EmpirioLabs AI

總覽

屬性	詳細資訊
說明	EmpirioLabs AI 在單一相容於 OpenAI 的 API 後方託管開源、專有與自訂模型，並對文字、圖片、影片、音訊、搜尋與 3D 端點提供隨用隨付定價。
LiteLLM 提供者路由	empiriolabs/
提供者文件連結	EmpirioLabs AI 文件 ↗
Base URL	https://api.empiriolabs.ai/v1
支援的操作	/chat/completions, /responses

我們支援所有 EmpirioLabs 聊天模型，只要在傳送 completion 請求時將 empiriolabs/ 設為前綴即可

可用模型（選擇）

完整即時目錄與定價請見 empiriolabs.ai/models。熱門聊天模型：

模型	說明	上下文視窗
empiriolabs/qwen3-7-max	用於編碼、代理程式與深度思考的 Qwen3.7 Max 旗艦文字模型	1M tokens
empiriolabs/qwen3-7-plus	成本效益高的 Qwen3.7 視覺語言模型（文字、圖片、影片輸入）	1M tokens
empiriolabs/deepseek-v4-pro	DeepSeek V4 旗艦 MoE（總計 1.6T / 啟用 49B 參數）	1M tokens
empiriolabs/deepseek-v4-flash	輕量級 DeepSeek V4 MoE（總計 284B / 啟用 13B 參數）	1M tokens
empiriolabs/glm-5-1	具備工具使用能力的 Zhipu AI 長上下文推理模型	202K tokens
empiriolabs/kimi-k2-6	Moonshot Kimi K2.6 多模態推理模型	256K tokens
empiriolabs/minimax-m3	用於編碼與代理程式的 MiniMax M3 多模態推理	524K tokens
empiriolabs/gemma-4-26b-a4b	Google Gemma 4 26B A4B 開源多模態模型	256K tokens

必要變數

Environment Variables

os.environ["EMPIRIOLABS_API_KEY"] = ""  # your EmpirioLabs API key

從 EmpirioLabs 儀表板 取得 API 金鑰。

使用方式 - LiteLLM Python SDK

非串流

EmpirioLabs Non-streaming Completion

import os
import litellm
from litellm import completion

os.environ["EMPIRIOLABS_API_KEY"] = ""  # your EmpirioLabs API key

messages = [{"content": "Hello, how are you?", "role": "user"}]

# EmpirioLabs call
response = completion(model="empiriolabs/qwen3-7-plus", messages=messages)

print(response)

串流

EmpirioLabs Streaming Completion

import os
import litellm
from litellm import completion

os.environ["EMPIRIOLABS_API_KEY"] = ""  # your EmpirioLabs API key

messages = [{"content": "Hello, how are you?", "role": "user"}]

# EmpirioLabs call with streaming
response = completion(
    model="empiriolabs/qwen3-7-plus",
    messages=messages,
    stream=True,
)

for chunk in response:
    print(chunk)

使用方式 - LiteLLM Proxy

將以下內容加入您的 LiteLLM Proxy 設定檔：

config.yaml

model_list:
  - model_name: qwen3-7-plus
    litellm_params:
      model: empiriolabs/qwen3-7-plus
      api_key: os.environ/EMPIRIOLABS_API_KEY

  - model_name: deepseek-v4-flash
    litellm_params:
      model: empiriolabs/deepseek-v4-flash
      api_key: os.environ/EMPIRIOLABS_API_KEY

啟動您的 LiteLLM Proxy 伺服器：

Start LiteLLM Proxy

litellm --config config.yaml

# RUNNING on http://0.0.0.0:4000

OpenAI SDK

EmpirioLabs via Proxy

from openai import OpenAI

# Initialize client with your proxy URL
client = OpenAI(
    base_url="http://localhost:4000",  # Your proxy URL
    api_key="your-proxy-api-key",      # Your proxy API key
)

# Non-streaming response
response = client.chat.completions.create(
    model="qwen3-7-plus",
    messages=[{"role": "user", "content": "hello from litellm"}],
)

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

cURL

EmpirioLabs via Proxy - cURL

curl http://localhost:4000/v1/chat/completions \
  -H "Content-Type: application/json" \
  -H "Authorization: Bearer your-proxy-api-key" \
  -d '{
    "model": "qwen3-7-plus",
    "messages": [{"role": "user", "content": "hello from litellm"}]
  }'

其他注意事項

• 具備思考能力的模型接受 reasoning_effort（none、low、medium、high、max）；閘道會將其對應到每個模型原生的思考控制。
• 各模型參數、限制與即時定價列於 docs.empiriolabs.ai，並可在每個模型頁面上的 empiriolabs.ai/models 查看。