GLM-4-32B-0414 er den faste tekstudgave i 32B-klassen i Z.ai's GLM-4-0414-serie. Dens basis blev fortrænet på 15 billioner tokens, herunder syntetisk ræsonnementsmateriale. Eftertræningen kombinerer tilpasning til dialogpræferencer, rejection sampling og reinforcement learning for at udvikle instruktionsefterlevelse, softwarekode og funktionskald. Det angivne arbejde omfatter softwareopgaver, tekstprodukter, søgebaserede spørgsmål og rapporter. Input og output er tekst; genereret kode bliver et kørbart eller renderet produkt, når applikationen gemmer og udfører den.
Den ræsonnementsfokuserede GLM-Z1-32B-0414 og den researchorienterede Rumination-model er særskilt navngivne udgaver. Denne post følger GLM-4-modellens egne bredere demonstrationer af kode og værktøjer frem for at erstatte dem med en anden udgivelses tænkeregler.
Producenten demonstrerer programmering af en bevægelig bold inde i en roterende sekskant. GLM-4-32B-0414-eksemplet bruger HTML og beskriver bevægelsen, sammenstødene og de fysiske antagelser. Det er kode til en simulering, ikke en tilstand til videogenerering. Forbered en lignende opgave ved at angive scenen, bevægelsesreglerne, kollisionsadfærden og det ønskede kørselsmiljø og derefter bede om en selvstændig implementering og en forklaring af antagelserne. Applikationen kører koden for at undersøge resultatet.
Eksemplerne omfatter en tegnegrænseflade til brugerdefinerede funktionsgrafer med tilføjelse og fjernelse af funktioner samt tildeling af farver. Et andet eksempel bygger en mobil maskinlæringsgrænseflade med træningsopgaver, lagerstyring og personlig statistik inklusive diagrammer samlet på en HTML-side. Det er konkrete frontendopgaver med angivne betjeningselementer og tilstande.
For et nyttigt output skal du beskrive de handlinger, hvert betjeningselement skal understøtte, og de data, visningen skal vise. En grænsefladeanmodning kan bede om sidekoden sammen med forholdet mellem input, vist tilstand og resultat. Et senere samtaletrin kan levere den observerede rendering og bede om en fokuseret ændring, mens den anførte adfærd bevares.
Producenten demonstrerer også SVG-illustrationer, herunder et landskab og en forklaring af en sprogmodels træningsproces. SVG er struktureret tekst, så applikationen kan gemme det som et redigerbart vektorprodukt. Angiv motiv, betegnelser, layout og de krævede visuelle relationer. Bed om SVG-markup som et særskilt produkt frem for at blande illustrationens kode med en lang, uvedkommende forklaring.
Ved researchskrivning leverer modelkortet søgeresultater som observationer og beder modellen organisere og fortolke dem frem for at kopiere dem. Instruktionerne skelner mellem relevante og irrelevante resultater, foretrækker meningsfulde detaljer, når belægget tillader det, bruger en læsbar struktur og svarer på brugerens sprog. Eksemplet producerer en analytisk rapport om børnelitteratur, der dækker fortælleteknikker, temaer og deres virkninger.
En praktisk opgave kan levere navngivne uddrag og bede om en rapport organiseret omkring eksplicitte spørgsmål med hver konklusion knyttet til det understøttende materiale. Søgning og informationshentning foregår i den omgivende applikation; de returnerede tekststykker bliver modellens belæg. Det er også nyttigt til at sammenligne dokumenter eller forberede en forklaring ud fra en leveret researchsamling.
GLM-4-32B-0414 understøtter eksterne værktøjskald med JSON-argumenter. Modellen identificerer en funktion og dens argumenter, applikationen udfører den, og resultatet returneres som en observation. Producentens demonstration gentager forløbet, indtil der produceres et endeligt svar. Beskriv hvert værktøjs formål og krævede felter, og adskil dets observation fra brugerens instruktion. Et opslag kan dermed levere data til en senere sammenligning uden at foregive, at modellen selvstændigt har indhentet aktuelle oplysninger.
Den offentliggjorte konfiguration sætter max_position_embeddings til 32.768 og indeholder ingen rope_scaling-post. Producentens gennemarbejdede eksempler bruger anmodningsspecifikke genereringslængder; modelkortet angiver intet universelt hårdt outputmaksimum. Hold relevant kode, hentede tekststykker og dialog inden for den aktive kontekst, og angiv, om slutresultatet skal være HTML, SVG, et kodefragment, JSON-argumenter eller en rapport. Det er tekstrepræsentationer produceret til den beskrevne opgave; udførelse, filoprettelse og adgang til eksterne data forbliver applikationshandlinger.
", "aboutText": "### Introduktion\n\nGLM-4-32B-0414 er den faste tekstudgave i 32B-klassen i Z.ai's GLM-4-0414-serie. Dens basis blev fortrænet på 15 billioner tokens, herunder syntetisk ræsonnementsmateriale. Eftertræningen kombinerer tilpasning til dialogpræferencer, rejection sampling og reinforcement learning for at udvikle instruktionsefterlevelse, softwarekode og funktionskald. Det angivne arbejde omfatter softwareopgaver, tekstprodukter, søgebaserede spørgsmål og rapporter. Input og output er tekst; genereret kode bliver et kørbart eller renderet produkt, når applikationen gemmer og udfører den.\n\nDen ræsonnementsfokuserede GLM-Z1-32B-0414 og den researchorienterede Rumination-model er særskilt navngivne udgaver. Denne post følger GLM-4-modellens egne bredere demonstrationer af kode og værktøjer frem for at erstatte dem med en anden udgivelses tænkeregler.\n\n### Demonstration: generering af animation\n\nProducenten demonstrerer programmering af en bevægelig bold inde i en roterende sekskant. GLM-4-32B-0414-eksemplet bruger HTML og beskriver bevægelsen, sammenstødene og de fysiske antagelser. Det er kode til en simulering, ikke en tilstand til videogenerering. Forbered en lignende opgave ved at angive scenen, bevægelsesreglerne, kollisionsadfærden og det ønskede kørselsmiljø og derefter bede om en selvstændig implementering og en forklaring af antagelserne. Applikationen kører koden for at undersøge resultatet.\n\n### Demonstration: webdesign\n\nEksemplerne omfatter en tegnegrænseflade til brugerdefinerede funktionsgrafer med tilføjelse og fjernelse af funktioner samt tildeling af farver. Et andet eksempel bygger en mobil maskinlæringsgrænseflade med træningsopgaver, lagerstyring og personlig statistik inklusive diagrammer samlet på en HTML-side. Det er konkrete frontendopgaver med angivne betjeningselementer og tilstande.\n\nFor et nyttigt output skal du beskrive de handlinger, hvert betjeningselement skal understøtte, og de data, visningen skal vise. En grænsefladeanmodning kan bede om sidekoden sammen med forholdet mellem input, vist tilstand og resultat. Et senere samtaletrin kan levere den observerede rendering og bede om en fokuseret ændring, mens den anførte adfærd bevares.\n\n### Demonstration: SVG-generering\n\nProducenten demonstrerer også SVG-illustrationer, herunder et landskab og en forklaring af en sprogmodels træningsproces. SVG er struktureret tekst, så applikationen kan gemme det som et redigerbart vektorprodukt. Angiv motiv, betegnelser, layout og de krævede visuelle relationer. Bed om SVG-markup som et særskilt produkt frem for at blande illustrationens kode med en lang, uvedkommende forklaring.\n\n### Søgebaseret skrivning\n\nVed researchskrivning leverer modelkortet søgeresultater som observationer og beder modellen organisere og fortolke dem frem for at kopiere dem. Instruktionerne skelner mellem relevante og irrelevante resultater, foretrækker meningsfulde detaljer, når belægget tillader det, bruger en læsbar struktur og svarer på brugerens sprog. Eksemplet producerer en analytisk rapport om børnelitteratur, der dækker fortælleteknikker, temaer og deres virkninger.\n\nEn praktisk opgave kan levere navngivne uddrag og bede om en rapport organiseret omkring eksplicitte spørgsmål med hver konklusion knyttet til det understøttende materiale. Søgning og informationshentning foregår i den omgivende applikation; de returnerede tekststykker bliver modellens belæg. Det er også nyttigt til at sammenligne dokumenter eller forberede en forklaring ud fra en leveret researchsamling.\n\n### Funktionskald\n\nGLM-4-32B-0414 understøtter eksterne værktøjskald med JSON-argumenter. Modellen identificerer en funktion og dens argumenter, applikationen udfører den, og resultatet returneres som en observation. Producentens demonstration gentager forløbet, indtil der produceres et endeligt svar. Beskriv hvert værktøjs formål og krævede felter, og adskil dets observation fra brugerens instruktion. Et opslag kan dermed levere data til en senere sammenligning uden at foregive, at modellen selvstændigt har indhentet aktuelle oplysninger.\n\n### Planlægning af kontekst og resultat\n\nDen offentliggjorte konfiguration sætter max_position_embeddings til 32.768 og indeholder ingen rope_scaling-post. Producentens gennemarbejdede eksempler bruger anmodningsspecifikke genereringslængder; modelkortet angiver intet universelt hårdt outputmaksimum. Hold relevant kode, hentede tekststykker og dialog inden for den aktive kontekst, og angiv, om slutresultatet skal være HTML, SVG, et kodefragment, JSON-argumenter eller en rapport. Det er tekstrepræsentationer produceret til den beskrevne opgave; udførelse, filoprettelse og adgang til eksterne data forbliver applikationshandlinger.", "editorialOverlay": { "copy_fields": { "practical_html": "Teknisk eksempel på engelsk
Generate an editable process diagram\n\nCreate self-contained SVG markup for a left-to-right process: Receive -> Validate -> Store. Use three labelled rectangles and two arrows; all labels must remain readable in a 720 by 180 viewBox. Use no scripts, external fonts or external images. Return SVG code and a brief explanation of how the arrows encode the required order.A standalone editable SVG code block with three named nodes and two directional arrows, followed by a short order explanation.Render the SVG locally and check the exact labels, arrow direction and absence of clipped text or external dependencies.THUDM/GLM-4-32B-0414GLM-4-32B-0414 er Z.ai's faste tekstudgave til softwarekode, interaktive HTML/SVG-produkter, søgebaserede rapporter og JSON-funktionskald. Dens modelkort viser konkrete udviklingsarbejdsgange og et applikationsstyret værktøjsforløb.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
GLM-4-32B-0414 er den faste tekstudgave i 32B-klassen i Z.ai's GLM-4-0414-serie. Dens basis blev fortrænet på 15 billioner tokens, herunder syntetisk ræsonnementsmateriale. Eftertræningen kombinerer tilpasning til dialogpræferencer, rejection sampling og reinforcement learning for at udvikle instruktionsefterlevelse, softwarekode og funktionskald. Det angivne arbejde omfatter softwareopgaver, tekstprodukter, søgebaserede spørgsmål og rapporter. Input og output er tekst; genereret kode bliver et kørbart eller renderet produkt, når applikationen gemmer og udfører den.
Den ræsonnementsfokuserede GLM-Z1-32B-0414 og den researchorienterede Rumination-model er særskilt navngivne udgaver. Denne post følger GLM-4-modellens egne bredere demonstrationer af kode og værktøjer frem for at erstatte dem med en anden udgivelses tænkeregler.
Producenten demonstrerer programmering af en bevægelig bold inde i en roterende sekskant. GLM-4-32B-0414-eksemplet bruger HTML og beskriver bevægelsen, sammenstødene og de fysiske antagelser. Det er kode til en simulering, ikke en tilstand til videogenerering. Forbered en lignende opgave ved at angive scenen, bevægelsesreglerne, kollisionsadfærden og det ønskede kørselsmiljø og derefter bede om en selvstændig implementering og en forklaring af antagelserne. Applikationen kører koden for at undersøge resultatet.
Eksemplerne omfatter en tegnegrænseflade til brugerdefinerede funktionsgrafer med tilføjelse og fjernelse af funktioner samt tildeling af farver. Et andet eksempel bygger en mobil maskinlæringsgrænseflade med træningsopgaver, lagerstyring og personlig statistik inklusive diagrammer samlet på en HTML-side. Det er konkrete frontendopgaver med angivne betjeningselementer og tilstande.
For et nyttigt output skal du beskrive de handlinger, hvert betjeningselement skal understøtte, og de data, visningen skal vise. En grænsefladeanmodning kan bede om sidekoden sammen med forholdet mellem input, vist tilstand og resultat. Et senere samtaletrin kan levere den observerede rendering og bede om en fokuseret ændring, mens den anførte adfærd bevares.
Producenten demonstrerer også SVG-illustrationer, herunder et landskab og en forklaring af en sprogmodels træningsproces. SVG er struktureret tekst, så applikationen kan gemme det som et redigerbart vektorprodukt. Angiv motiv, betegnelser, layout og de krævede visuelle relationer. Bed om SVG-markup som et særskilt produkt frem for at blande illustrationens kode med en lang, uvedkommende forklaring.
Ved researchskrivning leverer modelkortet søgeresultater som observationer og beder modellen organisere og fortolke dem frem for at kopiere dem. Instruktionerne skelner mellem relevante og irrelevante resultater, foretrækker meningsfulde detaljer, når belægget tillader det, bruger en læsbar struktur og svarer på brugerens sprog. Eksemplet producerer en analytisk rapport om børnelitteratur, der dækker fortælleteknikker, temaer og deres virkninger.
En praktisk opgave kan levere navngivne uddrag og bede om en rapport organiseret omkring eksplicitte spørgsmål med hver konklusion knyttet til det understøttende materiale. Søgning og informationshentning foregår i den omgivende applikation; de returnerede tekststykker bliver modellens belæg. Det er også nyttigt til at sammenligne dokumenter eller forberede en forklaring ud fra en leveret researchsamling.
GLM-4-32B-0414 understøtter eksterne værktøjskald med JSON-argumenter. Modellen identificerer en funktion og dens argumenter, applikationen udfører den, og resultatet returneres som en observation. Producentens demonstration gentager forløbet, indtil der produceres et endeligt svar. Beskriv hvert værktøjs formål og krævede felter, og adskil dets observation fra brugerens instruktion. Et opslag kan dermed levere data til en senere sammenligning uden at foregive, at modellen selvstændigt har indhentet aktuelle oplysninger.
Den offentliggjorte konfiguration sætter max_position_embeddings til 32.768 og indeholder ingen rope_scaling-post. Producentens gennemarbejdede eksempler bruger anmodningsspecifikke genereringslængder; modelkortet angiver intet universelt hårdt outputmaksimum. Hold relevant kode, hentede tekststykker og dialog inden for den aktive kontekst, og angiv, om slutresultatet skal være HTML, SVG, et kodefragment, JSON-argumenter eller en rapport. Det er tekstrepræsentationer produceret til den beskrevne opgave; udførelse, filoprettelse og adgang til eksterne data forbliver applikationshandlinger.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser THUDM/GLM-4-32B-0414 | 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 $0.00014 / 1K tokens Output · Outputtokens $0.00014 / 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": "THUDM/GLM-4-32B-0414", "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='THUDM/GLM-4-32B-0414',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='THUDM/GLM-4-32B-0414',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 THUDM/GLM-4-32B-0414
Brug metodestierne vist ovenfor.
THUDM/GLM-4-32B-0414GLM-4-32B-0414 er Z.ai's faste tekstudgave til softwarekode, interaktive HTML/SVG-produkter, søgebaserede rapporter og JSON-funktionskald. Dens modelkort viser konkrete udviklingsarbejdsgange og et applikationsstyret værktøjsforløb.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
GLM-4-32B-0414 er den faste tekstudgave i 32B-klassen i Z.ai's GLM-4-0414-serie. Dens basis blev fortrænet på 15 billioner tokens, herunder syntetisk ræsonnementsmateriale. Eftertræningen kombinerer tilpasning til dialogpræferencer, rejection sampling og reinforcement learning for at udvikle instruktionsefterlevelse, softwarekode og funktionskald. Det angivne arbejde omfatter softwareopgaver, tekstprodukter, søgebaserede spørgsmål og rapporter. Input og output er tekst; genereret kode bliver et kørbart eller renderet produkt, når applikationen gemmer og udfører den.
Den ræsonnementsfokuserede GLM-Z1-32B-0414 og den researchorienterede Rumination-model er særskilt navngivne udgaver. Denne post følger GLM-4-modellens egne bredere demonstrationer af kode og værktøjer frem for at erstatte dem med en anden udgivelses tænkeregler.
Producenten demonstrerer programmering af en bevægelig bold inde i en roterende sekskant. GLM-4-32B-0414-eksemplet bruger HTML og beskriver bevægelsen, sammenstødene og de fysiske antagelser. Det er kode til en simulering, ikke en tilstand til videogenerering. Forbered en lignende opgave ved at angive scenen, bevægelsesreglerne, kollisionsadfærden og det ønskede kørselsmiljø og derefter bede om en selvstændig implementering og en forklaring af antagelserne. Applikationen kører koden for at undersøge resultatet.
Eksemplerne omfatter en tegnegrænseflade til brugerdefinerede funktionsgrafer med tilføjelse og fjernelse af funktioner samt tildeling af farver. Et andet eksempel bygger en mobil maskinlæringsgrænseflade med træningsopgaver, lagerstyring og personlig statistik inklusive diagrammer samlet på en HTML-side. Det er konkrete frontendopgaver med angivne betjeningselementer og tilstande.
For et nyttigt output skal du beskrive de handlinger, hvert betjeningselement skal understøtte, og de data, visningen skal vise. En grænsefladeanmodning kan bede om sidekoden sammen med forholdet mellem input, vist tilstand og resultat. Et senere samtaletrin kan levere den observerede rendering og bede om en fokuseret ændring, mens den anførte adfærd bevares.
Producenten demonstrerer også SVG-illustrationer, herunder et landskab og en forklaring af en sprogmodels træningsproces. SVG er struktureret tekst, så applikationen kan gemme det som et redigerbart vektorprodukt. Angiv motiv, betegnelser, layout og de krævede visuelle relationer. Bed om SVG-markup som et særskilt produkt frem for at blande illustrationens kode med en lang, uvedkommende forklaring.
Ved researchskrivning leverer modelkortet søgeresultater som observationer og beder modellen organisere og fortolke dem frem for at kopiere dem. Instruktionerne skelner mellem relevante og irrelevante resultater, foretrækker meningsfulde detaljer, når belægget tillader det, bruger en læsbar struktur og svarer på brugerens sprog. Eksemplet producerer en analytisk rapport om børnelitteratur, der dækker fortælleteknikker, temaer og deres virkninger.
En praktisk opgave kan levere navngivne uddrag og bede om en rapport organiseret omkring eksplicitte spørgsmål med hver konklusion knyttet til det understøttende materiale. Søgning og informationshentning foregår i den omgivende applikation; de returnerede tekststykker bliver modellens belæg. Det er også nyttigt til at sammenligne dokumenter eller forberede en forklaring ud fra en leveret researchsamling.
GLM-4-32B-0414 understøtter eksterne værktøjskald med JSON-argumenter. Modellen identificerer en funktion og dens argumenter, applikationen udfører den, og resultatet returneres som en observation. Producentens demonstration gentager forløbet, indtil der produceres et endeligt svar. Beskriv hvert værktøjs formål og krævede felter, og adskil dets observation fra brugerens instruktion. Et opslag kan dermed levere data til en senere sammenligning uden at foregive, at modellen selvstændigt har indhentet aktuelle oplysninger.
Den offentliggjorte konfiguration sætter max_position_embeddings til 32.768 og indeholder ingen rope_scaling-post. Producentens gennemarbejdede eksempler bruger anmodningsspecifikke genereringslængder; modelkortet angiver intet universelt hårdt outputmaksimum. Hold relevant kode, hentede tekststykker og dialog inden for den aktive kontekst, og angiv, om slutresultatet skal være HTML, SVG, et kodefragment, JSON-argumenter eller en rapport. Det er tekstrepræsentationer produceret til den beskrevne opgave; udførelse, filoprettelse og adgang til eksterne data forbliver applikationshandlinger.
POST /v1/messagestextjson, sse| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser THUDM/GLM-4-32B-0414 | 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 $0.00014 / 1K tokens Output · Outputtokens $0.00014 / 1K tokens Input · Cachelæsning $0 / 1K tokens Input · Cacheskrivning $0 / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
{\n "model": "THUDM/GLM-4-32B-0414",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'THUDM/GLM-4-32B-0414', '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': 'THUDM/GLM-4-32B-0414', '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 THUDM/GLM-4-32B-0414
Brug metodestierne vist ovenfor.
Teknisk eksempel på engelsk
Generate an editable process diagram\n\nCreate self-contained SVG markup for a left-to-right process: Receive -> Validate -> Store. Use three labelled rectangles and two arrows; all labels must remain readable in a 720 by 180 viewBox. Use no scripts, external fonts or external images. Return SVG code and a brief explanation of how the arrows encode the required order.A standalone editable SVG code block with three named nodes and two directional arrows, followed by a short order explanation.Render the SVG locally and check the exact labels, arrow direction and absence of clipped text or external dependencies.