POST /v1/chat/completions
A API Chat Completions da OpenAI. Qualquer SDK ou ferramenta compatível com a OpenAI funciona quando você aponta a URL base para https://api.abliteratedllm.dev/v1.
Marcadores:
$API_BASEéhttps://api.abliteratedllm.dev/v1,$API_ORIGINéhttps://api.abliteratedllm.deve$YOUR_KEYé sua chave de API.
Requisição
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
}'Resposta resumida:
{
"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 }
}
}Parâmetros
Os campos não listados aqui são repassados ao modelo sem alterações; então os parâmetros padrão da OpenAI funcionam. Os parâmetros de amostragem passam antes por uma verificação de intervalo: um valor fora do intervalo falha com 400 invalid_request antes de qualquer cobrança.
| Campo | Observações |
|---|---|
model | Obrigatório. Qualquer ID de GET /v1/models, atualmente abliterated: glm-5.3-flash-abliterated ou glm-5.3-cyber-abliterated; originais: 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 ou minimax-m3. |
messages | Obrigatório. Texto em todos os modelos, mais partes de imagem e vídeo nos modelos que as aceitam (veja Imagens e vídeo abaixo). |
max_tokens ou max_completion_tokens | Orçamento de saída. Padrão 16384. Reduzido à saída máxima do modelo (max_output_tokens em GET /v1/models) e a 4096 em contas de teste. Um valor acima do limite é reduzido, não rejeitado. |
reasoning_effort | Repassado. "low", "medium" ou "high" define quanto o modelo raciocina antes de responder. Alguns modelos também aceitam "none", que desativa o raciocínio. |
stream | true para server-sent events. Sem ele, a resposta é gerada como stream do nosso lado e devolvida como um único chat.completion quando termina; assim, uma requisição cortada pelo limite de tempo ou por uma desconexão é cobrada pela saída gerada até o momento. Uma resposta ainda em andamento após 90 segundos começa com quebras de linha e pode trazer um erro no corpo do 200; veja Requisições longas. |
stream_options | include_usage é sempre ativado; então os streams sempre terminam com um chunk de uso. |
temperature | 0 a 2. |
top_p | 0 a 1. |
top_k | 0 a 100. |
frequency_penalty, presence_penalty | -2 a 2. |
stop | Uma string ou até 4 strings. |
tools, tool_choice, parallel_tool_calls | Ferramentas de função, como na API da OpenAI. Uma ferramenta cujo type não é "function" falha com 400 invalid_request. |
n | Apenas 1 (o padrão). Qualquer outro valor falha com 400 invalid_request; envie requisições separadas para obter mais amostras. |
logprobs, top_logprobs | "logprobs": true retorna a probabilidade logarítmica de cada token de saída em choices[].logprobs, e top_logprobs (0 a 5) adiciona essa quantidade de alternativas por token. Aqui logprobs precisa ser booleano; um inteiro falha com 400 invalid_request (a forma inteira é para POST /v1/completions). |
service_tier | "priority" executa a requisição no nível prioritário de um modelo que tenha um (veja Nível prioritário abaixo). Qualquer outro valor é ignorado, e a requisição é executada no nível padrão. serviceTier (em camelCase, como alguns clientes baseados no AI SDK o enviam) é aceito como alias quando service_tier está ausente. |
context_length_exceeded_behavior | "truncate" (o padrão) ou "error". Veja Tamanho do contexto abaixo. |
response_format | Saída estruturada. {"type": "json_object"} funciona em todos os modelos, e {"type": "json_schema", "json_schema": {...}} (strict) em todos os modelos. |
prompt_cache_key | Repassado. Requisições que compartilham uma chave são roteadas juntas, o que aumenta os acertos no cache de prompts. |
user | Repassado. |
Streaming
Com "stream": true, a resposta é um stream de linhas data:. Os cabeçalhos são enviados assim que o modelo aceita a requisição. Até o primeiro token chegar, o stream traz uma linha de comentário SSE, : ping, a cada 15 segundos, para que proxies não fechem uma conexão ociosa. Clientes SSE e os SDKs da OpenAI ignoram linhas de comentário.
: 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]O uso sempre chega em um chunk final próprio, e esse chunk tem o array choices vazio. Verifique se choices não está vazio antes de ler choices[0]:
for chunk in stream:
if chunk.choices:
print(chunk.choices[0].delta.content or "", end="")
if chunk.usage:
print("\n", chunk.usage)Raciocínio
Modelos que raciocinam antes de responder, como glm-5.3-flash-abliterated, usam reasoning_effort para definir quanto. capabilities.reasoning em GET /v1/models indica se um modelo raciocina. Quando o modelo retorna o raciocínio, ele chega em reasoning_content: em choices[0].message em uma resposta normal, e em choices[0].delta durante o streaming. Tokens de raciocínio são tokens de saída: contam para o orçamento de saída e são cobrados ao preço de saída. No glm-5.3-cyber-abliterated, o template de chat só respeita "low" e "high": "medium" roda com o esforço máximo, e o raciocínio não pode ser desativado.
Imagens e vídeo
O que cada modelo aceita está listado em input_modalities em GET /v1/models e na coluna Tipos de entrada da tabela de modelos dessa página. O suporte a imagens é definido por modelo, não pela variante do modelo: glm-5.3-flash-abliterated inclui "image" e aceita imagens nativamente, enquanto glm-5.3-cyber-abliterated, também abliterated, aceita só texto.
- Modelos com
"image"aceitam partesimage_url. - Modelos com
"video"também aceitam partesvideo_url. - Modelos sem
"image"nem"video"aceitam apenas texto. Uma parte de imagem ou vídeo enviada a um modelo que não anuncia essa modalidade falha com 400unsupported_contentantes de qualquer cobrança.
Imagens e vídeos não passam pela triagem. Nossa verificação de segurança automatizada lê apenas o texto de uma requisição; então imagens e vídeos chegam ao modelo sem verificação. A política de uso aceitável cobre tudo o que você envia, inclusive imagens e vídeos. Como o resto da requisição, eles nunca são armazenados.
Uma imagem é uma parte image_url cujo url é uma URL data: em base64 ou uma URL https:// (ou http://) que o modelo baixa; qualquer outro tipo de URL falha com 400 unsupported_content. Imagens JPEG, PNG, GIF e WebP funcionam. Coloque as partes de texto e de imagem na mesma mensagem:
{
"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…" } }
]
}
]
}Um vídeo é uma parte video_url com uma URL https://. Vídeo em base64 falha com 400 unsupported_content.
{ "type": "video_url", "video_url": { "url": "https://example.com/clip.mp4" } }Limites:
- As imagens em base64 precisam somar menos de 10 MB por requisição, e o corpo inteiro da requisição precisa ficar abaixo de 16 MiB (um corpo maior falha com 413).
- Uma URL de imagem ou vídeo precisa ser publicamente acessível e baixar rápido. Uma URL que leve mais de cerca de 1,5 segundo, ou uma imagem acima de 5 MB por trás de uma URL, faz a requisição falhar. Nesse caso, envie a imagem em base64.
- Uma requisição pode levar até 120 imagens, contando as imagens dos turnos anteriores da conversa.
- Uma requisição que o modelo não consegue processar, como uma imagem ilegível ou uma acima desses limites, falha com 400
invalid_request. - Partes de áudio, como
input_audio, e partes de arquivo (file,input_file) falham com 400unsupported_contentem todos os modelos. - Conteúdo aninhado em muitos níveis (partes dentro de partes) falha com 400
invalid_request.
Imagens e vídeos são cobrados como tokens de entrada ao preço de entrada, e usage.prompt_tokens os inclui. Quantos tokens uma imagem ocupa depende do modelo e do tamanho da imagem. Enquanto a requisição é executada, a reserva conta cada imagem e vídeo por uma estimativa baseada no tamanho em pixels ou por um valor fixo, como descrito em Limites de requisições e teste grátis.
Nível prioritário
Modelos com nível prioritário, indicados por capabilities.priority_tier e pricing.priority em GET /v1/models, aceitam "service_tier": "priority". Quando o modelo está ocupado, as requisições prioritárias são atendidas antes das padrão; assim, esperam menos e têm menos chance de terminar em capacity_exhausted. Ainda assim, a capacidade não é garantida.
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
}'- Requisições prioritárias são cobradas aos preços prioritários do modelo,
pricing.priority: uma proporção fixa dos preços padrão dele (125% ou 150%, dependendo do modelo), igual para entrada, entrada em cache e saída. A reserva também usa os preços prioritários. - Em um modelo sem nível prioritário,
"service_tier": "priority"falha com 400invalid_requestantes de qualquer cobrança. - O nível prioritário também está disponível em POST /v1/messages e POST /v1/completions. POST /v1/responses ignora
service_tiere sempre executa e cobra no nível padrão.
Tamanho do contexto
O prompt mais o orçamento de saída precisam caber na janela de contexto do modelo, context_length em GET /v1/models. context_length_exceeded_behavior define o que acontece quando não cabem:
"truncate"(o padrão): o orçamento de saída é reduzido ao espaço que o prompt deixa livre na janela de contexto. O próprio prompt nunca é cortado."error": em vez disso, a requisição falha com 400invalid_request.
Um prompt que sozinho é maior que a janela de contexto sempre falha com 400 invalid_request.
Cache de prompts
O cache é automático: quando uma requisição começa com os mesmos tokens de uma requisição recente, esses tokens são lidos do cache e cobrados ao preço de entrada em cache, que é menor. usage.prompt_tokens_details.cached_tokens informa quantos foram. Para aumentar o índice de acertos em uma conversa longa ou sessão de agente, envie o mesmo prompt_cache_key em todas as requisições dessa sessão. Recomendamos isso para qualquer cliente que envie muitas requisições com um prefixo em comum.
Cobrança
cost = (prompt_tokens - cached_tokens) × input price
+ cached_tokens × cached-input price
+ completion_tokens × output priceOs preços são por 1 milhão de tokens, e o custo final combinado de uso por requisição é arredondado para cima uma única vez, com precisão de $0.000001. Com "service_tier": "priority", os preços prioritários do modelo substituem os padrão. Os preços atuais estão em GET /v1/models, que também explica reservas, streams abortados e requisições com falha.
Cabeçalhos
O cabeçalho de sessão do Claude Code, X-Claude-Code-Session-Id, é respeitado para afinidade de cache; todos os outros cabeçalhos do cliente são descartados. Toda resposta traz x-request-id.
Erros
Os erros usam o formato da OpenAI, {"error": {"type", "code", "message"}}. Os códigos estão na página Erros.