Ìwé ìtọ́sọ́nà API

Ètò Ìpìlẹ̀ ti Òye Láìsí Ìhámọ́

AI API láìsí ìhámọ́: àwọn model Shannon tí kì í kọ ìbéèrè, tí kò sì ní filter, tí à ń pèsè láti orí àwọn GPU tiwa. Ó bá OpenAI àti Anthropic mu — lo SDK tí o ti ń lò tẹ́lẹ̀, key kan, streaming, pípe tool àti ìrònú lórí gbogbo endpoint.

22 àwọn model láìsí ìhámọ́
256K context window
láti $0.50/1M
3 àwọn API tó bá a mu
3 nẹ́tíwọ́ọ̀kì: TLS, Tor, I2P

Bẹ̀rẹ̀ ìgbékalẹ̀ Gbiyanju aaye ibi-iṣere

from openai import OpenAI

client = OpenAI(
    api_key="YOUR_API_KEY",
    base_url="https://api.shannon-ai.com/v1"
)

response = client.chat.completions.create(
    model="shannon-3",
    messages=[
        {"role": "user", "content": "Hello, Shannon!"}
    ],
    max_tokens=1024
)

print(response.choices[0].message.content)

import OpenAI from 'openai';

const client = new OpenAI({
  apiKey: 'YOUR_API_KEY',
  baseURL: 'https://api.shannon-ai.com/v1'
});

const response = await client.chat.completions.create({
  model: 'shannon-3',
  messages: [
    { role: 'user', content: 'Hello, Shannon!' }
  ],
  max_tokens: 1024
});

console.log(response.choices[0].message.content);

package main

import (
    "context"
    "fmt"
    openai "github.com/sashabaranov/go-openai"
)

func main() {
    config := openai.DefaultConfig("YOUR_API_KEY")
    config.BaseURL = "https://api.shannon-ai.com/v1"
    client := openai.NewClientWithConfig(config)

    resp, err := client.CreateChatCompletion(
        context.Background(),
        openai.ChatCompletionRequest{
            Model: "shannon-3",
            Messages: []openai.ChatCompletionMessage{
                {Role: "user", Content: "Hello, Shannon!"},
            },
            MaxTokens: 1024,
        },
    )
    if err != nil {
        panic(err)
    }
    fmt.Println(resp.Choices[0].Message.Content)
}

curl -X POST "https://api.shannon-ai.com/v1/chat/completions" \
  -H "Authorization: Bearer YOUR_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "shannon-3",
    "messages": [
      {"role": "user", "content": "Hello, Shannon!"}
    ],
    "max_tokens": 1024
  }'

Àwọn model àti iye owó FÚN TOKEN 1M

Àwọn ààlà, àwọn id àti bí a ṣe ń ṣe iye owó

Àwọn model open-weight tí a gbàlejò Context token 262,144 lórí gbogbo id; a ń gba owó input àti output lọ́tọ̀ọ̀tọ̀; id kọ̀ọ̀kan ń gba ohun tí model tó ń fara wé ń gbà

DeepSeek-V4-Pro-0813 3BIT-REAP

DeepSeek · 1.6T MoE · 49B active

Láìsí ìhámọ́

Model ńlá onípò aṣíwájú fún ìrònú jíjinlẹ̀ àti output gígùn.

Id model DeepSeek-V4-Pro-0813-3BIT-REAP

Context
256K

Input
Input text

Structured output
JSON schema
- Àwọn tool
- Ìrònú
- Ipa ìrònú
- Caching prompt
- Streaming
In / cached / out fun 1M

$1.95 / $0.488 / $3.90

Síwájú sí i
GLM-5.2 3BIT-REAP

Z.ai · 744B MoE · 40B active

Láìsí ìhámọ́

Model alágbára fún onírúurú iṣẹ́, pẹ̀lú output tó kún rẹ́rẹ́ ní ọ̀pọ̀ èdè.

Id model GLM-5.2-3BIT-REAP

Context
256K

Input
Input text

Structured output
JSON schema
- Àwọn tool
- Ìrònú
- Ipa ìrònú
- Caching prompt
- Streaming
In / cached / out fun 1M

$0.73 / $0.183 / $2.34

Síwájú sí i
Kimi-K3 3BIT-REAP

Moonshot AI · 2.8T MoE · 104B active

Láìsí ìhámọ́

Model onípele gíga tí a ṣètò fún àwọn ìdáhùn tó kún, tó sì ní ẹ̀kúnrẹ́rẹ́ àlàyé.

Id model Kimi-K3-3BIT-REAP

Context
256K

Input
Input text + àwòrán

Structured output
JSON schema
- Àwọn tool
- Ìrònú
- Ipa ìrònú
- Caching prompt
- Streaming
In / cached / out fun 1M

$3.83 / $0.958 / $19.12

Síwájú sí i
Nemotron3Ultra 3BIT-REAP

NVIDIA · 550B hybrid Mamba-Attention MoE · 55B active

Láìsí ìhámọ́

Model ńlá tó ń ṣiṣẹ́ dáadáa pẹ̀lú ìrònú tó lágbára fún dọ́là kọ̀ọ̀kan.

Id model Nemotron3Ultra-3BIT-REAP

Context
256K

Input
Input text

Structured output
JSON schema
- Àwọn tool
- Ìrònú
- Ipa ìrònú
- Caching prompt
- Streaming
In / cached / out fun 1M

$0.75 / $0.188 / $3.30

Síwájú sí i
MiniMax-M3 3BIT-REAP

MiniMax · 428B MoE · 23B active · sparse attention

Láìsí ìhámọ́

Model tó yára, olówó kékeré, fún iṣẹ́ tó pọ̀ gan-an.

Id model MiniMax-M3-3BIT-REAP

Context
256K

Input
Input text + àwòrán

Structured output
JSON schema
- Àwọn tool
- Ìrònú
- Ipa ìrònú
- Caching prompt
- Streaming
In / cached / out fun 1M

$0.50 / $0.125 / $2.00

Síwájú sí i
DeepSeek-V4-Flash-0731 W4A16-AUTOROUND-REAP

DeepSeek · 284B MoE · 13B active

Láìsí ìhámọ́

Model DeepSeek tó yára, tó mú ìyára àti dídára dọ́gba.

Id model DeepSeek-V4-Flash-0731-W4A16-AUTOROUND-REAP

Context
256K

Input
Input text

Structured output
JSON schema
- Àwọn tool
- Ìrònú
- Ipa ìrònú
- Caching prompt
- Streaming
In / cached / out fun 1M

$0.50 / $0.125 / $2.00

Síwájú sí i
Kimi-K2.6 W4A16-AUTOROUND-REAP

Moonshot AI · 1T MoE · 32B active

Láìsí ìhámọ́

Model tó kúnjú òṣùwọ̀n fún ìrònú àti kíkọ àkọ́kọ́kọ ojoojúmọ́.

Id model Kimi-K2.6-W4A16-AUTOROUND-REAP

Context
256K

Input
Input text + àwòrán

Structured output
JSON schema
- Àwọn tool
- Ìrònú
- Ipa ìrònú
- Caching prompt
- Streaming
In / cached / out fun 1M

$0.78 / $0.195 / $3.67

Síwájú sí i
Laguna-S-2.1 W4A16-AUTOROUND-REAP

Poolside · 118B MoE · 8B active

Láìsí ìhámọ́

Model olówó kékeré gan-an fún àwọn iṣẹ́ tó fúyẹ́.

Id model Laguna-S-2.1-W4A16-AUTOROUND-REAP

Context
256K

Input
Input text

Structured output
Kò sí structured output
- Àwọn tool
- Ìrònú
- Ipa ìrònú
- Caching prompt
- Streaming
In / cached / out fun 1M

$0.50 / $0.125 / $2.00

Síwájú sí i
inkling W4A16-AUTOROUND-REAP

Thinking Machines · 975B MoE · 41B active

Láìsí ìhámọ́

Model oníṣẹ̀dá pẹ̀lú ọ̀nà ìkọ̀wé tó dá yàtọ̀.

Id model inkling-W4A16-AUTOROUND-REAP

Context
256K

Input
Input text + àwòrán

Structured output
JSON object
- Àwọn tool
- Ìrònú
- Ipa ìrònú
- Caching prompt
- Streaming
In / cached / out fun 1M

$1.42 / $0.355 / $6.07

Síwájú sí i
MiMo-V2.5-Pro W8A16

Xiaomi · 1.02T MoE · 42B active · 8-bit

Láìsí ìhámọ́

Model pro kékeré fún output tó ní ètò, tó sì péye.

Id model MiMo-V2.5-Pro-W8A16

Context
256K

Input
Input text

Structured output
JSON schema
- Àwọn tool
- Ìrònú
- Ipa ìrònú
- Caching prompt
- Streaming
In / cached / out fun 1M

$0.50 / $0.125 / $2.00

Síwájú sí i
MiMo-V2.5 W8A16

Xiaomi · 8-bit multimodal · W8A16

Láìsí ìhámọ́

Model kékeré tó yára fún àwọn iṣẹ́ tó rọrùn ní owó tó kéré jù lọ.

Id model MiMo-V2.5-W8A16

Context
256K

Input
Input text + àwòrán

Structured output
JSON schema
- Àwọn tool
- Ìrònú
- Ipa ìrònú
- Caching prompt
- Streaming
In / cached / out fun 1M

$0.50 / $0.125 / $2.00

Síwájú sí i
Hy3 W8A16

Tencent · 295B MoE · 21B active · 8-bit

Láìsí ìhámọ́

Model olówó pọ́ọ́kú fún àwọn èsì ìjíròrò tó ṣe ṣókí.

Id model Hy3-W8A16

Context
256K

Input
Input text

Structured output
JSON schema
- Àwọn tool
- Ìrònú
- Ipa ìrònú
- Caching prompt
- Streaming
In / cached / out fun 1M

$0.50 / $0.125 / $2.00

Síwájú sí i

Àwọn model Shannon iye owó kan ṣoṣo fún input àti output

Shannon 1.6 Lite

Láìsí ìhámọ́

Yara, awọn idahun ti o munadoko fun awọn iṣẹ ṣiṣe lojoojumọ

Id model shannon-1.6-lite

Context
192K

Input
Input text + àwòrán

Structured output
JSON schema
- Àwọn tool
- Wíwá lórí web
- Streaming
Iye owó / token 1M

$3.90
Shannon 1.6 Pro

Láìsí ìhámọ́

To ti ni ilọsiwaju idi fun eka isoro

Id model shannon-1.6-pro

Context
192K

Input
Input text + àwòrán

Structured output
JSON schema
- Àwọn tool
- Ìrònú
- Wíwá lórí web
- Streaming
Iye owó / token 1M

$7.80
Shannon 2 Lite

Láìsí ìhámọ́

Shannon 2 Lite: pipeline ronú-kọ-ṣàyẹ̀wò tó yára, pẹ̀lú ìtọpasẹ̀ ìrònú tó hàn kedere. Fún chat ojoojúmọ́, àwọn àkótán àti ìbéèrè-àti-ìdáhùn.

Id model shannon-2-lite

Context
192K

Input
Input text + àwòrán

Structured output
JSON schema
- Àwọn tool
- Ìrònú
- Wíwá lórí web
- Streaming
Iye owó / token 1M

$3.90
Shannon 2 Pro

Láìsí ìhámọ́

Shannon 2 Pro: àwọn ìyípo ronú-kọ-ṣàyẹ̀wò tó jinlẹ̀ sí i fún ìtúpalẹ̀, kíkọ ọ̀rọ̀ gígùn àti ìrònú onígbèésẹ̀ púpọ̀.

Id model shannon-2-pro

Context
192K

Input
Input text + àwòrán

Structured output
JSON schema
- Àwọn tool
- Ìrònú
- Wíwá lórí web
- Streaming
Iye owó / token 1M

$5.85
Shannon 3

Láìsí ìhámọ́

Model Shannon ìran tuntun jù lọ pẹ̀lú ìrònú tó yára ní iye owó kan ṣoṣo tó kéré.

Id model shannon-3

Context
192K

Input
Input text + àwòrán

Structured output
JSON schema
- Àwọn tool
- Ìrònú
- Wíwá lórí web
- Streaming
Iye owó / token 1M

$3.35
Shannon 3 Pro

Láìsí ìhámọ́

Ìpele Shannon 3 tó ní agbára púpọ̀ sí i fún iṣẹ́ tó díjú, onígbèésẹ̀ púpọ̀.

Id model shannon-3-pro

Context
192K

Input
Input text + àwòrán

Structured output
JSON schema
- Àwọn tool
- Ìrònú
- Wíwá lórí web
- Streaming
Iye owó / token 1M

$3.35
Shannon 3.1

Láìsí ìhámọ́

Shannon 3 lórí àwọn ẹ̀rọ tiwa, tó ń ṣe streaming ní ìyára kíkún láìsí ìdíwọ́ ìyára kankan.

Id model shannon-3.1

Context
192K

Input
Input text + àwòrán

Structured output
JSON schema
- Àwọn tool
- Ìrònú
- Wíwá lórí web
- Streaming
Iye owó / token 1M

$3.35

Síwájú sí i
Shannon 3.1 Pro

Láìsí ìhámọ́

Ìrònú jíjinlẹ̀ ní ìyára kíkún, pẹ̀lú ìwádìí kan tó ń lọ lábẹ́lẹ̀ fún àwọn ìbéèrè tó le.

Id model shannon-3.1-pro

Context
192K

Input
Input text + àwòrán

Structured output
JSON schema
- Àwọn tool
- Ìrònú
- Wíwá lórí web
- Streaming
Iye owó / token 1M

$3.35

Síwájú sí i
Shannon 3.5

Láìsí ìhámọ́

One streaming answer that thinks, searches, draws charts and diagrams and writes files inline.

Id model shannon-3.5

Context
192K

Input
Input text + àwòrán

Structured output
JSON schema
- Àwọn tool
- Streaming
Iye owó / token 1M

$3.35

Síwájú sí i
Shannon Coder 1

Láìsí ìhámọ́

Ọ̀jáfáfá nínú code àti tool: àtúnṣe agentic, àwọn fáìlì gígùn, àti àwọn tool loop tó le koko.

Id model shannon-coder-1

Context
128K

Input
Input text

Structured output
JSON schema
- Àwọn tool
- Ìrònú
- Streaming
Iye owó / token 1M

$8.00

Wo inú ìwé ìtọ́sọ́nà

Ó ṣeé dé nípasẹ̀ Tor àti I2P Onion service, I2P eepsite àti mirror TLS tó ní encryption. Àwọn route /v1 kan náà, key kan náà, pẹ̀lú streaming; kò sí cookies, kò sí JavaScript, kò sí ìbéèrè sí ẹni-kẹta. Àwọn endpoint Tor àti I2P

Ṣetan lati Kọ?

Ìpele ọ̀fẹ́ wà nínú gbogbo account. Títẹ̀ ẹ̀ẹ̀kan ṣoṣo ni o fi máa rí key rẹ.

Gba Key API Rẹ Wo Ifowoleri

Ètò Ìpìlẹ̀ ti Òye Láìsí Ìhámọ́

Àwọn model àti iye owó FÚN TOKEN 1M

Àwọn model open-weight tí a gbàlejò Context token 262,144 lórí gbogbo id; a ń gba owó input àti output lọ́tọ̀ọ̀tọ̀; id kọ̀ọ̀kan ń gba ohun tí model tó ń fara wé ń gbà

DeepSeek-V4-Pro-0813 `3BIT-REAP`

GLM-5.2 `3BIT-REAP`

Kimi-K3 `3BIT-REAP`

Nemotron3Ultra `3BIT-REAP`

MiniMax-M3 `3BIT-REAP`

DeepSeek-V4-Flash-0731 `W4A16-AUTOROUND-REAP`

Kimi-K2.6 `W4A16-AUTOROUND-REAP`

Laguna-S-2.1 `W4A16-AUTOROUND-REAP`

inkling `W4A16-AUTOROUND-REAP`

MiMo-V2.5-Pro `W8A16`

MiMo-V2.5 `W8A16`

Hy3 `W8A16`

Àwọn model Shannon iye owó kan ṣoṣo fún input àti output

Shannon 1.6 Lite

Shannon 1.6 Pro

Shannon 2 Lite

Shannon 2 Pro

Shannon 3

Shannon 3 Pro

Shannon 3.1

Shannon 3.1 Pro

Shannon 3.5

Shannon Coder 1

Wo inú ìwé ìtọ́sọ́nà

Ṣetan lati Kọ?

Àwọn model àti iye owó FÚN TOKEN 1M

Àwọn model open-weight tí a gbàlejò Context token 262,144 lórí gbogbo id; a ń gba owó input àti output lọ́tọ̀ọ̀tọ̀; id kọ̀ọ̀kan ń gba ohun tí model tó ń fara wé ń gbà

DeepSeek-V4-Pro-0813 3BIT-REAP

GLM-5.2 3BIT-REAP

Kimi-K3 3BIT-REAP

Nemotron3Ultra 3BIT-REAP

MiniMax-M3 3BIT-REAP

DeepSeek-V4-Flash-0731 W4A16-AUTOROUND-REAP

Kimi-K2.6 W4A16-AUTOROUND-REAP

Laguna-S-2.1 W4A16-AUTOROUND-REAP

inkling W4A16-AUTOROUND-REAP

MiMo-V2.5-Pro W8A16

MiMo-V2.5 W8A16

Hy3 W8A16

Àwọn model Shannon iye owó kan ṣoṣo fún input àti output

Shannon 1.6 Lite

Shannon 1.6 Pro

Shannon 2 Lite

Shannon 2 Pro

Shannon 3

Shannon 3 Pro

Shannon 3.1

Shannon 3.1 Pro

Shannon 3.5

Shannon Coder 1

Wo inú ìwé ìtọ́sọ́nà

Ṣetan lati Kọ?

DeepSeek-V4-Pro-0813 `3BIT-REAP`

GLM-5.2 `3BIT-REAP`

Kimi-K3 `3BIT-REAP`

Nemotron3Ultra `3BIT-REAP`

MiniMax-M3 `3BIT-REAP`

DeepSeek-V4-Flash-0731 `W4A16-AUTOROUND-REAP`

Kimi-K2.6 `W4A16-AUTOROUND-REAP`

Laguna-S-2.1 `W4A16-AUTOROUND-REAP`

inkling `W4A16-AUTOROUND-REAP`

MiMo-V2.5-Pro `W8A16`

MiMo-V2.5 `W8A16`

Hy3 `W8A16`