POST /v1/chat/completions
OpenAIのChat Completions APIです。ベースURLをhttps://api.abliteratedllm.dev/v1に向ければ、どのOpenAI SDKやツールでも動作します。
プレースホルダー:
$API_BASEはhttps://api.abliteratedllm.dev/v1、$API_ORIGINはhttps://api.abliteratedllm.dev、$YOUR_KEYはAPIキーです。
リクエスト
curl $API_BASE/chat/completions \
-H "Authorization: Bearer $YOUR_KEY" \
-H "Content-Type: application/json" \
-d '{
"model": "glm-5.3-flash-abliterated",
"messages": [
{"role": "system", "content": "You are a noir novelist."},
{"role": "user", "content": "Open chapter one in three sentences."}
],
"reasoning_effort": "low",
"max_tokens": 2048,
"temperature": 0.8
}'レスポンス(抜粋):
{
"id": "…",
"object": "chat.completion",
"choices": [
{
"index": 0,
"message": { "role": "assistant", "content": "Rain hit the window like it owed me money…" },
"finish_reason": "stop"
}
],
"usage": {
"prompt_tokens": 31,
"completion_tokens": 212,
"total_tokens": 243,
"prompt_tokens_details": { "cached_tokens": 0 }
}
}パラメーター
ここに記載のないフィールドはそのままモデルに渡されるため、OpenAIの標準パラメーターが使えます。サンプリングパラメーターは最初に範囲がチェックされ、範囲外の値は課金前に400 invalid_requestで失敗します。
| フィールド | 備考 |
|---|---|
model | 必須。GET /v1/modelsの任意のID。現在はabliterated: glm-5.3-flash-abliteratedまたはglm-5.3-cyber-abliterated; オリジナル: deepseek-v4.1-flash-1017、deepseek-v4.1-flash-1017-ultrafast、deepseek-v4.1-flash-original、glm-5.3-flash、glm-5.3、glm-5.3-fast、kimi-k3、kimi-k3.1-pro、kimi-k3-fast、ember-1、muse-spark-open、qwen3.8-max、qwen3.8-2.4t-a95b、またはminimax-m3です。 |
messages | 必須。すべてのモデルでテキストを、対応モデルでは画像と動画のパートも受け付けます(後述の「画像と動画」を参照)。 |
max_tokensまたはmax_completion_tokens | 出力予算。デフォルトは16384。モデルの最大出力(GET /v1/modelsのmax_output_tokens)まで、トライアルアカウントでは4096まで引き下げられます。上限を超える値は拒否されずに引き下げられます。 |
reasoning_effort | そのまま渡されます。"low"、"medium"、"high"で、モデルが回答前にどれだけ推論するかを設定します。一部のモデルは"none"も受け付け、推論をオフにします。 |
stream | trueでサーバー送信イベントを使います。指定しない場合も回答は当社側でストリームとして生成され、終了時に1つのchat.completionとして返されます。そのため、時間制限や切断で中断されたリクエストは、それまでに生成された出力に対して課金されます。90秒を過ぎても実行中のレスポンスは改行で始まり、200のボディでエラーを返すことがあります。長時間のリクエストを参照してください。 |
stream_options | include_usageは常にオンになるため、ストリームは必ず使用量のチャンクで終わります。 |
temperature | 0~2。 |
top_p | 0~1。 |
top_k | 0~100。 |
frequency_penalty, presence_penalty | -2~2。 |
stop | 文字列1つ、または最大4つの文字列。 |
tools, tool_choice, parallel_tool_calls | OpenAI APIと同じ関数ツール。typeが"function"以外のツールは400 invalid_requestで失敗します。 |
n | 1(デフォルト)のみ。それ以外の値は400 invalid_requestで失敗します。複数のサンプルが必要な場合は、リクエストを分けて送信してください。 |
logprobs, top_logprobs | "logprobs": trueを指定すると、各出力トークンの対数確率がchoices[].logprobsで返されます。top_logprobs(0~5)を指定すると、トークンごとにその数の候補が追加されます。ここでのlogprobsはブール値である必要があり、整数を指定すると400 invalid_requestで失敗します(整数形式はPOST /v1/completions用です)。 |
service_tier | "priority"を指定すると、優先ティアのあるモデルでリクエストを優先ティアで実行します(後述の「優先ティア」を参照)。それ以外の値は無視され、リクエストは標準ティアで実行されます。service_tierがない場合は、serviceTier(AI SDKベースの一部のクライアントが送信するキャメルケース表記)もエイリアスとして受け付けます。 |
context_length_exceeded_behavior | "truncate"(デフォルト)または"error"。後述の「コンテキスト長」を参照してください。 |
response_format | 構造化出力。{"type": "json_object"}はすべてのモデルで使え、{"type": "json_schema", "json_schema": {...}}(strict)もすべてのモデルで使えます。 |
prompt_cache_key | そのまま渡されます。同じキーを共有するリクエストはまとめてルーティングされるため、プロンプトキャッシュのヒット率が上がります。 |
user | そのまま渡されます。 |
ストリーミング
"stream": trueを指定すると、レスポンスはdata:行のストリームになります。ヘッダーは、モデルがリクエストを受け付けた時点で送信されます。最初のトークンが届くまで、ストリームには15秒ごとにSSEのコメント行: pingが流れるため、プロキシがアイドル状態の接続を閉じることはありません。SSEクライアントとOpenAI SDKはコメント行を無視します。
: ping
data: {"id":"…","object":"chat.completion.chunk","choices":[{"index":0,"delta":{"role":"assistant","content":"Rain"}}]}
data: {"id":"…","object":"chat.completion.chunk","choices":[{"index":0,"delta":{},"finish_reason":"stop"}]}
data: {"id":"…","object":"chat.completion.chunk","choices":[],"usage":{"prompt_tokens":31,"completion_tokens":212,"total_tokens":243,"prompt_tokens_details":{"cached_tokens":0}}}
data: [DONE]使用量は常に専用の最後のチャンクで届き、そのチャンクのchoices配列は空です。choices[0]を読み取る前に、choicesが空でないことを確認してください。
for chunk in stream:
if chunk.choices:
print(chunk.choices[0].delta.content or "", end="")
if chunk.usage:
print("\n", chunk.usage)推論
glm-5.3-flash-abliteratedのように回答前に推論するモデルでは、reasoning_effortで推論の量を設定します。モデルが推論するかどうかは、GET /v1/modelsのcapabilities.reasoningで確認できます。モデルが推論内容を返す場合は、reasoning_contentで届きます。通常のレスポンスではchoices[0].messageに、ストリーミング中はchoices[0].deltaに含まれます。推論トークンは出力トークンです。出力予算に含まれ、出力価格で課金されます。glm-5.3-cyber-abliteratedのチャットテンプレートが従うのは"low"と"high"だけです。"medium"は最大の推論量で動作し、推論をオフにすることはできません。
画像と動画
各モデルが受け付ける入力は、GET /v1/modelsのinput_modalitiesと、同ページのモデル表の「入力形式」列に記載しています。画像への対応はモデルごとに決まり、モデルのバリアントで決まるわけではありません。glm-5.3-flash-abliteratedには"image"が含まれ、画像をネイティブに受け付けます。一方、同じabliteratedモデルでもglm-5.3-cyber-abliteratedはテキストのみです。
"image"を持つモデルは、image_urlパートを受け付けます。"video"を持つモデルは、video_urlパートも受け付けます。"image"も"video"も持たないモデルは、テキスト専用です。そのモダリティを示していないモデルに画像や動画のパートを送信すると、課金前に400unsupported_contentで失敗します。
画像と動画はスクリーニングされません。当社の自動安全性チェックはリクエストのテキストしか読まないため、画像と動画はチェックされずにモデルに届きます。利用ポリシーは、画像や動画を含め、送信するすべての内容に適用されます。リクエストのほかの部分と同様に、画像や動画が保存されることはありません。
画像はimage_urlパートで、そのurlにはbase64のdata: URLか、モデルがダウンロードするhttps://(またはhttp://)のURLを指定します。それ以外の種類のURLは400 unsupported_contentで失敗します。JPEG、PNG、GIF、WebPの画像を使えます。テキストと画像のパートは、同じメッセージに入れてください。
{
"model": "glm-5.3-flash-abliterated",
"messages": [
{
"role": "user",
"content": [
{ "type": "text", "text": "What is in this picture?" },
{ "type": "image_url", "image_url": { "url": "data:image/jpeg;base64,/9j/4AAQSkZJRg…" } }
]
}
]
}動画は、https://のURLを指定したvideo_urlパートです。base64の動画は400 unsupported_contentで失敗します。
{ "type": "video_url", "video_url": { "url": "https://example.com/clip.mp4" } }制限:
- base64画像は1リクエストあたり合計10 MB未満にする必要があり、リクエストボディ全体も16 MiB未満に収める必要があります(それより大きいボディは413で失敗します)。
- 画像や動画のURLは、公開されていて、すばやくダウンロードできる必要があります。ダウンロードに約1.5秒より長くかかるURLや、URL先の5 MBを超える画像があると、リクエストは失敗します。そのような画像は、代わりにbase64で送信してください。
- 1つのリクエストに含められる画像は、会話の以前のターンの画像も含めて最大120枚です。
- 読み取れない画像やこれらの制限を超える画像など、モデルが処理できないリクエストは400
invalid_requestで失敗します。 input_audioなどの音声パートや、ファイルパート(file、input_file)は、すべてのモデルで400unsupported_contentで失敗します。- 何段階も深くネストされたコンテンツ(パートの中のパート)は、400
invalid_requestで失敗します。
画像と動画は入力トークンとして入力価格で課金され、usage.prompt_tokensに含まれます。画像1枚あたりのトークン数は、モデルと画像のサイズによって異なります。リクエストの実行中、仮押さえでは各画像と動画を、ピクセルサイズからの推定値または固定の見積もり量で数えます。詳しくはレート制限とトライアルを参照してください。
優先ティア
優先ティアのあるモデル(GET /v1/modelsのcapabilities.priority_tierとpricing.priorityで確認できます)は、"service_tier": "priority"を受け付けます。モデルが混雑しているとき、優先リクエストは標準のリクエストより先に処理されるため、待ち時間が短く、capacity_exhaustedで終わる可能性も低くなります。ただし、キャパシティが保証されるわけではありません。
curl $API_BASE/chat/completions \
-H "Authorization: Bearer $YOUR_KEY" \
-H "Content-Type: application/json" \
-d '{
"model": "deepseek-v4.1-flash-1017",
"service_tier": "priority",
"messages": [{"role": "user", "content": "Summarize the plot of Hamlet in one sentence."}],
"max_tokens": 1024
}'- 優先リクエストは、モデルの優先価格
pricing.priorityで課金されます。これは標準価格に対する一定の割合(モデルによって125%または150%)で、入力、キャッシュ入力、出力のすべてに適用されます。仮押さえにも優先価格が使われます。 - 優先ティアのないモデルでは、
"service_tier": "priority"は課金前に400invalid_requestで失敗します。 - 優先ティアは、POST /v1/messagesとPOST /v1/completionsでも使えます。POST /v1/responsesは
service_tierを無視し、常に標準ティアで実行・課金されます。
コンテキスト長
プロンプトと出力予算の合計は、モデルのコンテキストウィンドウ(GET /v1/modelsのcontext_length)に収まる必要があります。収まらない場合の動作は、context_length_exceeded_behaviorで設定します。
"truncate"(デフォルト):出力予算を、コンテキストウィンドウのうちプロンプトが残した余地まで引き下げます。プロンプト自体が切り詰められることはありません。"error":代わりに、リクエストを400invalid_requestで失敗させます。
プロンプトだけでコンテキストウィンドウを超える場合は、常に400 invalid_requestで失敗します。
プロンプトキャッシュ
キャッシュは自動で行われます。最近のリクエストと同じトークンで始まるリクエストでは、それらのトークンがキャッシュから読み込まれ、より安いキャッシュ入力価格で課金されます。その数はusage.prompt_tokens_details.cached_tokensで確認できます。長い会話やエージェントのセッションでヒット率を上げるには、そのセッションのすべてのリクエストで同じprompt_cache_keyを送信してください。共通のプレフィックスを持つリクエストを多数送信するクライアントには、この方法をおすすめします。
課金
cost = (prompt_tokens - cached_tokens) × input price
+ cached_tokens × cached-input price
+ completion_tokens × output price価格は100万トークンあたりの額で、リクエストごとの最終的な利用コストの合計は、$0.000001単位で1回だけ切り上げられます。"service_tier": "priority"を指定した場合は、標準価格の代わりにモデルの優先価格が使われます。現在の価格はGET /v1/modelsに記載しています。このページでは、仮押さえ、中断されたストリーム、失敗したリクエストについても説明しています。
ヘッダー
Claude CodeのセッションヘッダーX-Claude-Code-Session-Idは、キャッシュアフィニティに利用されます。それ以外のクライアントヘッダーはすべて破棄されます。すべてのレスポンスにx-request-idが付きます。
エラー
エラーはOpenAI形式{"error": {"type", "code", "message"}}を使います。コードはエラーページに記載しています。