创建管理
https://api.openai.com/v1/moderations(opens in a new tab)
分类判断文本是否违反OpenAI的内容政策
请求正文
input 字符串或数组 必填
要分类的输入文本
model 字符串 可选项 默认为text-moderation-latest
有两个内容审核模型可用：text-moderation-stable和 text-moderation-latest。
默认情况下，使用的是 text-moderation-latest 模型，该模型会随着时间自动升级。这确保您始终使用我们最准确的模型。如果您使用 text-moderation-stable，则在更新模型之前我们将提供高级通知。text-moderation-stable 的准确性可能略低于 text-moderation-latest。
curl https://api.openai.com/v1/moderations \ -H “Content-Type: application/json” \ -H “Authorization: Bearer $OPENAI_API_KEY” \ -d ‘{ “input”: “I want to kill them.” }’
{ “input”: “I want to kill them.”}
{ “id”: “modr-5MWoLO”, “model”: “text-moderation-001”, “results”: [ { “categories”: { “hate”: false, “hate/threatening”: true, “self-harm”: false, “sexual”: false, “sexual/minors”: false, “violence”: true, “violence/graphic”: false }, “category_scores”: { “hate”: 0.22714105248451233, “hate/threatening”: 0.4132447838783264, “self-harm”: 0.005232391878962517, “sexual”: 0.01407341007143259, “sexual/minors”: 0.0038522258400917053, “violence”: 0.9223177433013916, “violence/graphic”: 0.036865197122097015 }, “flagged”: true } ]}
引擎
引擎端点已被弃用。
请使用它们的替代品模型。了解更多信息。
这些端点描述并提供了API中可用的各种引擎的访问。
列表引擎
https://api.openai.com/v1/engines(opens in a new tab)
列出当前可用的（未经微调的）模型，并提供有关每个模型的基本信息，例如所有者和可用性。
curl https://api.openai.com/v1/engines \ -H “Authorization: Bearer $OPENAI_API_KEY”
{ “data”: [ { “id”: “engine-id-0”, “object”: “engine”, “owner”: “organization-owner”, “ready”: true }, { “id”: “engine-id-2”, “object”: “engine”, “owner”: “organization-owner”, “ready”: true }, { “id”: “engine-id-3”, “object”: “engine”, “owner”: “openai”, “ready”: false }, ], “object”: “list”}
检索引擎
https://api.openai.com/v1/engines/{engine_id}(opens in a new tab)
检索模型实例，提供基本信息，如所有者和可用性。
路径参数
engine_id 字符串 必填
用于此请求的引擎ID。
curl https://api.openai.com/v1/engines/text-davinci-003 \ -H “Authorization: Bearer $OPENAI_API_KEY”
{ “id”: “text-davinci-003”, “object”: “engine”, “owner”: “openai”, “ready”: true}
参数细节
频率和存在惩罚
在Completions API中发现的频率和存在惩罚可以用于减少采样重复令牌序列的可能性。它们通过直接修改logits（未归一化的对数概率）来进行加法贡献。
mu[j] -> mu[j] – c[j] * alpha_frequency – float(c[j] > 0) * alpha_presence
其中：
mu[j] 是第 j 个标记的对数概率 – c[j] 是在当前位置之前采样该标记的次数
float(c[j] > 0) 如果 c[j] > 0 则为1，否则为0
alpha_frequency 是频率惩罚系数
alpha_presence 是存在惩罚系数
正如我们所看到的，存在惩罚是一次性的加法贡献，适用于所有已经被采样至少一次的标记，并且频率惩罚是与特定标记已经被采样多少次成比例的贡献。
如果目标只是稍微减少重复采样，则惩罚系数的合理值约为0.1到1。如果目标是强烈抑制重复，则可以将系数增加到2，但这可能会明显降低样本质量。可以使用负值来增加重复出现的可能性。