GLM 5.3 Flash kombinerer forståelse af tekst, billeder, video og filer. Den producerer et tekstsvar og er beregnet til programmering med visuel feedback, dokumentbehandling og professionelle opgaver. De offentliggjorte specifikationer angiver et kontekstvindue på op til en million tokens og et maksimalt output på 128.000 tokens.
Modellen indeholder 320 milliarder parametre med 18 milliarder aktive. Hybrid opmærksomhed kombinerer sparsom og lineær behandling, mens specialiserede forbindelser mellem lag bidrager til at bevare stabilitet, når skalaen øges. Multimodalt materiale indgår i fortræningen.
Visuel information indgår i arbejdsgangen: en assistent undersøger en grænseflade eller et gengivet resultat, sammenligner det med opgaven og foreslår rettelser. Dette forklarer producentens vægt på at kontrollere det faktiske visuelle resultat efter at have skrevet kode.
Ræsonnering er altid aktiveret. Dybden vælges via low, high og max; en deaktiveret tilstand tilbydes ikke. Ræsonneringshistorik kan bevares mellem trin i lange arbejdsgange.
Ved et værktøj producerer modellen et funktionsnavn og argumenter, applikationen udfører handlingen og sender resultatet tilbage. JSON er egnet til programmatisk behandling af svar: forventede felter angives gennem instruktioner, mens syntaks og værdiernes betydning kontrolleres hver for sig. Streaming gør det muligt at modtage tekst løbende.
Caching af en gentaget instruktion eller historik hjælper med at genbruge behandlet kontekst. Ifølge Z.ai reducerer det gentagen behandling i egnede opgaver; den faktiske genbrug bestemmes af resultatet af den konkrete anmodning.
Modellen kan analysere flere skærmbilleder af ét produkt, forhold mellem sider, fælles komponenter, grænsefladetilstande og animationer. I et agentmiljø med værktøjer skriver den kode, kører en applikation, undersøger skærmbilleder af resultatet og retter uoverensstemmelser. Ved spiludvikling dækker denne cyklus regler, bevægelse, interaktioner, point og afslutning af en spilsession.
Ved præsentationer, rapporter og regneark behandler modellen indhold sammen med layout: tekst, billeder, diagrammer og elementplacering. Gennem værktøjer kan den oprette og kontrollere PPTX-, PDF-, DOCX- og XLSX-materiale. Disse filer er applikationsresultater; modellens direkte svar forbliver tekst.
Finansiel analyse omfatter arbejde med rapportering, kontrol af formlers indbyrdes konsistens og særskilt behandling af offentliggjorte data, antagelser og konklusioner. I den arbejdsgang, producenten beskriver, kommer data fra opgavematerialet.
I et agentmiljø kan modellen analysere video, hændelsernes tidsmæssige rækkefølge, deltagernes visuelle kendetegn og undertekster. Værktøjer leverer redigering og lagring af resultatet.
Ved arbejde med en tredimensionel scene eller tegning forbinder den rumlige beskrivelser, proportioner og synlige resultater. Værktøjscyklussen omfatter konstruktion, gengivelse fra et angivet synspunkt, visuel sammenligning og rettelse. Tilsvarende kan modellen analysere en applikationsskærm og hjælpe med sekventielt arbejde i grænsefladen.
Disse arbejdsgange beskriver modelegenskaber i et miljø med de nødvendige værktøjer. Det accepterede materiale bestemmes af den valgte metode; visuel forståelse betyder ikke, at video- eller filbehandling eller oprettelse af de nævnte produkter automatisk er tilgængelig i enhver anmodning.
", "aboutText": "### En multimodal model til arbejde\n\nGLM 5.3 Flash kombinerer forståelse af tekst, billeder, video og filer. Den producerer et tekstsvar og er beregnet til programmering med visuel feedback, dokumentbehandling og professionelle opgaver. De offentliggjorte specifikationer angiver et kontekstvindue på op til en million tokens og et maksimalt output på 128.000 tokens.\n\n### Arkitektur til lang kontekst\n\nModellen indeholder 320 milliarder parametre med 18 milliarder aktive. Hybrid opmærksomhed kombinerer sparsom og lineær behandling, mens specialiserede forbindelser mellem lag bidrager til at bevare stabilitet, når skalaen øges. Multimodalt materiale indgår i fortræningen.\n\nVisuel information indgår i arbejdsgangen: en assistent undersøger en grænseflade eller et gengivet resultat, sammenligner det med opgaven og foreslår rettelser. Dette forklarer producentens vægt på at kontrollere det faktiske visuelle resultat efter at have skrevet kode.\n\n### Ræsonnering, værktøjer og data\n\nRæsonnering er altid aktiveret. Dybden vælges via `low`, `high` og `max`; en deaktiveret tilstand tilbydes ikke. Ræsonneringshistorik kan bevares mellem trin i lange arbejdsgange.\n\nVed et værktøj producerer modellen et funktionsnavn og argumenter, applikationen udfører handlingen og sender resultatet tilbage. JSON er egnet til programmatisk behandling af svar: forventede felter angives gennem instruktioner, mens syntaks og værdiernes betydning kontrolleres hver for sig. Streaming gør det muligt at modtage tekst løbende.\n\nCaching af en gentaget instruktion eller historik hjælper med at genbruge behandlet kontekst. Ifølge Z.ai reducerer det gentagen behandling i egnede opgaver; den faktiske genbrug bestemmes af resultatet af den konkrete anmodning.\n\n### Udvikling ud fra en visuel prompt\n\nModellen kan analysere flere skærmbilleder af ét produkt, forhold mellem sider, fælles komponenter, grænsefladetilstande og animationer. I et agentmiljø med værktøjer skriver den kode, kører en applikation, undersøger skærmbilleder af resultatet og retter uoverensstemmelser. Ved spiludvikling dækker denne cyklus regler, bevægelse, interaktioner, point og afslutning af en spilsession.\n\n### Dokumenter og professionel analyse\n\nVed præsentationer, rapporter og regneark behandler modellen indhold sammen med layout: tekst, billeder, diagrammer og elementplacering. Gennem værktøjer kan den oprette og kontrollere PPTX-, PDF-, DOCX- og XLSX-materiale. Disse filer er applikationsresultater; modellens direkte svar forbliver tekst.\n\nFinansiel analyse omfatter arbejde med rapportering, kontrol af formlers indbyrdes konsistens og særskilt behandling af offentliggjorte data, antagelser og konklusioner. I den arbejdsgang, producenten beskriver, kommer data fra opgavematerialet.\n\n### Video, tredimensionelle scener og grænseflader\n\nI et agentmiljø kan modellen analysere video, hændelsernes tidsmæssige rækkefølge, deltagernes visuelle kendetegn og undertekster. Værktøjer leverer redigering og lagring af resultatet.\n\nVed arbejde med en tredimensionel scene eller tegning forbinder den rumlige beskrivelser, proportioner og synlige resultater. Værktøjscyklussen omfatter konstruktion, gengivelse fra et angivet synspunkt, visuel sammenligning og rettelse. Tilsvarende kan modellen analysere en applikationsskærm og hjælpe med sekventielt arbejde i grænsefladen.\n\nDisse arbejdsgange beskriver modelegenskaber i et miljø med de nødvendige værktøjer. Det accepterede materiale bestemmes af den valgte metode; visuel forståelse betyder ikke, at video- eller filbehandling eller oprettelse af de nævnte produkter automatisk er tilgængelig i enhver anmodning.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "510c5cddf9882244f5d30fc5249ae6d502298caae480b88747fde62630ccdc7b", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "da", "methods": [ { "html": "z-ai/glm-5.3-flash:batchGLM 5.3 Flash er en multimodal model fra Z.ai til visuel udvikling, dokumentanalyse og agentarbejde med tekstresultat.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
GLM 5.3 Flash kombinerer forståelse af tekst, billeder, video og filer. Den producerer et tekstsvar og er beregnet til programmering med visuel feedback, dokumentbehandling og professionelle opgaver. De offentliggjorte specifikationer angiver et kontekstvindue på op til en million tokens og et maksimalt output på 128.000 tokens.
Modellen indeholder 320 milliarder parametre med 18 milliarder aktive. Hybrid opmærksomhed kombinerer sparsom og lineær behandling, mens specialiserede forbindelser mellem lag bidrager til at bevare stabilitet, når skalaen øges. Multimodalt materiale indgår i fortræningen.
Visuel information indgår i arbejdsgangen: en assistent undersøger en grænseflade eller et gengivet resultat, sammenligner det med opgaven og foreslår rettelser. Dette forklarer producentens vægt på at kontrollere det faktiske visuelle resultat efter at have skrevet kode.
Ræsonnering er altid aktiveret. Dybden vælges via low, high og max; en deaktiveret tilstand tilbydes ikke. Ræsonneringshistorik kan bevares mellem trin i lange arbejdsgange.
Ved et værktøj producerer modellen et funktionsnavn og argumenter, applikationen udfører handlingen og sender resultatet tilbage. JSON er egnet til programmatisk behandling af svar: forventede felter angives gennem instruktioner, mens syntaks og værdiernes betydning kontrolleres hver for sig. Streaming gør det muligt at modtage tekst løbende.
Caching af en gentaget instruktion eller historik hjælper med at genbruge behandlet kontekst. Ifølge Z.ai reducerer det gentagen behandling i egnede opgaver; den faktiske genbrug bestemmes af resultatet af den konkrete anmodning.
Modellen kan analysere flere skærmbilleder af ét produkt, forhold mellem sider, fælles komponenter, grænsefladetilstande og animationer. I et agentmiljø med værktøjer skriver den kode, kører en applikation, undersøger skærmbilleder af resultatet og retter uoverensstemmelser. Ved spiludvikling dækker denne cyklus regler, bevægelse, interaktioner, point og afslutning af en spilsession.
Ved præsentationer, rapporter og regneark behandler modellen indhold sammen med layout: tekst, billeder, diagrammer og elementplacering. Gennem værktøjer kan den oprette og kontrollere PPTX-, PDF-, DOCX- og XLSX-materiale. Disse filer er applikationsresultater; modellens direkte svar forbliver tekst.
Finansiel analyse omfatter arbejde med rapportering, kontrol af formlers indbyrdes konsistens og særskilt behandling af offentliggjorte data, antagelser og konklusioner. I den arbejdsgang, producenten beskriver, kommer data fra opgavematerialet.
I et agentmiljø kan modellen analysere video, hændelsernes tidsmæssige rækkefølge, deltagernes visuelle kendetegn og undertekster. Værktøjer leverer redigering og lagring af resultatet.
Ved arbejde med en tredimensionel scene eller tegning forbinder den rumlige beskrivelser, proportioner og synlige resultater. Værktøjscyklussen omfatter konstruktion, gengivelse fra et angivet synspunkt, visuel sammenligning og rettelse. Tilsvarende kan modellen analysere en applikationsskærm og hjælpe med sekventielt arbejde i grænsefladen.
Disse arbejdsgange beskriver modelegenskaber i et miljø med de nødvendige værktøjer. Det accepterede materiale bestemmes af den valgte metode; visuel forståelse betyder ikke, at video- eller filbehandling eller oprettelse af de nævnte produkter automatisk er tilgængelig i enhver anmodning.
POST /v1/batchestexttext| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltendpoint | Typestring | KravPåkrævet | Værdier og grænser /v1/chat/completions | Standard— |
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser z-ai/glm-5.3-flash:batch | Standard— |
Feltrequests | Typebatch_item[] | KravPåkrævet | Værdier og grænser Minimumsantal elementer: 1 | Standard— |
Feltrequests[].custom_id | Typestring | KravPåkrævet | Værdier og grænser | Standard— |
Feltrequests[].body.messages | Typemessage[] | KravPåkrævet | Værdier og grænser | Standard— |
Feltcompletion_window | Typestring | KravValgfrit | Værdier og grænser 24h | Standard— |
Feltprovider | Typeobject|null | KravValgfrit | Værdier og grænser | Standard— |
Feltrequests[].body.model | Typestring | KravValgfrit | Værdier og grænser z-ai/glm-5.3-flash:batch, z-ai/glm-5.3-flash | Standard— |
Feltprovider.only | Typestring[] | KravValgfrit | Værdier og grænser deepinfra/fp4 | Standard— |
Feltprovider.allow_fallbacks | Typeboolean|null | KravValgfrit | Værdier og grænser false, null | Standard— |
| Parameter | Kontrakt |
|---|---|
Parametercontent_type | Kontraktapplication/json |
Parameterrequired | Kontraktendpoint, model, requests |
Parametermaterial_types | Kontrakttext |
Parameterrepresentation | Kontraktrequests[] direkte i anmodningen; hvert element har custom_id og body |
Parameterrequest_endpoint_profile | Kontrakt/v1/chat/completions |
Parameterfile_material | KontraktDen kaldende part kan læse det faktiske JSONL-indhold i UTF-8 lokalt ind i requests[]. Der angives hverken purpose til upload, input_file_id eller en filreference. Hvis kundematerialet mangler eller er tomt, stoppes forberedelsen før POST. |
Parameterserialization_order | Kontraktendpoint, model, provider (hvis angivet), completion_window (hvis angivet), requests til sidst |
Parameteroptional_controls | Kontraktprovider.only, provider.allow_fallbacks, completion_window |
Parameterschema_scope | KontraktAnmodningsindhold for Chat Completions med tekst i den dokumenterede inline Batch-struktur. |
Livscyklus: asynchronous
GET /v1/batches/{operation_id} · det faktiske response.id fra den oprindelige oprettelse; samme bruger/nøgle/gruppe
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 $0.00012 / 1K tokens Output · Outputtokens $0.0004 / 1K tokens Input · Cachelæsning $0.000024 / 1K tokens Input · Cacheskrivning — / 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 $0.00012 / 1K tokens Output · Outputtokens $0.0004 / 1K tokens Input · Cachelæsning $0.000024 / 1K tokens Input · Cacheskrivning — / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json\nfrom pathlib import Path\nbody=json.loads('{"endpoint":"/v1/chat/completions","model":"z-ai/glm-5.3-flash:batch","requests":[{"custom_id":"req-0001","body":{"messages":[{"role":"user","content":"Hello!"}],"max_tokens":16}}]}')\nPath("batch-request.json").write_text(json.dumps(body,ensure_ascii=False),encoding="utf-8")\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/batches \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @batch-request.json -D batch-response-headers.txt -o batch-create-response.json\nimport json, os\nfrom pathlib import Path\nfrom urllib.request import Request, urlopen\n\ndef prepare_requests(customer_path):\n path = Path(customer_path)\n if not path.is_file(): raise ValueError("Customer JSONL file is missing")\n items = [json.loads(line) for line in path.read_text(encoding="utf-8").splitlines() if line.strip()]\n if not items: raise ValueError("Customer JSONL contains no requests")\n ids = set()\n for item in items:\n if set(item) != {"custom_id", "body"}: raise ValueError("Each item needs custom_id and body")\n cid = item["custom_id"]\n if not isinstance(cid, str) or not cid.strip() or cid in ids: raise ValueError("custom_id must be nonempty and unique")\n ids.add(cid)\n if not isinstance(item["body"], dict) or not item["body"].get("messages"): raise ValueError("Supply actual text messages")\n supplied_model = item["body"].get("model")\n if supplied_model is not None and supplied_model not in ['z-ai/glm-5.3-flash:batch', 'z-ai/glm-5.3-flash']: raise ValueError("body.model must be an exact documented caller or wire ID")\n return {"endpoint":"/v1/chat/completions", "model":"z-ai/glm-5.3-flash:batch", "requests":items}\n\nif __name__ == "__main__":\n material = os.environ.get("AILOOT_BATCH_REQUESTS_JSONL", "")\n if not material: raise SystemExit("Set AILOOT_BATCH_REQUESTS_JSONL to your actual customer file")\n body = prepare_requests(material)\n key = os.environ.get("AILOOT_API_KEY", "")\n if not key: raise SystemExit("Set AILOOT_API_KEY")\n request = Request("https://api.ailoot.ai/v1/batches", data=json.dumps(body, ensure_ascii=False).encode("utf-8"), headers={"Authorization":"Bearer " + key, "Content-Type":"application/json"}, method="POST")\n with urlopen(request) as response:\n raw = response.read()\n Path("batch-create-response.json").write_bytes(raw)\n print(raw.decode("utf-8"))\nimport json\nfrom pathlib import Path\nraw = Path("batch-status-response.json").read_bytes()\nresponse = json.loads(raw)\nif response.get("status") != "completed":\n raise SystemExit("Keep the original operation; read its status without resubmitting")\nresults = response.get("results")\nif not isinstance(results, list) or not results:\n raise SystemExit("Preserve the original response; completed results are missing")\nPath("batch-results.jsonl").write_text("".join(json.dumps(item, ensure_ascii=False) + "\\n" for item in results), encoding="utf-8")\n# Preserve batch-status-response.json with aggregate usage and every result/error.\nJSON direkte i results[].response.body
GET /v1/batches/{operation_id}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\nBATCH_OPERATION_ID="$(python3 - <<'PY_ID'\nimport json\nfrom pathlib import Path\nfrom urllib.parse import quote\nresponse = json.loads(Path("batch-create-response.json").read_text(encoding="utf-8"))\noperation = response.get("id")\nif not isinstance(operation, str) or not operation: raise SystemExit("No actual original operation ID; preserve the response and do not resubmit")\nprint(quote(operation, safe=""))\nPY_ID\n)"\ncurl --fail-with-body --silent --show-error "https://api.ailoot.ai/v1/batches/$BATCH_OPERATION_ID" \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -o batch-status-response.json\nGem hvert fuldstændigt returneret svar, hver fil og hver indholdsdel.
Gem hele den oprindelige status i JSON, hvert resultat/custom_id og det fulde svar- eller fejlindhold. Gem færdige results[] som JSONL uden filtrering.
Gem det oprindelige operations-ID. 503 result_pending_check har X-Should-Retry:false; send aldrig en oprindelig batch igen, hvis dens udfald er ukendt.
| Felt | Type |
|---|---|
Feltresults[].custom_id | Typestring |
Feltresults[].response.body.choices[].message.content | Typestring|null |
Feltresults[].error | Typeobject|null |
Feltusage | Typeobject|null |
Feltid | Typestring |
Feltmodel | Typestring |
Feltendpoint | Typestring |
Feltstatus | Typestring |
Feltrequest_counts | Typeobject |
Feltresults[].id | Typestring |
Feltresults[].response.status_code | Typeinteger |
Feltresults[].response.request_id | Typestring |
| Svar | Betingelse | Næste trin |
|---|---|---|
Svar400 · invalid_request_error | BetingelseUgyldig dokumenteret inline-struktur, dublerede nøgler, ugyldig elementidentitet eller konflikt med modellens konfigurerede funktioner. | Næste trinRet de angivne felter, før du sender en ny anmodning. |
Svar401 · authentication_error | BetingelseUgyldig API-nøgle. | Næste trinBrug den godkendte Ailoot-nøgle. |
Svar403 · permission_error | BetingelseBatch-gruppen er ikke tilgængelig. | Næste trinKontrollér nøglens/gruppens adgangsrettigheder. |
Svar422 · invalid_request_error | BetingelseBatch afregnes via saldoen; oprettelse via et abonnement afvises. | Næste trinBrug den godkendte gruppe med saldoafregning. |
Svar422 · price_unavailable | BetingelseDer kan ikke beregnes en pris for Batch-inputtet. | Næste trinGem svaret; brug det dokumenterede input for API-familien. |
Svar402 · billing_error | BetingelseReservationen til Batch er ikke tilgængelig. | Næste trinAfklar adgangen, før du sender en ny anmodning. |
Svar503 · price_unavailable | BetingelsePrisen for Batch-metoden eller de native satser er ikke tilgængelige. | Næste trinGem svaret; erstat ikke priserne med andre priser. |
Svar503 · api_error | BetingelseDen præcise leverandørrute er ikke tilgængelig. | Næste trinGem svaret, så ruten kan repareres. |
Svar503 · result_pending_check | BetingelseDet oprindelige resultat skal kontrolleres; X-Should-Retry:false. | Næste trinGem det oprindelige operation_id/id, og læs dets status; gentag aldrig den oprindelige POST. |
Svar404 · not_found | BetingelseOperationen til Batch-status findes ikke eller tilhører en anden identitet. | Næste trinBrug det nøjagtige oprindelige id og samme bruger/nøgle/gruppe. |
Ailoot Ultra z-ai/glm-5.3-flash:batch
Brug metodestierne vist ovenfor.