Çerez kullanıyoruz. Çerezler ve tarayıcı depolaması oturumunu açık tutar ve tercihlerini hatırlar. İzin verirsen sitenin nasıl kullanıldığını da ölçeriz. İstediğin zaman . Ayrıntılar için çerez politikamıza bak.
Sohbet, ajanlar ve yapılandırılmış çıktı için LLM API
Tüm büyük dil modelleri için tek bir sohbet tamamlama uç noktası kullan. Akış, araç çağırma, JSON şema çıktıları, görü ve akıl yürütme tüm sağlayıcılarda aynı şekilde çalışır; böylece kodu yeniden yazmadan her görev için en iyi fiyatı ya da kaliteyi seçebilirsin.
- Sohbet botları ve destek asistanları
- Senin araçlarını ve API’lerini çağıran ajanlar
- Belgelerden yapılandırılmış JSON çıkarma
- Büyük ölçekte özetleme, çeviri ve sınıflandırma
Tek API. Tüm modeller.
Oturum maliyeti $0,00
Ayarlar
Gelişmiş parametreler
LLM API · 452 model
LLM API API nasıl çağrılır
- Panelinde bir API anahtarı oluştur.
- Dilin için resmi openai SDK’sını kur.
- baseURL’i https://api14.com/api/v1, model’i "qwen/qwen3.6-27b" olarak ayarla.
Doğru LLM’i nasıl seçerim?
Yönlendirme ve veri çıkarma için hızlı, düşük maliyetli bir modelle başla; üst düzey modelleri karmaşık akıl yürütmeye sakla. Aşağıdaki tablo fiyata göre sıralıdır, böylece hızlıca karşılaştırabilirsin.
Kodu değiştirmeden model değiştirebilir miyim?
Evet. Model kimlikleri sağlayıcı/model biçimindedir (örneğin openai/gpt-5-mini); aynı istekte yalnızca model metnini değiştir.
LLM maliyetlerini nasıl düşük tutarım?
max_tokens’ı sınırla, uzun sistem istemlerini prompt önbelleğiyle yeniden kullan ve basit görevleri küçük bir modele gönder. Her model sayfası tipik bir isteğin maliyetini gösterir.
Akış daha pahalı mı?
Hayır. Akışlı ve akışsız yanıtlar aynı şekilde, girdi ve çıktı tokenlarına göre ücretlendirilir.
Hangi modeller araç çağırma ve JSON çıktısını destekliyor?
Her model sayfası desteklenen parametreleri listeler. tools ve yapılandırılmış çıktılara bak ya da kataloğu yeteneğe göre filtrele.
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);