IT ▾

LLM senza censura per post-elaborazione OCRhttps://api.llmocrapi.com/v1

llmocrapi.comGuida

Documentazione API OCR: endpoint, modalità e limiti

Questa pagina funge da documentazione API OCR per gli sviluppatori che vogliono tutta la superficie in un unico posto: due endpoint, quattro modalità di richiesta, i limiti e gli errori. L'API pulisce il testo che un motore OCR ha già prodotto; non legge immagini.

Aggiornato

Pannelli di riferimento fluttuanti con nodi di flusso, una sequenza di punti e una forma a parentesi, che rappresentano le modalità di documentazione API

Punti chiave

  • Esistono due metodi: POST /v1/chat/completions e GET /v1/models, autenticati con una chiave Bearer.
  • Streaming, modalità JSON e chiamata di funzioni seguono il formato chat OpenAI, con l'ID del modello uncensored.
  • Limiti: 8 richieste concorrenti e 300 al minuto su una chiave completa, 2 e 60 su una chiave di prova, corpo fino a 8 MB.
  • Gli errori di sovraccarico sono HTTP 429 con un codice che indica se rallentare o ridurre il parallelismo.

Panoramica e autenticazione

Il servizio è un'API testuale ospitata compatibile con OpenAI. Il suo scopo su questo sito è la seconda metà di un lavoro OCR: prendere la stringa grezza prodotta da un motore OCR e restituire prosa pulita, campi strutturati o righe segnalate. L'input è solo testo. Non ci sono input o output di immagini, audio o video, né embedding né fine-tuning.

Tutto vive sotto un unico base URL, https://api.llmocrapi.com/v1. L'autenticazione è un'intestazione Bearer standard: Authorization: Bearer YOUR_KEY. Crei la chiave nella pagina chiave API dopo esserti registrato con Google, o con email e password. Il modello dietro l'endpoint è un singolo modello a pesi aperti gestito da un provider indipendente. Non è l'API ufficiale di alcun fornitore di modelli e non è un router tra fornitori. Il suo ID è sempre uncensored.

Per un'esercitazione pratica invece che un riferimento, la guida rapida nella sezione documentazione illustra la prima richiesta passo dopo passo.

Endpoint a colpo d'occhio

Metodo e percorsoScopo
GET /v1/modelsElenca i modelli disponibili. Usalo come verifica economica della chiave.
POST /v1/chat/completionsEsegue il modello su un elenco di messaggi. Supporta streaming, modalità JSON e strumenti.

Questa è tutta la superficie. Poiché corrisponde al formato di comunicazione OpenAI, qualsiasi libreria client che ti permette di impostare un base URL e una chiave funzionerà. Il controllo di base più rapido è:

curl https://api.llmocrapi.com/v1/models \
  -H "Authorization: Bearer $LLMOCR_API_KEY"

Una chiave valida restituisce un elenco di modelli contenente uncensored. Una chiave errata restituisce un errore di autenticazione, che ti dice che il problema è la chiave e non il corpo della richiesta.

Parametri della richiesta

Una richiesta di completamento chat richiede model e messages. I campi opzionali seguenti vengono passati al modello.

  • temperature e top_p: controlli di campionamento. Per la riparazione OCR usa temperature 0 in modo che un input identico dia un output identico.
  • max_tokens: opzionale. Se lo ometti, il completamento può usare tutto ciò che rimane della finestra da 100.000 token dopo il tuo prompt. Impostalo quando vuoi un limite rigido sul costo per chiamata.
  • stop: stringhe che terminano la generazione. Utile quando chiedi un output tra marcatori.
  • seed: migliora la ripetibilità tra le esecuzioni.
  • presence_penalty e frequency_penalty: passati. Lasciali a zero per la pulizia, poiché le penalità possono spingere il modello a modificare parole legittime ripetute come le intestazioni delle tabelle.
  • stream, response_format, tools e tool_choice: trattati nelle tre sezioni successive.

La finestra di contesto conta prompt e completamento insieme per 100.000 token, e il corpo della richiesta può essere fino a 8 MB. In pratica il limite di token arriva prima.

Risposte in streaming

Imposta "stream": true e l'API invia Server-Sent Events mentre il testo viene generato. Lo streaming aiuta gli strumenti interattivi, come un editor dove una persona vede apparire un paragrafo pulito. L'utilizzo dei token viene segnalato alla fine dello stream, così puoi comunque registrare il costo.

import os
from openai import OpenAI

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

stream = client.chat.completions.create(
    model="uncensored",
    stream=True,
    messages=[{"role": "user", "content": "Fix this OCR text: th1s is a sam-\nple."}],
)
for chunk in stream:
    if chunk.choices and chunk.choices[0].delta.content:
        print(chunk.choices[0].delta.content, end="", flush=True)
    if getattr(chunk, "usage", None):
        print("\ntokens:", chunk.usage.prompt_tokens, chunk.usage.completion_tokens)

Un dettaglio influisce sul throughput. Una richiesta in streaming occupa il suo slot di concorrenza fino alla fine dello stream. Se il tuo codice smette di leggere a metà e lascia la connessione aperta, quello slot rimane occupato. Chiudi esplicitamente lo stream, o consumalo fino alla fine.

Modalità JSON

La modalità JSON chiede al modello di rispondere con un oggetto JSON invece che con prosa. Abilitala con response_format e descrivi le chiavi nelle tue istruzioni.

{
  "model": "uncensored",
  "temperature": 0,
  "response_format": {"type": "json_object"},
  "messages": [
    {"role": "system", "content": "Return JSON with keys 'text' (cleaned string) and 'uncertain_lines' (array of integers)."},
    {"role": "user", "content": "line one\nl1ne two\nline thr3e"}
  ]
}

Fai il parsing in modo difensivo. La modalità JSON definisce la struttura dell'output, ma dovresti comunque validare le chiavi e i tipi prima che vadano nel tuo database. Se una risposta è stata tagliata da max_tokens, il JSON potrebbe essere incompleto, quindi aumenta il limite o invia pezzi più piccoli.

Chiamata di funzioni

La chiamata di funzioni permette al modello di chiedere al tuo codice di fare qualcosa invece di scrivere prosa. Per il lavoro OCR, un uso comune è restituire correzioni strutturate: il modello chiama una funzione con il numero di riga e la sostituzione, e il tuo codice la applica. Definisci gli strumenti nell'array tools, scegli il comportamento con tool_choice, e restituisci i risultati come messaggi con role: "tool". Quando si usa lo streaming, le chiamate agli strumenti arrivano in modo incrementale come delta tool_calls.

tools = [{
    "type": "function",
    "function": {
        "name": "replace_line",
        "description": "Replace one line of the OCR text with a corrected version.",
        "parameters": {
            "type": "object",
            "properties": {
                "line": {"type": "integer"},
                "text": {"type": "string"},
            },
            "required": ["line", "text"],
        },
    },
}]

resp = client.chat.completions.create(
    model="uncensored",
    messages=[{"role": "user", "content": "1: The inven-\n2: tory was com1leted."}],
    tools=tools,
    tool_choice="auto",
)
for call in resp.choices[0].message.tool_calls or []:
    print(call.function.name, call.function.arguments)

Gli argomenti tornano come una stringa JSON. Analizzali, applica la modifica e, se continui la conversazione, aggiungi il messaggio dell'assistant e un messaggio con role: "tool" con il corrispondente tool_call_id. Questo pattern mantiene bassi i token di output, poiché il modello restituisce solo le righe che modifica.

Impostazioni adatte alla pulizia del testo

Un riferimento è più utile con un punto di partenza consigliato, quindi ecco come i parametri si combinano di solito per la riparazione OCR. Questi sono suggerimenti basati su come si comporta il compito, non benchmark misurati.

  • Riparazione deterministica: temperature 0, nessuna penalità, un seed fisso. Usalo per gli archivi dove vuoi che una riesecuzione riproduca l'output di ieri.
  • Estrazione di campi: temperature 0, response_format impostato su json_object, e un limite max_tokens leggermente superiore al più grande oggetto che ti aspetti.
  • Revisione interattiva: stream true e un prompt di sistema breve, così un editor vede apparire il testo corretto e può fermarlo prima.
  • Correzioni a livello di riga: strumenti con una funzione stile replace_line, così il modello restituisce solo ciò che è cambiato.

I ruoli dei messaggi seguono la convenzione usuale: system per le istruzioni permanenti, user per il testo OCR, assistant per le risposte precedenti in una sessione multi-turno, e tool per i risultati delle funzioni. Metti le istruzioni nel messaggio di sistema e il testo grezzo nel messaggio utente. Se il testo OCR stesso contiene qualcosa che sembra un'istruzione, come un cartello scansionato che dice di ignorare il testo precedente, la separazione rende più facile dire al modello che il messaggio utente è dati da riparare e mai un comando da seguire. Dillo esplicitamente nel prompt di sistema.

Conserva il valore X-Request-Id per ogni chiamata. È l'identificativo di cui il supporto ha bisogno se una pagina torna sbagliata e vuoi che venga esaminata.

Limiti, header ed errori

LimiteChiave completaChiave di prova
Richieste concorrenti82
Richieste al minuto30060
Dimensione massima del corpo8 MB8 MB
Finestra di contesto100.000 token100.000 token

Le risposte includono X-Request-Id (citalo per il supporto), X-Balance-USD (il tuo credito rimanente), X-RateLimit-Limit-Requests e X-RateLimit-Limit-Concurrency.

Quando superi un limite l'API risponde HTTP 429. Il codice di errore rate_limited significa troppe richieste in un minuto, quindi distribuisci il carico. Il codice concurrency significa troppe richieste in corso, quindi riduci il numero di worker. Un 429 con un'intestazione Retry-After: 5 segnala un sovraccarico temporaneo: aspetta cinque secondi e invia di nuovo. Le richieste fallite e rifiutate non vengono addebitate, quindi un loop di retry è sicuro.

La fatturazione è per token: $0,15 per 1M di input e $0,50 per 1M di output, prelevati dal credito prepagato che non scade mai. Consulta la pagina prezzi per gli importi di ricarica e i bonus. I prompt non vengono utilizzati per l'addestramento. La regola sui contenuti è un limite rigido unico: nessun contenuto sessuale che coinvolga minorenni. Per le domande sulla policy, contatta l'assistenza.

Domande e risposte

Quali endpoint offre l'API?

Due: POST /v1/chat/completions per la generazione e GET /v1/models per l'elenco dei modelli. Entrambi usano la stessa chiave Bearer.

Supporta lo streaming e la chiamata di funzioni?

Sì. Imposta stream a true per SSE con utilizzo alla fine, e usa tools e tool_choice per le chiamate di funzioni, restituendo i risultati come messaggi con role tool.

Qual è la dimensione massima dell'input?

La finestra di contesto è di 100.000 token per prompt più completamento, e il corpo della richiesta può essere fino a 8 MB.

Perché ho ricevuto un errore 429?

Hai superato il limite di richieste al minuto (rate_limited), le richieste parallele (concurrency) o hai raggiunto un sovraccarico temporaneo, che include Retry-After: 5. Attendi e riprova.

La tua chiave è a un modulo di distanza

Crea un account, copia la chiave, modifica l'URL di base. È tutta la configurazione.

Ottieni la chiave API