Varje modellfamilj. Ett ställe att ansluta.

Egenutvecklade modellfamiljer

Ta med ledande proprietära modeller i samma integration som dina öppna viktval. Välj version och funktioner som exponeras för ditt konto.

• GPT-modeller från OpenAI.
• Claude-modeller från Anthropic.
• Gemini-modeller från Google.

EU-värdade modellsidor

Utforska de europeiska distributioner som efterfrågas för denna modellsamling. Hosting är kopplad till den valda rutten, inte till alla modeller i den bredare katalogen.

• Kimi K3
• GLM-5.3
• DeepSeek
• MiMo

Läs identifierare från API:et

Ring GET /models med din TextCortex-nyckel. Använd den returnerade identifieraren i din begäran istället för att skapa en från ett visningsnamn. Modellversioner kan ändras oberoende av applikationen som använder dem.

Håll en versionsförteckning över godkända modeller i din applikationskonfiguration. Utvärdera nya poster innan du flyttar produktionstrafik och ta bort gamla identifierare från din uppgiftsmappning.

Välj efter det resultat du behöver

För kodning, kör utdata mot dina projektkontroller. För extraktion, poängfältsnoggrannhet och utdatavaliditet. För en användarinriktad assistent, mät hjälpsamhet och svarstid på representativa samtal.

Använd modellvalsguide för att jämföra kandidater och API-prisguide för att uppskatta användningen.

Gör din första API-förfrågan

Skapa en TextCortex konto och generera en API-nyckel i kontoinställningarna. Installera OpenAI Python-paketet på din server. Lagra nyckeln i TEXTCORTEX_API_KEY och ställ TEXTCORTEX_MODEL till en identifierare som returneras av GET /models.

Det här exemplet behåller referenser i miljövariabler. Samma klientkonfiguration fungerar när du väljer en annan modell som stöds. Läs API-referens för ändpunktsspecifika parametrar.

import os
from openai import OpenAI

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

for model in client.models.list():
    print(model.id)

response = client.chat.completions.create(
    model=os.environ["TEXTCORTEX_MODEL"],
    messages=[{"role": "user", "content": "Hello"}],
)
print(response.choices[0].message.content)