GLM-4.7-Flash er 30B-A3B-udgaven med mixture-of-experts-arkitektur i Z.ai's GLM-4.7-familie. Dens sparsomme design har cirka 30 milliarder parametre i alt og tre milliarder aktiverede, og producenten præsenterer den som en letvægtsmodel, der afbalancerer kapacitet og effektivitet. Den modtager tekst og genererer tekst. Producenten fremhæver specifikt softwareudvikling, skrivning på kinesisk, oversættelse, behandling af lange tekster og rollebaseret samtale. Et nyttigt oplæg kan bede om et kodeforslag, et revideret tekstafsnit, en forklaring eller et struktureret resultat baseret på leveret materiale.
Ved udvikling identificerer Z.ai både frontendopgaver og applikationslogik som anvendelser for denne Flash-udgave. Lever den adfærd, der skal implementeres, den relevante kilde og de betingelser, der skal bevares. Ved en side eller komponent skal du beskrive dens tilstande, layout og nødvendige interaktion og derefter bede om redigerbar kode og en forklaring af de vigtige valg. Ved en eksisterende funktion skal du medtage den observerede fejl og et eksempel på det forventede resultat. Modellen producerer den foreslåede kode; kompilering, kørsel eller gengivelse af grænsefladen hører til et tilsluttet applikationsmiljø.
Den producenthostede GLM-4.7-serieprofil angiver tekstinput, tekstoutput, en kontekst på 200K tokens og op til 128K outputtokens for Flash. Det åbne modelkort og den hostede profil beskriver forskellige aspekter af samme navngivne udgave: checkpointets egenskaber og en konfiguration af producentens tjeneste. Forbered langt input med kildeoverskrifter, kodeidentifikatorer og tydelige dokumentgrænser, og afsæt plads til ræsonnering og det ønskede svar. En ren tekstmodel kan skrive kode til en applikation, der behandler billeder eller kamerainput, men det giver ikke dette checkpoint en indbygget tilstand til visuelt input.
Ræsonnering er aktiveret som standard i GLM-4.7-serien. Producenten dokumenterer en indstilling for hvert samtaletrin, så en samtale kan anmode om ræsonnering til et vanskeligt spørgsmål og deaktivere den ved en enkel omskrivning eller et kort svar. Den understøtter også ræsonnering indskudt mellem værktøjskald, så modellen kan fortolke en returneret observation, før den planlægger et nyt trin. Definer de tilgængelige værktøjer og det krævede slutprodukt, før en sådan opgave påbegyndes. En dokumentassistent kan bede om udvalgte oplysninger, modtage det faktiske søgeresultat og derefter udarbejde en forklaring underbygget af dette resultat.
Bevaret ræsonnering er en særskilt mulighed til længerevarende programmerings- eller agentarbejde. Producentens vejledning bruger clear_thinking=false og kræver, at hele det uændrede reasoning_content fra tidligere assistenttrin returneres i den oprindelige rækkefølge. Ændring eller omarrangering af disse blokke kan forringe resultatet og påvirke cacheadfærden. Standardindstillingen er forskellig mellem producentens programmeringsgrænseflade og standardgrænseflade, så muligheden er en konfigureret arbejdsgang frem for en automatisk egenskab ved enhver samtale. Hold det synlige svar adskilt fra bevaret ræsonnering, og bevar den evidens eller det værktøjsoutput, som senere trin afhænger af.
Familiens dokumenterede grænseflade omfatter streamingtekst, funktionskald, kontekstcaching og struktureret output såsom JSON. Ved et struktureret resultat skal du angive de obligatoriske felter, og hvad hver værdi repræsenterer; ved en værktøjsanmodning skal du definere funktionens formål, argumenter og afslutningsbetingelse. Et genereret kald er en anmodning om, at applikationen handler, frem for bevis på udførelse. Slutresultatet kan være en kort rapport, et dataobjekt eller et kodeprodukt, hvor de oplysninger, der blev brugt til at producere det, stadig kan identificeres.
Ved skrivning eller oversættelse skal du angive læser, sprog, tone og udtryk, der skal forblive uændrede. Producenten anbefaler at afprøve Flash til skrivning på kinesisk og fortællende eller rollebaseret dialog såvel som teknisk arbejde. Et illustrativt redigeringsoplæg kan levere et tekstafsnit og bede om en kort revision, der bevarer dets fakta; et oversættelsesoplæg kan levere en ordliste og skelne mellem citeret tekst og instruktioner. I en længere samtale skal du bevare begrænsningerne og identificere det næste nødvendige resultat, så modellens svar forbliver knyttet til den oprindelige opgave.
Det konkrete åbne modelkort offentliggør forskellige genereringsindstillinger til sine evalueringsopgaver: en standardværdi for temperature på 1.0 og top-p på 0.95 med særskilte indstillinger til softwareopgaver på 0.7 og 1.0. Dets eksempler på genereringslængder indgår i disse procedurer og er ikke yderligere universelle grænser. Checkpointet er adskilt fra GLM-4.7, GLM-4.7-FlashX og senere GLM-5-modeller. Tilpas opgaven og svartilstanden til denne udgaves dokumenterede tekstfunktioner, og vurder derefter den leverede kode, udtrukne værdier eller reviderede tekst mod inputtet.
", "aboutText": "GLM-4.7-Flash er 30B-A3B-udgaven med mixture-of-experts-arkitektur i Z.ai's GLM-4.7-familie. Dens sparsomme design har cirka 30 milliarder parametre i alt og tre milliarder aktiverede, og producenten præsenterer den som en letvægtsmodel, der afbalancerer kapacitet og effektivitet. Den modtager tekst og genererer tekst. Producenten fremhæver specifikt softwareudvikling, skrivning på kinesisk, oversættelse, behandling af lange tekster og rollebaseret samtale. Et nyttigt oplæg kan bede om et kodeforslag, et revideret tekstafsnit, en forklaring eller et struktureret resultat baseret på leveret materiale.\n\nVed udvikling identificerer Z.ai både frontendopgaver og applikationslogik som anvendelser for denne Flash-udgave. Lever den adfærd, der skal implementeres, den relevante kilde og de betingelser, der skal bevares. Ved en side eller komponent skal du beskrive dens tilstande, layout og nødvendige interaktion og derefter bede om redigerbar kode og en forklaring af de vigtige valg. Ved en eksisterende funktion skal du medtage den observerede fejl og et eksempel på det forventede resultat. Modellen producerer den foreslåede kode; kompilering, kørsel eller gengivelse af grænsefladen hører til et tilsluttet applikationsmiljø.\n\nDen producenthostede GLM-4.7-serieprofil angiver tekstinput, tekstoutput, en kontekst på 200K tokens og op til 128K outputtokens for Flash. Det åbne modelkort og den hostede profil beskriver forskellige aspekter af samme navngivne udgave: checkpointets egenskaber og en konfiguration af producentens tjeneste. Forbered langt input med kildeoverskrifter, kodeidentifikatorer og tydelige dokumentgrænser, og afsæt plads til ræsonnering og det ønskede svar. En ren tekstmodel kan skrive kode til en applikation, der behandler billeder eller kamerainput, men det giver ikke dette checkpoint en indbygget tilstand til visuelt input.\n\nRæsonnering er aktiveret som standard i GLM-4.7-serien. Producenten dokumenterer en indstilling for hvert samtaletrin, så en samtale kan anmode om ræsonnering til et vanskeligt spørgsmål og deaktivere den ved en enkel omskrivning eller et kort svar. Den understøtter også ræsonnering indskudt mellem værktøjskald, så modellen kan fortolke en returneret observation, før den planlægger et nyt trin. Definer de tilgængelige værktøjer og det krævede slutprodukt, før en sådan opgave påbegyndes. En dokumentassistent kan bede om udvalgte oplysninger, modtage det faktiske søgeresultat og derefter udarbejde en forklaring underbygget af dette resultat.\n\nBevaret ræsonnering er en særskilt mulighed til længerevarende programmerings- eller agentarbejde. Producentens vejledning bruger clear_thinking=false og kræver, at hele det uændrede reasoning_content fra tidligere assistenttrin returneres i den oprindelige rækkefølge. Ændring eller omarrangering af disse blokke kan forringe resultatet og påvirke cacheadfærden. Standardindstillingen er forskellig mellem producentens programmeringsgrænseflade og standardgrænseflade, så muligheden er en konfigureret arbejdsgang frem for en automatisk egenskab ved enhver samtale. Hold det synlige svar adskilt fra bevaret ræsonnering, og bevar den evidens eller det værktøjsoutput, som senere trin afhænger af.\n\nFamiliens dokumenterede grænseflade omfatter streamingtekst, funktionskald, kontekstcaching og struktureret output såsom JSON. Ved et struktureret resultat skal du angive de obligatoriske felter, og hvad hver værdi repræsenterer; ved en værktøjsanmodning skal du definere funktionens formål, argumenter og afslutningsbetingelse. Et genereret kald er en anmodning om, at applikationen handler, frem for bevis på udførelse. Slutresultatet kan være en kort rapport, et dataobjekt eller et kodeprodukt, hvor de oplysninger, der blev brugt til at producere det, stadig kan identificeres.\n\nVed skrivning eller oversættelse skal du angive læser, sprog, tone og udtryk, der skal forblive uændrede. Producenten anbefaler at afprøve Flash til skrivning på kinesisk og fortællende eller rollebaseret dialog såvel som teknisk arbejde. Et illustrativt redigeringsoplæg kan levere et tekstafsnit og bede om en kort revision, der bevarer dets fakta; et oversættelsesoplæg kan levere en ordliste og skelne mellem citeret tekst og instruktioner. I en længere samtale skal du bevare begrænsningerne og identificere det næste nødvendige resultat, så modellens svar forbliver knyttet til den oprindelige opgave.\n\nDet konkrete åbne modelkort offentliggør forskellige genereringsindstillinger til sine evalueringsopgaver: en standardværdi for temperature på 1.0 og top-p på 0.95 med særskilte indstillinger til softwareopgaver på 0.7 og 1.0. Dets eksempler på genereringslængder indgår i disse procedurer og er ikke yderligere universelle grænser. Checkpointet er adskilt fra GLM-4.7, GLM-4.7-FlashX og senere GLM-5-modeller. Tilpas opgaven og svartilstanden til denne udgaves dokumenterede tekstfunktioner, og vurder derefter den leverede kode, udtrukne værdier eller reviderede tekst mod inputtet.", "editorialOverlay": { "copy_fields": { "practical_html": "Teknisk eksempel på engelsk
Translate a notice with a fixed glossary\n\nTranslate this Chinese notice into English: '订单已审核，但尚未发货。更改收货地址需要重新审核。' Use this glossary consistently: 审核 = review; 发货 = dispatch; 收货地址 = delivery address. Write a clear customer-facing notice and preserve the distinction between completed review and pending dispatch. Do not add a dispatch date or an approval guarantee.A concise English notice applying the glossary and preserving the two different order states.The translation retains the requirement for another review after an address change and does not state that dispatch occurred.z-ai/glm-4.7-flashGLM-4.7-Flash er Z.ai's 30B-A3B-tekstmodel med en mixture-of-experts-arkitektur til programmering, lange tekster, skrivning på kinesisk og oversættelse. Den understøtter ræsonnering og værktøjsstyrede arbejdsgange med en producenthostet profil på 200K konteksttokens og op til 128K output.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
GLM-4.7-Flash er 30B-A3B-udgaven med mixture-of-experts-arkitektur i Z.ai's GLM-4.7-familie. Dens sparsomme design har cirka 30 milliarder parametre i alt og tre milliarder aktiverede, og producenten præsenterer den som en letvægtsmodel, der afbalancerer kapacitet og effektivitet. Den modtager tekst og genererer tekst. Producenten fremhæver specifikt softwareudvikling, skrivning på kinesisk, oversættelse, behandling af lange tekster og rollebaseret samtale. Et nyttigt oplæg kan bede om et kodeforslag, et revideret tekstafsnit, en forklaring eller et struktureret resultat baseret på leveret materiale.
Ved udvikling identificerer Z.ai både frontendopgaver og applikationslogik som anvendelser for denne Flash-udgave. Lever den adfærd, der skal implementeres, den relevante kilde og de betingelser, der skal bevares. Ved en side eller komponent skal du beskrive dens tilstande, layout og nødvendige interaktion og derefter bede om redigerbar kode og en forklaring af de vigtige valg. Ved en eksisterende funktion skal du medtage den observerede fejl og et eksempel på det forventede resultat. Modellen producerer den foreslåede kode; kompilering, kørsel eller gengivelse af grænsefladen hører til et tilsluttet applikationsmiljø.
Den producenthostede GLM-4.7-serieprofil angiver tekstinput, tekstoutput, en kontekst på 200K tokens og op til 128K outputtokens for Flash. Det åbne modelkort og den hostede profil beskriver forskellige aspekter af samme navngivne udgave: checkpointets egenskaber og en konfiguration af producentens tjeneste. Forbered langt input med kildeoverskrifter, kodeidentifikatorer og tydelige dokumentgrænser, og afsæt plads til ræsonnering og det ønskede svar. En ren tekstmodel kan skrive kode til en applikation, der behandler billeder eller kamerainput, men det giver ikke dette checkpoint en indbygget tilstand til visuelt input.
Ræsonnering er aktiveret som standard i GLM-4.7-serien. Producenten dokumenterer en indstilling for hvert samtaletrin, så en samtale kan anmode om ræsonnering til et vanskeligt spørgsmål og deaktivere den ved en enkel omskrivning eller et kort svar. Den understøtter også ræsonnering indskudt mellem værktøjskald, så modellen kan fortolke en returneret observation, før den planlægger et nyt trin. Definer de tilgængelige værktøjer og det krævede slutprodukt, før en sådan opgave påbegyndes. En dokumentassistent kan bede om udvalgte oplysninger, modtage det faktiske søgeresultat og derefter udarbejde en forklaring underbygget af dette resultat.
Bevaret ræsonnering er en særskilt mulighed til længerevarende programmerings- eller agentarbejde. Producentens vejledning bruger clear_thinking=false og kræver, at hele det uændrede reasoning_content fra tidligere assistenttrin returneres i den oprindelige rækkefølge. Ændring eller omarrangering af disse blokke kan forringe resultatet og påvirke cacheadfærden. Standardindstillingen er forskellig mellem producentens programmeringsgrænseflade og standardgrænseflade, så muligheden er en konfigureret arbejdsgang frem for en automatisk egenskab ved enhver samtale. Hold det synlige svar adskilt fra bevaret ræsonnering, og bevar den evidens eller det værktøjsoutput, som senere trin afhænger af.
Familiens dokumenterede grænseflade omfatter streamingtekst, funktionskald, kontekstcaching og struktureret output såsom JSON. Ved et struktureret resultat skal du angive de obligatoriske felter, og hvad hver værdi repræsenterer; ved en værktøjsanmodning skal du definere funktionens formål, argumenter og afslutningsbetingelse. Et genereret kald er en anmodning om, at applikationen handler, frem for bevis på udførelse. Slutresultatet kan være en kort rapport, et dataobjekt eller et kodeprodukt, hvor de oplysninger, der blev brugt til at producere det, stadig kan identificeres.
Ved skrivning eller oversættelse skal du angive læser, sprog, tone og udtryk, der skal forblive uændrede. Producenten anbefaler at afprøve Flash til skrivning på kinesisk og fortællende eller rollebaseret dialog såvel som teknisk arbejde. Et illustrativt redigeringsoplæg kan levere et tekstafsnit og bede om en kort revision, der bevarer dets fakta; et oversættelsesoplæg kan levere en ordliste og skelne mellem citeret tekst og instruktioner. I en længere samtale skal du bevare begrænsningerne og identificere det næste nødvendige resultat, så modellens svar forbliver knyttet til den oprindelige opgave.
Det konkrete åbne modelkort offentliggør forskellige genereringsindstillinger til sine evalueringsopgaver: en standardværdi for temperature på 1.0 og top-p på 0.95 med særskilte indstillinger til softwareopgaver på 0.7 og 1.0. Dets eksempler på genereringslængder indgår i disse procedurer og er ikke yderligere universelle grænser. Checkpointet er adskilt fra GLM-4.7, GLM-4.7-FlashX og senere GLM-5-modeller. Tilpas opgaven og svartilstanden til denne udgaves dokumenterede tekstfunktioner, og vurder derefter den leverede kode, udtrukne værdier eller reviderede tekst mod inputtet.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser z-ai/glm-4.7-flash | 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 $0.000144 / 1K tokens Output · Outputtokens $0.000858 / 1K tokens Input · Cachelæsning $0.00002 / 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 $0.000144 / 1K tokens Output · Outputtokens $0.000858 / 1K tokens Input · Cachelæsning $0.00002 / 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-4.7-flash", "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-4.7-flash',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-4.7-flash',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-4.7-flash
Brug metodestierne vist ovenfor.
z-ai/glm-4.7-flashGLM-4.7-Flash er Z.ai's 30B-A3B-tekstmodel med en mixture-of-experts-arkitektur til programmering, lange tekster, skrivning på kinesisk og oversættelse. Den understøtter ræsonnering og værktøjsstyrede arbejdsgange med en producenthostet profil på 200K konteksttokens og op til 128K output.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
GLM-4.7-Flash er 30B-A3B-udgaven med mixture-of-experts-arkitektur i Z.ai's GLM-4.7-familie. Dens sparsomme design har cirka 30 milliarder parametre i alt og tre milliarder aktiverede, og producenten præsenterer den som en letvægtsmodel, der afbalancerer kapacitet og effektivitet. Den modtager tekst og genererer tekst. Producenten fremhæver specifikt softwareudvikling, skrivning på kinesisk, oversættelse, behandling af lange tekster og rollebaseret samtale. Et nyttigt oplæg kan bede om et kodeforslag, et revideret tekstafsnit, en forklaring eller et struktureret resultat baseret på leveret materiale.
Ved udvikling identificerer Z.ai både frontendopgaver og applikationslogik som anvendelser for denne Flash-udgave. Lever den adfærd, der skal implementeres, den relevante kilde og de betingelser, der skal bevares. Ved en side eller komponent skal du beskrive dens tilstande, layout og nødvendige interaktion og derefter bede om redigerbar kode og en forklaring af de vigtige valg. Ved en eksisterende funktion skal du medtage den observerede fejl og et eksempel på det forventede resultat. Modellen producerer den foreslåede kode; kompilering, kørsel eller gengivelse af grænsefladen hører til et tilsluttet applikationsmiljø.
Den producenthostede GLM-4.7-serieprofil angiver tekstinput, tekstoutput, en kontekst på 200K tokens og op til 128K outputtokens for Flash. Det åbne modelkort og den hostede profil beskriver forskellige aspekter af samme navngivne udgave: checkpointets egenskaber og en konfiguration af producentens tjeneste. Forbered langt input med kildeoverskrifter, kodeidentifikatorer og tydelige dokumentgrænser, og afsæt plads til ræsonnering og det ønskede svar. En ren tekstmodel kan skrive kode til en applikation, der behandler billeder eller kamerainput, men det giver ikke dette checkpoint en indbygget tilstand til visuelt input.
Ræsonnering er aktiveret som standard i GLM-4.7-serien. Producenten dokumenterer en indstilling for hvert samtaletrin, så en samtale kan anmode om ræsonnering til et vanskeligt spørgsmål og deaktivere den ved en enkel omskrivning eller et kort svar. Den understøtter også ræsonnering indskudt mellem værktøjskald, så modellen kan fortolke en returneret observation, før den planlægger et nyt trin. Definer de tilgængelige værktøjer og det krævede slutprodukt, før en sådan opgave påbegyndes. En dokumentassistent kan bede om udvalgte oplysninger, modtage det faktiske søgeresultat og derefter udarbejde en forklaring underbygget af dette resultat.
Bevaret ræsonnering er en særskilt mulighed til længerevarende programmerings- eller agentarbejde. Producentens vejledning bruger clear_thinking=false og kræver, at hele det uændrede reasoning_content fra tidligere assistenttrin returneres i den oprindelige rækkefølge. Ændring eller omarrangering af disse blokke kan forringe resultatet og påvirke cacheadfærden. Standardindstillingen er forskellig mellem producentens programmeringsgrænseflade og standardgrænseflade, så muligheden er en konfigureret arbejdsgang frem for en automatisk egenskab ved enhver samtale. Hold det synlige svar adskilt fra bevaret ræsonnering, og bevar den evidens eller det værktøjsoutput, som senere trin afhænger af.
Familiens dokumenterede grænseflade omfatter streamingtekst, funktionskald, kontekstcaching og struktureret output såsom JSON. Ved et struktureret resultat skal du angive de obligatoriske felter, og hvad hver værdi repræsenterer; ved en værktøjsanmodning skal du definere funktionens formål, argumenter og afslutningsbetingelse. Et genereret kald er en anmodning om, at applikationen handler, frem for bevis på udførelse. Slutresultatet kan være en kort rapport, et dataobjekt eller et kodeprodukt, hvor de oplysninger, der blev brugt til at producere det, stadig kan identificeres.
Ved skrivning eller oversættelse skal du angive læser, sprog, tone og udtryk, der skal forblive uændrede. Producenten anbefaler at afprøve Flash til skrivning på kinesisk og fortællende eller rollebaseret dialog såvel som teknisk arbejde. Et illustrativt redigeringsoplæg kan levere et tekstafsnit og bede om en kort revision, der bevarer dets fakta; et oversættelsesoplæg kan levere en ordliste og skelne mellem citeret tekst og instruktioner. I en længere samtale skal du bevare begrænsningerne og identificere det næste nødvendige resultat, så modellens svar forbliver knyttet til den oprindelige opgave.
Det konkrete åbne modelkort offentliggør forskellige genereringsindstillinger til sine evalueringsopgaver: en standardværdi for temperature på 1.0 og top-p på 0.95 med særskilte indstillinger til softwareopgaver på 0.7 og 1.0. Dets eksempler på genereringslængder indgår i disse procedurer og er ikke yderligere universelle grænser. Checkpointet er adskilt fra GLM-4.7, GLM-4.7-FlashX og senere GLM-5-modeller. Tilpas opgaven og svartilstanden til denne udgaves dokumenterede tekstfunktioner, og vurder derefter den leverede kode, udtrukne værdier eller reviderede tekst mod inputtet.
POST /v1/messagestextjson, sse| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser z-ai/glm-4.7-flash | 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 $0.000144 / 1K tokens Output · Outputtokens $0.000858 / 1K tokens Input · Cachelæsning $0.00002 / 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 $0.000144 / 1K tokens Output · Outputtokens $0.000858 / 1K tokens Input · Cachelæsning $0.00002 / 1K tokens Input · Cacheskrivning $0 / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
{\n "model": "z-ai/glm-4.7-flash",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-4.7-flash', '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-4.7-flash', '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-4.7-flash
Brug metodestierne vist ovenfor.
Teknisk eksempel på engelsk
Translate a notice with a fixed glossary\n\nTranslate this Chinese notice into English: '订单已审核，但尚未发货。更改收货地址需要重新审核。' Use this glossary consistently: 审核 = review; 发货 = dispatch; 收货地址 = delivery address. Write a clear customer-facing notice and preserve the distinction between completed review and pending dispatch. Do not add a dispatch date or an approval guarantee.A concise English notice applying the glossary and preserving the two different order states.The translation retains the requirement for another review after an address change and does not state that dispatch occurred.