Hermes API: Ein Entwicklerleitfaden zur unzensierten Generierung

Was ist die Hermes API?

Die hermes api bezeichnet einen Endpunkt für unzensierte Large-Language-Modelle, der für Entwickler konzipiert ist, die Rohtextgenerierung ohne die typischen Inhaltsfilter großer kommerzieller Anbieter benötigen. Dieser Dienst fungiert als spezialisierte Alternative zu allgemeinen LLM-APIs und konzentriert sich auf eine einzelne Modell-ID mit der Bezeichnung uncensored. Im Gegensatz zu Multi-Modell-Gateways, die Anfragen an verschiedene Anbieter weiterleiten, bedient dieser Endpunkt ein einzelnes Open-Weight-Modell, das auf dedizierten Servern gehostet und so optimiert ist, dass es Fragen zu erwachsenen, politischen oder kontroversen Themen ohne Ablehnung beantwortet.

Der primäre Anwendungsfall ist die Integration in Anwendungen, bei denen die Inhaltsmoderation vom Client übernommen wird oder das Modell selbst keine zulässigen Erwachseneninhalte blockieren darf. Die API ist strikt Text-in, Text-out. Sie bietet keine Embeddings, Bildgenerierung oder Audioverarbeitung. Entwickler, die eine reine Textgenerierungs-Engine für erwachsene oder uneingeschränkte kreative Texte suchen, werden diesen Endpunkt für die direkte Integration in bestehende Codebasen als geeignet finden.

Wichtig ist, dass es sich um einen unabhängigen Dienst handelt. Er liefert keine GPT-, Claude- oder anderen Anbietermodelle. Das Modell läuft auf eigener Infrastruktur und wird über eine standardmäßige REST-Schnittstelle angesprochen. Der Name hermes api wird in der Entwicklercommunity oft umgangssprachlich verwendet, um diese spezifische unzensierte Generierungsfähigkeit zu bezeichnen, die sich von den Basis-Open-Source-Varianten unterscheidet.

Warum ein unzensiertes Modell wählen?

Standard-LLMs nutzen oft Ablehnungsmechanismen, die bei Schlüsselwörtern oder Kontext zu erwachsenen Themen, politischem Dissens oder Nischen-Hobbys ausgelöst werden. Für Entwickler, die Content-Plattformen, Roleplay-Engines oder Tools für kreatives Schreiben bauen, können diese Ablehnungen die Nutzererfahrung stören. Ein unzensiertes Modell wie das hier bereitgestellte priorisiert das Beantworten des Prompts gegenüber der Durchsetzung einer bestimmten moralischen oder Sicherheitsrichtlinie, sofern der Inhalt nicht illegal ist (z. B. Minderjährige betreffend).

Die Wahl eines unzensierten Endpunkts ermöglicht eine größere Kontrolle über die endgültige Ausgabe. Wenn du möchtest, dass das Modell Gewalt, sexuelle Themen oder kontroverse historische Ereignisse beschreibt, ohne eine 403-Meldung oder eine gefilterte Antwort, ist diese API dafür ausgelegt. Sie ist besonders nützlich für uncensored llama- und uncensored mistral-Enthusiasten, die das Verhalten dieser Basismodelle wünschen, ohne die zusätzlichen Sicherheitsschichten kommerzieller Anbieter.

• Konsistenz: Das Modell lehnt nicht zufällig basierend auf vagen Kontexten ab.
• Kreative Freiheit: Ideal für die Generierung von Romanen, Erotik oder pointiertem Humor.
• Einfachheit: Ein Modell, ein Verhalten, keine komplexe Routing-Logik.

Kompatibilität mit OpenAI SDKs

Der größte Vorteil dieses Endpunkts ist die strikte Einhaltung der OpenAI-API-Spezifikation. Du kannst das offizielle openai Python SDK, den Node.js-Client oder jede andere OpenAI-kompatible Bibliothek verwenden, indem du einfach die Basis-URL und den API-Schlüssel änderst. Der Endpunkt unterstützt POST /v1/chat/completions und GET /v1/models, sodass Standard-Anfragekörper und Antwortstrukturen sofort einsatzbereit sind.

Zur Integration ersetzt du die Standard-Basis-URL durch https://api.openrouternsfw.com/v1 und gibst deinen API-Schlüssel an. Die Modell-ID, die du im Anfragekörper sendest, ist uncensored. Das bedeutet, dass dein bestehender Code zur Verarbeitung von Chat-Verläufen, System-Prompts und Benutzer-Nachrichten nicht geändert werden muss. Diese Kompatibilität erstreckt sich auch auf uncensored grok- und deepseek api-Nutzer, die mit der OpenAI-JSON-Struktur bereits vertraut sind.

Der Endpunkt unterstützt Streaming-Antworten via Server-Sent Events (SSE), sodass du Token verarbeiten kannst, während sie generiert werden. Er unterstützt auch Function Calling (Tools), JSON-Modus für strukturierte Ausgaben und Standardparameter wie temperature und top_p. Dies macht ihn zu einem sofort einsetzbaren Ersatz für viele Standard-LLM-Integrationen.

Konfiguration: Temperatur und Top P

Die Steuerung der Zufälligkeit und Kreativität der Ausgabe erfolgt über Standardparameter. Der Wert temperature passt die Wahrscheinlichkeitsverteilung des nächsten Tokens an. Eine niedrigere Temperatur (z. B. 0,2) macht die Ausgabe deterministischer und fokussierter, während eine höhere Temperatur (z. B. 0,8) Kreativität und Variabilität erhöht. Für die Generierung von Erwachseneninhalten liefert eine moderate Temperatur oft die beste Balance zwischen Kohärenz und Vielfalt.

Der Parameter top_p steuert die Nucleus-Sampling-Methode. Er beschränkt das Modell darauf, nur die Tokens zu berücksichtigen, deren kumulative Wahrscheinlichkeit p überschreitet. Dies ist eine weitere Möglichkeit, die Zufälligkeit zu steuern, die oft in Verbindung mit der Temperatur verwendet wird. Ein top_p von 0,95 bedeutet beispielsweise, dass das Modell nur die wahrscheinlichsten 95 % der Tokens berücksichtigt.

Zu den weiteren unterstützten Parametern gehören stop-Sequenzen, seed für Reproduzierbarkeit sowie presence_penalty und frequency_penalty, um Wiederholungen zu vermeiden. Diese Konfigurationen werden im Anfragekörper übergeben, genau wie bei jedem OpenAI-kompatiblen Modell. Durch die Anpassung dieser Einstellungen kannst du die hermes api-Ausgabe für bestimmte Stile oder Detailgrade optimieren.

Verarbeitung von Streaming-Antworten

Streaming ist für Echtzeit-Benutzererfahrungen unerlässlich. Die API unterstützt Server-Sent Events (SSE), sodass du Token empfängst, während sie generiert werden, anstatt auf die vollständige Antwort zu warten. Dies reduziert die wahrgenommene Latenz und verbessert die Benutzererfahrung für Chat-Schnittstellen.

Bei Verwendung der offiziellen SDKs wird das Streaming aktiviert, indem stream=True in der Anfrage gesetzt wird. Das SDK liefert Datenchunks, sobald sie eintreffen. Der letzte Chunk im Stream enthält normalerweise die Nutzungsstatistiken, einschließlich der Anzahl der Input- und Output-Token. Dies ermöglicht es dir, die Kosten in Echtzeit genau zu verfolgen.

Für Nicht-SDK-Implementierungen kannst du den SSE-Stream direkt analysieren. Jeder Chunk beginnt mit data: gefolgt von einem JSON-Objekt. Der letzte Chunk hat data: [DONE]. Stelle sicher, dass dein Client Netzwerkunterbrechungen angemessen verarbeitet, da Streaming-Verbindungen abbrechen können. Die hermes api stellt sicher, dass die Nutzungsdaten im letzten Chunk zuverlässig für Abrechnungszwecke gemeldet werden.

Token-Effizienz und Grenzen

Das Modell unterstützt ein Kontextfenster von 100,000 Token, das sowohl den Prompt als auch die Vervollständigung umfasst. Dies reicht für die meisten Langtextgenerierungen und komplexe Reasoning-Aufgaben aus. Es gibt keine separate Ausgabeobergrenze pro Anfrage, und wenn du max_tokens nicht angibst, kann die Antwort bis zum Ende des Fensters reichen. Für sehr lange Antworten musst du möglicherweise Logik implementieren, um den Prompt zu chunken oder mehrere Vervollständigungen anzufordern.

Die Preise sind transparent und basieren auf der Token-Nutzung. Input-Token kosten $0,15 pro 1 Million Token, Output-Token kosten $0,50 pro 1 Million Token. Fehler und Ablehnungen (für den geringfügigen Inhaltsfilter) sind kostenlos, sodass du nur für erfolgreiche Generierungen zahlst. Dieses Modell ist effizient für die Textgenerierung in großem Umfang.

• Kontextfenster: 100.000 Token insgesamt.
• Maximale Ausgabe: bis zum Ende des 100,000-Token-Kontextfensters.
• Ratenlimit: 300 Anfragen pro Minute pro Schlüssel.
• Nebenläufigkeit: 8 gleichzeitige Anfragen pro Schlüssel.

Vergleich mit anderen Modellen

Bei der Bewertung der hermes api ist es hilfreich, sie mit anderen uncensored llama- oder uncensored mistral-Optionen zu vergleichen. Im Gegensatz zu selbst gehosteten Lösungen wie Ollama erfordert dieser Dienst kein Infrastrukturmanagement. Du erhältst einen zuverlässigen Endpunkt, ohne GPUs konfigurieren oder Modellgewichte verwalten zu müssen. Im Gegensatz zu Multi-Modell-Gateways bietet er ein einzelnes, konsistentes Verhalten ohne Routing-Overhead.

Im Vergleich zu kommerziellen Modellen wie GPT-4o oder Claude ist dieser Endpunkt für die Textgenerierung in großem Umfang erheblich günstiger und wendet keine Inhaltsfilter an. Er erreicht jedoch möglicherweise nicht die Reasoning-Fähigkeiten der größten proprietären Modelle. Er eignet sich am besten für Aufgaben, bei denen die Inhaltsflexibilität wichtiger ist als State-of-the-Art-Logik.

Für deepseek api-Nutzer ist die Preisstruktur wettbewerbsfähig, aber die Modellarchitektur unterscheidet sich. Die hermes api ist für unzensierte Textgenerierung optimiert und stellt somit ein spezialisiertes Werkzeug und kein Allzweck-KI-System dar. Wenn du Embeddings oder Bildgenerierung benötigst, musst du einen anderen Dienst nutzen, da dieser Endpunkt nur Text unterstützt.

Erste Schritte mit Code-Beispielen

Die Integration der API ist einfach. Du benötigst einen API-Schlüssel, den du durch die Anmeldung mit Google oder E-Mail generieren kannst. Der Schlüssel wird sofort bereitgestellt. Konfiguriere dann dein SDK mit der Basis-URL https://api.openrouternsfw.com/v1 und der Modell-ID uncensored.

Hier ist ein grundlegendes Python-Beispiel unter Verwendung des offiziellen SDKs:

Kopierenfrom openai import OpenAI

client = OpenAI(base_url="https://api.openrouternsfw.com/v1", api_key="YOUR_KEY")

resp = client.chat.completions.create(
    model="uncensored",
    messages=[{"role": "user", "content": "Summarise this thread without softening it."}],
)
print(resp.choices[0].message.content)

Und ein Node.js-Beispiel:

Kopierenimport OpenAI from "openai";

const client = new OpenAI({ baseURL: "https://api.openrouternsfw.com/v1", apiKey: process.env.API_KEY });

const resp = await client.chat.completions.create({
  model: "uncensored",
  messages: [{ role: "user", content: "Draft a villain monologue for my game." }],
});
console.log(resp.choices[0].message.content);

Für Streaming-Antworten verarbeitet das SDK die SSE-Analyse automatisch. Du kannst über die Chunks iterieren, sobald sie eintreffen. Dies ermöglicht die Echtzeit-Textanzeige in deiner Anwendung. Die hermes api stellt sicher, dass das Antwortformat dem OpenAI-Standard entspricht, sodass für Standardanwendungsfälle keine benutzerdefinierte Analyselogik erforderlich ist.

Weitere Anleitungen

• Kostenlose Alternative zu OpenRouter? Was du wirklich bekommst
• So nutzt du OpenRouter in Janitor AI: Proxy-Einrichtung
• Open-Source-Discord-Bot mit einem unzensierten LLM