GLM-4-Plus er den kapable tekstmodel i Z.ai's GLM-4-serie. Den kombinerer sprogforståelse, logisk ræsonnement, instruktionsfølgning og behandling af lange tekster. Producenten angiver tekst som både input og output, et kontekstvindue på 128K tokens og et maksimalt output på 4K tokens. Et langt input og et kompakt resultat er derfor særskilte dele af profilen: en stor dokumentsamling kan understøtte et fokuseret resumé, en sammenligning eller et udtræk.
En dokumentassistent kan modtage navngivne afsnit og et spørgsmål og derefter udarbejde en kort analyse knyttet til disse afsnit. Definer målgruppen og beslutningen, før du beder om svaret: sammenlign eksempelvis to procedurer, angiv betingelserne for en sag, eller identificer modstridende krav. Hold kildepassager adskilt fra instruktionerne, så svaret kan skelne mellem dokumentation og den ønskede analyse.
GLM-4-beskrivelsen angiver streaming, funktionskald, kontekstcaching, strukturerede formater som JSON og samspil med MCP-værktøjer og datakilder. Streaming gør genereret tekst tilgængelig løbende. Struktureret output er nyttigt, når resultatet skal indeholde navngivne felter frem for en åben fremstilling: et resumé, udtrukne identifikatorer, kildeafsnitsmærker og spørgsmål, der fortsat er uafklarede.
Værktøjsbrug forbinder sprogmodellen med handlinger, som applikationen stiller til rådighed. Applikationen beskriver funktionerne, udfører det valgte kald og returnerer resultatet til næste trin. Det kan understøtte et opslag efterfulgt af en rapport eller et søgeresultat, som bliver dokumentation for et svar. Modellens tekst er adskilt fra udførelsen af den eksterne handling. Gentagne instruktioner eller dokumentpræfikser kan indgå i producentens mekanisme til kontekstcaching; cachegenbrug er ikke i sig selv bevis for, at en bestemt anmodning ramte cachen.
Oversættelse beskrives som mere end at omdanne enkeltord: producenten medtager flersproget tekst, tone, slang, emoji og fagudtryk under hensyntagen til kulturelle forskelle. Angiv kildepassagen, målgruppen og den terminologi, der skal forblive uændret. Ved redigering skal du bede om et bestemt resultat — et revideret brev, en produktbeskrivelse eller en kort forklaring — og angive, hvilke fakta der skal bevares.
Semantisk klassifikation og feltudtræk tager udgangspunkt i det leverede materiale. Definer først kategorierne eller de påkrævede felter, og giv derefter dokumenterne. En applikation kan eksempelvis anmode om projektidentifikatorer og klausulkategorier sammen med de relevante afsnitsmærker. En eksplicit regel for manglende værdier forhindrer, at outputskemaet bliver en anledning til at opfinde fraværende data.
Producenten beskriver også markedsføringsmateriale, analytiske risikorapporter og rejseplanlægning. Til skrivning skal du angive de faktiske produkt- eller kampagneoplysninger og det ønskede format. Til analyse skal du levere de relevante rapporter og sammenligningskriterier; aktuelle oplysninger bør komme gennem et søge- eller dataværktøj, som applikationen stiller til rådighed. Til en rejseplan skal du angive præferencer og tidsbegrænsninger, så outputtet bliver en plan for den beskrevne situation frem for en generel rejsetekst.
GLM-4-Plus bruger modelassisterede syntetiske data og PPO-baseret eftertræning til at udvikle matematisk ræsonnement og ræsonnement om kode samt bedre afspejle menneskelige præferencer. Til lange tekster justerer forberedelsen blandingen af kort og langt materiale for at styrke ræsonnement over omfattende input. Det er forberedelsesvalg for netop denne Plus-model. De giver ikke dens tekstprofil billedforståelsen fra en særskilt navngiven GLM-4V-udgave.
Brug den større kontekst til det materiale, der faktisk underbygger spørgsmålet, med stabile afsnitsnavne og en klar outputkontrakt. En praktisk anmodning er at sammenligne to dokumenter, angive enigheder og konflikter og identificere passagerne bag hver konklusion. Hold det endelige resultat inden for outputprofilen på 4K: bed om et beslutningsoplæg eller en struktureret sammenligning, og fortsæt med en afgrænset opfølgning, hvis et bestemt afsnit skal uddybes. Gyldig JSON-struktur og faktuelt korrekte feltværdier er særskilte kontroller.
", "aboutText": "### Overblik og modelprofil\n\nGLM-4-Plus er den kapable tekstmodel i Z.ai's GLM-4-serie. Den kombinerer sprogforståelse, logisk ræsonnement, instruktionsfølgning og behandling af lange tekster. Producenten angiver tekst som både input og output, et kontekstvindue på 128K tokens og et maksimalt output på 4K tokens. Et langt input og et kompakt resultat er derfor særskilte dele af profilen: en stor dokumentsamling kan understøtte et fokuseret resumé, en sammenligning eller et udtræk.\n\nEn dokumentassistent kan modtage navngivne afsnit og et spørgsmål og derefter udarbejde en kort analyse knyttet til disse afsnit. Definer målgruppen og beslutningen, før du beder om svaret: sammenlign eksempelvis to procedurer, angiv betingelserne for en sag, eller identificer modstridende krav. Hold kildepassager adskilt fra instruktionerne, så svaret kan skelne mellem dokumentation og den ønskede analyse.\n\n### Understøttede funktioner\n\nGLM-4-beskrivelsen angiver streaming, funktionskald, kontekstcaching, strukturerede formater som JSON og samspil med MCP-værktøjer og datakilder. Streaming gør genereret tekst tilgængelig løbende. Struktureret output er nyttigt, når resultatet skal indeholde navngivne felter frem for en åben fremstilling: et resumé, udtrukne identifikatorer, kildeafsnitsmærker og spørgsmål, der fortsat er uafklarede.\n\nVærktøjsbrug forbinder sprogmodellen med handlinger, som applikationen stiller til rådighed. Applikationen beskriver funktionerne, udfører det valgte kald og returnerer resultatet til næste trin. Det kan understøtte et opslag efterfulgt af en rapport eller et søgeresultat, som bliver dokumentation for et svar. Modellens tekst er adskilt fra udførelsen af den eksterne handling. Gentagne instruktioner eller dokumentpræfikser kan indgå i producentens mekanisme til kontekstcaching; cachegenbrug er ikke i sig selv bevis for, at en bestemt anmodning ramte cachen.\n\n### Anbefalede anvendelser\n\nOversættelse beskrives som mere end at omdanne enkeltord: producenten medtager flersproget tekst, tone, slang, emoji og fagudtryk under hensyntagen til kulturelle forskelle. Angiv kildepassagen, målgruppen og den terminologi, der skal forblive uændret. Ved redigering skal du bede om et bestemt resultat — et revideret brev, en produktbeskrivelse eller en kort forklaring — og angive, hvilke fakta der skal bevares.\n\nSemantisk klassifikation og feltudtræk tager udgangspunkt i det leverede materiale. Definer først kategorierne eller de påkrævede felter, og giv derefter dokumenterne. En applikation kan eksempelvis anmode om projektidentifikatorer og klausulkategorier sammen med de relevante afsnitsmærker. En eksplicit regel for manglende værdier forhindrer, at outputskemaet bliver en anledning til at opfinde fraværende data.\n\nProducenten beskriver også markedsføringsmateriale, analytiske risikorapporter og rejseplanlægning. Til skrivning skal du angive de faktiske produkt- eller kampagneoplysninger og det ønskede format. Til analyse skal du levere de relevante rapporter og sammenligningskriterier; aktuelle oplysninger bør komme gennem et søge- eller dataværktøj, som applikationen stiller til rådighed. Til en rejseplan skal du angive præferencer og tidsbegrænsninger, så outputtet bliver en plan for den beskrevne situation frem for en generel rejsetekst.\n\n### Modellens nærmere forberedelse\n\nGLM-4-Plus bruger modelassisterede syntetiske data og PPO-baseret eftertræning til at udvikle matematisk ræsonnement og ræsonnement om kode samt bedre afspejle menneskelige præferencer. Til lange tekster justerer forberedelsen blandingen af kort og langt materiale for at styrke ræsonnement over omfattende input. Det er forberedelsesvalg for netop denne Plus-model. De giver ikke dens tekstprofil billedforståelsen fra en særskilt navngiven GLM-4V-udgave.\n\n### Forberedelse af anmodning og output\n\nBrug den større kontekst til det materiale, der faktisk underbygger spørgsmålet, med stabile afsnitsnavne og en klar outputkontrakt. En praktisk anmodning er at sammenligne to dokumenter, angive enigheder og konflikter og identificere passagerne bag hver konklusion. Hold det endelige resultat inden for outputprofilen på 4K: bed om et beslutningsoplæg eller en struktureret sammenligning, og fortsæt med en afgrænset opfølgning, hvis et bestemt afsnit skal uddybes. Gyldig JSON-struktur og faktuelt korrekte feltværdier er særskilte kontroller.", "editorialOverlay": { "copy_fields": { "practical_html": "Teknisk eksempel på engelsk
Find contradictions between two procedures\n\nCompare procedure P: approve a supplier before issuing an order; emergency orders need the same approval. Procedure Q: emergency orders may be issued immediately and reviewed the next day. Prepare a decision brief identifying the conflict, the passages involved and the exact policy question an owner must resolve before the procedures can agree.A concise conflict statement, two supporting passages and one decision question.Check that the answer exposes the approval-timing conflict without silently choosing a governing procedure.glm-4-plusGLM-4-Plus er Z.ai's tekstmodel til sprogforståelse, logisk analyse, instruktionsfølgning og lange dokumenter. Dens profil med 128K kontekst og 4K output passer til kildeunderbyggede resuméer, flersproget redigering, feltudtræk og rapporter med værktøjer.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
GLM-4-Plus er den kapable tekstmodel i Z.ai's GLM-4-serie. Den kombinerer sprogforståelse, logisk ræsonnement, instruktionsfølgning og behandling af lange tekster. Producenten angiver tekst som både input og output, et kontekstvindue på 128K tokens og et maksimalt output på 4K tokens. Et langt input og et kompakt resultat er derfor særskilte dele af profilen: en stor dokumentsamling kan understøtte et fokuseret resumé, en sammenligning eller et udtræk.
En dokumentassistent kan modtage navngivne afsnit og et spørgsmål og derefter udarbejde en kort analyse knyttet til disse afsnit. Definer målgruppen og beslutningen, før du beder om svaret: sammenlign eksempelvis to procedurer, angiv betingelserne for en sag, eller identificer modstridende krav. Hold kildepassager adskilt fra instruktionerne, så svaret kan skelne mellem dokumentation og den ønskede analyse.
GLM-4-beskrivelsen angiver streaming, funktionskald, kontekstcaching, strukturerede formater som JSON og samspil med MCP-værktøjer og datakilder. Streaming gør genereret tekst tilgængelig løbende. Struktureret output er nyttigt, når resultatet skal indeholde navngivne felter frem for en åben fremstilling: et resumé, udtrukne identifikatorer, kildeafsnitsmærker og spørgsmål, der fortsat er uafklarede.
Værktøjsbrug forbinder sprogmodellen med handlinger, som applikationen stiller til rådighed. Applikationen beskriver funktionerne, udfører det valgte kald og returnerer resultatet til næste trin. Det kan understøtte et opslag efterfulgt af en rapport eller et søgeresultat, som bliver dokumentation for et svar. Modellens tekst er adskilt fra udførelsen af den eksterne handling. Gentagne instruktioner eller dokumentpræfikser kan indgå i producentens mekanisme til kontekstcaching; cachegenbrug er ikke i sig selv bevis for, at en bestemt anmodning ramte cachen.
Oversættelse beskrives som mere end at omdanne enkeltord: producenten medtager flersproget tekst, tone, slang, emoji og fagudtryk under hensyntagen til kulturelle forskelle. Angiv kildepassagen, målgruppen og den terminologi, der skal forblive uændret. Ved redigering skal du bede om et bestemt resultat — et revideret brev, en produktbeskrivelse eller en kort forklaring — og angive, hvilke fakta der skal bevares.
Semantisk klassifikation og feltudtræk tager udgangspunkt i det leverede materiale. Definer først kategorierne eller de påkrævede felter, og giv derefter dokumenterne. En applikation kan eksempelvis anmode om projektidentifikatorer og klausulkategorier sammen med de relevante afsnitsmærker. En eksplicit regel for manglende værdier forhindrer, at outputskemaet bliver en anledning til at opfinde fraværende data.
Producenten beskriver også markedsføringsmateriale, analytiske risikorapporter og rejseplanlægning. Til skrivning skal du angive de faktiske produkt- eller kampagneoplysninger og det ønskede format. Til analyse skal du levere de relevante rapporter og sammenligningskriterier; aktuelle oplysninger bør komme gennem et søge- eller dataværktøj, som applikationen stiller til rådighed. Til en rejseplan skal du angive præferencer og tidsbegrænsninger, så outputtet bliver en plan for den beskrevne situation frem for en generel rejsetekst.
GLM-4-Plus bruger modelassisterede syntetiske data og PPO-baseret eftertræning til at udvikle matematisk ræsonnement og ræsonnement om kode samt bedre afspejle menneskelige præferencer. Til lange tekster justerer forberedelsen blandingen af kort og langt materiale for at styrke ræsonnement over omfattende input. Det er forberedelsesvalg for netop denne Plus-model. De giver ikke dens tekstprofil billedforståelsen fra en særskilt navngiven GLM-4V-udgave.
Brug den større kontekst til det materiale, der faktisk underbygger spørgsmålet, med stabile afsnitsnavne og en klar outputkontrakt. En praktisk anmodning er at sammenligne to dokumenter, angive enigheder og konflikter og identificere passagerne bag hver konklusion. Hold det endelige resultat inden for outputprofilen på 4K: bed om et beslutningsoplæg eller en struktureret sammenligning, og fortsæt med en afgrænset opfølgning, hvis et bestemt afsnit skal uddybes. Gyldig JSON-struktur og faktuelt korrekte feltværdier er særskilte kontroller.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser glm-4-plus | 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 $0.014 / 1K tokens Output · Outputtokens $0.014 / 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-plus", "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-plus',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-plus',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-plus
Brug metodestierne vist ovenfor.
glm-4-plusGLM-4-Plus er Z.ai's tekstmodel til sprogforståelse, logisk analyse, instruktionsfølgning og lange dokumenter. Dens profil med 128K kontekst og 4K output passer til kildeunderbyggede resuméer, flersproget redigering, feltudtræk og rapporter med værktøjer.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
GLM-4-Plus er den kapable tekstmodel i Z.ai's GLM-4-serie. Den kombinerer sprogforståelse, logisk ræsonnement, instruktionsfølgning og behandling af lange tekster. Producenten angiver tekst som både input og output, et kontekstvindue på 128K tokens og et maksimalt output på 4K tokens. Et langt input og et kompakt resultat er derfor særskilte dele af profilen: en stor dokumentsamling kan understøtte et fokuseret resumé, en sammenligning eller et udtræk.
En dokumentassistent kan modtage navngivne afsnit og et spørgsmål og derefter udarbejde en kort analyse knyttet til disse afsnit. Definer målgruppen og beslutningen, før du beder om svaret: sammenlign eksempelvis to procedurer, angiv betingelserne for en sag, eller identificer modstridende krav. Hold kildepassager adskilt fra instruktionerne, så svaret kan skelne mellem dokumentation og den ønskede analyse.
GLM-4-beskrivelsen angiver streaming, funktionskald, kontekstcaching, strukturerede formater som JSON og samspil med MCP-værktøjer og datakilder. Streaming gør genereret tekst tilgængelig løbende. Struktureret output er nyttigt, når resultatet skal indeholde navngivne felter frem for en åben fremstilling: et resumé, udtrukne identifikatorer, kildeafsnitsmærker og spørgsmål, der fortsat er uafklarede.
Værktøjsbrug forbinder sprogmodellen med handlinger, som applikationen stiller til rådighed. Applikationen beskriver funktionerne, udfører det valgte kald og returnerer resultatet til næste trin. Det kan understøtte et opslag efterfulgt af en rapport eller et søgeresultat, som bliver dokumentation for et svar. Modellens tekst er adskilt fra udførelsen af den eksterne handling. Gentagne instruktioner eller dokumentpræfikser kan indgå i producentens mekanisme til kontekstcaching; cachegenbrug er ikke i sig selv bevis for, at en bestemt anmodning ramte cachen.
Oversættelse beskrives som mere end at omdanne enkeltord: producenten medtager flersproget tekst, tone, slang, emoji og fagudtryk under hensyntagen til kulturelle forskelle. Angiv kildepassagen, målgruppen og den terminologi, der skal forblive uændret. Ved redigering skal du bede om et bestemt resultat — et revideret brev, en produktbeskrivelse eller en kort forklaring — og angive, hvilke fakta der skal bevares.
Semantisk klassifikation og feltudtræk tager udgangspunkt i det leverede materiale. Definer først kategorierne eller de påkrævede felter, og giv derefter dokumenterne. En applikation kan eksempelvis anmode om projektidentifikatorer og klausulkategorier sammen med de relevante afsnitsmærker. En eksplicit regel for manglende værdier forhindrer, at outputskemaet bliver en anledning til at opfinde fraværende data.
Producenten beskriver også markedsføringsmateriale, analytiske risikorapporter og rejseplanlægning. Til skrivning skal du angive de faktiske produkt- eller kampagneoplysninger og det ønskede format. Til analyse skal du levere de relevante rapporter og sammenligningskriterier; aktuelle oplysninger bør komme gennem et søge- eller dataværktøj, som applikationen stiller til rådighed. Til en rejseplan skal du angive præferencer og tidsbegrænsninger, så outputtet bliver en plan for den beskrevne situation frem for en generel rejsetekst.
GLM-4-Plus bruger modelassisterede syntetiske data og PPO-baseret eftertræning til at udvikle matematisk ræsonnement og ræsonnement om kode samt bedre afspejle menneskelige præferencer. Til lange tekster justerer forberedelsen blandingen af kort og langt materiale for at styrke ræsonnement over omfattende input. Det er forberedelsesvalg for netop denne Plus-model. De giver ikke dens tekstprofil billedforståelsen fra en særskilt navngiven GLM-4V-udgave.
Brug den større kontekst til det materiale, der faktisk underbygger spørgsmålet, med stabile afsnitsnavne og en klar outputkontrakt. En praktisk anmodning er at sammenligne to dokumenter, angive enigheder og konflikter og identificere passagerne bag hver konklusion. Hold det endelige resultat inden for outputprofilen på 4K: bed om et beslutningsoplæg eller en struktureret sammenligning, og fortsæt med en afgrænset opfølgning, hvis et bestemt afsnit skal uddybes. Gyldig JSON-struktur og faktuelt korrekte feltværdier er særskilte kontroller.
POST /v1/messagestextjson, sse| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser glm-4-plus | 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 $0.014 / 1K tokens Output · Outputtokens $0.014 / 1K tokens Input · Cachelæsning $0 / 1K tokens Input · Cacheskrivning $0 / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
{\n "model": "glm-4-plus",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-plus', '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-plus', '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-plus
Brug metodestierne vist ovenfor.
Teknisk eksempel på engelsk
Find contradictions between two procedures\n\nCompare procedure P: approve a supplier before issuing an order; emergency orders need the same approval. Procedure Q: emergency orders may be issued immediately and reviewed the next day. Prepare a decision brief identifying the conflict, the passages involved and the exact policy question an owner must resolve before the procedures can agree.A concise conflict statement, two supporting passages and one decision question.Check that the answer exposes the approval-timing conflict without silently choosing a governing procedure.