GLM-4.5V er Z.ai's model til visuel ræsonnering bygget på GLM-4.5-Air med 106 milliarder parametre i alt og 12 milliarder aktiverede. Den håndterer billedræsonnering, videoforståelse, GUI-opgaver, komplekse diagrammer, lange dokumenter og visuel lokalisering. Den producenthostede profil angiver billed-, video-, tekst- og filinput med tekstoutput. En nyttig opgave kan bede om en sideforklaring, en udtrukket tabel, en visuel placering eller kode udarbejdet fra et skærmbillede. Denne model er adskilt fra GLM-4.1V-9B og den senere GLM-4.6V.
Billedræsonnering dækker sceneforståelse, analyse af flere billeder og rumlige forhold. Giv hvert billede en betegnelse, og angiv det præcise spørgsmål. Ved et diagram skal du bevare akser, enheder og signaturforklaringer og spørge, hvilke synlige værdier der underbygger konklusionen. Ved en sammenligning skal du identificere de egenskaber, der skal undersøges, og organisere svaret efter kildebetegnelserne. Modellen kan forbinde visuelle observationer med et skriftligt spørgsmål; inputkvaliteten og det ønskede resultat har betydning sammen med mængden af leveret materiale.
Visuel lokalisering er en konkret outputarbejdsgang. Modelkortet beskriver afgrænsningsbokse markeret med tokensene begin_of_box og end_of_box, hvor fire koordinater identificerer øverste venstre og nederste højre hjørne. Værdierne normaliseres fra 0 til 1.000 i forhold til billedstørrelsen frem for at blive angivet direkte som pixelpositioner. Angiv det objekt eller område, der skal findes, og det krævede boksformat. Gem de oprindelige billedmål sammen med resultatet, så en applikation kan omsætte koordinaterne tilbage til det billede, også når det er blevet skaleret til behandlingen.
Videoopgaver omfatter segmentering og hændelsesgenkendelse, mens dokumentarbejde kan kombinere tekst, diagrammer, tabeller og layout på tværs af flere sider. Producenten demonstrerer konvertering af en fotograferet tabel til Markdown og analyse af forskningsrapporters indhold. Forbered et konkret spørgsmål, bevar side- eller sekvensidentifikatorer, og bed om den evidens, der underbygger hvert udtrukket felt eller hver beskrevet hændelse. Et genereret resumé er et tekstresultat; indsamling af videobilleder, samling af en fil eller anvendelse af en redigering hører til det tilsluttede miljø.
GUI- og websideopgaver bruger skærmforståelse til foreslået interaktion eller kode. Producentens eksempler beder om HTML og CSS ud fra et skærmbillede af en side og demonstrerer en tilsluttet desktopassistent med skærmbilleder eller optagelser. Angiv de relevante tilstande, de tilladte handlinger og den ønskede ændring. Modellen forbereder kode eller en handlingsbeskrivelse, mens applikationen udfører den og leverer det ændrede skærmbillede eller den gengivne side til videre gennemgang.
Modellen understøtter svar med og uden ræsonnering. Det konkrete modelkort beskriver en indstilling, og eksemplerne for den åbne model aktiverer ræsonnering som standard med en skabelonindstilling til at deaktivere den. Hold disse indstillinger knyttet til den understøttede arbejdsgang. Checkpointkonfigurationen sætter max_position_embeddings til 65.536; den hostede profil angiver særskilt op til 16K outputtokens. Dette beskriver forskellige producentkonfigurationer og fastslår ikke et universelt applikationsvindue. Producenten dokumenterer også finjustering af det åbne GLM-4.5V-checkpoint til tilpassede multimodale opgaver; dette er en særskilt tilpasningsarbejdsgang i forhold til almindelig inferens. Langt materiale og det ønskede svar skal have plads inden for den konfiguration, der faktisk bruges.
Modelkortet identificerer konkrete begrænsninger ved genskabelse af visuel kode: rå HTML kan mangle Markdown-indpakning, og tegn-escaping kan give gengivelsesproblemer. Det nævner også svagere besvarelse af rent tekstlige spørgsmål, lejlighedsvis overdreven eller gentagen ræsonnering, gentagelse af svaret og perceptionsfejl såsom tællefejl. Ved en kodeopgave skal du bede om et udtrykkeligt produktformat og gennemgå det gengivne resultat. Ved udtræk eller visuel analyse skal du bevare de små betegnelser og bede om værdier knyttet til synlig evidens. Dette holder modellens ræsonnerings- og lokaliseringsfunktioner forbundet med et resultat, der kan sammenlignes med originalkilden.
", "aboutText": "GLM-4.5V er Z.ai's model til visuel ræsonnering bygget på GLM-4.5-Air med 106 milliarder parametre i alt og 12 milliarder aktiverede. Den håndterer billedræsonnering, videoforståelse, GUI-opgaver, komplekse diagrammer, lange dokumenter og visuel lokalisering. Den producenthostede profil angiver billed-, video-, tekst- og filinput med tekstoutput. En nyttig opgave kan bede om en sideforklaring, en udtrukket tabel, en visuel placering eller kode udarbejdet fra et skærmbillede. Denne model er adskilt fra GLM-4.1V-9B og den senere GLM-4.6V.\n\nBilledræsonnering dækker sceneforståelse, analyse af flere billeder og rumlige forhold. Giv hvert billede en betegnelse, og angiv det præcise spørgsmål. Ved et diagram skal du bevare akser, enheder og signaturforklaringer og spørge, hvilke synlige værdier der underbygger konklusionen. Ved en sammenligning skal du identificere de egenskaber, der skal undersøges, og organisere svaret efter kildebetegnelserne. Modellen kan forbinde visuelle observationer med et skriftligt spørgsmål; inputkvaliteten og det ønskede resultat har betydning sammen med mængden af leveret materiale.\n\nVisuel lokalisering er en konkret outputarbejdsgang. Modelkortet beskriver afgrænsningsbokse markeret med tokensene begin_of_box og end_of_box, hvor fire koordinater identificerer øverste venstre og nederste højre hjørne. Værdierne normaliseres fra 0 til 1.000 i forhold til billedstørrelsen frem for at blive angivet direkte som pixelpositioner. Angiv det objekt eller område, der skal findes, og det krævede boksformat. Gem de oprindelige billedmål sammen med resultatet, så en applikation kan omsætte koordinaterne tilbage til det billede, også når det er blevet skaleret til behandlingen.\n\nVideoopgaver omfatter segmentering og hændelsesgenkendelse, mens dokumentarbejde kan kombinere tekst, diagrammer, tabeller og layout på tværs af flere sider. Producenten demonstrerer konvertering af en fotograferet tabel til Markdown og analyse af forskningsrapporters indhold. Forbered et konkret spørgsmål, bevar side- eller sekvensidentifikatorer, og bed om den evidens, der underbygger hvert udtrukket felt eller hver beskrevet hændelse. Et genereret resumé er et tekstresultat; indsamling af videobilleder, samling af en fil eller anvendelse af en redigering hører til det tilsluttede miljø.\n\nGUI- og websideopgaver bruger skærmforståelse til foreslået interaktion eller kode. Producentens eksempler beder om HTML og CSS ud fra et skærmbillede af en side og demonstrerer en tilsluttet desktopassistent med skærmbilleder eller optagelser. Angiv de relevante tilstande, de tilladte handlinger og den ønskede ændring. Modellen forbereder kode eller en handlingsbeskrivelse, mens applikationen udfører den og leverer det ændrede skærmbillede eller den gengivne side til videre gennemgang.\n\nModellen understøtter svar med og uden ræsonnering. Det konkrete modelkort beskriver en indstilling, og eksemplerne for den åbne model aktiverer ræsonnering som standard med en skabelonindstilling til at deaktivere den. Hold disse indstillinger knyttet til den understøttede arbejdsgang. Checkpointkonfigurationen sætter max_position_embeddings til 65.536; den hostede profil angiver særskilt op til 16K outputtokens. Dette beskriver forskellige producentkonfigurationer og fastslår ikke et universelt applikationsvindue. Producenten dokumenterer også finjustering af det åbne GLM-4.5V-checkpoint til tilpassede multimodale opgaver; dette er en særskilt tilpasningsarbejdsgang i forhold til almindelig inferens. Langt materiale og det ønskede svar skal have plads inden for den konfiguration, der faktisk bruges.\n\nModelkortet identificerer konkrete begrænsninger ved genskabelse af visuel kode: rå HTML kan mangle Markdown-indpakning, og tegn-escaping kan give gengivelsesproblemer. Det nævner også svagere besvarelse af rent tekstlige spørgsmål, lejlighedsvis overdreven eller gentagen ræsonnering, gentagelse af svaret og perceptionsfejl såsom tællefejl. Ved en kodeopgave skal du bede om et udtrykkeligt produktformat og gennemgå det gengivne resultat. Ved udtræk eller visuel analyse skal du bevare de små betegnelser og bede om værdier knyttet til synlig evidens. Dette holder modellens ræsonnerings- og lokaliseringsfunktioner forbundet med et resultat, der kan sammenlignes med originalkilden.", "editorialOverlay": { "copy_fields": { "practical_html": "Teknisk eksempel på engelsk
Format a transcribed report table\n\nFrom this text transcription of page V5, produce a Markdown table: 'Experiment | control | treated; run 1 | 12 | 15; run 2 | 11 | unreadable.' Add a difference column only where both values are available. Keep V5 with the result and separate the extracted values from the calculated differences. No image is supplied.A source-labeled Markdown table with extracted numbers, calculated differences and explicit unknown values.The unreadable treated value and its difference must remain unknown rather than be estimated.z-ai/glm-4.5vGLM-4.5V er Z.ai's 106B-A12B-model til visuel ræsonnering om billeder, video, komplekse dokumenter og GUI-opgaver. Den returnerer tekst, understøtter ræsonnering og direkte svar og kan lokalisere visuelle elementer med koordinater normaliseret fra 0 til 1.000.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
GLM-4.5V er Z.ai's model til visuel ræsonnering bygget på GLM-4.5-Air med 106 milliarder parametre i alt og 12 milliarder aktiverede. Den håndterer billedræsonnering, videoforståelse, GUI-opgaver, komplekse diagrammer, lange dokumenter og visuel lokalisering. Den producenthostede profil angiver billed-, video-, tekst- og filinput med tekstoutput. En nyttig opgave kan bede om en sideforklaring, en udtrukket tabel, en visuel placering eller kode udarbejdet fra et skærmbillede. Denne model er adskilt fra GLM-4.1V-9B og den senere GLM-4.6V.
Billedræsonnering dækker sceneforståelse, analyse af flere billeder og rumlige forhold. Giv hvert billede en betegnelse, og angiv det præcise spørgsmål. Ved et diagram skal du bevare akser, enheder og signaturforklaringer og spørge, hvilke synlige værdier der underbygger konklusionen. Ved en sammenligning skal du identificere de egenskaber, der skal undersøges, og organisere svaret efter kildebetegnelserne. Modellen kan forbinde visuelle observationer med et skriftligt spørgsmål; inputkvaliteten og det ønskede resultat har betydning sammen med mængden af leveret materiale.
Visuel lokalisering er en konkret outputarbejdsgang. Modelkortet beskriver afgrænsningsbokse markeret med tokensene begin_of_box og end_of_box, hvor fire koordinater identificerer øverste venstre og nederste højre hjørne. Værdierne normaliseres fra 0 til 1.000 i forhold til billedstørrelsen frem for at blive angivet direkte som pixelpositioner. Angiv det objekt eller område, der skal findes, og det krævede boksformat. Gem de oprindelige billedmål sammen med resultatet, så en applikation kan omsætte koordinaterne tilbage til det billede, også når det er blevet skaleret til behandlingen.
Videoopgaver omfatter segmentering og hændelsesgenkendelse, mens dokumentarbejde kan kombinere tekst, diagrammer, tabeller og layout på tværs af flere sider. Producenten demonstrerer konvertering af en fotograferet tabel til Markdown og analyse af forskningsrapporters indhold. Forbered et konkret spørgsmål, bevar side- eller sekvensidentifikatorer, og bed om den evidens, der underbygger hvert udtrukket felt eller hver beskrevet hændelse. Et genereret resumé er et tekstresultat; indsamling af videobilleder, samling af en fil eller anvendelse af en redigering hører til det tilsluttede miljø.
GUI- og websideopgaver bruger skærmforståelse til foreslået interaktion eller kode. Producentens eksempler beder om HTML og CSS ud fra et skærmbillede af en side og demonstrerer en tilsluttet desktopassistent med skærmbilleder eller optagelser. Angiv de relevante tilstande, de tilladte handlinger og den ønskede ændring. Modellen forbereder kode eller en handlingsbeskrivelse, mens applikationen udfører den og leverer det ændrede skærmbillede eller den gengivne side til videre gennemgang.
Modellen understøtter svar med og uden ræsonnering. Det konkrete modelkort beskriver en indstilling, og eksemplerne for den åbne model aktiverer ræsonnering som standard med en skabelonindstilling til at deaktivere den. Hold disse indstillinger knyttet til den understøttede arbejdsgang. Checkpointkonfigurationen sætter max_position_embeddings til 65.536; den hostede profil angiver særskilt op til 16K outputtokens. Dette beskriver forskellige producentkonfigurationer og fastslår ikke et universelt applikationsvindue. Producenten dokumenterer også finjustering af det åbne GLM-4.5V-checkpoint til tilpassede multimodale opgaver; dette er en særskilt tilpasningsarbejdsgang i forhold til almindelig inferens. Langt materiale og det ønskede svar skal have plads inden for den konfiguration, der faktisk bruges.
Modelkortet identificerer konkrete begrænsninger ved genskabelse af visuel kode: rå HTML kan mangle Markdown-indpakning, og tegn-escaping kan give gengivelsesproblemer. Det nævner også svagere besvarelse af rent tekstlige spørgsmål, lejlighedsvis overdreven eller gentagen ræsonnering, gentagelse af svaret og perceptionsfejl såsom tællefejl. Ved en kodeopgave skal du bede om et udtrykkeligt produktformat og gennemgå det gengivne resultat. Ved udtræk eller visuel analyse skal du bevare de små betegnelser og bede om værdier knyttet til synlig evidens. Dette holder modellens ræsonnerings- og lokaliseringsfunktioner forbundet med et resultat, der kan sammenlignes med originalkilden.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser z-ai/glm-4.5v | 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.
Knyt hver omkostning til de viste betingelser. Brug én takst for hver gruppe af alternative konfigurationer.
| Konfiguration | Takstplan | Konteksttokens, mere end | Konteksttokens, op til og med | Beløb |
|---|---|---|---|---|
| KonfigurationGrundtakster for tokens | TakstplanGrundtakst | Konteksttokens, mere end— | Konteksttokens, op til og medIngen øvre grænse | Beløb Input · Inputtokens $0.0012 / 1K tokens Output · Outputtokens $0.0036 / 1K tokens Input · Cachelæsning $0.00022 / 1K tokens Input · Cacheskrivning $0 / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
| KonfigurationAnmodningslængde · niveau 1 | Takstplan— | Konteksttokens, mere end0 | Konteksttokens, op til og medIngen øvre grænse | Beløb Input · Inputtokens $0.0012 / 1K tokens Output · Outputtokens $0.0036 / 1K tokens Input · Cachelæsning $0.00022 / 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": "z-ai/glm-4.5v", "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='z-ai/glm-4.5v',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='z-ai/glm-4.5v',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 z-ai/glm-4.5v
Brug metodestierne vist ovenfor.
z-ai/glm-4.5vGLM-4.5V er Z.ai's 106B-A12B-model til visuel ræsonnering om billeder, video, komplekse dokumenter og GUI-opgaver. Den returnerer tekst, understøtter ræsonnering og direkte svar og kan lokalisere visuelle elementer med koordinater normaliseret fra 0 til 1.000.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
GLM-4.5V er Z.ai's model til visuel ræsonnering bygget på GLM-4.5-Air med 106 milliarder parametre i alt og 12 milliarder aktiverede. Den håndterer billedræsonnering, videoforståelse, GUI-opgaver, komplekse diagrammer, lange dokumenter og visuel lokalisering. Den producenthostede profil angiver billed-, video-, tekst- og filinput med tekstoutput. En nyttig opgave kan bede om en sideforklaring, en udtrukket tabel, en visuel placering eller kode udarbejdet fra et skærmbillede. Denne model er adskilt fra GLM-4.1V-9B og den senere GLM-4.6V.
Billedræsonnering dækker sceneforståelse, analyse af flere billeder og rumlige forhold. Giv hvert billede en betegnelse, og angiv det præcise spørgsmål. Ved et diagram skal du bevare akser, enheder og signaturforklaringer og spørge, hvilke synlige værdier der underbygger konklusionen. Ved en sammenligning skal du identificere de egenskaber, der skal undersøges, og organisere svaret efter kildebetegnelserne. Modellen kan forbinde visuelle observationer med et skriftligt spørgsmål; inputkvaliteten og det ønskede resultat har betydning sammen med mængden af leveret materiale.
Visuel lokalisering er en konkret outputarbejdsgang. Modelkortet beskriver afgrænsningsbokse markeret med tokensene begin_of_box og end_of_box, hvor fire koordinater identificerer øverste venstre og nederste højre hjørne. Værdierne normaliseres fra 0 til 1.000 i forhold til billedstørrelsen frem for at blive angivet direkte som pixelpositioner. Angiv det objekt eller område, der skal findes, og det krævede boksformat. Gem de oprindelige billedmål sammen med resultatet, så en applikation kan omsætte koordinaterne tilbage til det billede, også når det er blevet skaleret til behandlingen.
Videoopgaver omfatter segmentering og hændelsesgenkendelse, mens dokumentarbejde kan kombinere tekst, diagrammer, tabeller og layout på tværs af flere sider. Producenten demonstrerer konvertering af en fotograferet tabel til Markdown og analyse af forskningsrapporters indhold. Forbered et konkret spørgsmål, bevar side- eller sekvensidentifikatorer, og bed om den evidens, der underbygger hvert udtrukket felt eller hver beskrevet hændelse. Et genereret resumé er et tekstresultat; indsamling af videobilleder, samling af en fil eller anvendelse af en redigering hører til det tilsluttede miljø.
GUI- og websideopgaver bruger skærmforståelse til foreslået interaktion eller kode. Producentens eksempler beder om HTML og CSS ud fra et skærmbillede af en side og demonstrerer en tilsluttet desktopassistent med skærmbilleder eller optagelser. Angiv de relevante tilstande, de tilladte handlinger og den ønskede ændring. Modellen forbereder kode eller en handlingsbeskrivelse, mens applikationen udfører den og leverer det ændrede skærmbillede eller den gengivne side til videre gennemgang.
Modellen understøtter svar med og uden ræsonnering. Det konkrete modelkort beskriver en indstilling, og eksemplerne for den åbne model aktiverer ræsonnering som standard med en skabelonindstilling til at deaktivere den. Hold disse indstillinger knyttet til den understøttede arbejdsgang. Checkpointkonfigurationen sætter max_position_embeddings til 65.536; den hostede profil angiver særskilt op til 16K outputtokens. Dette beskriver forskellige producentkonfigurationer og fastslår ikke et universelt applikationsvindue. Producenten dokumenterer også finjustering af det åbne GLM-4.5V-checkpoint til tilpassede multimodale opgaver; dette er en særskilt tilpasningsarbejdsgang i forhold til almindelig inferens. Langt materiale og det ønskede svar skal have plads inden for den konfiguration, der faktisk bruges.
Modelkortet identificerer konkrete begrænsninger ved genskabelse af visuel kode: rå HTML kan mangle Markdown-indpakning, og tegn-escaping kan give gengivelsesproblemer. Det nævner også svagere besvarelse af rent tekstlige spørgsmål, lejlighedsvis overdreven eller gentagen ræsonnering, gentagelse af svaret og perceptionsfejl såsom tællefejl. Ved en kodeopgave skal du bede om et udtrykkeligt produktformat og gennemgå det gengivne resultat. Ved udtræk eller visuel analyse skal du bevare de små betegnelser og bede om værdier knyttet til synlig evidens. Dette holder modellens ræsonnerings- og lokaliseringsfunktioner forbundet med et resultat, der kan sammenlignes med originalkilden.
POST /v1/messagestextjson, sse| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser z-ai/glm-4.5v | 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.
Knyt hver omkostning til de viste betingelser. Brug én takst for hver gruppe af alternative konfigurationer.
| Konfiguration | Takstplan | Konteksttokens, mere end | Konteksttokens, op til og med | Beløb |
|---|---|---|---|---|
| KonfigurationGrundtakster for tokens | TakstplanGrundtakst | Konteksttokens, mere end— | Konteksttokens, op til og medIngen øvre grænse | Beløb Input · Inputtokens $0.0012 / 1K tokens Output · Outputtokens $0.0036 / 1K tokens Input · Cachelæsning $0.00022 / 1K tokens Input · Cacheskrivning $0 / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
| KonfigurationAnmodningslængde · niveau 1 | Takstplan— | Konteksttokens, mere end0 | Konteksttokens, op til og medIngen øvre grænse | Beløb Input · Inputtokens $0.0012 / 1K tokens Output · Outputtokens $0.0036 / 1K tokens Input · Cachelæsning $0.00022 / 1K tokens Input · Cacheskrivning $0 / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
{\n "model": "z-ai/glm-4.5v",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'z-ai/glm-4.5v', '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': 'z-ai/glm-4.5v', '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 z-ai/glm-4.5v
Brug metodestierne vist ovenfor.
Teknisk eksempel på engelsk
Format a transcribed report table\n\nFrom this text transcription of page V5, produce a Markdown table: 'Experiment | control | treated; run 1 | 12 | 15; run 2 | 11 | unreadable.' Add a difference column only where both values are available. Keep V5 with the result and separate the extracted values from the calculated differences. No image is supplied.A source-labeled Markdown table with extracted numbers, calculated differences and explicit unknown values.The unreadable treated value and its difference must remain unknown rather than be estimated.