{
"id": "chatcmpl-a230a35960c8023d",
"object": "chat.completion",
"created": 1791968466,
"model": "qwen3-coder-30b",
"choices": [
{
"index": 0,
"message": {
"role": "assistant",
"content": "READY",
"refusal": null,
"annotations": null,
"audio": null,
"function_call": null,
"reasoning": null
},
"logprobs": null,
"finish_reason": "stop",
"stop_reason": null,
"token_ids": null,
"routed_experts": null
}
],
"service_tier": null,
"system_fingerprint": "vllm-0.31.0-6fef36b3",
"usage": {
"prompt_tokens": 10,
"total_tokens": 12,
"completion_tokens": 2,
"prompt_tokens_details": null,
"completion_tokens_details": null
},
"prompt_logprobs": null,
"prompt_token_ids": null,
"prompt_text": null,
"kv_transfer_params": null,
"ec_transfer_params": null,
"metrics": null,
"credits": {
"deducted": 6,
"tokens": 12,
"remaining": 3503134171
}
}
curl --location --request POST 'https://zylalabs.com/api/14252/openai-compatible+llm+chat+completions+api/35372/create+a+chat+completion' --header 'Authorization: Bearer YOUR_API_KEY'
--data-raw '{"model":"qwen3-coder-30b","messages":[{"role":"user","content":"Say READY"}],"max_tokens":16}'
{
"object": "list",
"data": [
{
"id": "synap-v1",
"object": "model",
"owned_by": "synap",
"nodes": 0,
"routing": "auto — routes inside the models we run on our own GPUs and picks the cheapest that can do the job (tools/code/reasoning), billed at the price of whichever model actually ran"
},
{
"id": "synap-v1-pro",
"object": "model",
"owned_by": "synap",
"nodes": 0,
"routing": "auto — adds the external models we offer to our own: the strongest model per job class (long context, reasoning, multilingual) rather than the cheapest"
},
{
"id": "team-planner",
"object": "model",
"owned_by": "linkrra-team-agent",
"served_by": "deepseek/deepseek-v4-pro",
"nodes": 0,
"pricing": {
"prompt_per_million": 2.2788,
"completion_per_million": 4.0512,
"currency": "USD",
"basis": "brokered"
},
"capability": "Reasoning, deep",
"tier": "premium",
"context_note": "DeepSeek's flagship, for problems that are genuinely hard.",
"secure": true,
"data_policy": "zero-retention (verified live via tools/verify-zdr.js)"
},
{
"id": "team-worker",
"object": "model",
"owned_by": "linkrra-team-agent",
"served_by": "qwen3-coder-30b",
"nodes": 0,
"pricing": {
"prompt_per_million": 0.0675,
"completion_per_million": 0.27,
"currency": "USD",
"basis": "brokered"
},
"capability": "Coding, everyday",
"tier": "standard",
"context_note": "Runs on our own GPUs. Your prompt never leaves our infrastructure.",
"secure": true,
"data_policy": "zero-retention by construction — served on Linkrra-operated fleet hardware; the request is never handed to a third-party inference provider"
},
{
"id": "gpt-oss-20b",
"object": "model",
"owned_by": "pearlpool-fleet",
"nodes": 1,
"pricing": {
"prompt_per_million": 0.017,
"completion_per_million": 0.085,
"currency": "USD",
"basis": "engine"
},
"capability": "Fast + cheap general model",
"tier": "standard",
"context_note": "Runs on our own GPUs. Your prompt never leaves our infrastructure.",
"secure": true,
"data_policy": "zero-retention by construction — served on Linkrra-operated fleet hardware; the request is never handed to a third-party inference provider",
"schema_version": "2.4",
"name": "OpenAI: gpt-oss-20b",
"input_modalities": [
{
"type": "text",
"supported_inputs": {
"max_context_length": {
"value": 32768,
"unit": "token"
}
},
"pricing": [
{
"type": "prompt",
"unit": "token",
"cost_usd": "0.000000017"
}
]
}
],
"output_modalities": [
{
"type": "text",
"max_length": {
"value": 32768,
"unit": "token"
},
"streaming": true,
"supported_parameters": {
"temperature": {
"type": "range",
"min": 0,
"max": 2
},
"top_p": {
"type": "range",
"min": 0,
"max": 1
},
"max_tokens": {
"type": "integer",
"min": 1,
"max": 32768,
"unit": "token"
},
"stop": {
"type": "array",
"max_items": 4
}
},
"pricing": [
{
"type": "completion",
"unit": "token",
"cost_usd": "0.000000085"
}
]
}
],
"is_ready": true,
"is_free": false,
"created": 1791849600,
"datacenters": [
{
"country_code": "KR"
}
]
},
{
"id": "qwen3-coder-30b",
"object": "model",
"owned_by": "pearlpool-fleet",
"nodes": 2,
"pricing": {
"prompt_per_million": 0.0675,
"completion_per_million": 0.27,
"currency": "USD",
"basis": "engine"
},
"capability": "Coding, everyday",
"tier": "standard",
"context_note": "Runs on our own GPUs. Your prompt never leaves our infrastructure.",
"secure": true,
"data_policy": "zero-retention by construction — served on Linkrra-operated fleet hardware; the request is never handed to a third-party inference provider",
"schema_version": "2.4",
"name": "Qwen: Qwen3 Coder 30B A3B Instruct",
"input_modalities": [
{
"type": "text",
"supported_inputs": {
"max_context_length": {
"value": 32768,
"unit": "token"
}
},
"pricing": [
{
"type": "prompt",
"unit": "token",
"cost_usd": "0.0000000675"
}
]
}
],
"output_modalities": [
{
"type": "text",
"max_length": {
"value": 32768,
"unit": "token"
},
"streaming": true,
"supported_parameters": {
"temperature": {
"type": "range",
"min": 0,
"max": 2
},
"top_p": {
"type": "range",
"min": 0,
"max": 1
},
"max_tokens": {
"type": "integer",
"min": 1,
"max": 32768,
"unit": "token"
},
"stop": {
"type": "array",
"max_items": 4
}
},
"pricing": [
{
"type": "completion",
"unit": "token",
"cost_usd": "0.00000027"
}
]
}
],
"is_ready": true,
"is_free": false,
"created": 1790985600,
"datacenters": [
{
"country_code": "KR"
}
]
},
{
"id": "glm-4.7-flash",
"object": "model",
"owned_by": "pearlpool-fleet",
"nodes": 1,
"pricing": {
"prompt_per_million": 0.055,
"completion_per_million": 0.38,
"currency": "USD",
"basis": "engine"
},
"capability": "Fast general model",
"tier": "standard",
"context_note": "Runs on our own GPUs. Your prompt never leaves our infrastructure.",
"secure": true,
"data_policy": "zero-retention by construction — served on Linkrra-operated fleet hardware; the request is never handed to a third-party inference provider",
"schema_version": "2.4",
"name": "Z.AI: GLM 4.7 Flash",
"input_modalities": [
{
"type": "text",
"supported_inputs": {
"max_context_length": {
"value": 6144,
"unit": "token"
}
},
"pricing": [
{
"type": "prompt",
"unit": "token",
"cost_usd": "0.000000055"
}
]
}
],
"output_modalities": [
{
"type": "text",
"max_length": {
"value": 6144,
"unit": "token"
},
"streaming": true
}
]
}
],
"_note": "Response truncated for documentation purposes"
}
curl --location --request GET 'https://zylalabs.com/api/14252/openai-compatible+llm+chat+completions+api/35373/list+available+models' --header 'Authorization: Bearer YOUR_API_KEY'
Após se cadastrar, cada desenvolvedor recebe uma chave de acesso à API pessoal, uma combinação única de letras e dígitos para acessar nosso endpoint de API. Para autenticar com a Completações de Chat LLM Compatíveis com OpenAI API basta incluir seu token Bearer no cabeçalho Authorization.
| Cabeçalho | Descrição |
|---|---|
Authorization
|
Obrigatório
Deve ser Bearer access_key. Veja "Sua chave de acesso à API" acima quando você estiver inscrito.
|
Sem compromisso de longo prazo. Faça upgrade, downgrade ou cancele a qualquer momento. O teste gratuito inclui até 50 requisições.
O endpoint POST Criar uma conclusão de chat retorna um objeto de conclusão de chat, incluindo o modelo utilizado, o conteúdo da mensagem gerada e as estatísticas de uso O endpoint GET Listar modelos disponíveis retorna uma lista de modelos, detalhando seus IDs, comprimentos de contexto e informações de roteamento
Os campos principais na resposta de conclusão de chat incluem "id" "modelo" "escolhas" (com o conteúdo da mensagem) e "uso" (detalhando a contagem de tokens) Na resposta da lista de modelos, os campos importantes incluem "id" "possuído_por" e "roteamento"
A resposta de conclusão do chat é estruturada como um objeto JSON com campos aninhados para escolhas e uso A resposta da lista de modelos é um array de objetos de modelo cada um contendo atributos específicos como ID e detalhes de roteamento
O POST Criar um endpoint de conclusão de bate-papo aceita parâmetros como "modelo", "mensagens" e "fluxo" Os usuários podem personalizar as solicitações especificando o ID do modelo e fornecendo uma sequência de mensagens para contexto
Casos de uso típicos incluem a construção de chatbots a geração de agentes conversacionais e a melhoria dos sistemas de suporte ao cliente A API pode ser usada para criar aplicações interativas que exigem compreensão e geração de linguagem natural
Os usuários podem extrair o campo "content" do array "choices" para exibir a mensagem gerada O campo "usage" ajuda a rastrear o consumo de tokens o que é útil para otimizar solicitações e gerenciar custos
A precisão dos dados é mantida através do uso de modelos avançados treinados em conjuntos de dados diversos A API opera no hardware da Linkrra garantindo desempenho consistente e confiabilidade na geração de respostas
Se a resposta contiver resultados vazios ou parciais, os usuários devem verificar o array "choices" para mensagens disponíveis Implementar tratamento de erros pode ajudar a gerenciar saídas inesperadas e garantir uma experiência do usuário tranquila