Używamy plików cookie. Pliki cookie i pamięć przeglądarki pozwalają utrzymać logowanie i zapamiętać Twoje preferencje. Za Twoją zgodą mierzymy też, jak korzystasz ze strony. W każdej chwili możesz . Zobacz naszą politykę cookie.
LLM API do czatu, agentów i ustrukturyzowanych danych
Używaj jednego endpointu chat completions dla każdego dużego modelu językowego. Streaming, wywołania narzędzi, wyniki zgodne ze schematem JSON, vision i rozumowanie działają tak samo u wszystkich dostawców, więc wybierzesz najlepszą cenę lub jakość dla każdego zadania bez przepisywania kodu.
- Chatboty i asystenci obsługi klienta
- Agenci wywołujący Twoje narzędzia i API
- Wyodrębnianie ustrukturyzowanego JSON z dokumentów
- Streszczenia, tłumaczenia i klasyfikacja na dużą skalę
Jedno API. Każdy model.
Koszt sesji 0,00 USD
Ustawienia
Parametry zaawansowane
LLM API · Modele: 452
Jak wywołać LLM API API
- Utwórz klucz API w panelu.
- Zainstaluj oficjalne SDK openai dla swojego języka.
- Ustaw baseURL na https://api14.com/api/v1, a model na "qwen/qwen3.6-27b".
Jak wybrać LLM?
Zacznij od szybkiego, taniego modelu do routingu i ekstrakcji, a modele z najwyższej półki zostaw do złożonego rozumowania. Tabela poniżej jest posortowana według ceny, więc szybko je porównasz.
Czy mogę zmieniać modele bez zmian w kodzie?
Tak. Id modeli mają format provider/model; zmień ciąg model w tym samym żądaniu.
Jak obniżyć koszty LLM?
Ogranicz max_tokens, wykorzystuj ponownie długie prompty systemowe dzięki prompt caching i kieruj proste zadania do małego modelu. Strona każdego modelu pokazuje koszt typowego żądania.
Czy streaming kosztuje więcej?
Nie. Odpowiedzi strumieniowane i niestrumieniowane są rozliczane tak samo, według tokenów wejściowych i wyjściowych.
Które modele obsługują wywołania narzędzi i wyjście JSON?
Strona każdego modelu wymienia obsługiwane parametry. Szukaj tools i structured outputs albo przefiltruj katalog według możliwości.
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);