GLM-4-32B-0414 ist die festgelegte Textausgabe der 32B-Klasse in der GLM-4-0414-Serie von Z.ai. Sein Basismodell wurde auf 15 Billionen Token einschließlich synthetischen Reasoning-Materials vortrainiert. Das Nachtraining verbindet die Anpassung an Gesprächspräferenzen, Rejection Sampling und Reinforcement Learning, um das Befolgen von Anweisungen, technischen Code und Funktionsaufrufe weiterzuentwickeln. Zu den angegebenen Aufgaben gehören Softwarearbeiten, Textartefakte, suchbasierte Fragen und Berichte. Ein- und Ausgabe sind Text; generierter Code wird zu einem ausführbaren oder gerenderten Artefakt, wenn die Anwendung ihn speichert und ausführt.
Das auf Reasoning ausgerichtete GLM-Z1-32B-0414 und das rechercheorientierte Rumination-Modell sind separat benannte Ausgaben. Dieser Eintrag folgt den eigenen, breiter angelegten Code- und Werkzeugdemonstrationen des GLM-4-Modells, statt die Denkregeln einer anderen Veröffentlichung zu übernehmen.
Der Hersteller zeigt die Programmierung eines bewegten Balls in einem rotierenden Sechseck. Das Beispiel mit GLM-4-32B-0414 verwendet HTML und beschreibt Bewegung, Kollisionen und physikalische Annahmen. Dies ist Code für eine Simulation, kein Videogenerierungsmodus. Für eine ähnliche Aufgabe geben Sie Szene, Bewegungsregeln, Kollisionsverhalten und die vorgesehene Laufzeitumgebung an und verlangen Sie eine eigenständige Implementierung sowie eine Erklärung der Annahmen. Die Anwendung führt diesen Code aus, um das Ergebnis zu prüfen.
Die Beispiele umfassen eine Zeichenoberfläche für benutzerdefinierte Funktionsgraphen, in der Funktionen hinzugefügt und entfernt sowie Farben zugewiesen werden können. Ein weiteres Beispiel erstellt eine mobile Oberfläche für maschinelles Lernen mit Trainingsaufgaben, Speicherverwaltung und persönlichen Statistiken einschließlich Diagrammen, angeordnet auf einer HTML-Seite. Dies sind konkrete Frontend-Aufgaben mit festgelegten Bedienelementen und Zuständen.
Beschreiben Sie für eine hilfreiche Ausgabe die Aktionen, die jedes Bedienelement unterstützen muss, und die Daten, die die Ansicht anzeigen soll. Ein Oberflächenauftrag kann den Seitencode zusammen mit dem Zusammenhang zwischen Eingabe, angezeigtem Zustand und Ergebnis verlangen. Eine spätere Gesprächsrunde kann die beobachtete Darstellung bereitstellen und eine gezielte Änderung anfordern, wobei das angeführte Verhalten erhalten bleibt.
Der Hersteller zeigt auch SVG-Illustrationen, darunter eine Landschaft und eine Erklärung des Trainingsprozesses eines Sprachmodells. SVG ist strukturierter Text, sodass die Anwendung ihn als bearbeitbares Vektorartefakt speichern kann. Geben Sie Motiv, Beschriftungen, Layout und die erforderlichen visuellen Beziehungen an. Verlangen Sie das SVG-Markup als gesondertes Arbeitsergebnis, statt den Illustrationscode mit einer langen, sachfremden Erklärung zu vermischen.
Für recherchebasiertes Schreiben stellt die Modellkarte Suchergebnisse als Beobachtungen bereit und fordert das Modell auf, sie zu ordnen und zu interpretieren, statt sie zu kopieren. Die Anweisungen unterscheiden relevante von irrelevanten Ergebnissen, bevorzugen aussagekräftige Details, soweit die Belege dies erlauben, verwenden eine gut lesbare Struktur und verlangen eine Antwort in der Sprache der Nutzenden. Das Beispiel erstellt einen analytischen Bericht über Kinderliteratur mit Erzählmethoden, Themen und deren Wirkungen.
Eine praktische Aufgabe kann benannte Auszüge bereitstellen und einen Bericht entlang ausdrücklicher Fragen verlangen, wobei jede Schlussfolgerung mit dem stützenden Material verknüpft wird. Suche und Abruf finden in der umgebenden Anwendung statt; die zurückgegebenen Textstellen werden zu den Belegen des Modells. Dies ist auch für Dokumentvergleiche oder eine Erklärung aus einer bereitgestellten Recherchesammlung hilfreich.
GLM-4-32B-0414 unterstützt externe Werkzeugaufrufe mit JSON-Argumenten. Das Modell benennt eine Funktion und deren Argumente, die Anwendung führt sie aus, und das Ergebnis wird als Beobachtung zurückgegeben. Die Demonstration des Herstellers wiederholt diesen Zyklus, bis eine endgültige Antwort entsteht. Beschreiben Sie Zweck und Pflichtfelder jedes Werkzeugs und unterscheiden Sie seine Beobachtung von der Anweisung der Nutzenden. Eine Abfrage kann so Daten für einen späteren Vergleich liefern, ohne vorzugeben, dass das Modell eigenständig aktuelle Informationen beschafft hat.
Die veröffentlichte Konfiguration setzt max_position_embeddings auf 32.768 und enthält keinen rope_scaling-Eintrag. Die ausgearbeiteten Beispiele des Herstellers verwenden anfragespezifische Generierungslängen; die Modellkarte nennt kein universelles hartes Ausgabemaximum. Halten Sie relevanten Code, abgerufene Textstellen und Gespräch innerhalb des aktiven Kontexts und geben Sie an, ob das endgültige Ergebnis HTML, SVG, ein Codefragment, JSON-Argumente oder ein Bericht sein soll. Dies sind für die beschriebene Aufgabe erzeugte Textdarstellungen; Ausführung, Dateierstellung und Zugriff auf externe Daten bleiben Aktionen der Anwendung.
", "aboutText": "### Einführung\n\nGLM-4-32B-0414 ist die festgelegte Textausgabe der 32B-Klasse in der GLM-4-0414-Serie von Z.ai. Sein Basismodell wurde auf 15 Billionen Token einschließlich synthetischen Reasoning-Materials vortrainiert. Das Nachtraining verbindet die Anpassung an Gesprächspräferenzen, Rejection Sampling und Reinforcement Learning, um das Befolgen von Anweisungen, technischen Code und Funktionsaufrufe weiterzuentwickeln. Zu den angegebenen Aufgaben gehören Softwarearbeiten, Textartefakte, suchbasierte Fragen und Berichte. Ein- und Ausgabe sind Text; generierter Code wird zu einem ausführbaren oder gerenderten Artefakt, wenn die Anwendung ihn speichert und ausführt.\n\nDas auf Reasoning ausgerichtete GLM-Z1-32B-0414 und das rechercheorientierte Rumination-Modell sind separat benannte Ausgaben. Dieser Eintrag folgt den eigenen, breiter angelegten Code- und Werkzeugdemonstrationen des GLM-4-Modells, statt die Denkregeln einer anderen Veröffentlichung zu übernehmen.\n\n### Anwendungsbeispiel: Animationserstellung\n\nDer Hersteller zeigt die Programmierung eines bewegten Balls in einem rotierenden Sechseck. Das Beispiel mit GLM-4-32B-0414 verwendet HTML und beschreibt Bewegung, Kollisionen und physikalische Annahmen. Dies ist Code für eine Simulation, kein Videogenerierungsmodus. Für eine ähnliche Aufgabe geben Sie Szene, Bewegungsregeln, Kollisionsverhalten und die vorgesehene Laufzeitumgebung an und verlangen Sie eine eigenständige Implementierung sowie eine Erklärung der Annahmen. Die Anwendung führt diesen Code aus, um das Ergebnis zu prüfen.\n\n### Anwendungsbeispiel: Webdesign\n\nDie Beispiele umfassen eine Zeichenoberfläche für benutzerdefinierte Funktionsgraphen, in der Funktionen hinzugefügt und entfernt sowie Farben zugewiesen werden können. Ein weiteres Beispiel erstellt eine mobile Oberfläche für maschinelles Lernen mit Trainingsaufgaben, Speicherverwaltung und persönlichen Statistiken einschließlich Diagrammen, angeordnet auf einer HTML-Seite. Dies sind konkrete Frontend-Aufgaben mit festgelegten Bedienelementen und Zuständen.\n\nBeschreiben Sie für eine hilfreiche Ausgabe die Aktionen, die jedes Bedienelement unterstützen muss, und die Daten, die die Ansicht anzeigen soll. Ein Oberflächenauftrag kann den Seitencode zusammen mit dem Zusammenhang zwischen Eingabe, angezeigtem Zustand und Ergebnis verlangen. Eine spätere Gesprächsrunde kann die beobachtete Darstellung bereitstellen und eine gezielte Änderung anfordern, wobei das angeführte Verhalten erhalten bleibt.\n\n### Anwendungsbeispiel: SVG-Erstellung\n\nDer Hersteller zeigt auch SVG-Illustrationen, darunter eine Landschaft und eine Erklärung des Trainingsprozesses eines Sprachmodells. SVG ist strukturierter Text, sodass die Anwendung ihn als bearbeitbares Vektorartefakt speichern kann. Geben Sie Motiv, Beschriftungen, Layout und die erforderlichen visuellen Beziehungen an. Verlangen Sie das SVG-Markup als gesondertes Arbeitsergebnis, statt den Illustrationscode mit einer langen, sachfremden Erklärung zu vermischen.\n\n### Suchbasiertes Schreiben\n\nFür recherchebasiertes Schreiben stellt die Modellkarte Suchergebnisse als Beobachtungen bereit und fordert das Modell auf, sie zu ordnen und zu interpretieren, statt sie zu kopieren. Die Anweisungen unterscheiden relevante von irrelevanten Ergebnissen, bevorzugen aussagekräftige Details, soweit die Belege dies erlauben, verwenden eine gut lesbare Struktur und verlangen eine Antwort in der Sprache der Nutzenden. Das Beispiel erstellt einen analytischen Bericht über Kinderliteratur mit Erzählmethoden, Themen und deren Wirkungen.\n\nEine praktische Aufgabe kann benannte Auszüge bereitstellen und einen Bericht entlang ausdrücklicher Fragen verlangen, wobei jede Schlussfolgerung mit dem stützenden Material verknüpft wird. Suche und Abruf finden in der umgebenden Anwendung statt; die zurückgegebenen Textstellen werden zu den Belegen des Modells. Dies ist auch für Dokumentvergleiche oder eine Erklärung aus einer bereitgestellten Recherchesammlung hilfreich.\n\n### Funktionsaufrufe\n\nGLM-4-32B-0414 unterstützt externe Werkzeugaufrufe mit JSON-Argumenten. Das Modell benennt eine Funktion und deren Argumente, die Anwendung führt sie aus, und das Ergebnis wird als Beobachtung zurückgegeben. Die Demonstration des Herstellers wiederholt diesen Zyklus, bis eine endgültige Antwort entsteht. Beschreiben Sie Zweck und Pflichtfelder jedes Werkzeugs und unterscheiden Sie seine Beobachtung von der Anweisung der Nutzenden. Eine Abfrage kann so Daten für einen späteren Vergleich liefern, ohne vorzugeben, dass das Modell eigenständig aktuelle Informationen beschafft hat.\n\n### Kontext und Ergebnis planen\n\nDie veröffentlichte Konfiguration setzt max_position_embeddings auf 32.768 und enthält keinen rope_scaling-Eintrag. Die ausgearbeiteten Beispiele des Herstellers verwenden anfragespezifische Generierungslängen; die Modellkarte nennt kein universelles hartes Ausgabemaximum. Halten Sie relevanten Code, abgerufene Textstellen und Gespräch innerhalb des aktiven Kontexts und geben Sie an, ob das endgültige Ergebnis HTML, SVG, ein Codefragment, JSON-Argumente oder ein Bericht sein soll. Dies sind für die beschriebene Aufgabe erzeugte Textdarstellungen; Ausführung, Dateierstellung und Zugriff auf externe Daten bleiben Aktionen der Anwendung.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisches Beispiel auf Englisch
Generate an editable process diagram\n\nCreate self-contained SVG markup for a left-to-right process: Receive -> Validate -> Store. Use three labelled rectangles and two arrows; all labels must remain readable in a 720 by 180 viewBox. Use no scripts, external fonts or external images. Return SVG code and a brief explanation of how the arrows encode the required order.A standalone editable SVG code block with three named nodes and two directional arrows, followed by a short order explanation.Render the SVG locally and check the exact labels, arrow direction and absence of clipped text or external dependencies.THUDM/GLM-4-32B-0414GLM-4-32B-0414 ist die festgelegte Textausgabe von Z.ai für technischen Code, interaktive HTML-/SVG-Artefakte, suchbasierte Berichte und JSON-Funktionsaufrufe. Seine Modellkarte zeigt konkrete Entwicklungsabläufe und einen von der Anwendung gesteuerten Werkzeugzyklus.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
GLM-4-32B-0414 ist die festgelegte Textausgabe der 32B-Klasse in der GLM-4-0414-Serie von Z.ai. Sein Basismodell wurde auf 15 Billionen Token einschließlich synthetischen Reasoning-Materials vortrainiert. Das Nachtraining verbindet die Anpassung an Gesprächspräferenzen, Rejection Sampling und Reinforcement Learning, um das Befolgen von Anweisungen, technischen Code und Funktionsaufrufe weiterzuentwickeln. Zu den angegebenen Aufgaben gehören Softwarearbeiten, Textartefakte, suchbasierte Fragen und Berichte. Ein- und Ausgabe sind Text; generierter Code wird zu einem ausführbaren oder gerenderten Artefakt, wenn die Anwendung ihn speichert und ausführt.
Das auf Reasoning ausgerichtete GLM-Z1-32B-0414 und das rechercheorientierte Rumination-Modell sind separat benannte Ausgaben. Dieser Eintrag folgt den eigenen, breiter angelegten Code- und Werkzeugdemonstrationen des GLM-4-Modells, statt die Denkregeln einer anderen Veröffentlichung zu übernehmen.
Der Hersteller zeigt die Programmierung eines bewegten Balls in einem rotierenden Sechseck. Das Beispiel mit GLM-4-32B-0414 verwendet HTML und beschreibt Bewegung, Kollisionen und physikalische Annahmen. Dies ist Code für eine Simulation, kein Videogenerierungsmodus. Für eine ähnliche Aufgabe geben Sie Szene, Bewegungsregeln, Kollisionsverhalten und die vorgesehene Laufzeitumgebung an und verlangen Sie eine eigenständige Implementierung sowie eine Erklärung der Annahmen. Die Anwendung führt diesen Code aus, um das Ergebnis zu prüfen.
Die Beispiele umfassen eine Zeichenoberfläche für benutzerdefinierte Funktionsgraphen, in der Funktionen hinzugefügt und entfernt sowie Farben zugewiesen werden können. Ein weiteres Beispiel erstellt eine mobile Oberfläche für maschinelles Lernen mit Trainingsaufgaben, Speicherverwaltung und persönlichen Statistiken einschließlich Diagrammen, angeordnet auf einer HTML-Seite. Dies sind konkrete Frontend-Aufgaben mit festgelegten Bedienelementen und Zuständen.
Beschreiben Sie für eine hilfreiche Ausgabe die Aktionen, die jedes Bedienelement unterstützen muss, und die Daten, die die Ansicht anzeigen soll. Ein Oberflächenauftrag kann den Seitencode zusammen mit dem Zusammenhang zwischen Eingabe, angezeigtem Zustand und Ergebnis verlangen. Eine spätere Gesprächsrunde kann die beobachtete Darstellung bereitstellen und eine gezielte Änderung anfordern, wobei das angeführte Verhalten erhalten bleibt.
Der Hersteller zeigt auch SVG-Illustrationen, darunter eine Landschaft und eine Erklärung des Trainingsprozesses eines Sprachmodells. SVG ist strukturierter Text, sodass die Anwendung ihn als bearbeitbares Vektorartefakt speichern kann. Geben Sie Motiv, Beschriftungen, Layout und die erforderlichen visuellen Beziehungen an. Verlangen Sie das SVG-Markup als gesondertes Arbeitsergebnis, statt den Illustrationscode mit einer langen, sachfremden Erklärung zu vermischen.
Für recherchebasiertes Schreiben stellt die Modellkarte Suchergebnisse als Beobachtungen bereit und fordert das Modell auf, sie zu ordnen und zu interpretieren, statt sie zu kopieren. Die Anweisungen unterscheiden relevante von irrelevanten Ergebnissen, bevorzugen aussagekräftige Details, soweit die Belege dies erlauben, verwenden eine gut lesbare Struktur und verlangen eine Antwort in der Sprache der Nutzenden. Das Beispiel erstellt einen analytischen Bericht über Kinderliteratur mit Erzählmethoden, Themen und deren Wirkungen.
Eine praktische Aufgabe kann benannte Auszüge bereitstellen und einen Bericht entlang ausdrücklicher Fragen verlangen, wobei jede Schlussfolgerung mit dem stützenden Material verknüpft wird. Suche und Abruf finden in der umgebenden Anwendung statt; die zurückgegebenen Textstellen werden zu den Belegen des Modells. Dies ist auch für Dokumentvergleiche oder eine Erklärung aus einer bereitgestellten Recherchesammlung hilfreich.
GLM-4-32B-0414 unterstützt externe Werkzeugaufrufe mit JSON-Argumenten. Das Modell benennt eine Funktion und deren Argumente, die Anwendung führt sie aus, und das Ergebnis wird als Beobachtung zurückgegeben. Die Demonstration des Herstellers wiederholt diesen Zyklus, bis eine endgültige Antwort entsteht. Beschreiben Sie Zweck und Pflichtfelder jedes Werkzeugs und unterscheiden Sie seine Beobachtung von der Anweisung der Nutzenden. Eine Abfrage kann so Daten für einen späteren Vergleich liefern, ohne vorzugeben, dass das Modell eigenständig aktuelle Informationen beschafft hat.
Die veröffentlichte Konfiguration setzt max_position_embeddings auf 32.768 und enthält keinen rope_scaling-Eintrag. Die ausgearbeiteten Beispiele des Herstellers verwenden anfragespezifische Generierungslängen; die Modellkarte nennt kein universelles hartes Ausgabemaximum. Halten Sie relevanten Code, abgerufene Textstellen und Gespräch innerhalb des aktiven Kontexts und geben Sie an, ob das endgültige Ergebnis HTML, SVG, ein Codefragment, JSON-Argumente oder ein Bericht sein soll. Dies sind für die beschriebene Aufgabe erzeugte Textdarstellungen; Ausführung, Dateierstellung und Zugriff auf externe Daten bleiben Aktionen der Anwendung.
POST /v1/chat/completionstexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits THUDM/GLM-4-32B-0414 | 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 $0.00014 / 1K Tokens Ausgabe · Ausgabetoken $0.00014 / 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": "THUDM/GLM-4-32B-0414", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='THUDM/GLM-4-32B-0414',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='THUDM/GLM-4-32B-0414',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson 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 THUDM/GLM-4-32B-0414
Verwenden Sie die oben angezeigten Methodenpfade.
THUDM/GLM-4-32B-0414GLM-4-32B-0414 ist die festgelegte Textausgabe von Z.ai für technischen Code, interaktive HTML-/SVG-Artefakte, suchbasierte Berichte und JSON-Funktionsaufrufe. Seine Modellkarte zeigt konkrete Entwicklungsabläufe und einen von der Anwendung gesteuerten Werkzeugzyklus.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
GLM-4-32B-0414 ist die festgelegte Textausgabe der 32B-Klasse in der GLM-4-0414-Serie von Z.ai. Sein Basismodell wurde auf 15 Billionen Token einschließlich synthetischen Reasoning-Materials vortrainiert. Das Nachtraining verbindet die Anpassung an Gesprächspräferenzen, Rejection Sampling und Reinforcement Learning, um das Befolgen von Anweisungen, technischen Code und Funktionsaufrufe weiterzuentwickeln. Zu den angegebenen Aufgaben gehören Softwarearbeiten, Textartefakte, suchbasierte Fragen und Berichte. Ein- und Ausgabe sind Text; generierter Code wird zu einem ausführbaren oder gerenderten Artefakt, wenn die Anwendung ihn speichert und ausführt.
Das auf Reasoning ausgerichtete GLM-Z1-32B-0414 und das rechercheorientierte Rumination-Modell sind separat benannte Ausgaben. Dieser Eintrag folgt den eigenen, breiter angelegten Code- und Werkzeugdemonstrationen des GLM-4-Modells, statt die Denkregeln einer anderen Veröffentlichung zu übernehmen.
Der Hersteller zeigt die Programmierung eines bewegten Balls in einem rotierenden Sechseck. Das Beispiel mit GLM-4-32B-0414 verwendet HTML und beschreibt Bewegung, Kollisionen und physikalische Annahmen. Dies ist Code für eine Simulation, kein Videogenerierungsmodus. Für eine ähnliche Aufgabe geben Sie Szene, Bewegungsregeln, Kollisionsverhalten und die vorgesehene Laufzeitumgebung an und verlangen Sie eine eigenständige Implementierung sowie eine Erklärung der Annahmen. Die Anwendung führt diesen Code aus, um das Ergebnis zu prüfen.
Die Beispiele umfassen eine Zeichenoberfläche für benutzerdefinierte Funktionsgraphen, in der Funktionen hinzugefügt und entfernt sowie Farben zugewiesen werden können. Ein weiteres Beispiel erstellt eine mobile Oberfläche für maschinelles Lernen mit Trainingsaufgaben, Speicherverwaltung und persönlichen Statistiken einschließlich Diagrammen, angeordnet auf einer HTML-Seite. Dies sind konkrete Frontend-Aufgaben mit festgelegten Bedienelementen und Zuständen.
Beschreiben Sie für eine hilfreiche Ausgabe die Aktionen, die jedes Bedienelement unterstützen muss, und die Daten, die die Ansicht anzeigen soll. Ein Oberflächenauftrag kann den Seitencode zusammen mit dem Zusammenhang zwischen Eingabe, angezeigtem Zustand und Ergebnis verlangen. Eine spätere Gesprächsrunde kann die beobachtete Darstellung bereitstellen und eine gezielte Änderung anfordern, wobei das angeführte Verhalten erhalten bleibt.
Der Hersteller zeigt auch SVG-Illustrationen, darunter eine Landschaft und eine Erklärung des Trainingsprozesses eines Sprachmodells. SVG ist strukturierter Text, sodass die Anwendung ihn als bearbeitbares Vektorartefakt speichern kann. Geben Sie Motiv, Beschriftungen, Layout und die erforderlichen visuellen Beziehungen an. Verlangen Sie das SVG-Markup als gesondertes Arbeitsergebnis, statt den Illustrationscode mit einer langen, sachfremden Erklärung zu vermischen.
Für recherchebasiertes Schreiben stellt die Modellkarte Suchergebnisse als Beobachtungen bereit und fordert das Modell auf, sie zu ordnen und zu interpretieren, statt sie zu kopieren. Die Anweisungen unterscheiden relevante von irrelevanten Ergebnissen, bevorzugen aussagekräftige Details, soweit die Belege dies erlauben, verwenden eine gut lesbare Struktur und verlangen eine Antwort in der Sprache der Nutzenden. Das Beispiel erstellt einen analytischen Bericht über Kinderliteratur mit Erzählmethoden, Themen und deren Wirkungen.
Eine praktische Aufgabe kann benannte Auszüge bereitstellen und einen Bericht entlang ausdrücklicher Fragen verlangen, wobei jede Schlussfolgerung mit dem stützenden Material verknüpft wird. Suche und Abruf finden in der umgebenden Anwendung statt; die zurückgegebenen Textstellen werden zu den Belegen des Modells. Dies ist auch für Dokumentvergleiche oder eine Erklärung aus einer bereitgestellten Recherchesammlung hilfreich.
GLM-4-32B-0414 unterstützt externe Werkzeugaufrufe mit JSON-Argumenten. Das Modell benennt eine Funktion und deren Argumente, die Anwendung führt sie aus, und das Ergebnis wird als Beobachtung zurückgegeben. Die Demonstration des Herstellers wiederholt diesen Zyklus, bis eine endgültige Antwort entsteht. Beschreiben Sie Zweck und Pflichtfelder jedes Werkzeugs und unterscheiden Sie seine Beobachtung von der Anweisung der Nutzenden. Eine Abfrage kann so Daten für einen späteren Vergleich liefern, ohne vorzugeben, dass das Modell eigenständig aktuelle Informationen beschafft hat.
Die veröffentlichte Konfiguration setzt max_position_embeddings auf 32.768 und enthält keinen rope_scaling-Eintrag. Die ausgearbeiteten Beispiele des Herstellers verwenden anfragespezifische Generierungslängen; die Modellkarte nennt kein universelles hartes Ausgabemaximum. Halten Sie relevanten Code, abgerufene Textstellen und Gespräch innerhalb des aktiven Kontexts und geben Sie an, ob das endgültige Ergebnis HTML, SVG, ein Codefragment, JSON-Argumente oder ein Bericht sein soll. Dies sind für die beschriebene Aufgabe erzeugte Textdarstellungen; Ausführung, Dateierstellung und Zugriff auf externe Daten bleiben Aktionen der Anwendung.
POST /v1/messagestextjson, sse| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits THUDM/GLM-4-32B-0414 | 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 $0.00014 / 1K Tokens Ausgabe · Ausgabetoken $0.00014 / 1K Tokens Eingabe · Cache lesen $0 / 1K Tokens Eingabe · In Cache schreiben $0 / 1K Tokens Eingabe · In Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
{\n "model": "THUDM/GLM-4-32B-0414",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'THUDM/GLM-4-32B-0414', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'THUDM/GLM-4-32B-0414', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON 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 THUDM/GLM-4-32B-0414
Verwenden Sie die oben angezeigten Methodenpfade.
Technisches Beispiel auf Englisch
Generate an editable process diagram\n\nCreate self-contained SVG markup for a left-to-right process: Receive -> Validate -> Store. Use three labelled rectangles and two arrows; all labels must remain readable in a 720 by 180 viewBox. Use no scripts, external fonts or external images. Return SVG code and a brief explanation of how the arrows encode the required order.A standalone editable SVG code block with three named nodes and two directional arrows, followed by a short order explanation.Render the SVG locally and check the exact labels, arrow direction and absence of clipped text or external dependencies.