GLM-4-AirX je rychlý člen řady GLM-4 Air od Z.ai. Výrobce jej staví do role modelu pro nízkou latenci a souběžné aplikační úlohy se zvláštním důrazem na plnění pokynů, tvorbu kódu a volání funkcí. Model přijímá text a vrací text. Vlastní profil uvádí kontextové okno 8K tokenů a maximální výstup 4K tokenů. Tyto hodnoty se liší od většího kontextu uváděného pro GLM-4-Air-250414; AirX zachovává vlastní zveřejněný profil.
Pro interaktivního asistenta to vede k zaměřeným požadavkům: vysvětlit funkci, klasifikovat zprávu, extrahovat pole z dodaného odstavce nebo převést technický pokyn na stručnou odpověď. Relevantní výňatek, aktuální otázku a požadovaný výsledek poskytněte společně. Celou konverzaci a případná pozorování nástrojů udržujte v aktivním kontextu místo předpokladu, že se do něj vejde rozsáhlý podpůrný korpus.
Popis GLM-4 uvádí streamovaný text, volání funkcí, ukládání kontextu do mezipaměti, strukturované formáty jako JSON a integraci nástrojů a zdrojů dat MCP. Streamování předkládá odpověď během generování, takže aplikace může ukázat užitečný text před příchodem celé odpovědi. Mění způsob doručení, nikoli vstupní nebo výstupní modalitu modelu.
Volání funkcí umožňuje modelu navrhnout akci z funkcí popsaných aplikací. Aplikace akci provede a vrátí pozorování. Vhodným cyklem je malé vyhledání následované stručným vysvětlením vrácených dat. Integrace MCP rovněž závisí na nástrojích a datech poskytnutých aplikací. Ukládání kontextu do mezipaměti se týká opětovného využití opakovaného vstupu; neznamená, že každá opakovaná konverzace využila mezipaměť.
U výsledku JSON před materiály uveďte pole a jejich význam. Můžete například dodat technický požadavek a žádat jeho kategorii, potřebnou akci a nezodpovězené otázky. Výsledná struktura je užitečná pro další aplikační krok, zatímco hodnoty je stále potřeba ověřit proti dodanému textu.
Výrobce zahrnuje mezi použití GLM-4 překlad, sémantickou klasifikaci, extrakci polí z dokumentů, marketingové psaní, analytické zprávy a plánování itinerářů. Kratší profil AirX upřednostňuje bezprostřední krok takového postupu. Překladový požadavek může dodat krátkou pasáž, publikum a terminologii; výstupem je přepracovaná pasáž zachovávající povinná jména. Klasifikační požadavek může poskytnout povolená označení a definice místo žádosti o neurčený úsudek.
U extrakce definujte požadované identifikátory a další pole a přiložte pouze relevantní zdrojovou pasáž. U psaní poskytněte fakta o produktu a jeden výstup, například produktový odstavec nebo reklamní větu. U zprávy či itineráře předávejte relevantní fakta a omezení pro aktuální krok. Jsou-li potřeba čerstvé informace, dodá je vyhledávací nebo datový nástroj aplikace; model pak pracuje s vrácenými materiály.
AirX je popisován jako předtrénovaný na 15 bilionech tokenů včetně rozsáhlých syntetických materiálů pro uvažování. Následný trénink používá sladění dialogu s preferencemi, zamítací vzorkování a posilované učení ke zlepšení plnění pokynů, tvorby kódu a používání funkcí. Výrobce jej představuje jako rychlejší variantu GLM-4-Air-250414 se změnami základních komponent zahrnujících zpracování vstupního promptu a autoregresivní dekódování. To popisuje návrh výrobce, nikoli naměřenou záruku latence nebo souběžnosti konkrétního nasazení.
Dejte AirX jednu ohraničenou úlohu a kompaktní očekávaný výstup. U kódu zahrňte funkci, relevantní vstupní hodnoty a požadované chování a pak požadujte opravený úsek s vysvětlením. U strukturované extrakce dejte definice polí před pasáž a žádejte výslovné označení chybějících informací. Výsledek plánujte v rámci zveřejněného výstupního profilu 4K; rozsáhlou zprávu rozdělte do zaměřených úloh místo očekávání neomezeného dokumentu z jedné odpovědi.
", "aboutText": "### Přehled a profil modelu\n\nGLM-4-AirX je rychlý člen řady GLM-4 Air od Z.ai. Výrobce jej staví do role modelu pro nízkou latenci a souběžné aplikační úlohy se zvláštním důrazem na plnění pokynů, tvorbu kódu a volání funkcí. Model přijímá text a vrací text. Vlastní profil uvádí kontextové okno 8K tokenů a maximální výstup 4K tokenů. Tyto hodnoty se liší od většího kontextu uváděného pro GLM-4-Air-250414; AirX zachovává vlastní zveřejněný profil.\n\nPro interaktivního asistenta to vede k zaměřeným požadavkům: vysvětlit funkci, klasifikovat zprávu, extrahovat pole z dodaného odstavce nebo převést technický pokyn na stručnou odpověď. Relevantní výňatek, aktuální otázku a požadovaný výsledek poskytněte společně. Celou konverzaci a případná pozorování nástrojů udržujte v aktivním kontextu místo předpokladu, že se do něj vejde rozsáhlý podpůrný korpus.\n\n### Podporované schopnosti\n\nPopis GLM-4 uvádí streamovaný text, volání funkcí, ukládání kontextu do mezipaměti, strukturované formáty jako JSON a integraci nástrojů a zdrojů dat MCP. Streamování předkládá odpověď během generování, takže aplikace může ukázat užitečný text před příchodem celé odpovědi. Mění způsob doručení, nikoli vstupní nebo výstupní modalitu modelu.\n\nVolání funkcí umožňuje modelu navrhnout akci z funkcí popsaných aplikací. Aplikace akci provede a vrátí pozorování. Vhodným cyklem je malé vyhledání následované stručným vysvětlením vrácených dat. Integrace MCP rovněž závisí na nástrojích a datech poskytnutých aplikací. Ukládání kontextu do mezipaměti se týká opětovného využití opakovaného vstupu; neznamená, že každá opakovaná konverzace využila mezipaměť.\n\nU výsledku JSON před materiály uveďte pole a jejich význam. Můžete například dodat technický požadavek a žádat jeho kategorii, potřebnou akci a nezodpovězené otázky. Výsledná struktura je užitečná pro další aplikační krok, zatímco hodnoty je stále potřeba ověřit proti dodanému textu.\n\n### Doporučené scénáře\n\nVýrobce zahrnuje mezi použití GLM-4 překlad, sémantickou klasifikaci, extrakci polí z dokumentů, marketingové psaní, analytické zprávy a plánování itinerářů. Kratší profil AirX upřednostňuje bezprostřední krok takového postupu. Překladový požadavek může dodat krátkou pasáž, publikum a terminologii; výstupem je přepracovaná pasáž zachovávající povinná jména. Klasifikační požadavek může poskytnout povolená označení a definice místo žádosti o neurčený úsudek.\n\nU extrakce definujte požadované identifikátory a další pole a přiložte pouze relevantní zdrojovou pasáž. U psaní poskytněte fakta o produktu a jeden výstup, například produktový odstavec nebo reklamní větu. U zprávy či itineráře předávejte relevantní fakta a omezení pro aktuální krok. Jsou-li potřeba čerstvé informace, dodá je vyhledávací nebo datový nástroj aplikace; model pak pracuje s vrácenými materiály.\n\n### Podrobná příprava a zaměření na rychlost\n\nAirX je popisován jako předtrénovaný na 15 bilionech tokenů včetně rozsáhlých syntetických materiálů pro uvažování. Následný trénink používá sladění dialogu s preferencemi, zamítací vzorkování a posilované učení ke zlepšení plnění pokynů, tvorby kódu a používání funkcí. Výrobce jej představuje jako rychlejší variantu GLM-4-Air-250414 se změnami základních komponent zahrnujících zpracování vstupního promptu a autoregresivní dekódování. To popisuje návrh výrobce, nikoli naměřenou záruku latence nebo souběžnosti konkrétního nasazení.\n\n### Příprava užitečného požadavku\n\nDejte AirX jednu ohraničenou úlohu a kompaktní očekávaný výstup. U kódu zahrňte funkci, relevantní vstupní hodnoty a požadované chování a pak požadujte opravený úsek s vysvětlením. U strukturované extrakce dejte definice polí před pasáž a žádejte výslovné označení chybějících informací. Výsledek plánujte v rámci zveřejněného výstupního profilu 4K; rozsáhlou zprávu rozdělte do zaměřených úloh místo očekávání neomezeného dokumentu z jedné odpovědi.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "ab7f6c9477187558e07d1b50c94f08d173c4e6d1333ffcb2cad44613b98d0231", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "cs", "methods": [ { "html": "glm-4-airxGLM-4-AirX je textový model Z.ai zaměřený na rychlost pro dialog s nízkou latencí, programování a postupy s podporou nástrojů. Zveřejněný profil specifikuje kontext 8K a až 4K výstupu, takže je vhodný pro zaměřené úlohy se stručnými strukturovanými výsledky.
Tento popis zahrnuje schopnosti modelu. Vstupy, výstupy a možnosti dostupné v Ailoot jsou uvedeny níže pro vybranou metodu.
GLM-4-AirX je rychlý člen řady GLM-4 Air od Z.ai. Výrobce jej staví do role modelu pro nízkou latenci a souběžné aplikační úlohy se zvláštním důrazem na plnění pokynů, tvorbu kódu a volání funkcí. Model přijímá text a vrací text. Vlastní profil uvádí kontextové okno 8K tokenů a maximální výstup 4K tokenů. Tyto hodnoty se liší od většího kontextu uváděného pro GLM-4-Air-250414; AirX zachovává vlastní zveřejněný profil.
Pro interaktivního asistenta to vede k zaměřeným požadavkům: vysvětlit funkci, klasifikovat zprávu, extrahovat pole z dodaného odstavce nebo převést technický pokyn na stručnou odpověď. Relevantní výňatek, aktuální otázku a požadovaný výsledek poskytněte společně. Celou konverzaci a případná pozorování nástrojů udržujte v aktivním kontextu místo předpokladu, že se do něj vejde rozsáhlý podpůrný korpus.
Popis GLM-4 uvádí streamovaný text, volání funkcí, ukládání kontextu do mezipaměti, strukturované formáty jako JSON a integraci nástrojů a zdrojů dat MCP. Streamování předkládá odpověď během generování, takže aplikace může ukázat užitečný text před příchodem celé odpovědi. Mění způsob doručení, nikoli vstupní nebo výstupní modalitu modelu.
Volání funkcí umožňuje modelu navrhnout akci z funkcí popsaných aplikací. Aplikace akci provede a vrátí pozorování. Vhodným cyklem je malé vyhledání následované stručným vysvětlením vrácených dat. Integrace MCP rovněž závisí na nástrojích a datech poskytnutých aplikací. Ukládání kontextu do mezipaměti se týká opětovného využití opakovaného vstupu; neznamená, že každá opakovaná konverzace využila mezipaměť.
U výsledku JSON před materiály uveďte pole a jejich význam. Můžete například dodat technický požadavek a žádat jeho kategorii, potřebnou akci a nezodpovězené otázky. Výsledná struktura je užitečná pro další aplikační krok, zatímco hodnoty je stále potřeba ověřit proti dodanému textu.
Výrobce zahrnuje mezi použití GLM-4 překlad, sémantickou klasifikaci, extrakci polí z dokumentů, marketingové psaní, analytické zprávy a plánování itinerářů. Kratší profil AirX upřednostňuje bezprostřední krok takového postupu. Překladový požadavek může dodat krátkou pasáž, publikum a terminologii; výstupem je přepracovaná pasáž zachovávající povinná jména. Klasifikační požadavek může poskytnout povolená označení a definice místo žádosti o neurčený úsudek.
U extrakce definujte požadované identifikátory a další pole a přiložte pouze relevantní zdrojovou pasáž. U psaní poskytněte fakta o produktu a jeden výstup, například produktový odstavec nebo reklamní větu. U zprávy či itineráře předávejte relevantní fakta a omezení pro aktuální krok. Jsou-li potřeba čerstvé informace, dodá je vyhledávací nebo datový nástroj aplikace; model pak pracuje s vrácenými materiály.
AirX je popisován jako předtrénovaný na 15 bilionech tokenů včetně rozsáhlých syntetických materiálů pro uvažování. Následný trénink používá sladění dialogu s preferencemi, zamítací vzorkování a posilované učení ke zlepšení plnění pokynů, tvorby kódu a používání funkcí. Výrobce jej představuje jako rychlejší variantu GLM-4-Air-250414 se změnami základních komponent zahrnujících zpracování vstupního promptu a autoregresivní dekódování. To popisuje návrh výrobce, nikoli naměřenou záruku latence nebo souběžnosti konkrétního nasazení.
Dejte AirX jednu ohraničenou úlohu a kompaktní očekávaný výstup. U kódu zahrňte funkci, relevantní vstupní hodnoty a požadované chování a pak požadujte opravený úsek s vysvětlením. U strukturované extrakce dejte definice polí před pasáž a žádejte výslovné označení chybějících informací. Výsledek plánujte v rámci zveřejněného výstupního profilu 4K; rozsáhlou zprávu rozdělte do zaměřených úloh místo očekávání neomezeného dokumentu z jedné odpovědi.
POST /v1/chat/completionstexttext| Pole | Typ | Požadavek | Hodnoty a limity | Výchozí |
|---|---|---|---|---|
Polemodel | Typstring | PožadavekPovinné | Hodnoty a limity glm-4-airx | Výchozí— |
Polemessages | Typmessage[] | PožadavekPovinné | Hodnoty a limity Minimální počet položek: 1 | Výchozí— |
Polemessages[].role | Typstring | PožadavekPovinné | Hodnoty a limity Závisí na modelu | Výchozí— |
Polemessages[].content | Typstring | PožadavekVolitelné | Hodnoty a limity Platí, když: Textová konverzace | Výchozí— |
Polestream | Typboolean | PožadavekVolitelné | Hodnoty a limity | Výchozífalse |
Text · text UTF8
messages[].content
| Parametr | Kontrakt |
|---|---|
Parametrcontent_type | Kontraktapplication/json |
Parametrrequired | Kontraktmodel, messages |
Parametrmaterial_types | Kontrakttext |
Parametrmessages | Kontraktpole zpráv se strukturou role/content |
Parametrfile_material | Kontraktskutečný dokument UTF-8 vložený jako doslovný text; ID souboru se neodvozuje |
Parametroptional_controls | Kontraktstream |
Parametrcontrol_scope | KontraktTextová konverzace; stream je booleovská hodnota a ve výchozím nastavení je false. |
Parametroutput_modalities | Kontrakttext |
Parametrhosted_operations | Kontraktfalse |
Parametrmultimodal_input_binding | Kontraktnull |
Aliasy metody: /chat/completions
Životní cyklus: synchronous_or_streamed
Odešlete přesné ID modelu spolu s messages.
Délka kontextu není limitem výstupu.
Textový soubor může dodat doslovný text; obrazové/zvukové vstupy a vstupy v podobě souborových objektů vyžadují přesnou vazbu.
Údaje o tarifech nepřidávají možnosti požadavku. Podporované parametry jsou uvedeny u vybrané metody.
Přiřaďte každý poplatek k uvedeným podmínkám. Pro každou sadu alternativních konfigurací použijte jednu sazbu.
| Konfigurace | Tabulka sazeb | Tokeny kontextu, více než | Tokeny kontextu, do uvedené hodnoty včetně | Poplatek |
|---|---|---|---|---|
| KonfiguraceZákladní sazby za tokeny | Tabulka sazebZákladní sazba | Tokeny kontextu, více než— | Tokeny kontextu, do uvedené hodnoty včetněBez horní meze | Poplatek Vstup · Vstupní tokeny $0.0028 / 1K tokenů Výstup · Výstupní tokeny $0.0028 / 1K tokenů Vstup · Čtení z mezipaměti — / 1K tokenů Vstup · Zápis do mezipaměti — / 1K tokenů Vstup · Zápis do mezipaměti, 1 hodina — / 1K tokenů |
| KonfiguracePásmo délky požadavku 1 | Tabulka sazeb— | Tokeny kontextu, více než0 | Tokeny kontextu, do uvedené hodnoty včetněBez horní meze | Poplatek Vstup · Vstupní tokeny $0.0028 / 1K tokenů Výstup · Výstupní tokeny $0.0028 / 1K tokenů Vstup · Čtení z mezipaměti — / 1K tokenů Vstup · Zápis do mezipaměti — / 1K tokenů Vstup · Zápis do mezipaměti, 1 hodina — / 1K tokenů |
Ailoot před požadavkem rezervuje odhadovanou částku. Po výsledku vyúčtuje konečný poplatek podle naměřeného využití. Při streamování se účtování řídí konečným záznamem využití. Jak funguje rezervace a vyúčtování →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model":"glm-4-airx","messages":[{"role":"user","content":"hello"}],"stream":false}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model="glm-4-airx", messages=[{"role":"user","content":"hello"}], stream=False)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\njson nebo SSE
Uchovejte každou úplnou vrácenou odpověď, soubor i část obsahu.
Zachovejte každou volbu a její obsah/volání nástrojů/uvažování. V SSE sestavujte přírůstky podle indexu volby/nástroje a zachovejte konečný důvod ukončení i údaje o využití.
Zachovejte ID požadavků/odpovědí a hlavičky. Není dodána obecná URL pro načtení textové úlohy.
| Pole | Typ |
|---|---|
Polechoices[].index | Typinteger |
Polechoices[].message.content | Typstring|null |
Polechoices[].message.tool_calls | Typtool_call[] |
Polechoices[].message.reasoning_content | Typstring |
Polechoices[].message.reasoning_details | Typobject|array |
Polechoices[].finish_reason | Typstring|null |
Poleusage | Typobject |
| Odpověď | Podmínka | Další krok |
|---|---|---|
Odpověď400 · invalid_request_error | PodmínkaNeplatná povinná pole, reprezentace podkladů nebo hodnota parametru | Další krokPřed novým požadavkem na vytvoření opravte uvedená pole. |
Ailoot Ultra glm-4-airx
/chat/completions
glm-4-airxGLM-4-AirX je textový model Z.ai zaměřený na rychlost pro dialog s nízkou latencí, programování a postupy s podporou nástrojů. Zveřejněný profil specifikuje kontext 8K a až 4K výstupu, takže je vhodný pro zaměřené úlohy se stručnými strukturovanými výsledky.
Tento popis zahrnuje schopnosti modelu. Vstupy, výstupy a možnosti dostupné v Ailoot jsou uvedeny níže pro vybranou metodu.
GLM-4-AirX je rychlý člen řady GLM-4 Air od Z.ai. Výrobce jej staví do role modelu pro nízkou latenci a souběžné aplikační úlohy se zvláštním důrazem na plnění pokynů, tvorbu kódu a volání funkcí. Model přijímá text a vrací text. Vlastní profil uvádí kontextové okno 8K tokenů a maximální výstup 4K tokenů. Tyto hodnoty se liší od většího kontextu uváděného pro GLM-4-Air-250414; AirX zachovává vlastní zveřejněný profil.
Pro interaktivního asistenta to vede k zaměřeným požadavkům: vysvětlit funkci, klasifikovat zprávu, extrahovat pole z dodaného odstavce nebo převést technický pokyn na stručnou odpověď. Relevantní výňatek, aktuální otázku a požadovaný výsledek poskytněte společně. Celou konverzaci a případná pozorování nástrojů udržujte v aktivním kontextu místo předpokladu, že se do něj vejde rozsáhlý podpůrný korpus.
Popis GLM-4 uvádí streamovaný text, volání funkcí, ukládání kontextu do mezipaměti, strukturované formáty jako JSON a integraci nástrojů a zdrojů dat MCP. Streamování předkládá odpověď během generování, takže aplikace může ukázat užitečný text před příchodem celé odpovědi. Mění způsob doručení, nikoli vstupní nebo výstupní modalitu modelu.
Volání funkcí umožňuje modelu navrhnout akci z funkcí popsaných aplikací. Aplikace akci provede a vrátí pozorování. Vhodným cyklem je malé vyhledání následované stručným vysvětlením vrácených dat. Integrace MCP rovněž závisí na nástrojích a datech poskytnutých aplikací. Ukládání kontextu do mezipaměti se týká opětovného využití opakovaného vstupu; neznamená, že každá opakovaná konverzace využila mezipaměť.
U výsledku JSON před materiály uveďte pole a jejich význam. Můžete například dodat technický požadavek a žádat jeho kategorii, potřebnou akci a nezodpovězené otázky. Výsledná struktura je užitečná pro další aplikační krok, zatímco hodnoty je stále potřeba ověřit proti dodanému textu.
Výrobce zahrnuje mezi použití GLM-4 překlad, sémantickou klasifikaci, extrakci polí z dokumentů, marketingové psaní, analytické zprávy a plánování itinerářů. Kratší profil AirX upřednostňuje bezprostřední krok takového postupu. Překladový požadavek může dodat krátkou pasáž, publikum a terminologii; výstupem je přepracovaná pasáž zachovávající povinná jména. Klasifikační požadavek může poskytnout povolená označení a definice místo žádosti o neurčený úsudek.
U extrakce definujte požadované identifikátory a další pole a přiložte pouze relevantní zdrojovou pasáž. U psaní poskytněte fakta o produktu a jeden výstup, například produktový odstavec nebo reklamní větu. U zprávy či itineráře předávejte relevantní fakta a omezení pro aktuální krok. Jsou-li potřeba čerstvé informace, dodá je vyhledávací nebo datový nástroj aplikace; model pak pracuje s vrácenými materiály.
AirX je popisován jako předtrénovaný na 15 bilionech tokenů včetně rozsáhlých syntetických materiálů pro uvažování. Následný trénink používá sladění dialogu s preferencemi, zamítací vzorkování a posilované učení ke zlepšení plnění pokynů, tvorby kódu a používání funkcí. Výrobce jej představuje jako rychlejší variantu GLM-4-Air-250414 se změnami základních komponent zahrnujících zpracování vstupního promptu a autoregresivní dekódování. To popisuje návrh výrobce, nikoli naměřenou záruku latence nebo souběžnosti konkrétního nasazení.
Dejte AirX jednu ohraničenou úlohu a kompaktní očekávaný výstup. U kódu zahrňte funkci, relevantní vstupní hodnoty a požadované chování a pak požadujte opravený úsek s vysvětlením. U strukturované extrakce dejte definice polí před pasáž a žádejte výslovné označení chybějících informací. Výsledek plánujte v rámci zveřejněného výstupního profilu 4K; rozsáhlou zprávu rozdělte do zaměřených úloh místo očekávání neomezeného dokumentu z jedné odpovědi.
POST /v1/messagestextjson, sse| Pole | Typ | Požadavek | Hodnoty a limity | Výchozí |
|---|---|---|---|---|
Polemodel | Typstring | PožadavekPovinné | Hodnoty a limity glm-4-airx | Výchozí— |
Polemessages | Typmessage[] | PožadavekPovinné | Hodnoty a limity | Výchozí— |
Polemessages[].role | Typstring | PožadavekPovinné | Hodnoty a limity user, assistant | Výchozí— |
Polemessages[].content | Typstring | PožadavekPovinné | Hodnoty a limity | Výchozí— |
Polemax_tokens | Typinteger | PožadavekPovinné | Hodnoty a limity | Výchozí— |
Polestream | Typboolean | PožadavekVolitelné | Hodnoty a limity | Výchozífalse |
Text · text UTF-8
řetězec messages[].content
| Parametr | Kontrakt |
|---|---|
Parametrcontent_type | Kontraktapplication/json |
Parametrrequired | Kontraktmodel, messages, max_tokens |
Parametroptional_controls | Kontraktstream |
Parametrmaterial_types | Kontrakttext |
Parametrtext_file_material | KontraktPřečtěte skutečný dokument UTF-8 a vložte jeho text do uvedeného pole input nebo do řetězce obsahu zprávy. |
Životní cyklus: synchronous_or_streamed
Údaje o tarifech nepřidávají možnosti požadavku. Podporované parametry jsou uvedeny u vybrané metody.
Přiřaďte každý poplatek k uvedeným podmínkám. Pro každou sadu alternativních konfigurací použijte jednu sazbu.
| Konfigurace | Tabulka sazeb | Tokeny kontextu, více než | Tokeny kontextu, do uvedené hodnoty včetně | Poplatek |
|---|---|---|---|---|
| KonfiguraceZákladní sazby za tokeny | Tabulka sazebZákladní sazba | Tokeny kontextu, více než— | Tokeny kontextu, do uvedené hodnoty včetněBez horní meze | Poplatek Vstup · Vstupní tokeny $0.0028 / 1K tokenů Výstup · Výstupní tokeny $0.0028 / 1K tokenů Vstup · Čtení z mezipaměti — / 1K tokenů Vstup · Zápis do mezipaměti — / 1K tokenů Vstup · Zápis do mezipaměti, 1 hodina — / 1K tokenů |
| KonfiguracePásmo délky požadavku 1 | Tabulka sazeb— | Tokeny kontextu, více než0 | Tokeny kontextu, do uvedené hodnoty včetněBez horní meze | Poplatek Vstup · Vstupní tokeny $0.0028 / 1K tokenů Výstup · Výstupní tokeny $0.0028 / 1K tokenů Vstup · Čtení z mezipaměti — / 1K tokenů Vstup · Zápis do mezipaměti — / 1K tokenů Vstup · Zápis do mezipaměti, 1 hodina — / 1K tokenů |
Ailoot před požadavkem rezervuje odhadovanou částku. Po výsledku vyúčtuje konečný poplatek podle naměřeného využití. Při streamování se účtování řídí konečným záznamem využití. Jak funguje rezervace a vyúčtování →
{\n "model": "glm-4-airx",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'glm-4-airx', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'glm-4-airx', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON nebo SSE
Uchovejte každou úplnou vrácenou odpověď, soubor i část obsahu.
Zachovejte všechny bloky obsahu, podpisy uvažování a skutečná ID použití nástrojů. Sestavte všechny přírůstky bloků SSE; první textový blok není úplný výstup.
Zachovejte ID požadavků/odpovědí a hlavičky. Není dodána obecná URL pro načtení textové úlohy.
| Pole | Typ |
|---|---|
Poleid | Typstring |
Polemodel | Typstring |
Polecontent[] | Typtext|thinking|tool_use|other content block |
Polestop_reason | Typstring|null |
Poleusage | Typobject |
| Odpověď | Podmínka | Další krok |
|---|---|---|
Odpověď400 · invalid_request_error | PodmínkaNeplatná povinná pole, reprezentace podkladů nebo hodnota parametru | Další krokPřed novým požadavkem na vytvoření opravte uvedená pole. |
Ailoot Ultra glm-4-airx
/chat/completions