Blog · 2026-09-19 · By Dhrumil Barot, Founder

如何使用无审查 LLM API：入门指南（2026）

Q: 我应该从哪个配置开始？

Start from rates and your own probe set, not from a benchmark claim. Qwen3.6 lists the lowest output rate at $5.00 per million tokens, Qwen3.8 sits at $7.00, and DeepSeek V4 Flash costs more per output token at $11.00 but carries a different model behind it. Run the same 20 to 30 prompts across all three, record compliance rate, time to first token, and cost_usd per finished task, and let your own workload pick.

Q: 我能继续使用现有的 OpenAI 或 Anthropic 客户端吗？

Yes. The wire format is OpenAI Chat Completions, so any OpenAI-compatible client works after a base URL change to https://api.vynaris.com/v1 and an API key swap. The Anthropic Python SDK works through its base_url override. Streaming and tool-calling requests pass through unchanged.

Q: 运行过程中余额耗尽会发生什么？

The next request returns 402, the request is not sent upstream, and nothing is charged; the body includes a top-up URL. You can see it coming: every response carries the x-vynaris-balance header, and per-key spend caps bound the worst case on unattended runs. Unused credit never expires, so topping up early costs nothing in option value.

面向 Vynaris 托管无审查配置的可复制粘贴入门指南：三个模型 ID、首个请求、流式输出和按请求提供的回执。

调用无审查 LLM API 的流程与调用任何兼容 OpenAI 的端点相同：获取 key、发送聊天补全请求、读取响应。减少拒答只会改变模型愿意处理的内容，不会改变传输协议。真正不同的是严谨性。这些模型所承载的工作——经授权的安全测试、研究，以及对模型行为的严格评测——都应具备清晰的归因：由哪个模型回答、这次调用花了多少钱、发送了什么内容。

本指南将完整介绍 Vynaris 托管无审查配置的使用路径：创建 key、为账户充值、列出模型、用 curl 发送首个请求、通过 Python 重复调用、流式获取长响应，以及读取每次调用随附的回执。完成后，你应能发出可用的请求、知晓每次调用的成本，并养成在记录中固定模型 ID 的习惯。

本指南假定的所有用途都必须合法且已获授权：在你拥有或明确获准评估的系统上进行安全测试、网络防御、研究和评测。请勿将减少拒答的模型用于剥削未成年人、未经同意的色情内容、未授权访问、针对你并不拥有或控制的系统部署恶意软件，或其他被禁止的活动。在发送 prompt 前，请将其范围限定为你获准执行的工作。

开始前需要准备什么

一个 key。创建账户并生成 API key 后，立即保存。key 的格式是 vyn_sk_live_ 加随机后缀，总长度为 55 个字符，完整值仅在创建时显示一次。key 会在服务端进行哈希处理，之后无法再读取，只能替换。每个 key 都可单独撤销，也支持设置可选的单 key 支出上限，因此安全的做法是每个脚本或每台机器使用一个 key。请将其存入环境变量，绝不要提交到代码中。

预付费额度。API 采用 $20、$50、$100、$250 或 $500 的预付费充值，额度永不过期，无需订阅月度套餐。额度会保留在你的钱包中，直至你使用它。固定费率请见 Vynaris 定价页面。

任何兼容 OpenAI 的客户端。该端点采用 OpenAI Chat Completions 传输格式，因此只要将 curl、OpenAI SDK 和多数 agent 框架指向此 API 即可使用。Anthropic Python SDK 也可通过覆盖 base_url 使用。如果你的工具能调用 OpenAI，它就能调用此服务。

三个托管配置

Model ID	Input	Output	上下文
vynaris/qwen3.6-35b-a3b-uncensored	$1.00	$5.00	128K
vynaris/qwen3.8-27b-uncensored	$1.00	$7.00	128K
vynaris/deepseek-v4-flash-uncensored	$2.00	$11.00	128K

费率按每百万 token 计算。每个配置均有实时模型卡：Qwen3.6 35B-A3B 无审查、Qwen3.8 27B 无审查和 DeepSeek V4 Flash 无审查。每张模型卡都会注明该配置背后的社区源构建版本，因此你的归因可从仓库开始。完整目录见无审查模型。

有一项属性比费率更重要：托管配置绝不会被替换。当你发送这三个模型 ID 中的任意一个时，提供服务的就是该确切模型，并且响应中的 requested_model 等于 served_model。对于评测工作而言，这正是测量与轶事之间的差别。

第 1 步：确认 key 可用

在调用任何模型之前，用一次请求同时检查 key 和连接：

curl -s https://api.vynaris.com/v1/ping -H "Authorization: Bearer $VYNARIS_API_KEY"

正常的 key 会返回 {"ok": true, "key": "valid"}。这一调用能快速定位大多数配置问题：若 ping 成功而聊天补全失败，问题在于你的请求，而非网络或 key。

第 2 步：列出模型

向 API 查询你的 key 能调用哪些模型：

curl -s https://api.vynaris.com/v1/models -H "Authorization: Bearer $VYNARIS_API_KEY"

响应会列出你的账户可用的每个模型 ID。请从响应中复制这三个托管配置的 ID，而不要依赖记忆、笔记或任何博客文章（包括本文）：端点才是当前可调用模型的唯一事实来源。

第 3 步：发送第一个聊天补全请求

curl -s https://api.vynaris.com/v1/chat/completions \
  -H "Authorization: Bearer $VYNARIS_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "vynaris/deepseek-v4-flash-uncensored",
    "messages": [
      {"role": "user", "content": "Explain how a stack canary detects a buffer overflow attempt, so I can verify my mitigation actually triggers in tests."}
    ]
  }'

响应是标准的 Chat Completions 正文，并附带 Vynaris 回执；这里仅保留你最先需要查看的字段：

{
  "model": "vynaris/deepseek-v4-flash-uncensored",
  "choices": [
    {
      "index": 0,
      "message": {"role": "assistant", "content": "A stack canary is placed between local buffers and the saved return address, and the runtime checks it before the function returns."},
      "finish_reason": "stop"
    }
  ],
  "usage": {"prompt_tokens": 1180, "completion_tokens": 342, "total_tokens": 1522},
  "vynaris": {
    "request_id": "req_9f2c7d14e6a8",
    "requested_model": "vynaris/deepseek-v4-flash-uncensored",
    "served_model": "vynaris/deepseek-v4-flash-uncensored",
    "cost_usd": 0.006122,
    "baseline": "provider list price, uncached"
  }
}

这个 vynaris 区块还包含 upstream_model、provider、deployment、routing_reason、attempts 和 direct_equivalent_usd 对比，因此请求的每一项可计费事实都会随响应一同返回。相同的信息也会出现在响应头中：x-vynaris-request-id、x-vynaris-served-model、x-vynaris-cost 和 x-vynaris-balance；最后一项会报告调用后的剩余余额。

先核对一次计算，这样之后你就能信任回执。该请求使用了 1,180 个输入 token 和 342 个输出 token。按每百万输入 token $2.00、每百万输出 token $11.00 计费，1180 x $2.00 / 1,000,000 = $0.00236，加上 342 x $11.00 / 1,000,000 = $0.003762，总计 $0.006122，这与 cost_usd 报告的金额完全一致。没有任何事后估算；这个数字是根据实际运行的请求 token 数量得出的。失败的请求会获得可靠性退款，而不会被计费。

初次使用时有一种情况需要预期：闲置一段时间后的首个请求，可能会因容量启动而较慢；后续请求则会以正常延迟运行。

第 4 步：改用实际客户端

使用指向 Vynaris base URL 的 OpenAI SDK，可在 Python 中发出同样的调用：

import os
from openai import OpenAI

client = OpenAI(
    api_key=os.environ["VYNARIS_API_KEY"],
    base_url="https://api.vynaris.com/v1",
)

response = client.chat.completions.create(
    model="vynaris/deepseek-v4-flash-uncensored",
    messages=[
        {"role": "user", "content": "Draft a test plan for the auth bypass I described, scoped to my staging environment."}
    ],
)

print(response.choices[0].message.content)

# The vynaris receipt rides in the raw body; the OpenAI SDK
# preserves fields it does not model:
receipt = response.model_extra["vynaris"]
print(receipt["served_model"], receipt["cost_usd"])

任何语言中兼容 OpenAI 的客户端都以同样的方式工作：将 base URL 设置为 https://api.vynaris.com/v1，设置 key，并使用确切的模型 ID。Anthropic Python SDK 可通过覆盖 base_url 使用。你现有的测试框架无需改动。

第 5 步：流式获取长响应

对于超过一段的内容，加入 "stream": true：

curl -N https://api.vynaris.com/v1/chat/completions \
  -H "Authorization: Bearer $VYNARIS_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "vynaris/qwen3.6-35b-a3b-uncensored",
    "stream": true,
    "messages": [
      {"role": "user", "content": "Write the incident-response playbook section for credential stuffing alerts."}
    ]
  }'

输出会以 server-sent events 形式到达，每组 token 对应一个 JSON 块，并以 data: [DONE] 哨兵结束。-N 标志会禁用 curl 缓冲，因此你能在块到达时立即看到它们。流式响应会携带 x-vynaris-request-id 和 x-vynaris-served-model 响应头，因此即使正文分块到达，归因信息仍得以保留。工具和函数调用请求会原样传递：如果你的 agent 循环发送 tools，流式增量中将包含任何兼容 OpenAI 的客户端已知如何组合的相同工具调用片段。

固定你正在测试的模型

良好的评测规范能让结果在日后经得起审视。以下三项习惯最为重要：

为每项结果记录确切的模型 ID。不要只记“DeepSeek”，而要记录完整的 vynaris/deepseek-v4-flash-uncensored 字符串，以及回执中的 request_id。没有模型 ID 和日期的拒答率数字只是营销，不是测量。
重新运行自己的探测集，不要轻信已发布的分数。固定 temperature 和 max tokens，保留 prompt 文件，任何变化发生时重新运行。无审查 LLM 排行榜发布了套件说明和复现脚本，你可以将其指向任意端点。
关注每个完成任务的成本，而非每个 token 的成本。一旦需要重试和重写，即使 token 单价再低，拒答了三分之一高难度 prompt 的模型也依然昂贵。回执让这件事可以量化：对一次运行汇总 cost_usd，再除以完成的任务数。

应避免的五个错误

将 key 粘贴到客户端代码中。key 是持有者凭证：任何拿到它的人都能花掉你的额度。请使用环境变量，为每个测试框架创建一个 key 以便独立撤销，并为任何无人值守运行的内容设置单 key 支出上限。
创建时未保存 key。完整值只显示一次，并在服务端进行哈希处理。如果终端滚动缓冲已丢失，补救方式是撤销并生成新的 key，而不是找回旧 key。
重试 402。402 表示余额为零，是终止性错误而非暂时性错误。请求从未发送到上游，也没有任何扣费，因此重试毫无作用。请充值后再发送。相比之下，502 是上游故障，重试是合理的。
调用未经验证的模型 ID。请从 /v1/models 复制 ID，不要从记忆、旧笔记或落地页中获取。针对错误模型的评测运行，需要付费重跑一次。
记录结果时未保存回执。每次运行都应记录 request_id、served_model 和 cost_usd。日后若报告中的某个数字受到质疑，回执可以准确重建是哪个模型生成了它，以及成本是多少。

下一步去哪里

浏览无审查模型目录，并阅读计划测试的每个配置的模型卡。
在投入预算前，请查看Vynaris 定价，了解固定费率、充值选项和当前条款。
针对这些配置运行排行榜复现脚本，用你自己的 prompt 测量拒答行为。
如果你在权衡此方案与自建 GPU 的差异，本地与托管成本对比会完整算清这笔账。
如果你更愿意自行运行整套技术栈，如何自行托管无审查 LLM介绍了硬件、配置和运行成本。

常见问题

使用托管配置需要订阅月度套餐吗？

不需要。API 采用 $20 起、永不过期的预付费充值，无月度套餐，也没有交互式使用条款，因此 agent、自动化和生产流量都是允许的工作负载。在投入预算前，请在定价页面确认当前条款。

我应该从哪个配置开始？

应根据费率和你自己的探测集开始选择，而非基准测试结论。Qwen3.6 的输出费率最低，为每百万 token $5.00；Qwen3.8 为 $7.00；DeepSeek V4 Flash 的每个输出 token 成本更高，为 $11.00，但其背后是不同的模型。针对三个模型运行相同的 20 到 30 个 prompt，记录合规率、首个 token 的时间，以及每个完成任务的 cost_usd，让你自己的工作负载做出选择。

我能继续使用现有的 OpenAI 或 Anthropic 客户端吗？

可以。传输格式为 OpenAI Chat Completions，因此只要将 base URL 改为 https://api.vynaris.com/v1 并更换 API key，任何兼容 OpenAI 的客户端都可使用。Anthropic Python SDK 可通过覆盖 base_url 使用。流式输出和工具调用请求会原样传递。

我的 prompt 会怎样处理？

托管配置不会持久保存 prompt 或输出正文。模型、token 数量、成本和延迟等按请求元数据会为账单用途保留；完整对话记录仅在你为控制台调试明确选择启用时才会存储。这些是产品声明，因此在发送任何受监管内容前，请根据你的要求核实当前隐私条款。

运行过程中余额耗尽会发生什么？

下一次请求会返回 402，请求不会发送到上游，也不会扣费；正文中会包含充值 URL。你可以提前看到这一情况：每个响应都携带 x-vynaris-balance 响应头，而单 key 支出上限会限制无人值守运行中的最坏情况。未使用额度永不过期，因此提前充值不会损失任何期权价值。