prompt och det genererade utdelningen delar denna budget. Planera din tokenanvändning därefter för att undvika avklippning eller fel.

Bekräfta stöd för strömning

Ja, strömning stöds via Server-Sent Events (SSE).

Streaming gör att du kan ta emot tokens medan de genereras, vilket minskar upplevd latens för användare. Detta är avgörande för gränssnitt för chatt och realtidsapplikationer. API:et returnerar tokenanvändningsinformation i den sista delen av strömmen. Detta säkerställer att du kan spåra kostnader korrekt även vid streaming.

För att implementera detta, använd stream parametern i din begäran. Ditt klientbibliotek bör hantera SSE-strömmen korrekt. Inte alla SDK:er hanterar strömning lika bra. Testa din implementation för att säkerställa att den inte tappade tokens eller försenar visning. Strömning är en standardfunktion i moderna LLM-API:er. Det förbättrar användarupplevelse avsevärt för långa svar.

Testa funktionsanropskapaciteter

Ja, funktionssammanrop stöds med verktyg och tool_choice.

Function calling gör att modellen kan returnera strukturerad data som din applikation kan utföra. Detta är avgörande för att bygga agenter eller komplexa arbetsflöden. Du definierar verktygen i begäran, och modellen svarar med en strukturerad JSON-objekt som innehåller funktionsnamn och argument.

Testa detta genom att definiera ett enkelt verktyg, till exempel en väderuppslagning eller en kalkylator. Skicka en begäran som aktiverar verktyget. Verifiera att modellen returnerar korrekt funktionsnamn och giltiga argument. Detta bekräftar att modellen förstår verktyetsschemat. Funktionssamtal är en nyckelfunktion för avancerade LLM-applikationer. Se till att din klientbibliotek parser svaret korrekt.

Validera JSON-lägesstabilitet

Ja, JSON-läget stöds via response_format parameter.

Inställning response_format för json_object tvingar modellen att returnera giltig JSON. Detta är användbart för att analysera strukturerad data utan att lita på funktionssamling. Det säkerställer att utdata är maskinläsbar. Denna funktion är stabil och tillförlitlig för extrahering av strukturerad data.

Testa detta genom att skicka en prompt som kräver en specifik JSON-struktur. Verifiera att utmatningen parsas korrekt utan fel. JSON-läget är avgörande för att integrera LLM:er i befintliga system. Det minskar behovet av efterbehandling för att fixa felaktig utmatning. Se till att din applikation hanterar JSON-parseringsfel på ett elegant sätt.

Granska pris transparens

Ja, priserna är transparenta med tydlig tokenfakturering.

Kostnaden är $0,15 per 1 miljon inmatningstokens och $0,50 per 1 miljon utmatningstokens. Det finns inga dolda avgifter eller prenumerationer. Du betalar bara för det du använder. Fel och avslag är kostnadsfria, vilket minskar risken vid testning. Denna modell är en billig LLM-API för användningsfall med hög volym.

Förbetalt kredit debiteras baserat på faktisk tokenanvändning. Krediten löper aldrig ut. Detta skiljer sig från prenumerationssystem som debiterar månatligt oavsett användning. Du kan ladda upp när som helst. Prissättningen är enkel och förutsägbar. Beräkna dina kostnader baserat på din förväntade tokenvolym. Denna transparens hjälper dig att budgetera noggrant för dina projekt.

Bedöm betalningsflexibilitet

Ja, betalningen är flexibel men begränsad till krypto.

Du kan fylla på med USDT på TRC20 eller USDC på Base. Minsta belopp är $20 och maxbeloppet är $500. Det finns bonuskrediter för större insättningar: +5% från $50, +10% från $100 och +15% från $200. Detta gör att du kan testa API:et utan förpliktelser. Registrering sker via Google eller e-post. API-nyckeln visas omedelbart. Denna strömlinjade process minskar friktionen för utvecklare. Se till att din betalningsgateway stöder de angivna kryptovalutorna. Bonuskrediterna ger extra värde för flitiga användare.

Kontrollera integritet och dataanvändning

Ja, dina data är privata och används inte för träning.

När du skickar en begäran används promptarna inte för att träna modellen. Detta är avgörande för proprietär data eller känsligt innehåll. Kontot kräver endast en e-postadress. Inget telefonnummer behövs. Detta minimerar insamling av personuppgifter. Du behåller full kontroll över din data.

Verifiera detta genom att kontrollera användarvillkoren eller API-dokumentationen. Se till att ditt klientbibliotek inte loggar prompts onödigt. Integritet är ett viktigt concern för företagsanvändare. Den obegränsade naturen hos modellen innebär att du kan skicka känsligt innehåll utan rädsla för att det används för träning. Detta är en betydande fördel jämfört med kommersiella modeller som använder data för förbättring.

Testa hastighetsbegränsningar och parallellism

Ja, hastighetsbegränsningarna är inställda på 300 förfrågningar per minut och 8 samtidiga förfrågningar per nyckel.

Detta möjliggör höggenomströmningstillämpningar utan överdriven throttling. Gränsen för begäransbody är 8 MB. Detta stöder stora inmatningar. En aktiv nyckel tillåts per konto. En ny nyckel ersätter den gamla. Detta förenklar nyckelhantering.

Testa din applikation under belastning för att säkerställa att den hanterar dessa gränser korrekt. Implementera retry-logik för rate limit-fel. Gränsen för parallellitet är viktig för parallell bearbetning. Se till att ditt klientbibliotek respekterar dessa gränser. Detta förhindrar överbelastning av API:et och säkerställer konsekvent prestanda. 8 MB-gränsen är tillräcklig för de flesta användningsområden.