AI Prosumer
MR
berkeley-nest/starling-lm:7b-alpha-q4_0

Starling हा एक मोठा भाषा मॉडेल आहे जो AI फीडबॅकद्वारे प्रबलित शिक्षणाने प्रशिक्षित केला गेला आहे, ज्याचा उद्देश चॅटबॉटची उपयुक्तता सुधारण्यावर केंद्रित आहे.

इनपुट → आउटपुट
मजकूर मजकूर
प्रवेश
टोकन एक्सचेंज
संदर्भ विंडो
8,192 टोकन्स
मॉडेल टॅग्स
36 उपलब्ध आवृत्त्या
परवाना: अज्ञात

मॉडेलपासून अनुप्रयोगापर्यंत

जलद प्रारंभ

API संदर्भ
  1. तुमचा API की प्राप्त करा

    ShareAI कन्सोलमध्ये की तयार करा, नंतर ती तुमच्या सर्व्हरवर पर्यावरणीय व्हेरिएबल म्हणून सेव्ह करा.

    API की तयार करा
    पर्यावरणीय व्हेरिएबल
    export SHAREAI_API_KEY="your-api-key"
  2. तुमचा एंडपॉइंट निवडा

    तुमच्या API कीसह Authorization हेडरमध्ये POST विनंती पाठवा.

    पोस्टhttps://api.shareai.now/api/v1/chat/completions
  3. तुमची पहिली विनंती करा

    खालील विनंती तुमच्या निवडलेल्या टॅगचा वापर करते. तुमची API की खाजगी ठेवण्यासाठी ती तुमच्या सर्व्हरवर चालवा.

    cURL
    curl --request POST 'https://api.shareai.now/api/v1/chat/completions' \
      --header "Authorization: Bearer ${SHAREAI_API_KEY}" \
      --header 'Content-Type: application/json' \
      --data-raw '{
      "model": "berkeley-nest/starling-lm:7b-alpha-q4_0",
      "messages": [
        {
          "role": "user",
          "content": "Hello!"
        }
      ],
      "stream": false
    }'
    Python
    import json
    import os
    import urllib.request
    
    payload = json.loads("{\n  \"model\": \"berkeley-nest/starling-lm:7b-alpha-q4_0\",\n  \"messages\": [\n    {\n      \"role\": \"user\",\n      \"content\": \"Hello!\"\n    }\n  ],\n  \"stream\": false\n}")
    request = urllib.request.Request("https://api.shareai.now/api/v1/chat/completions",
        data=json.dumps(payload).encode(),
        headers={
            "Authorization": f"Bearer {os.environ['SHAREAI_API_KEY']}",
            "Content-Type": "application/json",
        },
        method="POST",
    )
    with urllib.request.urlopen(request) as response:
        print(json.load(response))
    टाइपस्क्रिप्ट
    const response = await fetch("https://api.shareai.now/api/v1/chat/completions", {
      method: 'POST',
      headers: {
        Authorization: `Bearer ${process.env.SHAREAI_API_KEY}`,
        'Content-Type': 'application/json',
      },
      body: JSON.stringify({
        "model": "berkeley-nest/starling-lm:7b-alpha-q4_0",
        "messages": [
          {
            "role": "user",
            "content": "Hello!"
          }
        ],
        "stream": false
      }),
    });
    if (!response.ok) throw new Error(await response.text());
    console.log(await response.json());

टोकन एक्सचेंज

टोकन एक्सचेंजद्वारे उपलब्ध

तुमच्या टोकन बॅलन्ससह नेटवर्क वापरा. तुमच्या खात्याच्या वापर सेटिंग्ज ठरवतात की विनंत्यांचे बिलिंग कसे होईल.

तुमचा आवृत्ती निवडा

टॅग्स 36

सर्व टॅग पहा

टॅग उघडा त्याचे तपशील आणि API उदाहरणे पाहण्यासाठी.

थोडी अधिक माहिती

वारंवार विचारले जाणारे प्रश्न

स्टारलिंग-एलएम म्हणजे काय?

Starling हा एक मोठा भाषा मॉडेल आहे जो AI फीडबॅकद्वारे प्रबलित शिक्षणाने प्रशिक्षित केला गेला आहे, ज्याचा उद्देश चॅटबॉटची उपयुक्तता सुधारण्यावर केंद्रित आहे.

स्टारलिंग-एलएमची किंमत किती आहे?

हा टॅग टोकन एक्सचेंजद्वारे उपलब्ध आहे. तुमचा टोकन शिल्लक आणि खाते वापर सेटिंग्ज प्रवेश आणि बिलिंग ठरवतात. तुमचा शिल्लक आणि पात्रता तपासण्यासाठी तुमचा कन्सोल तपासा.

स्टारलिंग-एलएम कोणते इनपुट्स आणि आउटपुट्स समर्थित करते?

इनपुट्स: मजकूर. आउटपुट्स: मजकूर. निवडलेल्या मॉडेल टॅगसाठी या क्षमता लागू होतात. समर्थित विनंती स्वरूपांसाठी एंडपॉइंट दस्तऐवज तपासा.

स्टारलिंग-एलएमचा संदर्भ लांबी किती आहे?

या टॅगमध्ये 8,192 टोकन्सची संदर्भ विंडो आहे. संदर्भ आकार आणि किंमतींच्या मर्यादा वेगळ्या आहेत. विशिष्ट डिप्लॉयमेंटसाठी विनंती मर्यादा कमी असू शकतात.

मी स्टारलिंग-एलएम ShareAI सोबत कसा वापरू शकतो?

ShareAI कन्सोलमध्ये API की तयार करा, मॉडेल टॅग निवडा, आणि क्विक स्टार्टमधील एन्डपॉइंटला प्रमाणित विनंती पाठवा. निवडलेल्या मॉडेलसाठी तुमच्या कीला प्रवेश असणे आवश्यक आहे. तुमची की तुमच्या सर्व्हरवर ठेवा.