Nebius AI Studio

https://docs.nebius.com/studio/inference/quickstart

提示

**Litellm 支援 Nebius AI Studio 的所有模型。若要使用模型，請將 model=nebius/<any-model-on-nebius-ai-studio> 設為 litellm 請求的前綴。完整的支援模型清單請參閱 https://studio.nebius.ai/ **

API 金鑰

import os
# env variable
os.environ['NEBIUS_API_KEY']

範例用法：文字生成

from litellm import completion
import os

os.environ['NEBIUS_API_KEY'] = "insert-your-nebius-ai-studio-api-key"
response = completion(
    model="nebius/Qwen/Qwen3-235B-A22B",
    messages=[
        {
            "role": "user",
            "content": "What character was Wall-e in love with?",
        }
    ],
    max_tokens=10,
    response_format={ "type": "json_object" },
    seed=123,
    stop=["\n\n"],
    temperature=0.6,  # either set temperature or `top_p`
    top_p=0.01,  # to get as deterministic results as possible
    tool_choice="auto",
    tools=[],
    user="user",
)
print(response)

範例用法 - 串流

from litellm import completion
import os

os.environ['NEBIUS_API_KEY'] = ""
response = completion(
    model="nebius/Qwen/Qwen3-235B-A22B",
    messages=[
        {
            "role": "user",
            "content": "What character was Wall-e in love with?",
        }
    ],
    stream=True,
    max_tokens=10,
    response_format={ "type": "json_object" },
    seed=123,
    stop=["\n\n"],
    temperature=0.6,  # either set temperature or `top_p`
    top_p=0.01,  # to get as deterministic results as possible
    tool_choice="auto",
    tools=[],
    user="user",
)

for chunk in response:
    print(chunk)

範例用法 - 嵌入

from litellm import embedding
import os

os.environ['NEBIUS_API_KEY'] = ""
response = embedding(
    model="nebius/BAAI/bge-en-icl",
    input=["What character was Wall-e in love with?"],
)
print(response)

與 LiteLLM Proxy Server 一起使用

以下說明如何透過 LiteLLM Proxy Server 呼叫 Nebius AI Studio 模型

1. 修改 config.yaml

model_list:
  - model_name: my-model
    litellm_params:
      model: nebius/<your-model-name>  # add nebius/ prefix to use Nebius AI Studio as provider
      api_key: api-key                 # api key to send your model

2. 啟動 proxy

$ litellm --config /path/to/config.yaml

3. 傳送請求到 LiteLLM Proxy Server

OpenAI Python v1.0.0+

import openai
client = openai.OpenAI(
    api_key="litellm-proxy-key",             # pass litellm proxy key, if you're using virtual keys
    base_url="http://0.0.0.0:4000" # litellm-proxy-base url
)

response = client.chat.completions.create(
    model="my-model",
    messages = [
        {
            "role": "user",
            "content": "What character was Wall-e in love with?"
        }
    ],
)

print(response)

curl

curl --location 'http://0.0.0.0:4000/chat/completions' \
    --header 'Authorization: litellm-proxy-key' \
    --header 'Content-Type: application/json' \
    --data '{
    "model": "my-model",
    "messages": [
        {
        "role": "user",
        "content": "What character was Wall-e in love with?"
        }
    ],
}'

支援的參數

Nebius 提供者支援下列參數：

聊天完成參數

參數	類型	說明
frequency_penalty	number	依據文字中出現頻率對新 tokens 施加懲罰
function_call	string/object	控制模型如何呼叫函式
functions	array	函式清單，模型可為其產生 JSON 輸入
logit_bias	map	修改指定 tokens 的可能性
max_tokens	integer	要生成的 token 最大數量
n	integer	要生成的完成數量
presence_penalty	number	依據 tokens 到目前為止是否出現在文字中對其施加懲罰
response_format	object	回應格式，例如 {"type": "json"}
seed	integer	用於決定性結果的取樣種子
stop	string/array	API 將停止生成 tokens 的序列
stream	boolean	是否串流回應
temperature	number	控制隨機性（0-2）
top_p	number	控制 nucleus sampling
tool_choice	string/object	控制要呼叫哪個函式（如果有）
tools	array	模型可使用的工具清單
user	string	使用者識別碼

嵌入參數

參數	類型	說明
input	string/array	要嵌入的文字
user	string	使用者識別碼

錯誤處理

此整合使用標準的 LiteLLM 錯誤處理。常見錯誤包括：

• 驗證錯誤：檢查您的 API 金鑰
• 找不到模型：請確認您使用的是有效的模型名稱
• 速率限制錯誤：您已超過速率限制
• 逾時錯誤：請求完成所需時間過長