Puntos clave
- Dolphin es una familia de ajustes finos comunitarios, así que no hay una única API oficial para iniciar sesión.
- Puedes servir uno tú mismo en una máquina local, servirlo en una GPU alquilada o llamar a un endpoint alojado.
- Un endpoint alojado compatible con OpenAI solo necesita una URL base, una clave y el ID de modelo uncensored.
- Los precios del servicio alojado aquí son $0,15 por cada 1M de tokens de entrada y $0,50 por cada 1M de tokens de salida, sin suscripción.
Lo que la gente entiende por modelo Dolphin
Dolphin es el nombre de una línea de ajustes finos comunitarios de modelos base de pesos abiertos. Los datos de ajuste están filtrados para que el modelo siga instrucciones sin dar lecciones o rechazar peticiones normales. Como el modelo base cambia entre versiones, no hay un único proveedor de Dolphin con un endpoint oficial. Cuando alguien pide una api llm dolphin, suele referirse a cualquier API que sirva un modelo sin censura de ese estilo.
Eso importa para cómo lo planifiques. No eliges una marca, eliges dónde se ejecutan los pesos y quién los opera. La calidad del modelo depende del modelo base y del ajuste, y la parte operativa depende de la ruta que elijas abajo.
Una nota sobre el alcance: estos modelos están ajustados para uso adulto lícito. Ningún proveedor aquí, ni uno sensato en ningún lugar, servirá contenido sexual que involucre menores de edad. Trata eso como una frontera fija en tu propia aplicación también.
Ruta 1: ejecutarlo en tu propia máquina
La ruta más barata por token es un modelo para el que ya tienes hardware. Herramientas como Ollama y llama.cpp descargan pesos cuantizados y exponen un servidor local. Ambos pueden ofrecer un endpoint estilo OpenAI en localhost, así que el código de tu cliente se ve igual que para cualquier servicio alojado.
La pega es la memoria. Un modelo cuantizado necesita aproximadamente su tamaño de archivo en RAM o VRAM, más espacio para la caché de contexto. Los modelos pequeños caben en un portátil, pero los más grandes necesitan una GPU con mucha memoria, y los prompts largos hacen que la caché crezca. Si el modelo no cabe en VRAM, se desborda a la RAM del sistema y la velocidad cae en picado.
Lo local es una buena opción cuando trabajas sin conexión, cuando los datos nunca deben salir de tu máquina o cuando quieres experimentar con distintos ajustes finos. Es una mala opción para un producto con usuarios, porque tu portátil se convierte en el servidor. Para una guía completa del lado local, consulta el artículo separado sobre cómo ejecutar un modelo estilo Dolphin.
Ruta 2: alquilar una GPU y servirlo tú mismo
Alquilar una GPU por hora te da modelos más grandes sin comprar hardware. Instalas una pila de servicio como vLLM o el servidor de llama.cpp, cargas los pesos y expones un puerto. Luego posees todo lo que lo rodea.
- Configurar controladores, el software de servicio y TLS.
- Añadir autenticación para que extraños no usen tu GPU.
- Reiniciar tras caídas y vigilar la memoria.
- Pagar por las horas que la máquina está encendida, aunque nadie envíe peticiones.
Ese último punto es el verdadero factor de coste. Una GPU que está inactiva por la noche sigue facturando. La ruta compensa cuando tienes tráfico constante y alto y alguien dispuesto a operarla. Para un proyecto secundario con picos de uso, pagas principalmente por tiempo inactivo. Consulta los precios por hora actuales en la página de precios del proveedor, ya que cambian.
Ruta 3: llamar a un endpoint alojado compatible con OpenAI
Un endpoint alojado elimina el trabajo operativo. Envías peticiones HTTPS y pagas por los tokens que usas. Este sitio ofrece eso: una API de texto compatible con OpenAI alojada para un único modelo de pesos abiertos, gestionada por un proveedor independiente y optimizada para responder sin denegaciones de contenido para uso adulto lícito. Para dejar claro lo que no es: no es la API oficial de ningún proveedor de modelos, y no es un enrutador entre varios modelos. El ID del modelo es uncensored.
Como la API es compatible con OpenAI, cualquier SDK de OpenAI funciona una vez que cambias dos ajustes, la URL base y la clave. Aquí tienes una llamada mínima en Python:
from openai import OpenAI
client = OpenAI(
base_url="https://api.dolphinllm.com/v1",
api_key="YOUR_KEY",
)
resp = client.chat.completions.create(
model="uncensored",
messages=[
{"role": "system", "content": "You are a direct, helpful assistant."},
{"role": "user", "content": "Explain how a context window works."},
],
)
print(resp.choices[0].message.content)La misma petición en curl:
curl https://api.dolphinllm.com/v1/chat/completions -H "Authorization: Bearer YOUR_KEY" -H "Content-Type: application/json" -d '{"model":"uncensored","messages":[{"role":"user","content":"Hello"}]}'El streaming (stream: true), las llamadas a funciones, el modo JSON y los parámetros de muestreo habituales funcionan como en la API de OpenAI. La ventana de contexto es de 100.000 tokens, prompt más completación. La documentación de la API lista cada endpoint y parámetro compatibles.
Comparación lado a lado
| Factor | Local | GPU alquilada | Endpoint alojado |
|---|---|---|---|
| Trabajo inicial | Instalar y descargar | Configuración del servidor, autenticación, TLS | Obtén una clave |
| Modelo de costes | Hardware que tienes | Por hora, tiempo inactivo incluido | Por token, prepago |
| Tamaño del modelo | Limitado por tu VRAM | Limitado por la GPU que alquiles | Un modelo, fijo |
| Elección del modelo | Cualquier ajuste fino que puedas descargar | Cualquier ajuste fino que puedas cargar | Solo el modelo ofrecido |
| Ubicación de los datos | Permanecen en tu máquina | En la máquina alquilada | Enviado al proveedor |
| Mantenimiento | Tú | Tú | Proveedor |
La fila que decide la mayoría de los casos es la elección del modelo. Si necesitas un ajuste fino específico de Dolphin, solo las dos primeras rutas te lo dan. Si necesitas un modelo sin censura capaz detrás de una API estable y no te importa cuál sea exactamente, la ruta alojada te ahorra el trabajo de operación.
Cuánto cuesta una llamada alojada
La tarifa es de $0,15 por 1M de tokens de entrada y $0,50 por 1M de tokens de salida, pagada desde crédito prepago. No hay suscripción, las peticiones fallidas o rechazadas no se cobran y el crédito no caduca. Un turno de chat típico con 2.000 tokens de entrada y 500 de salida cuesta:
- Entrada: 2.000 x $0,15 / 1.000.000 = $0,0003
- Salida: 500 x $0,50 / 1.000.000 = $0,00025
- Total: $0,00055 por petición, o $0,55 por 1.000 peticiones
Las recargas son cualquier cantidad entera de $20 a $500, con +5% desde $50, +10% desde $100 y +15% desde $200. Puedes pagar con cripto (USDT en TRC20, USDC en Base). La página de precios tiene los detalles actuales.
Para comparar con una GPU que alquilas, divide la tarifa por hora entre el número de peticiones que puedes servir en una hora con tu tráfico real. Con volumen bajo o intermitente, el modelo por token suele ganar, porque nunca pagas por tiempo inactivo.
Prueba antes de pagar
Los usuarios nuevos pueden reclamar $0,50 de crédito de prueba con un clic en la página de claves tras registrarse. Es uno por persona, válido por 7 días y no requiere tarjeta. El registro es con Google o con correo electrónico y contraseña. A los precios anteriores, $0,50 cubre aproximadamente 900 peticiones del ejemplo (2.000 tokens de entrada y 500 de salida), lo cual es suficiente para probar si el tono del modelo se adapta a tu uso. Las claves de prueba están limitadas a 2 peticiones simultáneas y 60 peticiones por minuto.
Obtén tu clave en la página de claves de API. Si quieres un modelo sin inicio de sesión en absoluto, consulta el artículo LLM sin login, y para la configuración del cliente en un frontend de chat lee sobre endpoints de Open WebUI.
