GLM-Z1-Rumination-32B-0414 ist die rechercheorientierte Reasoning-Ausgabe der GLM-4-0414-Serie von Z.ai. Sie ist dafür ausgelegt, offene Fragen länger zu bearbeiten und während des Reasoning-Prozesses abgerufene Informationen zu nutzen. Der Hersteller beschreibt vergleichendes Rechercheschreiben und komplexen Informationsabruf als typische Aufgaben. Das endgültige Arbeitsergebnis ist Text, etwa ein analytischer Bericht, der eine Frage mit den dafür gesammelten Belegen verbindet.
Geben Sie Thema, Umfang und Vergleichskriterien an, bevor Material gesammelt wird. Für einen Bericht, der Entwicklungspläne zweier Städte vergleicht, benennen Sie Städte, Zeitraum und die zu vergleichenden Aspekte. Verlangen Sie die relevanten Belege, die Vergleichspunkte und eine gesonderte Schlussfolgerung. Eine offene Aufgabe wird leichter überprüfbar, wenn die erwarteten Abschnitte und Quellenanforderungen ausdrücklich festgelegt sind.
Stellen Sie vorhandene Dokumente oder Auszüge mit klaren Titeln und Kennungen bereit. Trennen Sie Quellenmaterial von Anweisungen und legen Sie fest, wie die Antwort mit unvollständigen oder widersprüchlichen Belegen umgehen soll. Ein Bericht kann einen dokumentierten Fakt von einer Interpretation unterscheiden und erklären, welche Quelle jeden wesentlichen Punkt stützt.
Der ausgearbeitete Werkzeugzyklus des Herstellers umfasst eine Stichwortsuche, das Öffnen eines Suchergebnisses, das Öffnen einer bestimmten URL und den Abschluss der Informationssammlung vor dem Schreiben. Das Modell wählt eine Aktion und Argumente aus; die umgebende Anwendung führt den Abruf aus und liefert die Beobachtung. Dies ist ein um das Modell aufgebauter Rechercheablauf, keine Annahme, dass eine Textantwort bereits im Web recherchiert hat.
Bei einer Anwendung nach diesem Muster geben Sie den relevanten Inhalt der abgerufenen Seite mit Titel und URL zurück. Halten Sie die Quellenkennungen über Gesprächsrunden hinweg einheitlich, damit ein späterer Vergleich auf dieselben Dokumente verweist. Lassen Sie das Modell eine Suche verfeinern, wenn die Beobachtung die Recherchefrage nicht beantwortet, und den endgültigen Bericht erstellen, sobald die verlangten Belege gesammelt wurden.
Das veröffentlichte Beispiel verwendet simulierte Abruffunktionen, um den Kontrollfluss zu zeigen. Eine funktionsfähige Anwendung stellt ihre eigenen Abrufimplementierungen bereit und entscheidet, wann der Zyklus genug Informationen gesammelt hat. Die Rundengrenze und das Generierungsbudget des Beispiels beschreiben dieses Beispiel; sie sind keine universellen Grenzen dieser Ausgabe.
Verlangen Sie eine Antwort, die sich am tatsächlichen Rechercheproblem orientiert: Erkenntnisse, Vergleich, Unsicherheit und Schlussfolgerung. Bei einem Dokumentvergleich soll das Modell zunächst feststellen, welche Bedingungen sich unterscheiden, bevor es eine Interpretation vorschlägt. Für einen Rechercheüberblick definieren Sie Zielgruppe und die zu beantwortenden Fragen, damit der zurückgegebene Text an die Aufgabe gebunden bleibt.
Prüfen Sie den Bericht zusammen mit seinen Quellenbeobachtungen. Kontrollieren Sie Zitate, Daten und Kausalaussagen anhand des dem Zyklus bereitgestellten Materials. Bewahren Sie Frage, abgerufene Textstellen und endgültiges Ergebnis gemeinsam auf, wenn ein Bericht später überarbeitet werden soll. So bleiben die Belege erhalten, die zum Verständnis der Schlussfolgerung nötig sind.
Dieser Eintrag behält die Identität Rumination 32B 0414 bei. Die reguläre Reasoning-Ausgabe GLM-Z1-32B-0414 und die kleinere Z1-Ausgabe sind separat benannte Veröffentlichungen. Die Rumination-Modellkarte des Herstellers belegt das rechercheorientierte Werkzeugmuster und das Inferenzbeispiel; ihre wenigen Angaben zu Grenzen sollten beim Vorbereiten einer langen Anfrage durch den tatsächlichen Schnittstellenvertrag ergänzt werden.
", "aboutText": "GLM-Z1-Rumination-32B-0414 ist die rechercheorientierte Reasoning-Ausgabe der GLM-4-0414-Serie von Z.ai. Sie ist dafür ausgelegt, offene Fragen länger zu bearbeiten und während des Reasoning-Prozesses abgerufene Informationen zu nutzen. Der Hersteller beschreibt vergleichendes Rechercheschreiben und komplexen Informationsabruf als typische Aufgaben. Das endgültige Arbeitsergebnis ist Text, etwa ein analytischer Bericht, der eine Frage mit den dafür gesammelten Belegen verbindet.\n\n### Die Recherchefrage festlegen\n\nGeben Sie Thema, Umfang und Vergleichskriterien an, bevor Material gesammelt wird. Für einen Bericht, der Entwicklungspläne zweier Städte vergleicht, benennen Sie Städte, Zeitraum und die zu vergleichenden Aspekte. Verlangen Sie die relevanten Belege, die Vergleichspunkte und eine gesonderte Schlussfolgerung. Eine offene Aufgabe wird leichter überprüfbar, wenn die erwarteten Abschnitte und Quellenanforderungen ausdrücklich festgelegt sind.\n\nStellen Sie vorhandene Dokumente oder Auszüge mit klaren Titeln und Kennungen bereit. Trennen Sie Quellenmaterial von Anweisungen und legen Sie fest, wie die Antwort mit unvollständigen oder widersprüchlichen Belegen umgehen soll. Ein Bericht kann einen dokumentierten Fakt von einer Interpretation unterscheiden und erklären, welche Quelle jeden wesentlichen Punkt stützt.\n\n### Suchen, lesen und Beobachtungen zurückgeben\n\nDer ausgearbeitete Werkzeugzyklus des Herstellers umfasst eine Stichwortsuche, das Öffnen eines Suchergebnisses, das Öffnen einer bestimmten URL und den Abschluss der Informationssammlung vor dem Schreiben. Das Modell wählt eine Aktion und Argumente aus; die umgebende Anwendung führt den Abruf aus und liefert die Beobachtung. Dies ist ein um das Modell aufgebauter Rechercheablauf, keine Annahme, dass eine Textantwort bereits im Web recherchiert hat.\n\nBei einer Anwendung nach diesem Muster geben Sie den relevanten Inhalt der abgerufenen Seite mit Titel und URL zurück. Halten Sie die Quellenkennungen über Gesprächsrunden hinweg einheitlich, damit ein späterer Vergleich auf dieselben Dokumente verweist. Lassen Sie das Modell eine Suche verfeinern, wenn die Beobachtung die Recherchefrage nicht beantwortet, und den endgültigen Bericht erstellen, sobald die verlangten Belege gesammelt wurden.\n\nDas veröffentlichte Beispiel verwendet simulierte Abruffunktionen, um den Kontrollfluss zu zeigen. Eine funktionsfähige Anwendung stellt ihre eigenen Abrufimplementierungen bereit und entscheidet, wann der Zyklus genug Informationen gesammelt hat. Die Rundengrenze und das Generierungsbudget des Beispiels beschreiben dieses Beispiel; sie sind keine universellen Grenzen dieser Ausgabe.\n\n### Den Bericht vorbereiten und prüfen\n\nVerlangen Sie eine Antwort, die sich am tatsächlichen Rechercheproblem orientiert: Erkenntnisse, Vergleich, Unsicherheit und Schlussfolgerung. Bei einem Dokumentvergleich soll das Modell zunächst feststellen, welche Bedingungen sich unterscheiden, bevor es eine Interpretation vorschlägt. Für einen Rechercheüberblick definieren Sie Zielgruppe und die zu beantwortenden Fragen, damit der zurückgegebene Text an die Aufgabe gebunden bleibt.\n\nPrüfen Sie den Bericht zusammen mit seinen Quellenbeobachtungen. Kontrollieren Sie Zitate, Daten und Kausalaussagen anhand des dem Zyklus bereitgestellten Materials. Bewahren Sie Frage, abgerufene Textstellen und endgültiges Ergebnis gemeinsam auf, wenn ein Bericht später überarbeitet werden soll. So bleiben die Belege erhalten, die zum Verständnis der Schlussfolgerung nötig sind.\n\n### Die festgelegte Ausgabe beibehalten\n\nDieser Eintrag behält die Identität Rumination 32B 0414 bei. Die reguläre Reasoning-Ausgabe GLM-Z1-32B-0414 und die kleinere Z1-Ausgabe sind separat benannte Veröffentlichungen. Die Rumination-Modellkarte des Herstellers belegt das rechercheorientierte Werkzeugmuster und das Inferenzbeispiel; ihre wenigen Angaben zu Grenzen sollten beim Vorbereiten einer langen Anfrage durch den tatsächlichen Schnittstellenvertrag ergänzt werden.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisches Beispiel auf Englisch
Synthesize a source-bounded pilot comparison\n\nWrite a short research comparison from these supplied excerpts. Pilot A: staff reported faster intake, but no timing measurement was collected. Pilot B: median intake fell from 12 to 9 minutes; error counts were not recorded. Compare evidence for speed and quality, cite A or B, and state what follow-up measurement is needed before a broad conclusion.A concise comparison with findings, evidence gaps and a limited conclusion grounded in the excerpts.The report distinguishes reported impressions from measured timing and does not claim improved quality without error data.THUDM/GLM-Z1-Rumination-32B-0414GLM-Z1-Rumination-32B-0414 ist eine festgelegte Text-Reasoning-Ausgabe für offene Recherchen und vergleichende Berichte. Der Hersteller dokumentiert einen Such- und Lesezyklus, in dem die Anwendung Quellen abruft und Beobachtungen zurückliefert, bevor das Modell sein Ergebnis schreibt.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
GLM-Z1-Rumination-32B-0414 ist die rechercheorientierte Reasoning-Ausgabe der GLM-4-0414-Serie von Z.ai. Sie ist dafür ausgelegt, offene Fragen länger zu bearbeiten und während des Reasoning-Prozesses abgerufene Informationen zu nutzen. Der Hersteller beschreibt vergleichendes Rechercheschreiben und komplexen Informationsabruf als typische Aufgaben. Das endgültige Arbeitsergebnis ist Text, etwa ein analytischer Bericht, der eine Frage mit den dafür gesammelten Belegen verbindet.
Geben Sie Thema, Umfang und Vergleichskriterien an, bevor Material gesammelt wird. Für einen Bericht, der Entwicklungspläne zweier Städte vergleicht, benennen Sie Städte, Zeitraum und die zu vergleichenden Aspekte. Verlangen Sie die relevanten Belege, die Vergleichspunkte und eine gesonderte Schlussfolgerung. Eine offene Aufgabe wird leichter überprüfbar, wenn die erwarteten Abschnitte und Quellenanforderungen ausdrücklich festgelegt sind.
Stellen Sie vorhandene Dokumente oder Auszüge mit klaren Titeln und Kennungen bereit. Trennen Sie Quellenmaterial von Anweisungen und legen Sie fest, wie die Antwort mit unvollständigen oder widersprüchlichen Belegen umgehen soll. Ein Bericht kann einen dokumentierten Fakt von einer Interpretation unterscheiden und erklären, welche Quelle jeden wesentlichen Punkt stützt.
Der ausgearbeitete Werkzeugzyklus des Herstellers umfasst eine Stichwortsuche, das Öffnen eines Suchergebnisses, das Öffnen einer bestimmten URL und den Abschluss der Informationssammlung vor dem Schreiben. Das Modell wählt eine Aktion und Argumente aus; die umgebende Anwendung führt den Abruf aus und liefert die Beobachtung. Dies ist ein um das Modell aufgebauter Rechercheablauf, keine Annahme, dass eine Textantwort bereits im Web recherchiert hat.
Bei einer Anwendung nach diesem Muster geben Sie den relevanten Inhalt der abgerufenen Seite mit Titel und URL zurück. Halten Sie die Quellenkennungen über Gesprächsrunden hinweg einheitlich, damit ein späterer Vergleich auf dieselben Dokumente verweist. Lassen Sie das Modell eine Suche verfeinern, wenn die Beobachtung die Recherchefrage nicht beantwortet, und den endgültigen Bericht erstellen, sobald die verlangten Belege gesammelt wurden.
Das veröffentlichte Beispiel verwendet simulierte Abruffunktionen, um den Kontrollfluss zu zeigen. Eine funktionsfähige Anwendung stellt ihre eigenen Abrufimplementierungen bereit und entscheidet, wann der Zyklus genug Informationen gesammelt hat. Die Rundengrenze und das Generierungsbudget des Beispiels beschreiben dieses Beispiel; sie sind keine universellen Grenzen dieser Ausgabe.
Verlangen Sie eine Antwort, die sich am tatsächlichen Rechercheproblem orientiert: Erkenntnisse, Vergleich, Unsicherheit und Schlussfolgerung. Bei einem Dokumentvergleich soll das Modell zunächst feststellen, welche Bedingungen sich unterscheiden, bevor es eine Interpretation vorschlägt. Für einen Rechercheüberblick definieren Sie Zielgruppe und die zu beantwortenden Fragen, damit der zurückgegebene Text an die Aufgabe gebunden bleibt.
Prüfen Sie den Bericht zusammen mit seinen Quellenbeobachtungen. Kontrollieren Sie Zitate, Daten und Kausalaussagen anhand des dem Zyklus bereitgestellten Materials. Bewahren Sie Frage, abgerufene Textstellen und endgültiges Ergebnis gemeinsam auf, wenn ein Bericht später überarbeitet werden soll. So bleiben die Belege erhalten, die zum Verständnis der Schlussfolgerung nötig sind.
Dieser Eintrag behält die Identität Rumination 32B 0414 bei. Die reguläre Reasoning-Ausgabe GLM-Z1-32B-0414 und die kleinere Z1-Ausgabe sind separat benannte Veröffentlichungen. Die Rumination-Modellkarte des Herstellers belegt das rechercheorientierte Werkzeugmuster und das Inferenzbeispiel; ihre wenigen Angaben zu Grenzen sollten beim Vorbereiten einer langen Anfrage durch den tatsächlichen Schnittstellenvertrag ergänzt werden.
POST /v1/chat/completionstexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits THUDM/GLM-Z1-Rumination-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-Z1-Rumination-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-Z1-Rumination-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-Z1-Rumination-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-Z1-Rumination-32B-0414
Verwenden Sie die oben angezeigten Methodenpfade.
THUDM/GLM-Z1-Rumination-32B-0414GLM-Z1-Rumination-32B-0414 ist eine festgelegte Text-Reasoning-Ausgabe für offene Recherchen und vergleichende Berichte. Der Hersteller dokumentiert einen Such- und Lesezyklus, in dem die Anwendung Quellen abruft und Beobachtungen zurückliefert, bevor das Modell sein Ergebnis schreibt.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
GLM-Z1-Rumination-32B-0414 ist die rechercheorientierte Reasoning-Ausgabe der GLM-4-0414-Serie von Z.ai. Sie ist dafür ausgelegt, offene Fragen länger zu bearbeiten und während des Reasoning-Prozesses abgerufene Informationen zu nutzen. Der Hersteller beschreibt vergleichendes Rechercheschreiben und komplexen Informationsabruf als typische Aufgaben. Das endgültige Arbeitsergebnis ist Text, etwa ein analytischer Bericht, der eine Frage mit den dafür gesammelten Belegen verbindet.
Geben Sie Thema, Umfang und Vergleichskriterien an, bevor Material gesammelt wird. Für einen Bericht, der Entwicklungspläne zweier Städte vergleicht, benennen Sie Städte, Zeitraum und die zu vergleichenden Aspekte. Verlangen Sie die relevanten Belege, die Vergleichspunkte und eine gesonderte Schlussfolgerung. Eine offene Aufgabe wird leichter überprüfbar, wenn die erwarteten Abschnitte und Quellenanforderungen ausdrücklich festgelegt sind.
Stellen Sie vorhandene Dokumente oder Auszüge mit klaren Titeln und Kennungen bereit. Trennen Sie Quellenmaterial von Anweisungen und legen Sie fest, wie die Antwort mit unvollständigen oder widersprüchlichen Belegen umgehen soll. Ein Bericht kann einen dokumentierten Fakt von einer Interpretation unterscheiden und erklären, welche Quelle jeden wesentlichen Punkt stützt.
Der ausgearbeitete Werkzeugzyklus des Herstellers umfasst eine Stichwortsuche, das Öffnen eines Suchergebnisses, das Öffnen einer bestimmten URL und den Abschluss der Informationssammlung vor dem Schreiben. Das Modell wählt eine Aktion und Argumente aus; die umgebende Anwendung führt den Abruf aus und liefert die Beobachtung. Dies ist ein um das Modell aufgebauter Rechercheablauf, keine Annahme, dass eine Textantwort bereits im Web recherchiert hat.
Bei einer Anwendung nach diesem Muster geben Sie den relevanten Inhalt der abgerufenen Seite mit Titel und URL zurück. Halten Sie die Quellenkennungen über Gesprächsrunden hinweg einheitlich, damit ein späterer Vergleich auf dieselben Dokumente verweist. Lassen Sie das Modell eine Suche verfeinern, wenn die Beobachtung die Recherchefrage nicht beantwortet, und den endgültigen Bericht erstellen, sobald die verlangten Belege gesammelt wurden.
Das veröffentlichte Beispiel verwendet simulierte Abruffunktionen, um den Kontrollfluss zu zeigen. Eine funktionsfähige Anwendung stellt ihre eigenen Abrufimplementierungen bereit und entscheidet, wann der Zyklus genug Informationen gesammelt hat. Die Rundengrenze und das Generierungsbudget des Beispiels beschreiben dieses Beispiel; sie sind keine universellen Grenzen dieser Ausgabe.
Verlangen Sie eine Antwort, die sich am tatsächlichen Rechercheproblem orientiert: Erkenntnisse, Vergleich, Unsicherheit und Schlussfolgerung. Bei einem Dokumentvergleich soll das Modell zunächst feststellen, welche Bedingungen sich unterscheiden, bevor es eine Interpretation vorschlägt. Für einen Rechercheüberblick definieren Sie Zielgruppe und die zu beantwortenden Fragen, damit der zurückgegebene Text an die Aufgabe gebunden bleibt.
Prüfen Sie den Bericht zusammen mit seinen Quellenbeobachtungen. Kontrollieren Sie Zitate, Daten und Kausalaussagen anhand des dem Zyklus bereitgestellten Materials. Bewahren Sie Frage, abgerufene Textstellen und endgültiges Ergebnis gemeinsam auf, wenn ein Bericht später überarbeitet werden soll. So bleiben die Belege erhalten, die zum Verständnis der Schlussfolgerung nötig sind.
Dieser Eintrag behält die Identität Rumination 32B 0414 bei. Die reguläre Reasoning-Ausgabe GLM-Z1-32B-0414 und die kleinere Z1-Ausgabe sind separat benannte Veröffentlichungen. Die Rumination-Modellkarte des Herstellers belegt das rechercheorientierte Werkzeugmuster und das Inferenzbeispiel; ihre wenigen Angaben zu Grenzen sollten beim Vorbereiten einer langen Anfrage durch den tatsächlichen Schnittstellenvertrag ergänzt werden.
POST /v1/messagestextjson, sse| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits THUDM/GLM-Z1-Rumination-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 $0 / 1K Tokens Eingabe · In Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
{\n "model": "THUDM/GLM-Z1-Rumination-32B-0414",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-Z1-Rumination-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-Z1-Rumination-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-Z1-Rumination-32B-0414
Verwenden Sie die oben angezeigten Methodenpfade.
Technisches Beispiel auf Englisch
Synthesize a source-bounded pilot comparison\n\nWrite a short research comparison from these supplied excerpts. Pilot A: staff reported faster intake, but no timing measurement was collected. Pilot B: median intake fell from 12 to 9 minutes; error counts were not recorded. Compare evidence for speed and quality, cite A or B, and state what follow-up measurement is needed before a broad conclusion.A concise comparison with findings, evidence gaps and a limited conclusion grounded in the excerpts.The report distinguishes reported impressions from measured timing and does not claim improved quality without error data.