Usamos cookies. Cookies e o armazenamento do navegador mantêm você conectado e lembram suas preferências. Com sua permissão, também medimos como o site é usado. Você pode a qualquer momento. Veja nossa política de cookies.
API de LLM para chat, agentes e saída estruturada
Use um único endpoint de chat completions para todos os grandes modelos de linguagem. Streaming, tool calling, saídas com JSON schema, visão e raciocínio funcionam da mesma forma em todos os provedores, então você escolhe o melhor preço ou qualidade para cada tarefa sem reescrever código.
- Chatbots e assistentes de suporte
- Agentes que chamam suas ferramentas e APIs
- Extração de JSON estruturado de documentos
- Resumos, tradução e classificação em escala
Uma API. Todos os modelos.
Custo da sessão US$ 0,00
Configurações
Parâmetros avançados
API de LLM · 452 modelos
Como usar a API do API de LLM
- Crie uma chave de API no seu painel.
- Instale o SDK oficial openai para a sua linguagem.
- Defina baseURL como https://api14.com/api/v1 e model como "qwen/qwen3.6-27b".
Como escolho um LLM?
Comece com um modelo rápido e barato para roteamento e extração, e reserve os modelos de ponta para raciocínio complexo. A tabela abaixo está ordenada por preço para você comparar rapidamente.
Posso trocar de modelo sem mudar o código?
Sim. Os ids dos modelos usam o formato `provedor/modelo`; mude a string model na mesma requisição.
Como reduzo os custos com LLM?
Limite max_tokens, reaproveite prompts de sistema longos com prompt caching e envie tarefas simples para um modelo pequeno. A página de cada modelo mostra o custo de uma requisição típica.
O streaming custa mais?
Não. Respostas com e sem streaming são cobradas da mesma forma, por tokens de entrada e de saída.
Quais modelos suportam tool calling e saída JSON?
A página de cada modelo lista os parâmetros suportados. Procure por tools e structured outputs ou filtre o catálogo por recurso.
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);