GLM-4-9B-Chat er den dialogtilpassede udgave af Z.ai’s åbne sprogmodel GLM-4-9B. Dens forberedelse kombinerer et flersproget fundament med tilpasning til menneskelige præferencer. Modellen arbejder med tekst: Spørgsmål, dokumenter, kode og samtalehistorik bliver til input, og det synlige resultat er tekst eller en anmodet værktøjshandling. Dens angivne områder omfatter sprogforståelse, matematik, ræsonnement, programmering og vidensbaserede spørgsmål.
GLM-4-rapporten beskriver 9B-modellen som fortrænet på cirka ti billioner tokens af flersproget materiale, oprindeligt med en kontekst på 8K, og derefter eftertrænet med den pipeline og de data, der blev brugt til GLM-4-0520. Den oprindelige træningslængde er ikke kontekstgrænsen for denne Chat-udgave: Dens offentliggjorte brugervendte vindue er 128K. Denne forskel er relevant, når man vælger mellem en træningsspecifikation og den navngivne models faktiske variant.
En nyttig kodeopgave er at levere en funktion, dens tilsigtede adfærd og et input, der fejler, og derefter bede om en forklaring efterfulgt af et rettet kodestykke. Til en dokumentassistent skal du levere de relevante afsnit og bede den om at udtrække krav, sammenligne passager eller forklare et ukendt begreb. Det er anvendelser af modellens sprog- og kodefunktioner frem for et særskilt produkt eller en filgenereringstilstand.
Denne Chat-udgave understøtter en kontekst på 128K tokens. Kapaciteten lader en assistent medtage kildemateriale og tidligere dialog i samme opgave. Giv lange dokumenter tydelige afsnitsnavne, og angiv, om svaret skal være en opsummering, en sammenligning eller en forklaring af en bestemt passage. I opfølgende beskeder skal du identificere den passage, der ændres, i stedet for stiltiende at erstatte opgaven.
GLM-4-9B-Chat-1M er en særskilt navngiven udgave med lang kontekst. Den almindelige Chat-post får ikke dens vindue på en million tokens. Tilsvarende er den visuelle GLM-4V-9B en særskilt model: Denne udgaves input forbliver tekst. De offentliggjorte genereringseksempler bruger anmodningsspecifikke længdeindstillinger; de fastlægger ikke én universel maksimal svarlængde.
Modellen understøtter 26 sprog med japansk, koreansk og tysk blandt de navngivne eksempler. GLM-4-træningsrapporten beskriver kinesisk og engelsk som de primære tilpasningssprog sammen med et bredere flersproget korpus. Til oversættelse eller supportdialog skal du angive målsprog, terminologi og tone samt levere det materiale, der skal forblive uændret. En assistent kan for eksempel forklare en passage på det ønskede sprog og samtidig bevare produktnavne og kodeidentifikatorer.
GLM-4-9B-Chat er forberedt til webbrowsing, kodeudførelse og brugerdefinerede funktionskald. GLM-4’s all-tools-tilgang forbinder opgaveplanlægning med eksterne handlinger og deres returnerede observationer. En dokumentassistent kan bede om et opslag, bruge det returnerede uddrag og fortsætte sin forklaring; en numerisk opgave kan bruge et Python-værktøj leveret af den omgivende applikation.
Applikationen definerer og udfører disse værktøjer. Modellens tekst besøger ikke i sig selv en hjemmeside, kører et program eller skaber et billede. Hvis applikationen leverer en billedgenereringsfunktion, producerer den eksterne funktion billedet; denne tekstmodel planlægger kaldet og omtaler det returnerede resultat. Giv hver funktion et tydeligt formål og en argumentdefinition, og før resultatet tilbage til dialogen, før du beder om det endelige svar.
Udgaven bruger en rollebaseret chatskabelon. Bevar brugerens instruktioner, de relevante assistentsvar og værktøjsresultater som særskilte samtaleture. En praktisk anmodning er: “Brug disse navngivne dokumentafsnit til at opregne kravene, forklare modsigelser og citere de afsnitsmærkninger, der underbygger hver konklusion.” En anden er: “Forklar, hvordan denne funktion behandler det leverede input, og foreslå derefter en ændring, der bevarer den angivne grænseflade.” Den ønskede leverance skal være udtrykkelig, så svaret kan kontrolleres mod kildematerialet og programmets tilsigtede adfærd.
", "aboutText": "### Modelintroduktion\n\nGLM-4-9B-Chat er den dialogtilpassede udgave af Z.ai’s åbne sprogmodel GLM-4-9B. Dens forberedelse kombinerer et flersproget fundament med tilpasning til menneskelige præferencer. Modellen arbejder med tekst: Spørgsmål, dokumenter, kode og samtalehistorik bliver til input, og det synlige resultat er tekst eller en anmodet værktøjshandling. Dens angivne områder omfatter sprogforståelse, matematik, ræsonnement, programmering og vidensbaserede spørgsmål.\n\nGLM-4-rapporten beskriver 9B-modellen som fortrænet på cirka ti billioner tokens af flersproget materiale, oprindeligt med en kontekst på 8K, og derefter eftertrænet med den pipeline og de data, der blev brugt til GLM-4-0520. Den oprindelige træningslængde er ikke kontekstgrænsen for denne Chat-udgave: Dens offentliggjorte brugervendte vindue er 128K. Denne forskel er relevant, når man vælger mellem en træningsspecifikation og den navngivne models faktiske variant.\n\nEn nyttig kodeopgave er at levere en funktion, dens tilsigtede adfærd og et input, der fejler, og derefter bede om en forklaring efterfulgt af et rettet kodestykke. Til en dokumentassistent skal du levere de relevante afsnit og bede den om at udtrække krav, sammenligne passager eller forklare et ukendt begreb. Det er anvendelser af modellens sprog- og kodefunktioner frem for et særskilt produkt eller en filgenereringstilstand.\n\n### Lang kontekst\n\nDenne Chat-udgave understøtter en kontekst på 128K tokens. Kapaciteten lader en assistent medtage kildemateriale og tidligere dialog i samme opgave. Giv lange dokumenter tydelige afsnitsnavne, og angiv, om svaret skal være en opsummering, en sammenligning eller en forklaring af en bestemt passage. I opfølgende beskeder skal du identificere den passage, der ændres, i stedet for stiltiende at erstatte opgaven.\n\nGLM-4-9B-Chat-1M er en særskilt navngiven udgave med lang kontekst. Den almindelige Chat-post får ikke dens vindue på en million tokens. Tilsvarende er den visuelle GLM-4V-9B en særskilt model: Denne udgaves input forbliver tekst. De offentliggjorte genereringseksempler bruger anmodningsspecifikke længdeindstillinger; de fastlægger ikke én universel maksimal svarlængde.\n\n### Flersproget arbejde\n\nModellen understøtter 26 sprog med japansk, koreansk og tysk blandt de navngivne eksempler. GLM-4-træningsrapporten beskriver kinesisk og engelsk som de primære tilpasningssprog sammen med et bredere flersproget korpus. Til oversættelse eller supportdialog skal du angive målsprog, terminologi og tone samt levere det materiale, der skal forblive uændret. En assistent kan for eksempel forklare en passage på det ønskede sprog og samtidig bevare produktnavne og kodeidentifikatorer.\n\n### Funktionskald og applikationsværktøjer\n\nGLM-4-9B-Chat er forberedt til webbrowsing, kodeudførelse og brugerdefinerede funktionskald. GLM-4’s all-tools-tilgang forbinder opgaveplanlægning med eksterne handlinger og deres returnerede observationer. En dokumentassistent kan bede om et opslag, bruge det returnerede uddrag og fortsætte sin forklaring; en numerisk opgave kan bruge et Python-værktøj leveret af den omgivende applikation.\n\nApplikationen definerer og udfører disse værktøjer. Modellens tekst besøger ikke i sig selv en hjemmeside, kører et program eller skaber et billede. Hvis applikationen leverer en billedgenereringsfunktion, producerer den eksterne funktion billedet; denne tekstmodel planlægger kaldet og omtaler det returnerede resultat. Giv hver funktion et tydeligt formål og en argumentdefinition, og før resultatet tilbage til dialogen, før du beder om det endelige svar.\n\n### Forberedelse af en samtale\n\nUdgaven bruger en rollebaseret chatskabelon. Bevar brugerens instruktioner, de relevante assistentsvar og værktøjsresultater som særskilte samtaleture. En praktisk anmodning er: “Brug disse navngivne dokumentafsnit til at opregne kravene, forklare modsigelser og citere de afsnitsmærkninger, der underbygger hver konklusion.” En anden er: “Forklar, hvordan denne funktion behandler det leverede input, og foreslå derefter en ændring, der bevarer den angivne grænseflade.” Den ønskede leverance skal være udtrykkelig, så svaret kan kontrolleres mod kildematerialet og programmets tilsigtede adfærd.", "editorialOverlay": { "copy_fields": { "practical_html": "Teknisk eksempel på engelsk
Explain a conditional leave procedure\n\nExplain this procedure to a colleague. Section L1: 'Submit a leave request to the team lead.' L2: 'Trips over five working days also require department approval.' L3: 'A calendar invitation is sent only after approval.' The colleague requests eight working days. Return the required sequence and identify why an invitation alone does not demonstrate approval.A section-linked sequence and a short explanation of the invitation condition.The eight-day request must retain both the team-lead and department requirements.Pro/THUDM/glm-4-9b-chatGLM-4-9B-Chat er en flersproget tekstmodel til længerevarende dialog, dokumentanalyse og kodning med en kontekst på 128K. Den kan vælge browserhandlinger, kodeudførelse og brugerdefinerede funktionshandlinger, som en applikation stiller til rådighed, og derefter bruge resultaterne i sit svar.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
GLM-4-9B-Chat er den dialogtilpassede udgave af Z.ai’s åbne sprogmodel GLM-4-9B. Dens forberedelse kombinerer et flersproget fundament med tilpasning til menneskelige præferencer. Modellen arbejder med tekst: Spørgsmål, dokumenter, kode og samtalehistorik bliver til input, og det synlige resultat er tekst eller en anmodet værktøjshandling. Dens angivne områder omfatter sprogforståelse, matematik, ræsonnement, programmering og vidensbaserede spørgsmål.
GLM-4-rapporten beskriver 9B-modellen som fortrænet på cirka ti billioner tokens af flersproget materiale, oprindeligt med en kontekst på 8K, og derefter eftertrænet med den pipeline og de data, der blev brugt til GLM-4-0520. Den oprindelige træningslængde er ikke kontekstgrænsen for denne Chat-udgave: Dens offentliggjorte brugervendte vindue er 128K. Denne forskel er relevant, når man vælger mellem en træningsspecifikation og den navngivne models faktiske variant.
En nyttig kodeopgave er at levere en funktion, dens tilsigtede adfærd og et input, der fejler, og derefter bede om en forklaring efterfulgt af et rettet kodestykke. Til en dokumentassistent skal du levere de relevante afsnit og bede den om at udtrække krav, sammenligne passager eller forklare et ukendt begreb. Det er anvendelser af modellens sprog- og kodefunktioner frem for et særskilt produkt eller en filgenereringstilstand.
Denne Chat-udgave understøtter en kontekst på 128K tokens. Kapaciteten lader en assistent medtage kildemateriale og tidligere dialog i samme opgave. Giv lange dokumenter tydelige afsnitsnavne, og angiv, om svaret skal være en opsummering, en sammenligning eller en forklaring af en bestemt passage. I opfølgende beskeder skal du identificere den passage, der ændres, i stedet for stiltiende at erstatte opgaven.
GLM-4-9B-Chat-1M er en særskilt navngiven udgave med lang kontekst. Den almindelige Chat-post får ikke dens vindue på en million tokens. Tilsvarende er den visuelle GLM-4V-9B en særskilt model: Denne udgaves input forbliver tekst. De offentliggjorte genereringseksempler bruger anmodningsspecifikke længdeindstillinger; de fastlægger ikke én universel maksimal svarlængde.
Modellen understøtter 26 sprog med japansk, koreansk og tysk blandt de navngivne eksempler. GLM-4-træningsrapporten beskriver kinesisk og engelsk som de primære tilpasningssprog sammen med et bredere flersproget korpus. Til oversættelse eller supportdialog skal du angive målsprog, terminologi og tone samt levere det materiale, der skal forblive uændret. En assistent kan for eksempel forklare en passage på det ønskede sprog og samtidig bevare produktnavne og kodeidentifikatorer.
GLM-4-9B-Chat er forberedt til webbrowsing, kodeudførelse og brugerdefinerede funktionskald. GLM-4’s all-tools-tilgang forbinder opgaveplanlægning med eksterne handlinger og deres returnerede observationer. En dokumentassistent kan bede om et opslag, bruge det returnerede uddrag og fortsætte sin forklaring; en numerisk opgave kan bruge et Python-værktøj leveret af den omgivende applikation.
Applikationen definerer og udfører disse værktøjer. Modellens tekst besøger ikke i sig selv en hjemmeside, kører et program eller skaber et billede. Hvis applikationen leverer en billedgenereringsfunktion, producerer den eksterne funktion billedet; denne tekstmodel planlægger kaldet og omtaler det returnerede resultat. Giv hver funktion et tydeligt formål og en argumentdefinition, og før resultatet tilbage til dialogen, før du beder om det endelige svar.
Udgaven bruger en rollebaseret chatskabelon. Bevar brugerens instruktioner, de relevante assistentsvar og værktøjsresultater som særskilte samtaleture. En praktisk anmodning er: “Brug disse navngivne dokumentafsnit til at opregne kravene, forklare modsigelser og citere de afsnitsmærkninger, der underbygger hver konklusion.” En anden er: “Forklar, hvordan denne funktion behandler det leverede input, og foreslå derefter en ændring, der bevarer den angivne grænseflade.” Den ønskede leverance skal være udtrykkelig, så svaret kan kontrolleres mod kildematerialet og programmets tilsigtede adfærd.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser Pro/THUDM/glm-4-9b-chat | 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 $0.000172 / 1K tokens Output · Outputtokens $0.000172 / 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": "Pro/THUDM/glm-4-9b-chat", "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='Pro/THUDM/glm-4-9b-chat',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='Pro/THUDM/glm-4-9b-chat',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 Pro/THUDM/glm-4-9b-chat
Brug metodestierne vist ovenfor.
Pro/THUDM/glm-4-9b-chatGLM-4-9B-Chat er en flersproget tekstmodel til længerevarende dialog, dokumentanalyse og kodning med en kontekst på 128K. Den kan vælge browserhandlinger, kodeudførelse og brugerdefinerede funktionshandlinger, som en applikation stiller til rådighed, og derefter bruge resultaterne i sit svar.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
GLM-4-9B-Chat er den dialogtilpassede udgave af Z.ai’s åbne sprogmodel GLM-4-9B. Dens forberedelse kombinerer et flersproget fundament med tilpasning til menneskelige præferencer. Modellen arbejder med tekst: Spørgsmål, dokumenter, kode og samtalehistorik bliver til input, og det synlige resultat er tekst eller en anmodet værktøjshandling. Dens angivne områder omfatter sprogforståelse, matematik, ræsonnement, programmering og vidensbaserede spørgsmål.
GLM-4-rapporten beskriver 9B-modellen som fortrænet på cirka ti billioner tokens af flersproget materiale, oprindeligt med en kontekst på 8K, og derefter eftertrænet med den pipeline og de data, der blev brugt til GLM-4-0520. Den oprindelige træningslængde er ikke kontekstgrænsen for denne Chat-udgave: Dens offentliggjorte brugervendte vindue er 128K. Denne forskel er relevant, når man vælger mellem en træningsspecifikation og den navngivne models faktiske variant.
En nyttig kodeopgave er at levere en funktion, dens tilsigtede adfærd og et input, der fejler, og derefter bede om en forklaring efterfulgt af et rettet kodestykke. Til en dokumentassistent skal du levere de relevante afsnit og bede den om at udtrække krav, sammenligne passager eller forklare et ukendt begreb. Det er anvendelser af modellens sprog- og kodefunktioner frem for et særskilt produkt eller en filgenereringstilstand.
Denne Chat-udgave understøtter en kontekst på 128K tokens. Kapaciteten lader en assistent medtage kildemateriale og tidligere dialog i samme opgave. Giv lange dokumenter tydelige afsnitsnavne, og angiv, om svaret skal være en opsummering, en sammenligning eller en forklaring af en bestemt passage. I opfølgende beskeder skal du identificere den passage, der ændres, i stedet for stiltiende at erstatte opgaven.
GLM-4-9B-Chat-1M er en særskilt navngiven udgave med lang kontekst. Den almindelige Chat-post får ikke dens vindue på en million tokens. Tilsvarende er den visuelle GLM-4V-9B en særskilt model: Denne udgaves input forbliver tekst. De offentliggjorte genereringseksempler bruger anmodningsspecifikke længdeindstillinger; de fastlægger ikke én universel maksimal svarlængde.
Modellen understøtter 26 sprog med japansk, koreansk og tysk blandt de navngivne eksempler. GLM-4-træningsrapporten beskriver kinesisk og engelsk som de primære tilpasningssprog sammen med et bredere flersproget korpus. Til oversættelse eller supportdialog skal du angive målsprog, terminologi og tone samt levere det materiale, der skal forblive uændret. En assistent kan for eksempel forklare en passage på det ønskede sprog og samtidig bevare produktnavne og kodeidentifikatorer.
GLM-4-9B-Chat er forberedt til webbrowsing, kodeudførelse og brugerdefinerede funktionskald. GLM-4’s all-tools-tilgang forbinder opgaveplanlægning med eksterne handlinger og deres returnerede observationer. En dokumentassistent kan bede om et opslag, bruge det returnerede uddrag og fortsætte sin forklaring; en numerisk opgave kan bruge et Python-værktøj leveret af den omgivende applikation.
Applikationen definerer og udfører disse værktøjer. Modellens tekst besøger ikke i sig selv en hjemmeside, kører et program eller skaber et billede. Hvis applikationen leverer en billedgenereringsfunktion, producerer den eksterne funktion billedet; denne tekstmodel planlægger kaldet og omtaler det returnerede resultat. Giv hver funktion et tydeligt formål og en argumentdefinition, og før resultatet tilbage til dialogen, før du beder om det endelige svar.
Udgaven bruger en rollebaseret chatskabelon. Bevar brugerens instruktioner, de relevante assistentsvar og værktøjsresultater som særskilte samtaleture. En praktisk anmodning er: “Brug disse navngivne dokumentafsnit til at opregne kravene, forklare modsigelser og citere de afsnitsmærkninger, der underbygger hver konklusion.” En anden er: “Forklar, hvordan denne funktion behandler det leverede input, og foreslå derefter en ændring, der bevarer den angivne grænseflade.” Den ønskede leverance skal være udtrykkelig, så svaret kan kontrolleres mod kildematerialet og programmets tilsigtede adfærd.
POST /v1/messagestextjson, sse| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser Pro/THUDM/glm-4-9b-chat | 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 $0.000172 / 1K tokens Output · Outputtokens $0.000172 / 1K tokens Input · Cachelæsning $0 / 1K tokens Input · Cacheskrivning $0 / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
{\n "model": "Pro/THUDM/glm-4-9b-chat",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'Pro/THUDM/glm-4-9b-chat', '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': 'Pro/THUDM/glm-4-9b-chat', '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 Pro/THUDM/glm-4-9b-chat
Brug metodestierne vist ovenfor.
Teknisk eksempel på engelsk
Explain a conditional leave procedure\n\nExplain this procedure to a colleague. Section L1: 'Submit a leave request to the team lead.' L2: 'Trips over five working days also require department approval.' L3: 'A calendar invitation is sent only after approval.' The colleague requests eight working days. Return the required sequence and identify why an invitation alone does not demonstrate approval.A section-linked sequence and a short explanation of the invitation condition.The eight-day request must retain both the team-lead and department requirements.