GLM-4-Long er Zhipu AI's sprogmodel til meget lange tekster og hukommelsesorienterede samtaleopgaver. Producenten angiver tekstinput og tekstoutput, et kontekstvindue på 1M og et maksimalt output på 4K tokens. Fokus er at læse, oversætte og analysere omfattende materiale og derefter give et fokuseret svar baseret på det leverede indhold.
Lever dokumentteksten sammen med det spørgsmål, den skal besvare. Bevar afsnitsoverskrifter, side- eller kapitelidentifikatorer, datoer og tabelenheder sammen med deres indhold. Et langt inputvindue er nyttigt, når et svar afhænger af sammenhænge på tværs af mange afsnit, såsom et angivet mål, den tilhørende dokumentation og en undtagelse andetsteds i dokumentet.
Producenten beskriver gradvis udvidelse af konteksten fra 2K til 1M gennem fortsat fortræning, superviseret finjustering og forstærkningslæring fra menneskelig feedback. Til praktisk arbejde skal du definere den sammenhæng, der skal undersøges, før du beder om et bredt resumé. En eksempelinstruktion er: “Sammenlign den foreslåede arkitektur med implementeringsafsnittene, og angiv hver forskel med dens kildeafsnit.” Resultatet kan være en kort sammenligning, hvor den oprindelige dokumentation forbliver tilgængelig til kontrol.
Producenten anbefaler at analysere årsrapporter, udtrække omsætningsstruktur, risikooplysninger og ledelsesberetning samt sammenligne finansielle data på tværs af perioder. Forbered rapporter med deres rapporteringsdatoer og ensartede mærker for enheder og valutaer. Bed om en tabel over de valgte tal, passagen bag hver værdi og en særskilt forklaring på ændringen. Dermed bevares forskellen mellem et rapporteret tal og en fortolkning af dets udvikling.
Til videnskabeligt materiale kan GLM-4-Long organisere forskningsbaggrund, eksperimentelle metoder og konklusioner efter emne. Giv de fulde passager, der er nødvendige for sammenligningen, inklusive definitioner og forbehold, der står i et andet kapitel. Et nyttigt output er en oversigt over påstande, metoder og understøttende afsnit efterfulgt af spørgsmål, som forbliver uafklarede i den leverede tekst. Hold citater og modellens analyse i adskilte felter, når du udarbejder et forskningsnotat.
Producentens scenarie for juridiske dokumenter omfatter love, sager og kontrakter, herunder rettigheder, forpligtelser og ansvarsklausuler. Navngiv parterne og det forhold, der skal sammenlignes, og bed derefter om de relevante klausuler med afsnitshenvisninger. Et fokuseret udtræk kan blive et arbejdsdokument til senere faglig vurdering med kildens ordlyd ved siden af forklaringen.
Scenariet for skønlitteratur omhandler relationer mellem personer, handlingens opbygning, målrettede resuméer og fortsættelse ud fra stilen i en lang fortælling. Angiv de kapitler og det sted i kronologien, der er vigtige. Bed eksempelvis om et relationskort med de begivenheder, der understøtter hver forbindelse, eller et oplæg til fortsættelse, som bevarer etablerede navne og uafsluttede handlingstråde.
Det dokumenterede maksimale output på 4K er langt mindre end inputkonteksten. Vælg den ønskede leverance: et ledelsesresumé, en klausulsammenligning, en forskningsdisposition eller en kapitelspecifik analyse. Til en omfattende gennemgang skal du opdele det ønskede output i tydeligt navngivne opgaver og bevare det relevante kildemateriale sammen med hvert svar.
Ved en fortsat dokumentsamtale skal du bevare det tidligere spørgsmål, svaret og de passager, der kræves til næste spørgsmål. Producenten beskriver hukommelsesorienteret chat som en anvendelse af lang kontekst; organiser denne kontekst, så opfølgningen henviser til samme dokument, rapporteringsperiode eller kapitel. Gem den færdige analyse med disse kildeidentifikatorer, og kontroller derefter udtrukne navne, tal og citater mod den underliggende tekst, før de indgår i næste rapport.
", "aboutText": "GLM-4-Long er Zhipu AI's sprogmodel til meget lange tekster og hukommelsesorienterede samtaleopgaver. Producenten angiver tekstinput og tekstoutput, et kontekstvindue på 1M og et maksimalt output på 4K tokens. Fokus er at læse, oversætte og analysere omfattende materiale og derefter give et fokuseret svar baseret på det leverede indhold.\n\n### Forbered materialet til en samlet analyse\n\nLever dokumentteksten sammen med det spørgsmål, den skal besvare. Bevar afsnitsoverskrifter, side- eller kapitelidentifikatorer, datoer og tabelenheder sammen med deres indhold. Et langt inputvindue er nyttigt, når et svar afhænger af sammenhænge på tværs af mange afsnit, såsom et angivet mål, den tilhørende dokumentation og en undtagelse andetsteds i dokumentet.\n\nProducenten beskriver gradvis udvidelse af konteksten fra 2K til 1M gennem fortsat fortræning, superviseret finjustering og forstærkningslæring fra menneskelig feedback. Til praktisk arbejde skal du definere den sammenhæng, der skal undersøges, før du beder om et bredt resumé. En eksempelinstruktion er: “Sammenlign den foreslåede arkitektur med implementeringsafsnittene, og angiv hver forskel med dens kildeafsnit.” Resultatet kan være en kort sammenligning, hvor den oprindelige dokumentation forbliver tilgængelig til kontrol.\n\n### Læs finansielle rapporter og videnskabelige artikler\n\nProducenten anbefaler at analysere årsrapporter, udtrække omsætningsstruktur, risikooplysninger og ledelsesberetning samt sammenligne finansielle data på tværs af perioder. Forbered rapporter med deres rapporteringsdatoer og ensartede mærker for enheder og valutaer. Bed om en tabel over de valgte tal, passagen bag hver værdi og en særskilt forklaring på ændringen. Dermed bevares forskellen mellem et rapporteret tal og en fortolkning af dets udvikling.\n\nTil videnskabeligt materiale kan GLM-4-Long organisere forskningsbaggrund, eksperimentelle metoder og konklusioner efter emne. Giv de fulde passager, der er nødvendige for sammenligningen, inklusive definitioner og forbehold, der står i et andet kapitel. Et nyttigt output er en oversigt over påstande, metoder og understøttende afsnit efterfulgt af spørgsmål, som forbliver uafklarede i den leverede tekst. Hold citater og modellens analyse i adskilte felter, når du udarbejder et forskningsnotat.\n\n### Følg klausuler, personer og begivenheder gennem en lang tekst\n\nProducentens scenarie for juridiske dokumenter omfatter love, sager og kontrakter, herunder rettigheder, forpligtelser og ansvarsklausuler. Navngiv parterne og det forhold, der skal sammenlignes, og bed derefter om de relevante klausuler med afsnitshenvisninger. Et fokuseret udtræk kan blive et arbejdsdokument til senere faglig vurdering med kildens ordlyd ved siden af forklaringen.\n\nScenariet for skønlitteratur omhandler relationer mellem personer, handlingens opbygning, målrettede resuméer og fortsættelse ud fra stilen i en lang fortælling. Angiv de kapitler og det sted i kronologien, der er vigtige. Bed eksempelvis om et relationskort med de begivenheder, der understøtter hver forbindelse, eller et oplæg til fortsættelse, som bevarer etablerede navne og uafsluttede handlingstråde.\n\n### Brug det lange input med et afgrænset svar\n\nDet dokumenterede maksimale output på 4K er langt mindre end inputkonteksten. Vælg den ønskede leverance: et ledelsesresumé, en klausulsammenligning, en forskningsdisposition eller en kapitelspecifik analyse. Til en omfattende gennemgang skal du opdele det ønskede output i tydeligt navngivne opgaver og bevare det relevante kildemateriale sammen med hvert svar.\n\nVed en fortsat dokumentsamtale skal du bevare det tidligere spørgsmål, svaret og de passager, der kræves til næste spørgsmål. Producenten beskriver hukommelsesorienteret chat som en anvendelse af lang kontekst; organiser denne kontekst, så opfølgningen henviser til samme dokument, rapporteringsperiode eller kapitel. Gem den færdige analyse med disse kildeidentifikatorer, og kontroller derefter udtrukne navne, tal og citater mod den underliggende tekst, før de indgår i næste rapport.", "editorialOverlay": { "copy_fields": { "practical_html": "Teknisk eksempel på engelsk
Reconcile architecture and implementation notes\n\nCompare labeled excerpts. Architecture §2: every export job is resumable and stores its cursor after each completed page. Implementation §7: the exporter stores its cursor only when the entire job completes. Operations §4: interrupted jobs restart from page one. Return a concise discrepancy map with source references and a focused requirement for the next code review.A source-linked discrepancy table and one review requirement tied to the resumability objective.The answer connects all three excerpts and does not invent additional implementation details.glm-4-longGLM-4-Long er Zhipu AI's model til læsning af meget lange tekster og bevarelse af dokumentkontekst gennem en samtale. Dens dokumenterede kontekst på 1M og maksimale output på 4K understøtter fokuserede analyser af rapporter, artikler, kontrakter og længere skønlitteratur.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
GLM-4-Long er Zhipu AI's sprogmodel til meget lange tekster og hukommelsesorienterede samtaleopgaver. Producenten angiver tekstinput og tekstoutput, et kontekstvindue på 1M og et maksimalt output på 4K tokens. Fokus er at læse, oversætte og analysere omfattende materiale og derefter give et fokuseret svar baseret på det leverede indhold.
Lever dokumentteksten sammen med det spørgsmål, den skal besvare. Bevar afsnitsoverskrifter, side- eller kapitelidentifikatorer, datoer og tabelenheder sammen med deres indhold. Et langt inputvindue er nyttigt, når et svar afhænger af sammenhænge på tværs af mange afsnit, såsom et angivet mål, den tilhørende dokumentation og en undtagelse andetsteds i dokumentet.
Producenten beskriver gradvis udvidelse af konteksten fra 2K til 1M gennem fortsat fortræning, superviseret finjustering og forstærkningslæring fra menneskelig feedback. Til praktisk arbejde skal du definere den sammenhæng, der skal undersøges, før du beder om et bredt resumé. En eksempelinstruktion er: “Sammenlign den foreslåede arkitektur med implementeringsafsnittene, og angiv hver forskel med dens kildeafsnit.” Resultatet kan være en kort sammenligning, hvor den oprindelige dokumentation forbliver tilgængelig til kontrol.
Producenten anbefaler at analysere årsrapporter, udtrække omsætningsstruktur, risikooplysninger og ledelsesberetning samt sammenligne finansielle data på tværs af perioder. Forbered rapporter med deres rapporteringsdatoer og ensartede mærker for enheder og valutaer. Bed om en tabel over de valgte tal, passagen bag hver værdi og en særskilt forklaring på ændringen. Dermed bevares forskellen mellem et rapporteret tal og en fortolkning af dets udvikling.
Til videnskabeligt materiale kan GLM-4-Long organisere forskningsbaggrund, eksperimentelle metoder og konklusioner efter emne. Giv de fulde passager, der er nødvendige for sammenligningen, inklusive definitioner og forbehold, der står i et andet kapitel. Et nyttigt output er en oversigt over påstande, metoder og understøttende afsnit efterfulgt af spørgsmål, som forbliver uafklarede i den leverede tekst. Hold citater og modellens analyse i adskilte felter, når du udarbejder et forskningsnotat.
Producentens scenarie for juridiske dokumenter omfatter love, sager og kontrakter, herunder rettigheder, forpligtelser og ansvarsklausuler. Navngiv parterne og det forhold, der skal sammenlignes, og bed derefter om de relevante klausuler med afsnitshenvisninger. Et fokuseret udtræk kan blive et arbejdsdokument til senere faglig vurdering med kildens ordlyd ved siden af forklaringen.
Scenariet for skønlitteratur omhandler relationer mellem personer, handlingens opbygning, målrettede resuméer og fortsættelse ud fra stilen i en lang fortælling. Angiv de kapitler og det sted i kronologien, der er vigtige. Bed eksempelvis om et relationskort med de begivenheder, der understøtter hver forbindelse, eller et oplæg til fortsættelse, som bevarer etablerede navne og uafsluttede handlingstråde.
Det dokumenterede maksimale output på 4K er langt mindre end inputkonteksten. Vælg den ønskede leverance: et ledelsesresumé, en klausulsammenligning, en forskningsdisposition eller en kapitelspecifik analyse. Til en omfattende gennemgang skal du opdele det ønskede output i tydeligt navngivne opgaver og bevare det relevante kildemateriale sammen med hvert svar.
Ved en fortsat dokumentsamtale skal du bevare det tidligere spørgsmål, svaret og de passager, der kræves til næste spørgsmål. Producenten beskriver hukommelsesorienteret chat som en anvendelse af lang kontekst; organiser denne kontekst, så opfølgningen henviser til samme dokument, rapporteringsperiode eller kapitel. Gem den færdige analyse med disse kildeidentifikatorer, og kontroller derefter udtrukne navne, tal og citater mod den underliggende tekst, før de indgår i næste rapport.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser glm-4-long | Standard— |
Feltmessages | Typemessage[] | KravPåkrævet | Værdier og grænser Minimumsantal elementer: 1 | Standard— |
Feltmessages[].role | Typestring | KravPåkrævet | Værdier og grænser Eksempler: system, user, assistant, tool, function Betingelser: Disse roller er eksplicit repræsenteret i kildekodens kompatibilitetstyper; modellens præcise rollesæt er fortsat modelspecifikt. Afhænger af modellen | Standard— |
Feltmessages[].content | Typestring|content_part[]|null | KravValgfrit | Værdier og grænser | Standard— |
Feltmessages[].tool_calls | Typetool_call[] | KravValgfrit | Værdier og grænser | Standard— |
Feltmessages[].tool_call_id | Typestring | KravValgfrit | Værdier og grænser Gælder når: role=tool; brug det faktisk returnerede ID | Standard— |
Feltmessages[].name | Typestring | KravValgfrit | Værdier og grænser | Standard— |
Feltmessages[].reasoning_content | Typestring | KravValgfrit | Værdier og grænser Gælder når: Send det faktisk returnerede ræsonnement tilbage, når modellen bruger det | Standard— |
Feltmessages[].reasoning_details | Typeobject|array | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltmax_tokens | Typeinteger | KravValgfrit | Værdier og grænser Minimum: 1 Afhænger af modellen | Standard— |
Feltmax_completion_tokens | Typeinteger | KravValgfrit | Værdier og grænser Minimum: 1 Afhænger af modellen | Standard— |
Feltstream | Typeboolean | KravValgfrit | Værdier og grænser | Standardfalse |
Feltstream_options.include_usage | Typeboolean | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Felttemperature | Typenumber | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Felttop_p | Typenumber | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltstop | Typestring|string[] | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Felttools | Typefunction_tool[] | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Felttools[].type | Typestring | KravValgfrit | Værdier og grænser function Afhænger af modellen | Standard— |
Felttools[].function.name | Typestring | KravPåkrævet | Værdier og grænser Gælder når: funktionsværktøj angivet | Standard— |
Felttools[].function.description | Typestring | KravValgfrit | Værdier og grænser | Standard— |
Felttools[].function.parameters | TypeJSON_schema | KravValgfrit | Værdier og grænser | Standard— |
Felttool_choice | Typestring|object | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltparallel_tool_calls | Typeboolean | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltresponse_format | Typeobject | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltreasoning_effort | Typestring | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltreasoning | Typeobject | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltservice_tier | Typestring | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltinstructions | Typestring | KravValgfrit | Værdier og grænser Kompatibilitetsfelt | Standard— |
Feltfunctions | Typefunction[] | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltfunction_call | Typestring|object | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltprompt_cache_options | Typeobject | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltmodalities | Typestring[] | KravValgfrit | Værdier og grænser text | Standard— |
Feltprovider | Typeobject | KravValgfrit | Værdier og grænser Betingelser: provider.options afvises på denne Ultra-tekstrute | Standard— |
Feltcache_control.ttl | Typestring | KravValgfrit | Værdier og grænser Betingelser: 1h afvises på de faktiske placeringer for promptcaching | Standard— |
Tekst · UTF8-tekst
messages[].content
| Parameter | Kontrakt |
|---|---|
Parametercontent_type | Kontraktapplication/json |
Parameterrequired | Kontraktmodel, messages |
Parametermaterial_types | Kontrakttext |
Parametermessages | Kontraktbeskedarray med strukturen role/content |
Parameterfile_material | Kontraktfaktisk UTF-8-dokument indsat som bogstavelig tekst; intet fil-ID udledes |
Parameteroptional_controls | Kontraktstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametercontrol_scope | Kontraktmodelspecifikt; brugerens funktionsværktøjer er forskellige fra hostede værktøjer |
Parameteroutput_modalities | Kontrakttext |
Parameterhosted_operations | Kontraktfalse |
Parametermultimodal_input_binding | Kontraktnull |
Livscyklus: synchronous_or_streamed
Send det præcise model-ID med messages.
Kontekstlængde er ikke et outputloft.
En tekstfil kan levere bogstavelig tekst; billed-, lyd- og filobjektinput kræver en præcis binding.
Tarifoplysninger tilføjer ikke anmodningsmuligheder. Understøttede parametre står ved den valgte metode.
| Konfiguration | Takstplan | Beløb |
|---|---|---|
| KonfigurationGrundtakster for tokens | TakstplanGrundtakst | Beløb Input · Inputtokens $0.00028 / 1K tokens Output · Outputtokens $0.00028 / 1K tokens Input · Cachelæsning $0 / 1K tokens Input · Cacheskrivning $0 / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "glm-4-long", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\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-long',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\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"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\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)\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\nwith client.chat.completions.stream(model='glm-4-long',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson eller SSE
Gem hvert fuldstændigt returneret svar, hver fil og hver indholdsdel.
Bevar hvert valg og dets indhold, værktøjskald og ræsonnement. Saml i SSE deltaer efter valg-/værktøjsindeks, og bevar den endelige afslutningsårsag og forbrugsoplysningerne.
Bevar anmodnings-/svar-ID’er og headere. Der leveres ingen generel URL til at hente tekstjob.
| Felt | Type |
|---|---|
Feltchoices[].index | Typeinteger |
Feltchoices[].message.content | Typestring|null |
Feltchoices[].message.tool_calls | Typetool_call[] |
Feltchoices[].message.reasoning_content | Typestring |
Feltchoices[].message.reasoning_details | Typeobject|array |
Feltchoices[].finish_reason | Typestring|null |
Feltusage | Typeobject |
| Svar | Betingelse | Næste trin |
|---|---|---|
Svar400 · invalid_request_error | BetingelseUgyldige obligatoriske felter, materialerepræsentation eller parameterværdi | Næste trinRet de angivne felter før en ny oprettelsesanmodning. |
Ailoot Ultra glm-4-long
Brug metodestierne vist ovenfor.
glm-4-longGLM-4-Long er Zhipu AI's model til læsning af meget lange tekster og bevarelse af dokumentkontekst gennem en samtale. Dens dokumenterede kontekst på 1M og maksimale output på 4K understøtter fokuserede analyser af rapporter, artikler, kontrakter og længere skønlitteratur.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
GLM-4-Long er Zhipu AI's sprogmodel til meget lange tekster og hukommelsesorienterede samtaleopgaver. Producenten angiver tekstinput og tekstoutput, et kontekstvindue på 1M og et maksimalt output på 4K tokens. Fokus er at læse, oversætte og analysere omfattende materiale og derefter give et fokuseret svar baseret på det leverede indhold.
Lever dokumentteksten sammen med det spørgsmål, den skal besvare. Bevar afsnitsoverskrifter, side- eller kapitelidentifikatorer, datoer og tabelenheder sammen med deres indhold. Et langt inputvindue er nyttigt, når et svar afhænger af sammenhænge på tværs af mange afsnit, såsom et angivet mål, den tilhørende dokumentation og en undtagelse andetsteds i dokumentet.
Producenten beskriver gradvis udvidelse af konteksten fra 2K til 1M gennem fortsat fortræning, superviseret finjustering og forstærkningslæring fra menneskelig feedback. Til praktisk arbejde skal du definere den sammenhæng, der skal undersøges, før du beder om et bredt resumé. En eksempelinstruktion er: “Sammenlign den foreslåede arkitektur med implementeringsafsnittene, og angiv hver forskel med dens kildeafsnit.” Resultatet kan være en kort sammenligning, hvor den oprindelige dokumentation forbliver tilgængelig til kontrol.
Producenten anbefaler at analysere årsrapporter, udtrække omsætningsstruktur, risikooplysninger og ledelsesberetning samt sammenligne finansielle data på tværs af perioder. Forbered rapporter med deres rapporteringsdatoer og ensartede mærker for enheder og valutaer. Bed om en tabel over de valgte tal, passagen bag hver værdi og en særskilt forklaring på ændringen. Dermed bevares forskellen mellem et rapporteret tal og en fortolkning af dets udvikling.
Til videnskabeligt materiale kan GLM-4-Long organisere forskningsbaggrund, eksperimentelle metoder og konklusioner efter emne. Giv de fulde passager, der er nødvendige for sammenligningen, inklusive definitioner og forbehold, der står i et andet kapitel. Et nyttigt output er en oversigt over påstande, metoder og understøttende afsnit efterfulgt af spørgsmål, som forbliver uafklarede i den leverede tekst. Hold citater og modellens analyse i adskilte felter, når du udarbejder et forskningsnotat.
Producentens scenarie for juridiske dokumenter omfatter love, sager og kontrakter, herunder rettigheder, forpligtelser og ansvarsklausuler. Navngiv parterne og det forhold, der skal sammenlignes, og bed derefter om de relevante klausuler med afsnitshenvisninger. Et fokuseret udtræk kan blive et arbejdsdokument til senere faglig vurdering med kildens ordlyd ved siden af forklaringen.
Scenariet for skønlitteratur omhandler relationer mellem personer, handlingens opbygning, målrettede resuméer og fortsættelse ud fra stilen i en lang fortælling. Angiv de kapitler og det sted i kronologien, der er vigtige. Bed eksempelvis om et relationskort med de begivenheder, der understøtter hver forbindelse, eller et oplæg til fortsættelse, som bevarer etablerede navne og uafsluttede handlingstråde.
Det dokumenterede maksimale output på 4K er langt mindre end inputkonteksten. Vælg den ønskede leverance: et ledelsesresumé, en klausulsammenligning, en forskningsdisposition eller en kapitelspecifik analyse. Til en omfattende gennemgang skal du opdele det ønskede output i tydeligt navngivne opgaver og bevare det relevante kildemateriale sammen med hvert svar.
Ved en fortsat dokumentsamtale skal du bevare det tidligere spørgsmål, svaret og de passager, der kræves til næste spørgsmål. Producenten beskriver hukommelsesorienteret chat som en anvendelse af lang kontekst; organiser denne kontekst, så opfølgningen henviser til samme dokument, rapporteringsperiode eller kapitel. Gem den færdige analyse med disse kildeidentifikatorer, og kontroller derefter udtrukne navne, tal og citater mod den underliggende tekst, før de indgår i næste rapport.
POST /v1/messagestextjson, sse| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser glm-4-long | Standard— |
Feltmessages | Typemessage[] | KravPåkrævet | Værdier og grænser | Standard— |
Feltmessages[].role | Typestring | KravPåkrævet | Værdier og grænser user, assistant | Standard— |
Feltmessages[].content | Typestring | KravPåkrævet | Værdier og grænser | Standard— |
Feltmax_tokens | Typeinteger | KravPåkrævet | Værdier og grænser | Standard— |
Feltstream | Typeboolean | KravValgfrit | Værdier og grænser | Standardfalse |
Tekst · UTF-8-tekst
messages[].content som streng
| Parameter | Kontrakt |
|---|---|
Parametercontent_type | Kontraktapplication/json |
Parameterrequired | Kontraktmodel, messages, max_tokens |
Parameteroptional_controls | Kontraktstream |
Parametermaterial_types | Kontrakttext |
Parametertext_file_material | KontraktLæs det faktiske UTF-8-dokument, og indsæt teksten i det angivne input eller beskedens indholdsstreng. |
Livscyklus: synchronous_or_streamed
Tarifoplysninger tilføjer ikke anmodningsmuligheder. Understøttede parametre står ved den valgte metode.
| Konfiguration | Takstplan | Beløb |
|---|---|---|
| KonfigurationGrundtakster for tokens | TakstplanGrundtakst | Beløb Input · Inputtokens $0.00028 / 1K tokens Output · Outputtokens $0.00028 / 1K tokens Input · Cachelæsning $0 / 1K tokens Input · Cacheskrivning $0 / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
{\n "model": "glm-4-long",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-long', '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-long', '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 eller SSE
Gem hvert fuldstændigt returneret svar, hver fil og hver indholdsdel.
Bevar alle indholdsblokke, ræsonnementssignaturer og faktiske værktøjsbrugs-ID’er. Saml alle SSE-blokdeltaer; den første tekstblok er ikke hele outputtet.
Bevar anmodnings-/svar-ID’er og headere. Der leveres ingen generel URL til at hente tekstjob.
| Felt | Type |
|---|---|
Feltid | Typestring |
Feltmodel | Typestring |
Feltcontent[] | Typetext|thinking|tool_use|other content block |
Feltstop_reason | Typestring|null |
Feltusage | Typeobject |
| Svar | Betingelse | Næste trin |
|---|---|---|
Svar400 · invalid_request_error | BetingelseUgyldige obligatoriske felter, materialerepræsentation eller parameterværdi | Næste trinRet de angivne felter før en ny oprettelsesanmodning. |
Ailoot Ultra glm-4-long
Brug metodestierne vist ovenfor.
Teknisk eksempel på engelsk
Reconcile architecture and implementation notes\n\nCompare labeled excerpts. Architecture §2: every export job is resumable and stores its cursor after each completed page. Implementation §7: the exporter stores its cursor only when the entire job completes. Operations §4: interrupted jobs restart from page one. Return a concise discrepancy map with source references and a focused requirement for the next code review.A source-linked discrepancy table and one review requirement tied to the resumability objective.The answer connects all three excerpts and does not invent additional implementation details.