Kami menggunakan cookie. Cookie dan penyimpanan browser menjaga Anda tetap masuk dan mengingat preferensi Anda. Dengan izin Anda, kami juga mengukur cara situs digunakan. Anda dapat kapan saja. Lihat kebijakan cookie kami.
API LLM untuk chat, agen, dan output terstruktur
Gunakan satu endpoint chat completions untuk semua model bahasa besar. Streaming, tool calling, output JSON schema, vision, dan penalaran bekerja sama di semua penyedia, sehingga Anda bisa memilih harga atau kualitas terbaik per tugas tanpa menulis ulang kode.
- Chatbot dan asisten layanan pelanggan
- Agen yang memanggil tools dan API Anda
- Mengekstrak JSON terstruktur dari dokumen
- Ringkasan, terjemahan, dan klasifikasi dalam skala besar
Satu API. Semua model.
Biaya sesi US$0,00
Pengaturan
Parameter lanjutan
API LLM · 452 model
Cara memanggil API API LLM
- Buat API key di dasbor Anda.
- Instal SDK resmi openai untuk bahasa Anda.
- Atur baseURL ke https://api14.com/api/v1 dan model ke "qwen/qwen3.6-27b".
Bagaimana cara memilih LLM?
Mulai dengan model cepat dan murah untuk routing dan ekstraksi, dan gunakan model frontier untuk penalaran kompleks. Tabel di bawah diurutkan berdasarkan harga agar Anda dapat membandingkan dengan cepat.
Bisakah saya berganti model tanpa mengubah kode?
Ya. Id model memakai format provider/model; cukup ubah string model dalam permintaan yang sama.
Bagaimana cara menekan biaya LLM?
Batasi max_tokens, gunakan ulang system prompt panjang dengan prompt caching, dan kirim tugas sederhana ke model kecil. Setiap halaman model menampilkan biaya permintaan umum.
Apakah streaming lebih mahal?
Tidak. Respons streaming dan non-streaming ditagih dengan cara yang sama, berdasarkan token input dan output.
Model mana yang mendukung tool calling dan output JSON?
Setiap halaman model mencantumkan parameter yang didukungnya. Cari tools dan structured outputs, atau filter katalog berdasarkan kemampuan.
import OpenAI from "openai";
const client = new OpenAI({
baseURL: "https://api14.com/api/v1",
apiKey: process.env.API14_API_KEY,
});
const result = await client.chat.completions.create({
"model": "qwen/qwen3.6-27b",
"messages": [
{
"role": "user",
"content": "Explain vector databases in two sentences."
}
]
});
console.log(result.choices[0].message.content);