GLM-4-Long ist das Sprachmodell von Zhipu AI für sehr lange Texte und gedächtnisorientierte Gesprächsaufgaben. Der Anbieter nennt Text als Ein- und Ausgabe, ein 1M-Kontextfenster und eine maximale Ausgabe von 4K Tokens. Im Mittelpunkt stehen das Lesen, Übersetzen und Analysieren umfangreichen Materials und anschließend eine gezielte Antwort auf Grundlage der bereitgestellten Inhalte.
Stellen Sie den Dokumenttext zusammen mit der Frage bereit, die er beantworten soll. Belassen Sie Abschnittsüberschriften, Seiten- oder Kapitelkennungen, Datumsangaben und Tabelleneinheiten bei den zugehörigen Inhalten. Ein langes Eingabefenster ist hilfreich, wenn eine Antwort von Beziehungen zwischen vielen Abschnitten abhängt, etwa einem erklärten Ziel, seinen Belegen und einer Ausnahme an anderer Stelle im Dokument.
Der Hersteller beschreibt eine schrittweise Kontexterweiterung von 2K auf 1M durch fortgesetztes Vortraining, überwachtes Feintuning und Reinforcement Learning aus menschlichem Feedback. Definieren Sie für praktische Aufgaben zunächst die zu untersuchende Beziehung, bevor Sie eine breite Zusammenfassung verlangen. Eine beispielhafte Anweisung lautet: „Vergleiche die vorgeschlagene Architektur mit den Implementierungsabschnitten und nenne zu jeder Abweichung den Quellabschnitt.“ Das Ergebnis kann ein knapper Vergleich sein, der die Originalbelege für die Prüfung verfügbar hält.
Der Anbieter empfiehlt die Analyse von Jahresberichten, die Extraktion von Umsatzstruktur, Risikohinweisen und Erläuterungen der Unternehmensleitung sowie den Vergleich von Finanzdaten über Zeiträume hinweg. Bereiten Sie Berichte mit ihren Berichtsdatumsangaben und einheitlichen Bezeichnungen für Einheiten und Währungen vor. Verlangen Sie eine Tabelle der ausgewählten Kennzahlen, die Passage hinter jedem Wert und eine getrennte Erklärung der Veränderung. So bleibt ein gemeldeter Wert von der Interpretation seiner Entwicklung unterscheidbar.
Für wissenschaftliches Material kann GLM-4-Long Forschungshintergrund, experimentelle Methoden und Schlussfolgerungen nach Themen ordnen. Stellen Sie alle für den Vergleich erforderlichen Passagen bereit, einschließlich Definitionen und Einschränkungen aus anderen Kapiteln. Eine hilfreiche Ausgabe ist eine Übersicht über Aussagen, Methoden und stützende Abschnitte, gefolgt von Fragen, die im bereitgestellten Text ungeklärt bleiben. Halten Sie Zitate und Modellanalyse in getrennten Feldern, wenn Sie eine Forschungsnotiz erstellen.
Das Szenario des Herstellers für juristische Dokumente umfasst Gesetze, Fälle und Verträge, einschließlich Rechten, Pflichten und Haftungsklauseln. Benennen Sie die Parteien und den zu vergleichenden Sachverhalt und verlangen Sie dann die relevanten Klauseln mit Abschnittsverweisen. Eine gezielte Extraktion kann zu einem Arbeitsdokument für eine spätere fachliche Prüfung werden, mit dem Quellwortlaut neben der Erklärung.
Das Literaturszenario betrifft Figurenbeziehungen, Handlungsstruktur, gezielte Zusammenfassungen und Fortsetzungen im Stil einer langen Erzählung. Geben Sie die maßgeblichen Kapitel und den Punkt der Chronologie an. Verlangen Sie beispielsweise eine Übersicht der Figurenbeziehungen mit den Ereignissen, die jede Verbindung stützen, oder eine Fortsetzungsvorlage, die etablierte Namen und offene Handlungsstränge bewahrt.
Die dokumentierte maximale Ausgabe von 4K ist deutlich kleiner als der Eingabekontext. Wählen Sie das gewünschte Ergebnis: eine Managementzusammenfassung, einen Klauselvergleich, eine Forschungsgliederung oder eine kapitelbezogene Analyse. Teilen Sie bei einer umfangreichen Prüfung die angeforderte Ausgabe in klar benannte Aufgaben und halten Sie das relevante Quellmaterial mit jeder Antwort verbunden.
Bewahren Sie für ein fortgesetztes Dokumentgespräch die frühere Frage, die Antwort und die für die nächste Frage erforderlichen Passagen. Der Anbieter beschreibt gedächtnisorientierte Chats als Nutzung des langen Kontexts; ordnen Sie ihn so, dass die Folgeanfrage dasselbe Dokument, denselben Berichtszeitraum oder dasselbe Kapitel betrifft. Speichern Sie die abgeschlossene Analyse mit diesen Quellkennungen und prüfen Sie extrahierte Namen, Zahlen und Zitate am zugrunde liegenden Text, bevor Sie sie in den nächsten Bericht aufnehmen.
", "aboutText": "GLM-4-Long ist das Sprachmodell von Zhipu AI für sehr lange Texte und gedächtnisorientierte Gesprächsaufgaben. Der Anbieter nennt Text als Ein- und Ausgabe, ein 1M-Kontextfenster und eine maximale Ausgabe von 4K Tokens. Im Mittelpunkt stehen das Lesen, Übersetzen und Analysieren umfangreichen Materials und anschließend eine gezielte Antwort auf Grundlage der bereitgestellten Inhalte.\n\n### Material für eine übergreifende Analyse vorbereiten\n\nStellen Sie den Dokumenttext zusammen mit der Frage bereit, die er beantworten soll. Belassen Sie Abschnittsüberschriften, Seiten- oder Kapitelkennungen, Datumsangaben und Tabelleneinheiten bei den zugehörigen Inhalten. Ein langes Eingabefenster ist hilfreich, wenn eine Antwort von Beziehungen zwischen vielen Abschnitten abhängt, etwa einem erklärten Ziel, seinen Belegen und einer Ausnahme an anderer Stelle im Dokument.\n\nDer Hersteller beschreibt eine schrittweise Kontexterweiterung von 2K auf 1M durch fortgesetztes Vortraining, überwachtes Feintuning und Reinforcement Learning aus menschlichem Feedback. Definieren Sie für praktische Aufgaben zunächst die zu untersuchende Beziehung, bevor Sie eine breite Zusammenfassung verlangen. Eine beispielhafte Anweisung lautet: „Vergleiche die vorgeschlagene Architektur mit den Implementierungsabschnitten und nenne zu jeder Abweichung den Quellabschnitt.“ Das Ergebnis kann ein knapper Vergleich sein, der die Originalbelege für die Prüfung verfügbar hält.\n\n### Finanzberichte und wissenschaftliche Artikel lesen\n\nDer Anbieter empfiehlt die Analyse von Jahresberichten, die Extraktion von Umsatzstruktur, Risikohinweisen und Erläuterungen der Unternehmensleitung sowie den Vergleich von Finanzdaten über Zeiträume hinweg. Bereiten Sie Berichte mit ihren Berichtsdatumsangaben und einheitlichen Bezeichnungen für Einheiten und Währungen vor. Verlangen Sie eine Tabelle der ausgewählten Kennzahlen, die Passage hinter jedem Wert und eine getrennte Erklärung der Veränderung. So bleibt ein gemeldeter Wert von der Interpretation seiner Entwicklung unterscheidbar.\n\nFür wissenschaftliches Material kann GLM-4-Long Forschungshintergrund, experimentelle Methoden und Schlussfolgerungen nach Themen ordnen. Stellen Sie alle für den Vergleich erforderlichen Passagen bereit, einschließlich Definitionen und Einschränkungen aus anderen Kapiteln. Eine hilfreiche Ausgabe ist eine Übersicht über Aussagen, Methoden und stützende Abschnitte, gefolgt von Fragen, die im bereitgestellten Text ungeklärt bleiben. Halten Sie Zitate und Modellanalyse in getrennten Feldern, wenn Sie eine Forschungsnotiz erstellen.\n\n### Klauseln, Figuren und Ereignisse über lange Texte hinweg verfolgen\n\nDas Szenario des Herstellers für juristische Dokumente umfasst Gesetze, Fälle und Verträge, einschließlich Rechten, Pflichten und Haftungsklauseln. Benennen Sie die Parteien und den zu vergleichenden Sachverhalt und verlangen Sie dann die relevanten Klauseln mit Abschnittsverweisen. Eine gezielte Extraktion kann zu einem Arbeitsdokument für eine spätere fachliche Prüfung werden, mit dem Quellwortlaut neben der Erklärung.\n\nDas Literaturszenario betrifft Figurenbeziehungen, Handlungsstruktur, gezielte Zusammenfassungen und Fortsetzungen im Stil einer langen Erzählung. Geben Sie die maßgeblichen Kapitel und den Punkt der Chronologie an. Verlangen Sie beispielsweise eine Übersicht der Figurenbeziehungen mit den Ereignissen, die jede Verbindung stützen, oder eine Fortsetzungsvorlage, die etablierte Namen und offene Handlungsstränge bewahrt.\n\n### Lange Eingaben mit einer begrenzten Antwort nutzen\n\nDie dokumentierte maximale Ausgabe von 4K ist deutlich kleiner als der Eingabekontext. Wählen Sie das gewünschte Ergebnis: eine Managementzusammenfassung, einen Klauselvergleich, eine Forschungsgliederung oder eine kapitelbezogene Analyse. Teilen Sie bei einer umfangreichen Prüfung die angeforderte Ausgabe in klar benannte Aufgaben und halten Sie das relevante Quellmaterial mit jeder Antwort verbunden.\n\nBewahren Sie für ein fortgesetztes Dokumentgespräch die frühere Frage, die Antwort und die für die nächste Frage erforderlichen Passagen. Der Anbieter beschreibt gedächtnisorientierte Chats als Nutzung des langen Kontexts; ordnen Sie ihn so, dass die Folgeanfrage dasselbe Dokument, denselben Berichtszeitraum oder dasselbe Kapitel betrifft. Speichern Sie die abgeschlossene Analyse mit diesen Quellkennungen und prüfen Sie extrahierte Namen, Zahlen und Zitate am zugrunde liegenden Text, bevor Sie sie in den nächsten Bericht aufnehmen.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisches Beispiel auf Englisch
Reconcile architecture and implementation notes\n\nCompare labeled excerpts. Architecture §2: every export job is resumable and stores its cursor after each completed page. Implementation §7: the exporter stores its cursor only when the entire job completes. Operations §4: interrupted jobs restart from page one. Return a concise discrepancy map with source references and a focused requirement for the next code review.A source-linked discrepancy table and one review requirement tied to the resumability objective.The answer connects all three excerpts and does not invent additional implementation details.glm-4-longGLM-4-Long ist das Modell von Zhipu AI zum Lesen sehr langer Texte und zum Erhalten des Dokumentkontexts im Gespräch. Sein dokumentierter 1M-Kontext und maximal 4K Ausgabe unterstützen gezielte Analysen von Berichten, Fachartikeln, Verträgen und längeren Erzählwerken.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
GLM-4-Long ist das Sprachmodell von Zhipu AI für sehr lange Texte und gedächtnisorientierte Gesprächsaufgaben. Der Anbieter nennt Text als Ein- und Ausgabe, ein 1M-Kontextfenster und eine maximale Ausgabe von 4K Tokens. Im Mittelpunkt stehen das Lesen, Übersetzen und Analysieren umfangreichen Materials und anschließend eine gezielte Antwort auf Grundlage der bereitgestellten Inhalte.
Stellen Sie den Dokumenttext zusammen mit der Frage bereit, die er beantworten soll. Belassen Sie Abschnittsüberschriften, Seiten- oder Kapitelkennungen, Datumsangaben und Tabelleneinheiten bei den zugehörigen Inhalten. Ein langes Eingabefenster ist hilfreich, wenn eine Antwort von Beziehungen zwischen vielen Abschnitten abhängt, etwa einem erklärten Ziel, seinen Belegen und einer Ausnahme an anderer Stelle im Dokument.
Der Hersteller beschreibt eine schrittweise Kontexterweiterung von 2K auf 1M durch fortgesetztes Vortraining, überwachtes Feintuning und Reinforcement Learning aus menschlichem Feedback. Definieren Sie für praktische Aufgaben zunächst die zu untersuchende Beziehung, bevor Sie eine breite Zusammenfassung verlangen. Eine beispielhafte Anweisung lautet: „Vergleiche die vorgeschlagene Architektur mit den Implementierungsabschnitten und nenne zu jeder Abweichung den Quellabschnitt.“ Das Ergebnis kann ein knapper Vergleich sein, der die Originalbelege für die Prüfung verfügbar hält.
Der Anbieter empfiehlt die Analyse von Jahresberichten, die Extraktion von Umsatzstruktur, Risikohinweisen und Erläuterungen der Unternehmensleitung sowie den Vergleich von Finanzdaten über Zeiträume hinweg. Bereiten Sie Berichte mit ihren Berichtsdatumsangaben und einheitlichen Bezeichnungen für Einheiten und Währungen vor. Verlangen Sie eine Tabelle der ausgewählten Kennzahlen, die Passage hinter jedem Wert und eine getrennte Erklärung der Veränderung. So bleibt ein gemeldeter Wert von der Interpretation seiner Entwicklung unterscheidbar.
Für wissenschaftliches Material kann GLM-4-Long Forschungshintergrund, experimentelle Methoden und Schlussfolgerungen nach Themen ordnen. Stellen Sie alle für den Vergleich erforderlichen Passagen bereit, einschließlich Definitionen und Einschränkungen aus anderen Kapiteln. Eine hilfreiche Ausgabe ist eine Übersicht über Aussagen, Methoden und stützende Abschnitte, gefolgt von Fragen, die im bereitgestellten Text ungeklärt bleiben. Halten Sie Zitate und Modellanalyse in getrennten Feldern, wenn Sie eine Forschungsnotiz erstellen.
Das Szenario des Herstellers für juristische Dokumente umfasst Gesetze, Fälle und Verträge, einschließlich Rechten, Pflichten und Haftungsklauseln. Benennen Sie die Parteien und den zu vergleichenden Sachverhalt und verlangen Sie dann die relevanten Klauseln mit Abschnittsverweisen. Eine gezielte Extraktion kann zu einem Arbeitsdokument für eine spätere fachliche Prüfung werden, mit dem Quellwortlaut neben der Erklärung.
Das Literaturszenario betrifft Figurenbeziehungen, Handlungsstruktur, gezielte Zusammenfassungen und Fortsetzungen im Stil einer langen Erzählung. Geben Sie die maßgeblichen Kapitel und den Punkt der Chronologie an. Verlangen Sie beispielsweise eine Übersicht der Figurenbeziehungen mit den Ereignissen, die jede Verbindung stützen, oder eine Fortsetzungsvorlage, die etablierte Namen und offene Handlungsstränge bewahrt.
Die dokumentierte maximale Ausgabe von 4K ist deutlich kleiner als der Eingabekontext. Wählen Sie das gewünschte Ergebnis: eine Managementzusammenfassung, einen Klauselvergleich, eine Forschungsgliederung oder eine kapitelbezogene Analyse. Teilen Sie bei einer umfangreichen Prüfung die angeforderte Ausgabe in klar benannte Aufgaben und halten Sie das relevante Quellmaterial mit jeder Antwort verbunden.
Bewahren Sie für ein fortgesetztes Dokumentgespräch die frühere Frage, die Antwort und die für die nächste Frage erforderlichen Passagen. Der Anbieter beschreibt gedächtnisorientierte Chats als Nutzung des langen Kontexts; ordnen Sie ihn so, dass die Folgeanfrage dasselbe Dokument, denselben Berichtszeitraum oder dasselbe Kapitel betrifft. Speichern Sie die abgeschlossene Analyse mit diesen Quellkennungen und prüfen Sie extrahierte Namen, Zahlen und Zitate am zugrunde liegenden Text, bevor Sie sie in den nächsten Bericht aufnehmen.
POST /v1/chat/completionstexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits glm-4-long | Standard— |
Feldmessages | Typmessage[] | AnforderungErforderlich | Werte und Limits Mindestanzahl Elemente: 1 | Standard— |
Feldmessages[].role | Typstring | AnforderungErforderlich | Werte und Limits Beispiele: system, user, assistant, tool, function Bedingungen: Diese Rollen sind in den Kompatibilitätstypen des Quellcodes ausdrücklich dargestellt; der genaue Rollenumfang bleibt modellspezifisch. Modellabhängig | Standard— |
Feldmessages[].content | Typstring|content_part[]|null | AnforderungOptional | Werte und Limits | Standard— |
Feldmessages[].tool_calls | Typtool_call[] | AnforderungOptional | Werte und Limits | Standard— |
Feldmessages[].tool_call_id | Typstring | AnforderungOptional | Werte und Limits Gilt, wenn: role=tool; die tatsächlich zurückgegebene ID verwenden | Standard— |
Feldmessages[].name | Typstring | AnforderungOptional | Werte und Limits | Standard— |
Feldmessages[].reasoning_content | Typstring | AnforderungOptional | Werte und Limits Gilt, wenn: Tatsächlich zurückgegebene Reasoning-Daten erneut übermitteln, sofern dieses Modell sie verwendet | Standard— |
Feldmessages[].reasoning_details | Typobject|array | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldmax_tokens | Typinteger | AnforderungOptional | Werte und Limits Minimum: 1 Modellabhängig | Standard— |
Feldmax_completion_tokens | Typinteger | AnforderungOptional | Werte und Limits Minimum: 1 Modellabhängig | Standard— |
Feldstream | Typboolean | AnforderungOptional | Werte und Limits | Standardfalse |
Feldstream_options.include_usage | Typboolean | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtemperature | Typnumber | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtop_p | Typnumber | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldstop | Typstring|string[] | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtools | Typfunction_tool[] | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtools[].type | Typstring | AnforderungOptional | Werte und Limits function Modellabhängig | Standard— |
Feldtools[].function.name | Typstring | AnforderungErforderlich | Werte und Limits Gilt, wenn: Funktionswerkzeug bereitgestellt | Standard— |
Feldtools[].function.description | Typstring | AnforderungOptional | Werte und Limits | Standard— |
Feldtools[].function.parameters | TypJSON_schema | AnforderungOptional | Werte und Limits | Standard— |
Feldtool_choice | Typstring|object | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldparallel_tool_calls | Typboolean | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldresponse_format | Typobject | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldreasoning_effort | Typstring | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldreasoning | Typobject | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldservice_tier | Typstring | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldinstructions | Typstring | AnforderungOptional | Werte und Limits Kompatibilitätsfeld | Standard— |
Feldfunctions | Typfunction[] | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldfunction_call | Typstring|object | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldprompt_cache_options | Typobject | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldmodalities | Typstring[] | AnforderungOptional | Werte und Limits text | Standard— |
Feldprovider | Typobject | AnforderungOptional | Werte und Limits Bedingungen: provider.options wird auf dieser Ultra-Textroute abgelehnt | Standard— |
Feldcache_control.ttl | Typstring | AnforderungOptional | Werte und Limits Bedingungen: 1h wird in den tatsächlichen Prompt-Cache-Feldern abgelehnt | Standard— |
Text · UTF8-Text
messages[].content
| Parameter | Vertrag |
|---|---|
Parametercontent_type | Vertragapplication/json |
Parameterrequired | Vertragmodel, messages |
Parametermaterial_types | Vertragtext |
Parametermessages | VertragNachrichtenarray mit role/content-Struktur |
Parameterfile_material | VertragTatsächliches UTF-8-Dokument als wörtlicher Text eingefügt; keine Datei-ID abgeleitet |
Parameteroptional_controls | Vertragstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametercontrol_scope | VertragModellspezifisch; benutzerseitige Funktionswerkzeuge unterscheiden sich von gehosteten Werkzeugen |
Parameteroutput_modalities | Vertragtext |
Parameterhosted_operations | Vertragfalse |
Parametermultimodal_input_binding | Vertragnull |
Lebenszyklus: synchronous_or_streamed
Die genaue Modell-ID zusammen mit messages senden.
Die Kontextlänge ist keine Ausgabeobergrenze.
Eine Textdatei kann wörtlichen Text liefern; Bild-, Audio- und Dateiobjekteingaben benötigen eine exakte Zuordnung.
Tarifangaben erweitern die Anfrageoptionen nicht. Unterstützte Parameter stehen bei der ausgewählten Methode.
| Konfiguration | Tarifstaffel | Gebühr |
|---|---|---|
| KonfigurationBasistarife für Token | TarifstaffelGrundtarif | Gebühr Eingabe · Eingabetoken $0.00028 / 1K Tokens Ausgabe · Ausgabetoken $0.00028 / 1K Tokens Eingabe · Cache lesen $0 / 1K Tokens Eingabe · In Cache schreiben $0 / 1K Tokens Eingabe · In Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "glm-4-long", "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='glm-4-long',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='glm-4-long',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 oder SSE
Bewahren Sie jede vollständig zurückgegebene Antwort, Datei und jeden Inhaltsteil auf.
Alle Antwortvarianten mit ihren Inhalten, Werkzeugaufrufen und Reasoning-Daten beibehalten. In SSE die Deltas nach Varianten- und Werkzeugindex zusammensetzen; endgültigen Beendigungsgrund und Verbrauchsdaten beibehalten.
Anfrage- und Antwort-IDs sowie Header beibehalten. Eine allgemeine URL zum Abrufen von Textaufträgen wird nicht angegeben.
| Feld | Typ |
|---|---|
Feldchoices[].index | Typinteger |
Feldchoices[].message.content | Typstring|null |
Feldchoices[].message.tool_calls | Typtool_call[] |
Feldchoices[].message.reasoning_content | Typstring |
Feldchoices[].message.reasoning_details | Typobject|array |
Feldchoices[].finish_reason | Typstring|null |
Feldusage | Typobject |
| Antwort | Bedingung | Nächster Schritt |
|---|---|---|
Antwort400 · invalid_request_error | BedingungPflichtfelder, Darstellung des Eingabematerials oder Parameterwert ungültig | Nächster SchrittDie angegebenen Felder vor einer neuen Erstellungsanfrage korrigieren. |
Ailoot Ultra glm-4-long
Verwenden Sie die oben angezeigten Methodenpfade.
glm-4-longGLM-4-Long ist das Modell von Zhipu AI zum Lesen sehr langer Texte und zum Erhalten des Dokumentkontexts im Gespräch. Sein dokumentierter 1M-Kontext und maximal 4K Ausgabe unterstützen gezielte Analysen von Berichten, Fachartikeln, Verträgen und längeren Erzählwerken.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
GLM-4-Long ist das Sprachmodell von Zhipu AI für sehr lange Texte und gedächtnisorientierte Gesprächsaufgaben. Der Anbieter nennt Text als Ein- und Ausgabe, ein 1M-Kontextfenster und eine maximale Ausgabe von 4K Tokens. Im Mittelpunkt stehen das Lesen, Übersetzen und Analysieren umfangreichen Materials und anschließend eine gezielte Antwort auf Grundlage der bereitgestellten Inhalte.
Stellen Sie den Dokumenttext zusammen mit der Frage bereit, die er beantworten soll. Belassen Sie Abschnittsüberschriften, Seiten- oder Kapitelkennungen, Datumsangaben und Tabelleneinheiten bei den zugehörigen Inhalten. Ein langes Eingabefenster ist hilfreich, wenn eine Antwort von Beziehungen zwischen vielen Abschnitten abhängt, etwa einem erklärten Ziel, seinen Belegen und einer Ausnahme an anderer Stelle im Dokument.
Der Hersteller beschreibt eine schrittweise Kontexterweiterung von 2K auf 1M durch fortgesetztes Vortraining, überwachtes Feintuning und Reinforcement Learning aus menschlichem Feedback. Definieren Sie für praktische Aufgaben zunächst die zu untersuchende Beziehung, bevor Sie eine breite Zusammenfassung verlangen. Eine beispielhafte Anweisung lautet: „Vergleiche die vorgeschlagene Architektur mit den Implementierungsabschnitten und nenne zu jeder Abweichung den Quellabschnitt.“ Das Ergebnis kann ein knapper Vergleich sein, der die Originalbelege für die Prüfung verfügbar hält.
Der Anbieter empfiehlt die Analyse von Jahresberichten, die Extraktion von Umsatzstruktur, Risikohinweisen und Erläuterungen der Unternehmensleitung sowie den Vergleich von Finanzdaten über Zeiträume hinweg. Bereiten Sie Berichte mit ihren Berichtsdatumsangaben und einheitlichen Bezeichnungen für Einheiten und Währungen vor. Verlangen Sie eine Tabelle der ausgewählten Kennzahlen, die Passage hinter jedem Wert und eine getrennte Erklärung der Veränderung. So bleibt ein gemeldeter Wert von der Interpretation seiner Entwicklung unterscheidbar.
Für wissenschaftliches Material kann GLM-4-Long Forschungshintergrund, experimentelle Methoden und Schlussfolgerungen nach Themen ordnen. Stellen Sie alle für den Vergleich erforderlichen Passagen bereit, einschließlich Definitionen und Einschränkungen aus anderen Kapiteln. Eine hilfreiche Ausgabe ist eine Übersicht über Aussagen, Methoden und stützende Abschnitte, gefolgt von Fragen, die im bereitgestellten Text ungeklärt bleiben. Halten Sie Zitate und Modellanalyse in getrennten Feldern, wenn Sie eine Forschungsnotiz erstellen.
Das Szenario des Herstellers für juristische Dokumente umfasst Gesetze, Fälle und Verträge, einschließlich Rechten, Pflichten und Haftungsklauseln. Benennen Sie die Parteien und den zu vergleichenden Sachverhalt und verlangen Sie dann die relevanten Klauseln mit Abschnittsverweisen. Eine gezielte Extraktion kann zu einem Arbeitsdokument für eine spätere fachliche Prüfung werden, mit dem Quellwortlaut neben der Erklärung.
Das Literaturszenario betrifft Figurenbeziehungen, Handlungsstruktur, gezielte Zusammenfassungen und Fortsetzungen im Stil einer langen Erzählung. Geben Sie die maßgeblichen Kapitel und den Punkt der Chronologie an. Verlangen Sie beispielsweise eine Übersicht der Figurenbeziehungen mit den Ereignissen, die jede Verbindung stützen, oder eine Fortsetzungsvorlage, die etablierte Namen und offene Handlungsstränge bewahrt.
Die dokumentierte maximale Ausgabe von 4K ist deutlich kleiner als der Eingabekontext. Wählen Sie das gewünschte Ergebnis: eine Managementzusammenfassung, einen Klauselvergleich, eine Forschungsgliederung oder eine kapitelbezogene Analyse. Teilen Sie bei einer umfangreichen Prüfung die angeforderte Ausgabe in klar benannte Aufgaben und halten Sie das relevante Quellmaterial mit jeder Antwort verbunden.
Bewahren Sie für ein fortgesetztes Dokumentgespräch die frühere Frage, die Antwort und die für die nächste Frage erforderlichen Passagen. Der Anbieter beschreibt gedächtnisorientierte Chats als Nutzung des langen Kontexts; ordnen Sie ihn so, dass die Folgeanfrage dasselbe Dokument, denselben Berichtszeitraum oder dasselbe Kapitel betrifft. Speichern Sie die abgeschlossene Analyse mit diesen Quellkennungen und prüfen Sie extrahierte Namen, Zahlen und Zitate am zugrunde liegenden Text, bevor Sie sie in den nächsten Bericht aufnehmen.
POST /v1/messagestextjson, sse| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits glm-4-long | Standard— |
Feldmessages | Typmessage[] | AnforderungErforderlich | Werte und Limits | Standard— |
Feldmessages[].role | Typstring | AnforderungErforderlich | Werte und Limits user, assistant | Standard— |
Feldmessages[].content | Typstring | AnforderungErforderlich | Werte und Limits | Standard— |
Feldmax_tokens | Typinteger | AnforderungErforderlich | Werte und Limits | Standard— |
Feldstream | Typboolean | AnforderungOptional | Werte und Limits | Standardfalse |
Text · UTF-8-Text
Zeichenfolge messages[].content
| Parameter | Vertrag |
|---|---|
Parametercontent_type | Vertragapplication/json |
Parameterrequired | Vertragmodel, messages, max_tokens |
Parameteroptional_controls | Vertragstream |
Parametermaterial_types | Vertragtext |
Parametertext_file_material | VertragDas tatsächliche UTF-8-Dokument lesen und seinen Text in die angegebene Zeichenfolge für Eingabe oder Nachrichteninhalt einfügen. |
Lebenszyklus: synchronous_or_streamed
Tarifangaben erweitern die Anfrageoptionen nicht. Unterstützte Parameter stehen bei der ausgewählten Methode.
| Konfiguration | Tarifstaffel | Gebühr |
|---|---|---|
| KonfigurationBasistarife für Token | TarifstaffelGrundtarif | Gebühr Eingabe · Eingabetoken $0.00028 / 1K Tokens Ausgabe · Ausgabetoken $0.00028 / 1K Tokens Eingabe · Cache lesen $0 / 1K Tokens Eingabe · In Cache schreiben $0 / 1K Tokens Eingabe · In Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
{\n "model": "glm-4-long",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'glm-4-long', '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': 'glm-4-long', '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 oder SSE
Bewahren Sie jede vollständig zurückgegebene Antwort, Datei und jeden Inhaltsteil auf.
Alle Inhaltsblöcke, Thinking-Signaturen und tatsächlichen Werkzeugaufruf-IDs beibehalten. Alle SSE-Blockdeltas zusammensetzen; der erste Textblock ist nicht die vollständige Ausgabe.
Anfrage- und Antwort-IDs sowie Header beibehalten. Eine allgemeine URL zum Abrufen von Textaufträgen wird nicht angegeben.
| Feld | Typ |
|---|---|
Feldid | Typstring |
Feldmodel | Typstring |
Feldcontent[] | Typtext|thinking|tool_use|other content block |
Feldstop_reason | Typstring|null |
Feldusage | Typobject |
| Antwort | Bedingung | Nächster Schritt |
|---|---|---|
Antwort400 · invalid_request_error | BedingungPflichtfelder, Darstellung des Eingabematerials oder Parameterwert ungültig | Nächster SchrittDie angegebenen Felder vor einer neuen Erstellungsanfrage korrigieren. |
Ailoot Ultra glm-4-long
Verwenden Sie die oben angezeigten Methodenpfade.
Technisches Beispiel auf Englisch
Reconcile architecture and implementation notes\n\nCompare labeled excerpts. Architecture §2: every export job is resumable and stores its cursor after each completed page. Implementation §7: the exporter stores its cursor only when the entire job completes. Operations §4: interrupted jobs restart from page one. Return a concise discrepancy map with source references and a focused requirement for the next code review.A source-linked discrepancy table and one review requirement tied to the resumability objective.The answer connects all three excerpts and does not invent additional implementation details.