{"elements":{"help":{"hidden":true},"metas":{"hidden":true},"comments":{"hidden":true},"sidebar":{"hidden":true},"spaces":{"hidden":true},"people":{"hidden":true},"labels":{"hidden":true},"likes":{"hidden":true}},"cssSelector":"","cssSelectorLocked":false}

Sie benötigen eine gültige FH-Benutzerkennung (z.B. ab123456).
Sie benötigen eine aktive Internetverbindung.
Sie müssen für den Dienst freigeschaltet sein.
Sie müssen sich im FH-Netz befinden (VPN oder vor Ort im Eduroam)

Einleitung

Mit LiteLLM stellt die FH Münster einen zentralen Dienst bereit, über den verschiedene Sprachmodelle genutzt werden können. Der Zugriff erfolgt nicht direkt mit persönlichen Zugangsdaten, sondern über individuelle API-Schlüssel (LiteLLM Keys).

Diese Schlüssel ermöglichen es, die bereitgestellten KI-Modelle einfach und sicher in eigenen Anwendungen, Skripten oder Tools einzubinden. Durch die Verwendung von API-Keys wird die Handhabung für Nutzerinnen und Nutzer erleichtert und gleichzeitig ein sicherer Zugang gewährleistet.

Studierende können Zugang zu LiteLLM per Email an den IT Support (it-support@fh-muenster.de) beantragen.

Verfügbare Modelle und Preise

Alle über LiteLLM verfügbaren Modelle (inkl. Kosten) sind hier abrufbar: https://litellm-models.fh-muenster.de/

Videomodelle werden nicht über Token sondern über Videolänge abgerechnet. Hier geht's zu den Preisen für Google's Veo.

Ankündigungen und Änderungen

Abonnieren Sie die FHAI-Mailingliste, um über Ankündigungen und Änderungen rund um das KI-Angebot an der FH Münster informiert zu werden.

Inhalt

01. Anfrage eines LiteLLM Schlüssels

02. Day 2 Actions

03. API-Informationen

04. Beispiele

05. Budget

06. Feedback

01. Anfrage eines LiteLLM Schlüssels

Navigieren Sie zu https://vra02.vmware.fh-muenster.de/ und loggen sich mit Ihrer FH-Kennung und dem zugehörigen Passwort ein.
Klicken Sie im Service Broker auf "Consume", tippen Sie im Suchfeld "LiteLLM" ein und bestätigen die Eingabe mit drücken der Enter-Taste. Klicken Sie anschließend unter "LiteLLM" auf "Request".

Klicken Sie auf "Submit".

Das Deployment läuft jetzt automatisch. Sie erhalten nach wenigen Sekunden eine Email mit dem generierten Schlüssel. Diesen können Sie jetzt, solange Sie sich im Netz der FH Münster befinden, verwenden. Geben Sie diesen Schlüssel nicht an Andere weiter.

02. Day 2 Actions

02a) Budgetabfrage

Um Ihre aktuellen Budgetinformationen abzufragen (Maximalbudget und bisheriger Verbrauch) können Sie eine Funktion im vRA benutzen. Aktuell bekommt jeder neue Nutzer ein Budget von 30 USD pro Semester.

Gehen Sie im Service Broker auf "Deployments", öffnen die Detailansicht Ihres LiteLLM-Deployments und öffnen das Meatballmenü neben "litellmParent".
Hier können Sie jetzt die Funktion "Budgetabfrage" auswählen. Zukünftig hinzugefügte Funktionen werden auch hier zu finden sein.

Bestätigen Sie die Sicherheitsabfrage mit "Submit"

Sie erhalten daraufhin eine Email mit Ihren aktuellen Budgetinformationen.

02b) Budget erweitern

Falls Ihr Initialbudget erschöpft ist können Sie eine Erweiterung des Budgets beantragen.

Gehen Sie im Service Broker auf "Deployments", öffnen die Detailansicht Ihres LiteLLM-Deployments und öffnen das Meatballmenü neben "litellmParent".
Hier können Sie jetzt die Funktion "Budget erweitern" auswählen.

Geben Sie die gewünschte Budgeterweiterung in USD an und bestätigen mit einem Klick auf "Submit".

Ihr Antrag wird dann automatisch an die DVZ geschickt. Sobald der Antrag genehmigt wird, wird die Budgeterweiterung automatisch ausgeführt und Sie bekommen eine Benachrichtigung per Email. Sämtliche Budgeterweiterungen werden zur gleichen Zeit wie die Budget-Resets wieder zurückgesetzt.

03c) Nicht-EU-Modelle

Um Zugriff auf Modelle zu bekommen, die nicht in der EU gehostet werden und damit nicht der Datenschutzgrundverordnung (DSGVO) unterliegen, muss dies erst freigeschaltet werden. Später kann man den Zugriff wieder beschränken.

Gehen Sie im Service Broker auf "Deployments", öffnen die Detailansicht Ihres LiteLLM-Deployments und öffnen das Meatballmenü neben "litellmParent".
Klicken Sie auf "Request Non EU Models"

Lesen Sie den Datenschutzhinweis und bestätigen Sie mit Klick auf "Submit"

Sollten Sie ihren Zugriff wieder einschränken wollen, nutzen Sie die Funktion "EU Models Only"

Bestätigen Sie mit Klick auf "Submit"

03d) Advanced AI Modelle

Um Zugriff auf Advanced AI Modelle, wie Claude Fable 5 zu bekommen, muss dies erst freigeschaltet werden. Später kann man den Zugriff wieder beschränken.

Gehen Sie im Service Broker auf "Deployments", öffnen die Detailansicht Ihres LiteLLM-Deployments und öffnen das Meatballmenü neben "litellmParent".
Klicken Sie auf "Zugriff auf Advanced AI Modelle beantragen"

Lesen Sie den Datenschutzhinweis sorgfältig
Geben Sie eine Begründung für den Bedarf an
Bestätigen Sie mit Klick auf "Submit"

Bitte beachten Sie unbedingt:

Diese Modelle können eine höhere Leistungsfähigkeit bieten, unterliegen jedoch anderen Verarbeitungsbedingungen als unsere Standardmodelle (Daten könnten außerhalb der EU verarbeitet und länger gespeichert werden).
Übermitteln Sie KEINE personenbezogenen oder besonders schützenswerten Daten (z. B. Gesundheitsdaten, Prüfungsdaten, Daten Dritter) an diese Modelle.

03. API-Informationen

Navigieren Sie zu https://litellm.fh-muenster.de/
In der Swagger UI können Sie die möglichen Endpunkte einsehen und Details zu der jeweiligen Nutzung einsehen.
Wenn Sie gewisse Endpunkte testen möchten, können Sie sich unter "Authorize" mit ihrem LiteLLM Key authorisieren. Sie sind als Nutzer nicht für alle Endpunkte authorisiert.

03b) Chat completion Prompts

Prompts an die verschiedenen LLM Modelle machen Sie an den Endpunkt: /v1/chat/completions

04. Beispiele

04a) Chat-Modelle

Hier ein beispielhafter API Call:

curl https://litellm.fh-muenster.de/v1/chat/completions -H "Authorization: Bearer sk-..." -H "Content-Type: application/json" -d '{ "model": "azure/gpt-5", "messages": [ {"role": "user", "content": "Was ist der Sinn des Lebens?"} ] }'

04b) Audio-Transkription

Beispiel für Audio-Transkriptionsmodelle:

curl --location 'https://litellm.fh-muenster.de/v1/audio/transcriptions' --header 'Authorization: Bearer sk-...' --form 'file=@"/home/FHID/filename.mp3"' --form 'model="NOT-EU-azure/gpt-4o-transcribe"'

04c) Video-Modelle

Videoerstellung starten:

curl --location 'https://litellm.fh-muenster.de/v1/videos' -H 'Content-Type: application/json' -H 'Authorization: Bearer sk-...' -d '{"model": "NOT-EU-vertex/veo-3.1-generate-preview", "prompt": "A beautiful sunset over the ocean"}'

In der response gibt es eine Video ID. Die wird benötigt. Beispiel:

"id":"video_bGl0ZWxsbTpjdXN0b21fbGxtX3Byb3ZpZGVyOnZlcnRleF9haTttb2RlbF9pZDp2ZW8tMy4xLWdlbmVyYXRlLXByZXZpZXc7dmlkZW9faWQ6cHJvamVjdHMvZmhtdWVuc3Rlci1raS9sb2NhdGlvbnMvdXMtY2VudHJhbDEvcHVibGlzaGVycy9nb29nbGUvbW9kZWxzL3Zlby0zLjEtZ2VuZXJhdGUtcHJldmlldy9vcGVyYXRpb25zLzIzNzIxMWRjLTViNmEtNDEzYS2efdgegreghxYWFmYzIwZQ=="

Status überprüfen:

curl -k https://litellm.fh-muenster.de/v1/videos/video_bGl0ZWxsbTpjdX... -H "Authorization: Bearer sk-..."

Video herunterladen:

curl -k "https://litellm.fh-muenster.de/v1/videos/video_bGl0ZWxsbTpjdX.../content" -H "Authorization: Bearer sk-..." --output sunset.mp4

Video mit Referenzbild geht nur mit Python script:

import time
import requests

# FH Münster LiteLLM Server
API_BASE = "https://litellm.fh-muenster.de"
API_KEY = "sk-..." # Hier Ihren LiteLLM API Schlüssel einfügen

def check_for_budget_error(response):
    """Prüft ob das Budget überschritten wurde"""
    try:
        result = response.json()
        error = result.get("error", {})
        if error.get("type") == "budget_exceeded" or "ExceededBudget" in error.get("message", ""):
            return True, error.get("message")
    except:
        pass
    return False, None

def generate_and_download_video(prompt, reference_image_path=None):
    headers = {
        "Authorization": f"Bearer {API_KEY}"
    }
    
    # Step 1: Generate video
    print("Starting video generation...")
    
    if reference_image_path:
        with open(reference_image_path, "rb") as f:
            files = {
                "input_reference": f
            }
            data = {
                "model": "NOT-EU-vertex/veo-3.1-generate-preview", # Modell auswählen
                "prompt": prompt
            }
            response = requests.post(
                f"{API_BASE}/v1/videos",
                headers=headers,
                data=data,
                files=files
            )
    else:
        data = {
            "model": "NOT-EU-vertex/veo-3.1-generate-preview", # Modell ohne Referenzbild
            "prompt": prompt
        }
        response = requests.post(
            f"{API_BASE}/v1/videos",
            headers=headers,
            data=data
        )
    
    print(f"Response status: {response.status_code}")
    
    # Check for budget exceeded
    budget_exceeded, error_msg = check_for_budget_error(response)
    if budget_exceeded:
        print("\n" + "="*50)
        print("FEHLER: BUDGET ÜBERSCHRITTEN!")
        print(error_msg)
        print("="*50)
        return None
    
    print(f"Response: {response.text}")
    
    result = response.json()
    video_id = result.get("id")
    
    if not video_id:
        print("Error: No video ID received")
        return None
    
    print(f"Video ID: {video_id}")
    
    # Step 2: Poll for completion
    print("Waiting for video processing...")
    max_attempts = 60
    attempt = 0
    
    while attempt < max_attempts:
        try:
            # Check status
            status_response = requests.get(
                f"{API_BASE}/v1/videos/{video_id}",
                headers=headers
            )
            
            # Check for budget exceeded
            budget_exceeded, error_msg = check_for_budget_error(status_response)
            if budget_exceeded:
                print("\n" + "="*50)
                print("FEHLER: BUDGET ÜBERSCHRITTEN!")
                print(error_msg)
                print("="*50)
                return None
            
            print(f"Status response: {status_response.status_code}")
            
            if status_response.status_code == 200:
                status_data = status_response.json()
                status = status_data.get("status")
                print(f"Attempt {attempt + 1}: Status = {status}")
                
                if status == "completed":
                    print("Video completed! Downloading...")
                    
                    # Try to get content
                    content_response = requests.get(
                        f"{API_BASE}/v1/videos/{video_id}/content",
                        headers=headers
                    )
                    
                    # Check for budget exceeded
                    budget_exceeded, error_msg = check_for_budget_error(content_response)
                    if budget_exceeded:
                        print("\n" + "="*50)
                        print("FEHLER: BUDGET ÜBERSCHRITTEN!")
                        print(error_msg)
                        print("="*50)
                        return None
                    
                    if content_response.status_code == 200:
                        filename = f"video_{video_id[:20]}.mp4"
                        with open(filename, "wb") as f:
                            f.write(content_response.content)
                        print(f"Video saved: {filename}")
                        return filename
                    else:
                        print(f"Content download failed: {content_response.status_code}")
                        print(f"Response: {content_response.text}")
                        
                        # Maybe the video URL is in the status response?
                        print(f"Full status data: {status_data}")
                        return None
                        
                elif status == "failed":
                    print(f"Video generation failed: {status_data}")
                    return None
                    
        except Exception as e:
            print(f"Attempt {attempt + 1}: Error - {e}")
        
        time.sleep(10)
        attempt += 1
    
    print("Timeout: Video generation took too long")
    return None


if __name__ == "__main__":
    result = generate_and_download_video(
        prompt="Make the dog in the reference image bark", # Geben Sie hier Ihren Prompt ein
        reference_image_path=r"C:\Users\mm123456\Veo\reference.png" # Pfad zum Referenzbild
    )
    
    if result:
        print(f"Success! Video saved as: {result}")
    else:
        print("Failed to generate video")

Weitere mögliche Parameter: https://docs.litellm.ai/docs/providers/vertex_ai/videos#video-generation-parameters

Hier zu beachten:

Ersetzen Sie „sk-...“ durch Ihren persönlichen LiteLLM-API-Key.
Ersetzen Sie "azure/gpt-5" durch das gewünschte Modell
Ersetzen Sie "Was ist der Sinn des Lebens?" durch Ihren gewünschten Prompt
bei Videomodellen: Ersetzen Sie "video_..." durch ihre Video ID

04d) Claude Code mit LiteLLM

Da wir vermehrt Anfragen bekommen, wie man Claude Code via LiteLLM nutzen kann:

Es muss im Ordner .claude eine settings.json angelegt werden mit folgendem Inhalt.

{
  "env": {
    "ANTHROPIC_AUTH_TOKEN": "IHR-LITELLM-KEY",
    "ANTHROPIC_BASE_URL": "https://litellm.fh-muenster.de",
    "ANTHROPIC_DEFAULT_SONNET_MODEL": "vertex/claude-sonnet-5",
    "ANTHROPIC_DEFAULT_HAIKU_MODEL": "vertex/claude-haiku-4-5",
    "ANTHROPIC_DEFAULT_OPUS_MODEL": "vertex/claude-opus-5"
  }
}

04e) OpenCode mit LiteLLM

OpenCode ist ein lokal integrierbarer KI-Code-Assistent, der als Alternative zu Claude Code dient und den Einsatz verschiedener Large Language Models ermöglicht.

OpenCode global installieren: npm install -g opencode-ai@latest
(Falls noch nicht vorhanden: Zuerst Node.js installieren)
Konfigurationsdatei: Laden Sie die beiliegende opencode.json herunter und legen Sie sie in das Projektverzeichnis, in dem Sie arbeiten möchten.
API-Key eintragen: Öffnen Sie die opencode.json mit einem Texteditor und ersetzen Sie den Platzhalter durch Ihren persönlichen API-Key. Speichern Sie die Datei.

Starten von OpenCode

Öffnen Sie ein beliebiges Terminal (oder die Terminalintegration von z.B. VSCode)
Navigieren Sie zu Ihrem Projektordner (z. B. mit cd /pfad/zum/ordner).
Geben Sie opencode ein und bestätigen Sie mit Enter.

Nutzung und Modus-Wechsel

Modellauswahl: Geben Sie /models im Terminal ein, um die in der opencode.json hinterlegten Modelle auszuwählen.
Modi umschalten: Wechseln Sie mit SHIFT + TAB zwischen Plan- und Build-Modus.

Tipps für den effizienten Einsatz

Beginnen Sie stets im Plan-Modus, um Anforderungen, Struktur und Randfälle zu klären.
Verwenden Sie klare und kontextreiche Prompts. Je präziser die Vorgabe, desto genauer die Umsetzung.
Speichern Sie Ihre opencode.json niemals in öffentlichen Repositories. Der API-Key darf nicht committed werden.

Anhang

opencode.json

05. Budget

Aktuell befindet sich das Projekt noch in der Testphase - daher gibt es noch kein konkretes Budgetmodell. Während der Testphase bekommt jeder Nutzer ein 30$ Budget, welches sich jeweils am 1. April und am 1. Oktober zurücksetzt. Außerdem werden sämtliche Budgeterweiterungen zurückgesetzt.

06. Feedback

Feedback, Änderungswünsche und feature requests gerne per Mail an: it-support@fh-muenster.de

Seitenhierarchie

LiteLLM

Einleitung

Verfügbare Modelle und Preise

Ankündigungen und Änderungen

Inhalt

01. Anfrage eines LiteLLM Schlüssels

02. Day 2 Actions

02a) Budgetabfrage

02b) Budget erweitern

03c) Nicht-EU-Modelle

03d) Advanced AI Modelle

03. API-Informationen

03b) Chat completion Prompts

04. Beispiele

04a) Chat-Modelle

04b) Audio-Transkription

04c) Video-Modelle

04d) Claude Code mit LiteLLM

04e) OpenCode mit LiteLLM

05. Budget

06. Feedback