GLM-4.7-Flash ist die Mixture-of-Experts-Edition 30B-A3B der GLM-4.7-Familie von Z.ai. Ihr dünn besetztes Design hat insgesamt ungefähr 30 Milliarden Parameter und drei Milliarden aktivierte Parameter; der Hersteller stellt sie als leichtgewichtiges Modell vor, das Leistungsfähigkeit und Effizienz ausbalanciert. Es nimmt Text entgegen und generiert Text. Der Hersteller hebt insbesondere Softwareentwicklung, chinesisches Schreiben, Übersetzung, die Verarbeitung langer Texte und rollenbasierte Gespräche hervor. Ein zweckmäßiges Briefing kann einen Codevorschlag, eine überarbeitete Passage, eine Erklärung oder ein strukturiertes Ergebnis auf Grundlage bereitgestellten Materials anfordern.
Für die Entwicklung nennt Z.ai bei dieser Flash-Edition sowohl Frontend-Aufgaben als auch Aufgaben der Anwendungslogik. Stellen Sie das zu implementierende Verhalten, den relevanten Quelltext und die Bedingungen bereit, die erhalten bleiben müssen. Beschreiben Sie bei einer Seite oder Komponente deren Zustände, Layout und erforderliche Interaktion und verlangen Sie anschließend bearbeitbaren Code und eine Erklärung der wichtigen Entscheidungen. Fügen Sie bei einer bestehenden Funktion den beobachteten Fehler und ein Beispiel des erwarteten Ergebnisses bei. Das Modell erzeugt den vorgeschlagenen Code; ihn zu kompilieren, auszuführen oder die Oberfläche zu rendern gehört zu einer angebundenen Anwendungsumgebung.
Das vom Hersteller gehostete Profil der GLM-4.7-Serie nennt für Flash Texteingabe, Textausgabe, einen Kontext von 200K Tokens und bis zu 128K Ausgabe-Tokens. Die Karte des offenen Modells und das Hosting-Profil beschreiben unterschiedliche Aspekte derselben benannten Edition: Checkpoint-Eigenschaften und eine Dienstkonfiguration des Herstellers. Bereiten Sie lange Eingaben mit Quellenüberschriften, Codekennungen und klaren Dokumentgrenzen vor und lassen Sie Platz für den Denkprozess und die angeforderte Antwort. Ein reines Textmodell kann Code für eine Anwendung schreiben, die Bilder oder Kameraeingaben verarbeitet; dadurch erhält dieser Checkpoint jedoch keinen nativen Modus für visuelle Eingaben.
Der Denkmodus ist in der GLM-4.7-Serie standardmäßig aktiviert. Der Hersteller dokumentiert einen Schalter pro Gesprächsrunde, sodass ein Gespräch für eine schwierige Frage Schlussfolgern anfordern und es für eine einfache Umformulierung oder kurze Antwort deaktivieren kann. Außerdem unterstützt das Modell eingeschobene Denkphasen zwischen Werkzeugaufrufen. Dadurch kann es eine zurückgegebene Beobachtung interpretieren, bevor es einen weiteren Schritt plant. Definieren Sie die verfügbaren Werkzeuge und das erforderliche Endergebnis, bevor Sie eine solche Aufgabe beginnen. Ein Dokumentassistent kann ausgewählte Informationen anfordern, das tatsächliche Abrufresultat erhalten und anschließend eine dadurch gestützte Erklärung vorbereiten.
Das Beibehalten von Denkprozessen ist eine eigene Option für fortlaufende Programmier- oder Agentenarbeit. Der Leitfaden des Herstellers verwendet clear_thinking=false und verlangt, dass das vollständige, unveränderte reasoning_content früherer Assistentenrunden in seiner ursprünglichen Reihenfolge zurückgegeben wird. Änderungen oder Umordnungen dieser Blöcke können das Ergebnis verschlechtern und das Cache-Verhalten beeinflussen. Der Standardwert unterscheidet sich zwischen den Programmier- und Standardschnittstellen des Herstellers. Die Option ist daher Teil eines konfigurierten Ablaufs und keine automatische Eigenschaft jedes Gesprächs. Halten Sie die sichtbare Antwort vom beibehaltenen Denkprozess getrennt und bewahren Sie die Belege oder Werkzeugausgaben, von denen spätere Schritte abhängen.
Die dokumentierte Schnittstelle der Familie umfasst Text-Streaming, Funktionsaufrufe, Kontext-Caching und strukturierte Ausgaben wie JSON. Geben Sie bei einem strukturierten Ergebnis die erforderlichen Felder und die Bedeutung jedes Werts an; definieren Sie bei einer Werkzeuganfrage Zweck, Argumente und Abschlussbedingung der Funktion. Ein generierter Aufruf ist eine Aufforderung an die Anwendung, tätig zu werden, und kein Ausführungsnachweis. Das Endergebnis kann ein kurzer Bericht, ein Datenobjekt oder ein Codeergebnis sein, wobei die zu seiner Erstellung verwendeten Informationen weiterhin identifizierbar bleiben.
Geben Sie für Schreiben oder Übersetzen die Leserschaft, Sprache, Tonalität und unverändert zu belassende Begriffe an. Der Hersteller empfiehlt, Flash neben technischer Arbeit auch für chinesisches Schreiben sowie erzählerische oder rollenbasierte Dialoge auszuprobieren. Ein beispielhaftes Überarbeitungsbriefing kann eine Passage vorgeben und eine knappe Revision verlangen, die deren Fakten bewahrt; ein Übersetzungsbriefing kann ein Glossar bereitstellen und zitierten Text von Anweisungen unterscheiden. Bewahren Sie in einem längeren Gespräch die Rahmenbedingungen und benennen Sie das als Nächstes benötigte Ergebnis, damit die Modellantwort mit der ursprünglichen Aufgabe verbunden bleibt.
Die genaue Karte des offenen Modells veröffentlicht unterschiedliche Generierungseinstellungen für ihre Evaluierungsaufgaben: einen Standardwert für temperature von 1.0 und für top-p von 0.95 sowie gesonderte Einstellungen für Softwareaufgaben von 0.7 und 1.0. Ihre beispielhaften Generierungslängen sind Teil dieser Verfahren und keine zusätzlichen allgemeingültigen Grenzen. Der Checkpoint unterscheidet sich von GLM-4.7, GLM-4.7-FlashX und späteren GLM-5-Modellen. Stimmen Sie Aufgabe und Antwortmodus auf die dokumentierten Textfähigkeiten dieser Edition ab und bewerten Sie anschließend den gelieferten Code, extrahierte Werte oder überarbeitete Texte anhand der Eingabe.
", "aboutText": "GLM-4.7-Flash ist die Mixture-of-Experts-Edition 30B-A3B der GLM-4.7-Familie von Z.ai. Ihr dünn besetztes Design hat insgesamt ungefähr 30 Milliarden Parameter und drei Milliarden aktivierte Parameter; der Hersteller stellt sie als leichtgewichtiges Modell vor, das Leistungsfähigkeit und Effizienz ausbalanciert. Es nimmt Text entgegen und generiert Text. Der Hersteller hebt insbesondere Softwareentwicklung, chinesisches Schreiben, Übersetzung, die Verarbeitung langer Texte und rollenbasierte Gespräche hervor. Ein zweckmäßiges Briefing kann einen Codevorschlag, eine überarbeitete Passage, eine Erklärung oder ein strukturiertes Ergebnis auf Grundlage bereitgestellten Materials anfordern.\n\nFür die Entwicklung nennt Z.ai bei dieser Flash-Edition sowohl Frontend-Aufgaben als auch Aufgaben der Anwendungslogik. Stellen Sie das zu implementierende Verhalten, den relevanten Quelltext und die Bedingungen bereit, die erhalten bleiben müssen. Beschreiben Sie bei einer Seite oder Komponente deren Zustände, Layout und erforderliche Interaktion und verlangen Sie anschließend bearbeitbaren Code und eine Erklärung der wichtigen Entscheidungen. Fügen Sie bei einer bestehenden Funktion den beobachteten Fehler und ein Beispiel des erwarteten Ergebnisses bei. Das Modell erzeugt den vorgeschlagenen Code; ihn zu kompilieren, auszuführen oder die Oberfläche zu rendern gehört zu einer angebundenen Anwendungsumgebung.\n\nDas vom Hersteller gehostete Profil der GLM-4.7-Serie nennt für Flash Texteingabe, Textausgabe, einen Kontext von 200K Tokens und bis zu 128K Ausgabe-Tokens. Die Karte des offenen Modells und das Hosting-Profil beschreiben unterschiedliche Aspekte derselben benannten Edition: Checkpoint-Eigenschaften und eine Dienstkonfiguration des Herstellers. Bereiten Sie lange Eingaben mit Quellenüberschriften, Codekennungen und klaren Dokumentgrenzen vor und lassen Sie Platz für den Denkprozess und die angeforderte Antwort. Ein reines Textmodell kann Code für eine Anwendung schreiben, die Bilder oder Kameraeingaben verarbeitet; dadurch erhält dieser Checkpoint jedoch keinen nativen Modus für visuelle Eingaben.\n\nDer Denkmodus ist in der GLM-4.7-Serie standardmäßig aktiviert. Der Hersteller dokumentiert einen Schalter pro Gesprächsrunde, sodass ein Gespräch für eine schwierige Frage Schlussfolgern anfordern und es für eine einfache Umformulierung oder kurze Antwort deaktivieren kann. Außerdem unterstützt das Modell eingeschobene Denkphasen zwischen Werkzeugaufrufen. Dadurch kann es eine zurückgegebene Beobachtung interpretieren, bevor es einen weiteren Schritt plant. Definieren Sie die verfügbaren Werkzeuge und das erforderliche Endergebnis, bevor Sie eine solche Aufgabe beginnen. Ein Dokumentassistent kann ausgewählte Informationen anfordern, das tatsächliche Abrufresultat erhalten und anschließend eine dadurch gestützte Erklärung vorbereiten.\n\nDas Beibehalten von Denkprozessen ist eine eigene Option für fortlaufende Programmier- oder Agentenarbeit. Der Leitfaden des Herstellers verwendet clear_thinking=false und verlangt, dass das vollständige, unveränderte reasoning_content früherer Assistentenrunden in seiner ursprünglichen Reihenfolge zurückgegeben wird. Änderungen oder Umordnungen dieser Blöcke können das Ergebnis verschlechtern und das Cache-Verhalten beeinflussen. Der Standardwert unterscheidet sich zwischen den Programmier- und Standardschnittstellen des Herstellers. Die Option ist daher Teil eines konfigurierten Ablaufs und keine automatische Eigenschaft jedes Gesprächs. Halten Sie die sichtbare Antwort vom beibehaltenen Denkprozess getrennt und bewahren Sie die Belege oder Werkzeugausgaben, von denen spätere Schritte abhängen.\n\nDie dokumentierte Schnittstelle der Familie umfasst Text-Streaming, Funktionsaufrufe, Kontext-Caching und strukturierte Ausgaben wie JSON. Geben Sie bei einem strukturierten Ergebnis die erforderlichen Felder und die Bedeutung jedes Werts an; definieren Sie bei einer Werkzeuganfrage Zweck, Argumente und Abschlussbedingung der Funktion. Ein generierter Aufruf ist eine Aufforderung an die Anwendung, tätig zu werden, und kein Ausführungsnachweis. Das Endergebnis kann ein kurzer Bericht, ein Datenobjekt oder ein Codeergebnis sein, wobei die zu seiner Erstellung verwendeten Informationen weiterhin identifizierbar bleiben.\n\nGeben Sie für Schreiben oder Übersetzen die Leserschaft, Sprache, Tonalität und unverändert zu belassende Begriffe an. Der Hersteller empfiehlt, Flash neben technischer Arbeit auch für chinesisches Schreiben sowie erzählerische oder rollenbasierte Dialoge auszuprobieren. Ein beispielhaftes Überarbeitungsbriefing kann eine Passage vorgeben und eine knappe Revision verlangen, die deren Fakten bewahrt; ein Übersetzungsbriefing kann ein Glossar bereitstellen und zitierten Text von Anweisungen unterscheiden. Bewahren Sie in einem längeren Gespräch die Rahmenbedingungen und benennen Sie das als Nächstes benötigte Ergebnis, damit die Modellantwort mit der ursprünglichen Aufgabe verbunden bleibt.\n\nDie genaue Karte des offenen Modells veröffentlicht unterschiedliche Generierungseinstellungen für ihre Evaluierungsaufgaben: einen Standardwert für temperature von 1.0 und für top-p von 0.95 sowie gesonderte Einstellungen für Softwareaufgaben von 0.7 und 1.0. Ihre beispielhaften Generierungslängen sind Teil dieser Verfahren und keine zusätzlichen allgemeingültigen Grenzen. Der Checkpoint unterscheidet sich von GLM-4.7, GLM-4.7-FlashX und späteren GLM-5-Modellen. Stimmen Sie Aufgabe und Antwortmodus auf die dokumentierten Textfähigkeiten dieser Edition ab und bewerten Sie anschließend den gelieferten Code, extrahierte Werte oder überarbeitete Texte anhand der Eingabe.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisches Beispiel auf Englisch
Translate a notice with a fixed glossary\n\nTranslate this Chinese notice into English: '订单已审核，但尚未发货。更改收货地址需要重新审核。' Use this glossary consistently: 审核 = review; 发货 = dispatch; 收货地址 = delivery address. Write a clear customer-facing notice and preserve the distinction between completed review and pending dispatch. Do not add a dispatch date or an approval guarantee.A concise English notice applying the glossary and preserving the two different order states.The translation retains the requirement for another review after an address change and does not state that dispatch occurred.z-ai/glm-4.7-flashGLM-4.7-Flash ist Z.ais Mixture-of-Experts-Textmodell mit 30B-A3B für Programmierung, lange Texte, chinesischsprachiges Schreiben und Übersetzung. Es unterstützt Reasoning und werkzeuggeleitete Abläufe mit einem herstellergehosteten Profil von 200K Kontexttoken und bis zu 128K Ausgabe.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
GLM-4.7-Flash ist die Mixture-of-Experts-Edition 30B-A3B der GLM-4.7-Familie von Z.ai. Ihr dünn besetztes Design hat insgesamt ungefähr 30 Milliarden Parameter und drei Milliarden aktivierte Parameter; der Hersteller stellt sie als leichtgewichtiges Modell vor, das Leistungsfähigkeit und Effizienz ausbalanciert. Es nimmt Text entgegen und generiert Text. Der Hersteller hebt insbesondere Softwareentwicklung, chinesisches Schreiben, Übersetzung, die Verarbeitung langer Texte und rollenbasierte Gespräche hervor. Ein zweckmäßiges Briefing kann einen Codevorschlag, eine überarbeitete Passage, eine Erklärung oder ein strukturiertes Ergebnis auf Grundlage bereitgestellten Materials anfordern.
Für die Entwicklung nennt Z.ai bei dieser Flash-Edition sowohl Frontend-Aufgaben als auch Aufgaben der Anwendungslogik. Stellen Sie das zu implementierende Verhalten, den relevanten Quelltext und die Bedingungen bereit, die erhalten bleiben müssen. Beschreiben Sie bei einer Seite oder Komponente deren Zustände, Layout und erforderliche Interaktion und verlangen Sie anschließend bearbeitbaren Code und eine Erklärung der wichtigen Entscheidungen. Fügen Sie bei einer bestehenden Funktion den beobachteten Fehler und ein Beispiel des erwarteten Ergebnisses bei. Das Modell erzeugt den vorgeschlagenen Code; ihn zu kompilieren, auszuführen oder die Oberfläche zu rendern gehört zu einer angebundenen Anwendungsumgebung.
Das vom Hersteller gehostete Profil der GLM-4.7-Serie nennt für Flash Texteingabe, Textausgabe, einen Kontext von 200K Tokens und bis zu 128K Ausgabe-Tokens. Die Karte des offenen Modells und das Hosting-Profil beschreiben unterschiedliche Aspekte derselben benannten Edition: Checkpoint-Eigenschaften und eine Dienstkonfiguration des Herstellers. Bereiten Sie lange Eingaben mit Quellenüberschriften, Codekennungen und klaren Dokumentgrenzen vor und lassen Sie Platz für den Denkprozess und die angeforderte Antwort. Ein reines Textmodell kann Code für eine Anwendung schreiben, die Bilder oder Kameraeingaben verarbeitet; dadurch erhält dieser Checkpoint jedoch keinen nativen Modus für visuelle Eingaben.
Der Denkmodus ist in der GLM-4.7-Serie standardmäßig aktiviert. Der Hersteller dokumentiert einen Schalter pro Gesprächsrunde, sodass ein Gespräch für eine schwierige Frage Schlussfolgern anfordern und es für eine einfache Umformulierung oder kurze Antwort deaktivieren kann. Außerdem unterstützt das Modell eingeschobene Denkphasen zwischen Werkzeugaufrufen. Dadurch kann es eine zurückgegebene Beobachtung interpretieren, bevor es einen weiteren Schritt plant. Definieren Sie die verfügbaren Werkzeuge und das erforderliche Endergebnis, bevor Sie eine solche Aufgabe beginnen. Ein Dokumentassistent kann ausgewählte Informationen anfordern, das tatsächliche Abrufresultat erhalten und anschließend eine dadurch gestützte Erklärung vorbereiten.
Das Beibehalten von Denkprozessen ist eine eigene Option für fortlaufende Programmier- oder Agentenarbeit. Der Leitfaden des Herstellers verwendet clear_thinking=false und verlangt, dass das vollständige, unveränderte reasoning_content früherer Assistentenrunden in seiner ursprünglichen Reihenfolge zurückgegeben wird. Änderungen oder Umordnungen dieser Blöcke können das Ergebnis verschlechtern und das Cache-Verhalten beeinflussen. Der Standardwert unterscheidet sich zwischen den Programmier- und Standardschnittstellen des Herstellers. Die Option ist daher Teil eines konfigurierten Ablaufs und keine automatische Eigenschaft jedes Gesprächs. Halten Sie die sichtbare Antwort vom beibehaltenen Denkprozess getrennt und bewahren Sie die Belege oder Werkzeugausgaben, von denen spätere Schritte abhängen.
Die dokumentierte Schnittstelle der Familie umfasst Text-Streaming, Funktionsaufrufe, Kontext-Caching und strukturierte Ausgaben wie JSON. Geben Sie bei einem strukturierten Ergebnis die erforderlichen Felder und die Bedeutung jedes Werts an; definieren Sie bei einer Werkzeuganfrage Zweck, Argumente und Abschlussbedingung der Funktion. Ein generierter Aufruf ist eine Aufforderung an die Anwendung, tätig zu werden, und kein Ausführungsnachweis. Das Endergebnis kann ein kurzer Bericht, ein Datenobjekt oder ein Codeergebnis sein, wobei die zu seiner Erstellung verwendeten Informationen weiterhin identifizierbar bleiben.
Geben Sie für Schreiben oder Übersetzen die Leserschaft, Sprache, Tonalität und unverändert zu belassende Begriffe an. Der Hersteller empfiehlt, Flash neben technischer Arbeit auch für chinesisches Schreiben sowie erzählerische oder rollenbasierte Dialoge auszuprobieren. Ein beispielhaftes Überarbeitungsbriefing kann eine Passage vorgeben und eine knappe Revision verlangen, die deren Fakten bewahrt; ein Übersetzungsbriefing kann ein Glossar bereitstellen und zitierten Text von Anweisungen unterscheiden. Bewahren Sie in einem längeren Gespräch die Rahmenbedingungen und benennen Sie das als Nächstes benötigte Ergebnis, damit die Modellantwort mit der ursprünglichen Aufgabe verbunden bleibt.
Die genaue Karte des offenen Modells veröffentlicht unterschiedliche Generierungseinstellungen für ihre Evaluierungsaufgaben: einen Standardwert für temperature von 1.0 und für top-p von 0.95 sowie gesonderte Einstellungen für Softwareaufgaben von 0.7 und 1.0. Ihre beispielhaften Generierungslängen sind Teil dieser Verfahren und keine zusätzlichen allgemeingültigen Grenzen. Der Checkpoint unterscheidet sich von GLM-4.7, GLM-4.7-FlashX und späteren GLM-5-Modellen. Stimmen Sie Aufgabe und Antwortmodus auf die dokumentierten Textfähigkeiten dieser Edition ab und bewerten Sie anschließend den gelieferten Code, extrahierte Werte oder überarbeitete Texte anhand der Eingabe.
POST /v1/chat/completionstexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits z-ai/glm-4.7-flash | 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.
Ordnen Sie jede Gebühr den angezeigten Bedingungen zu. Verwenden Sie für jede Gruppe alternativer Konfigurationen einen Tarif.
| Konfiguration | Tarifstaffel | Kontexttoken, mehr als | Kontexttoken, bis einschließlich | Gebühr |
|---|---|---|---|---|
| KonfigurationBasistarife für Token | TarifstaffelGrundtarif | Kontexttoken, mehr als— | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.000144 / 1K Tokens Ausgabe · Ausgabetoken $0.000858 / 1K Tokens Eingabe · Cache lesen $0.00002 / 1K Tokens Eingabe · In Cache schreiben $0 / 1K Tokens Eingabe · In Cache schreiben, 1 Stunde — / 1K Tokens |
| KonfigurationAnfragelängenstufe 1 | Tarifstaffel— | Kontexttoken, mehr als0 | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.000144 / 1K Tokens Ausgabe · Ausgabetoken $0.000858 / 1K Tokens Eingabe · Cache lesen $0.00002 / 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": "z-ai/glm-4.7-flash", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='z-ai/glm-4.7-flash',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='z-ai/glm-4.7-flash',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson 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 z-ai/glm-4.7-flash
Verwenden Sie die oben angezeigten Methodenpfade.
z-ai/glm-4.7-flashGLM-4.7-Flash ist Z.ais Mixture-of-Experts-Textmodell mit 30B-A3B für Programmierung, lange Texte, chinesischsprachiges Schreiben und Übersetzung. Es unterstützt Reasoning und werkzeuggeleitete Abläufe mit einem herstellergehosteten Profil von 200K Kontexttoken und bis zu 128K Ausgabe.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
GLM-4.7-Flash ist die Mixture-of-Experts-Edition 30B-A3B der GLM-4.7-Familie von Z.ai. Ihr dünn besetztes Design hat insgesamt ungefähr 30 Milliarden Parameter und drei Milliarden aktivierte Parameter; der Hersteller stellt sie als leichtgewichtiges Modell vor, das Leistungsfähigkeit und Effizienz ausbalanciert. Es nimmt Text entgegen und generiert Text. Der Hersteller hebt insbesondere Softwareentwicklung, chinesisches Schreiben, Übersetzung, die Verarbeitung langer Texte und rollenbasierte Gespräche hervor. Ein zweckmäßiges Briefing kann einen Codevorschlag, eine überarbeitete Passage, eine Erklärung oder ein strukturiertes Ergebnis auf Grundlage bereitgestellten Materials anfordern.
Für die Entwicklung nennt Z.ai bei dieser Flash-Edition sowohl Frontend-Aufgaben als auch Aufgaben der Anwendungslogik. Stellen Sie das zu implementierende Verhalten, den relevanten Quelltext und die Bedingungen bereit, die erhalten bleiben müssen. Beschreiben Sie bei einer Seite oder Komponente deren Zustände, Layout und erforderliche Interaktion und verlangen Sie anschließend bearbeitbaren Code und eine Erklärung der wichtigen Entscheidungen. Fügen Sie bei einer bestehenden Funktion den beobachteten Fehler und ein Beispiel des erwarteten Ergebnisses bei. Das Modell erzeugt den vorgeschlagenen Code; ihn zu kompilieren, auszuführen oder die Oberfläche zu rendern gehört zu einer angebundenen Anwendungsumgebung.
Das vom Hersteller gehostete Profil der GLM-4.7-Serie nennt für Flash Texteingabe, Textausgabe, einen Kontext von 200K Tokens und bis zu 128K Ausgabe-Tokens. Die Karte des offenen Modells und das Hosting-Profil beschreiben unterschiedliche Aspekte derselben benannten Edition: Checkpoint-Eigenschaften und eine Dienstkonfiguration des Herstellers. Bereiten Sie lange Eingaben mit Quellenüberschriften, Codekennungen und klaren Dokumentgrenzen vor und lassen Sie Platz für den Denkprozess und die angeforderte Antwort. Ein reines Textmodell kann Code für eine Anwendung schreiben, die Bilder oder Kameraeingaben verarbeitet; dadurch erhält dieser Checkpoint jedoch keinen nativen Modus für visuelle Eingaben.
Der Denkmodus ist in der GLM-4.7-Serie standardmäßig aktiviert. Der Hersteller dokumentiert einen Schalter pro Gesprächsrunde, sodass ein Gespräch für eine schwierige Frage Schlussfolgern anfordern und es für eine einfache Umformulierung oder kurze Antwort deaktivieren kann. Außerdem unterstützt das Modell eingeschobene Denkphasen zwischen Werkzeugaufrufen. Dadurch kann es eine zurückgegebene Beobachtung interpretieren, bevor es einen weiteren Schritt plant. Definieren Sie die verfügbaren Werkzeuge und das erforderliche Endergebnis, bevor Sie eine solche Aufgabe beginnen. Ein Dokumentassistent kann ausgewählte Informationen anfordern, das tatsächliche Abrufresultat erhalten und anschließend eine dadurch gestützte Erklärung vorbereiten.
Das Beibehalten von Denkprozessen ist eine eigene Option für fortlaufende Programmier- oder Agentenarbeit. Der Leitfaden des Herstellers verwendet clear_thinking=false und verlangt, dass das vollständige, unveränderte reasoning_content früherer Assistentenrunden in seiner ursprünglichen Reihenfolge zurückgegeben wird. Änderungen oder Umordnungen dieser Blöcke können das Ergebnis verschlechtern und das Cache-Verhalten beeinflussen. Der Standardwert unterscheidet sich zwischen den Programmier- und Standardschnittstellen des Herstellers. Die Option ist daher Teil eines konfigurierten Ablaufs und keine automatische Eigenschaft jedes Gesprächs. Halten Sie die sichtbare Antwort vom beibehaltenen Denkprozess getrennt und bewahren Sie die Belege oder Werkzeugausgaben, von denen spätere Schritte abhängen.
Die dokumentierte Schnittstelle der Familie umfasst Text-Streaming, Funktionsaufrufe, Kontext-Caching und strukturierte Ausgaben wie JSON. Geben Sie bei einem strukturierten Ergebnis die erforderlichen Felder und die Bedeutung jedes Werts an; definieren Sie bei einer Werkzeuganfrage Zweck, Argumente und Abschlussbedingung der Funktion. Ein generierter Aufruf ist eine Aufforderung an die Anwendung, tätig zu werden, und kein Ausführungsnachweis. Das Endergebnis kann ein kurzer Bericht, ein Datenobjekt oder ein Codeergebnis sein, wobei die zu seiner Erstellung verwendeten Informationen weiterhin identifizierbar bleiben.
Geben Sie für Schreiben oder Übersetzen die Leserschaft, Sprache, Tonalität und unverändert zu belassende Begriffe an. Der Hersteller empfiehlt, Flash neben technischer Arbeit auch für chinesisches Schreiben sowie erzählerische oder rollenbasierte Dialoge auszuprobieren. Ein beispielhaftes Überarbeitungsbriefing kann eine Passage vorgeben und eine knappe Revision verlangen, die deren Fakten bewahrt; ein Übersetzungsbriefing kann ein Glossar bereitstellen und zitierten Text von Anweisungen unterscheiden. Bewahren Sie in einem längeren Gespräch die Rahmenbedingungen und benennen Sie das als Nächstes benötigte Ergebnis, damit die Modellantwort mit der ursprünglichen Aufgabe verbunden bleibt.
Die genaue Karte des offenen Modells veröffentlicht unterschiedliche Generierungseinstellungen für ihre Evaluierungsaufgaben: einen Standardwert für temperature von 1.0 und für top-p von 0.95 sowie gesonderte Einstellungen für Softwareaufgaben von 0.7 und 1.0. Ihre beispielhaften Generierungslängen sind Teil dieser Verfahren und keine zusätzlichen allgemeingültigen Grenzen. Der Checkpoint unterscheidet sich von GLM-4.7, GLM-4.7-FlashX und späteren GLM-5-Modellen. Stimmen Sie Aufgabe und Antwortmodus auf die dokumentierten Textfähigkeiten dieser Edition ab und bewerten Sie anschließend den gelieferten Code, extrahierte Werte oder überarbeitete Texte anhand der Eingabe.
POST /v1/messagestextjson, sse| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits z-ai/glm-4.7-flash | 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.
Ordnen Sie jede Gebühr den angezeigten Bedingungen zu. Verwenden Sie für jede Gruppe alternativer Konfigurationen einen Tarif.
| Konfiguration | Tarifstaffel | Kontexttoken, mehr als | Kontexttoken, bis einschließlich | Gebühr |
|---|---|---|---|---|
| KonfigurationBasistarife für Token | TarifstaffelGrundtarif | Kontexttoken, mehr als— | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.000144 / 1K Tokens Ausgabe · Ausgabetoken $0.000858 / 1K Tokens Eingabe · Cache lesen $0.00002 / 1K Tokens Eingabe · In Cache schreiben $0 / 1K Tokens Eingabe · In Cache schreiben, 1 Stunde — / 1K Tokens |
| KonfigurationAnfragelängenstufe 1 | Tarifstaffel— | Kontexttoken, mehr als0 | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.000144 / 1K Tokens Ausgabe · Ausgabetoken $0.000858 / 1K Tokens Eingabe · Cache lesen $0.00002 / 1K Tokens Eingabe · In Cache schreiben $0 / 1K Tokens Eingabe · In Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
{\n "model": "z-ai/glm-4.7-flash",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'z-ai/glm-4.7-flash', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'z-ai/glm-4.7-flash', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON 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 z-ai/glm-4.7-flash
Verwenden Sie die oben angezeigten Methodenpfade.
Technisches Beispiel auf Englisch
Translate a notice with a fixed glossary\n\nTranslate this Chinese notice into English: '订单已审核，但尚未发货。更改收货地址需要重新审核。' Use this glossary consistently: 审核 = review; 发货 = dispatch; 收货地址 = delivery address. Write a clear customer-facing notice and preserve the distinction between completed review and pending dispatch. Do not add a dispatch date or an approval guarantee.A concise English notice applying the glossary and preserving the two different order states.The translation retains the requirement for another review after an address change and does not state that dispatch occurred.