We gebruiken cookies. Cookies en browseropslag houden je ingelogd en onthouden je voorkeuren. Met je toestemming meten we ook hoe de site wordt gebruikt. Je kunt je wanneer je wilt. Zie ons cookiebeleid.
LLM API voor chat, agents en gestructureerde output
Gebruik één chat completions-endpoint voor elk groot taalmodel. Streaming, tool calling, JSON-schema-output, vision en redeneren werken bij alle aanbieders hetzelfde, zodat je per taak de beste prijs of kwaliteit kiest zonder code te herschrijven.
- Chatbots en supportassistenten
- Agents die je tools en API’s aanroepen
- Gestructureerde JSON uit documenten halen
- Samenvatten, vertalen en classificeren op schaal
Eén API. Elk model.
Sessiekosten US$ 0,00
Instellingen
Geavanceerde parameters
LLM API · 452 modellen
Zo roep je de LLM API API aan
- Maak een API-key aan in je dashboard.
- Installeer de officiële openai SDK voor je taal.
- Stel baseURL in op https://api14.com/api/v1 en model op "qwen/qwen3.6-27b".
Hoe kies ik een LLM?
Begin met een snel, goedkoop model voor routing en extractie, en bewaar topmodellen voor complex redeneren. De tabel hieronder is op prijs gesorteerd, zodat je snel kunt vergelijken.
Kan ik van model wisselen zonder codewijzigingen?
Ja. Model-id’s gebruiken het formaat `provider/model`; pas de model-string in hetzelfde verzoek aan.
Hoe houd ik LLM-kosten laag?
Begrens max_tokens, hergebruik lange systeemprompts met prompt caching en stuur eenvoudige taken naar een klein model. Elke modelpagina toont de kosten van een typisch verzoek.
Kost streaming meer?
Nee. Gestreamde en niet-gestreamde antwoorden worden op dezelfde manier gefactureerd, op basis van input- en outputtokens.
Welke modellen ondersteunen tool calling en JSON-output?
Elke modelpagina vermeldt de ondersteunde parameters. Zoek naar tools en structured outputs, of filter de catalogus op functie.
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);