Vi använder cookies. Cookies och webbläsarlagring håller dig inloggad och kommer ihåg dina preferenser. Med ditt tillstånd mäter vi också hur webbplatsen används. Du kan när som helst. Läs vår cookiepolicy.
LLM API för chatt, agenter och strukturerad utdata
Använd en endpoint för chat completions för alla stora språkmodeller. Streaming, verktygsanrop, JSON-schemautdata, vision och resonemang fungerar på samma sätt hos alla leverantörer, så du kan välja bästa pris eller kvalitet per uppgift utan att skriva om koden.
- Chattbottar och supportassistenter
- Agenter som anropar dina verktyg och API:er
- Extrahera strukturerad JSON ur dokument
- Sammanfattningar, översättning och klassificering i stor skala
Ett API. Alla modeller.
Sessionskostnad 0,00 US$
Inställningar
Avancerade parametrar
LLM API · 452 modeller
Så anropar du LLM API API
- Skapa en API-nyckel i din kontrollpanel.
- Installera det officiella openai-SDK:t för ditt språk.
- Sätt baseURL till https://api14.com/api/v1 och model till "qwen/qwen3.6-27b".
Hur väljer jag en LLM?
Börja med en snabb och billig modell för routing och extrahering, och spara de främsta modellerna till komplexa resonemang. Tabellen nedan är sorterad efter pris så att du snabbt kan jämföra.
Kan jag byta modell utan kodändringar?
Ja. Modell-id:n har formatet provider/model; ändra model-strängen i samma anrop.
Hur håller jag nere LLM-kostnaderna?
Begränsa max_tokens, återanvänd långa systemprompter med prompt caching och skicka enkla uppgifter till en liten modell. Varje modellsida visar kostnaden för ett typiskt anrop.
Kostar streaming mer?
Nej. Streamade och icke-streamade svar debiteras på samma sätt, efter indata- och utdata-tokens.
Vilka modeller stöder verktygsanrop och JSON-utdata?
Varje modellsida listar vilka parametrar som stöds. Leta efter tools och structured outputs, eller filtrera katalogen efter funktion.
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);