GLM-4-Flash ist eines der eigenständig benannten GLM-4-Sprachmodellprofile von Zhipu AI. Die ursprüngliche GLM-4-API-Einführung des Herstellers führt Flash neben GLM-4-0520, Air und AirX auf. Auch die aktuelle GLM-4-Dokumentation bezeichnet Flash als frühere Sprachmodellreihe, aus der gesondert benannte verbesserte und datierte Flash-Profile entstanden.
Stellen Sie die Frage und den zu ihrer Beantwortung nötigen Text bereit. Eine kompakte Anfrage kann eine kurze Erklärung, eine Nachrichtenzusammenfassung oder eine Überarbeitung für eine bestimmte Zielgruppe verlangen. Benennen Sie die zu bewahrenden Informationen sowie die Länge oder Struktur, die die Antwort im Gespräch hilfreich macht.
Geben Sie für eine beispielhafte Supportantwort die Nachricht des Nutzers und die freigegebenen Antwortfakten an. Verlangen Sie eine knappe Antwort auf die gestellte Frage und bewahren Sie die ursprüngliche Nachricht neben dem Entwurf. So bleibt eine spätere Korrektur auf einen bestimmten Fakt oder eine Formulierung ausgerichtet.
Die weiter gefassten GLM-4-Leitlinien des Anbieters empfehlen semantische Klassifizierung. Geben Sie für eine kleine Klassifizierungsaufgabe die Kategoriedefinitionen und eine klare Regel für mehrdeutige Nachrichten an. Verlangen Sie die ausgewählte Kategorie mit einer kurzen Begründung anhand des bereitgestellten Texts.
Eine beispielhafte Posteingangsaufgabe kann eine Frage, eine gewünschte Änderung und eine Bestätigung unterscheiden. Bewahren Sie die Kennung der Originalnachricht mit der zurückgegebenen Entscheidung. Hat eine Nachricht mehrere Zwecke, geben Sie an, wie diese im Ergebnis abzubilden sind, statt sich auf eine unausgesprochene Kategorienregel zu verlassen.
Die GLM-4-Gesprächsbeispiele des Herstellers liefern schriftliche Inhalte aus bereitgestellten Nachrichten. Wählen Sie ein Ergebnis für eine gezielte Interaktion: eine Antwort in einem Absatz, eine kurze Liste der Kernpunkte oder einen überarbeiteten Satz mit der freigegebenen Schreibweise von Namen und Zahlen.
Benennen Sie für eine Zusammenfassung die Fakten, die in der kürzeren Fassung erhalten bleiben sollen. Legen Sie für eine Überarbeitung fest, welche Details unveränderlich sind und welche Aspekte von Ton oder Struktur sich ändern dürfen. Diese Vorbereitung gibt dem fertigen Text einen konkreten Zweck und hält das Ausgangsmaterial für Prüfungen verfügbar.
GLM-4-Flash, FlashX und Flash-250414 sind eigenständig benannte Anbieterprofile. Bewahren Sie den gewählten Flash-Namen mit Anfrage und Ausgabe, wenn Sie das Gespräch fortsetzen oder mehrere Antworten prüfen. Die nächste Anweisung kann den akzeptierten Entwurf aufgreifen und eine bestimmte Änderung verlangen, etwa eine unklare Formulierung ersetzen oder eine fehlende Einschränkung wiederherstellen.
Speichern Sie die knappe Antwort oder das Klassifizierungsergebnis mit der Quellkennung. Vergleichen Sie extrahierte Namen, Werte und Kategoriebegründungen mit der Eingabe und übernehmen Sie das korrigierte Ergebnis dann in den nächsten Gesprächs- oder Dokumentschritt.
", "aboutText": "GLM-4-Flash ist eines der eigenständig benannten GLM-4-Sprachmodellprofile von Zhipu AI. Die ursprüngliche GLM-4-API-Einführung des Herstellers führt Flash neben GLM-4-0520, Air und AirX auf. Auch die aktuelle GLM-4-Dokumentation bezeichnet Flash als frühere Sprachmodellreihe, aus der gesondert benannte verbesserte und datierte Flash-Profile entstanden.\n\n### Einer gezielten Aufgabe klare Grenzen geben\n\nStellen Sie die Frage und den zu ihrer Beantwortung nötigen Text bereit. Eine kompakte Anfrage kann eine kurze Erklärung, eine Nachrichtenzusammenfassung oder eine Überarbeitung für eine bestimmte Zielgruppe verlangen. Benennen Sie die zu bewahrenden Informationen sowie die Länge oder Struktur, die die Antwort im Gespräch hilfreich macht.\n\nGeben Sie für eine beispielhafte Supportantwort die Nachricht des Nutzers und die freigegebenen Antwortfakten an. Verlangen Sie eine knappe Antwort auf die gestellte Frage und bewahren Sie die ursprüngliche Nachricht neben dem Entwurf. So bleibt eine spätere Korrektur auf einen bestimmten Fakt oder eine Formulierung ausgerichtet.\n\n### Kategorien vor der Entscheidung definieren\n\nDie weiter gefassten GLM-4-Leitlinien des Anbieters empfehlen semantische Klassifizierung. Geben Sie für eine kleine Klassifizierungsaufgabe die Kategoriedefinitionen und eine klare Regel für mehrdeutige Nachrichten an. Verlangen Sie die ausgewählte Kategorie mit einer kurzen Begründung anhand des bereitgestellten Texts.\n\nEine beispielhafte Posteingangsaufgabe kann eine Frage, eine gewünschte Änderung und eine Bestätigung unterscheiden. Bewahren Sie die Kennung der Originalnachricht mit der zurückgegebenen Entscheidung. Hat eine Nachricht mehrere Zwecke, geben Sie an, wie diese im Ergebnis abzubilden sind, statt sich auf eine unausgesprochene Kategorienregel zu verlassen.\n\n### Ein knappes Textergebnis erstellen\n\nDie GLM-4-Gesprächsbeispiele des Herstellers liefern schriftliche Inhalte aus bereitgestellten Nachrichten. Wählen Sie ein Ergebnis für eine gezielte Interaktion: eine Antwort in einem Absatz, eine kurze Liste der Kernpunkte oder einen überarbeiteten Satz mit der freigegebenen Schreibweise von Namen und Zahlen.\n\nBenennen Sie für eine Zusammenfassung die Fakten, die in der kürzeren Fassung erhalten bleiben sollen. Legen Sie für eine Überarbeitung fest, welche Details unveränderlich sind und welche Aspekte von Ton oder Struktur sich ändern dürfen. Diese Vorbereitung gibt dem fertigen Text einen konkreten Zweck und hält das Ausgangsmaterial für Prüfungen verfügbar.\n\n### Flash-Profil und Aufgabe zusammenhalten\n\nGLM-4-Flash, FlashX und Flash-250414 sind eigenständig benannte Anbieterprofile. Bewahren Sie den gewählten Flash-Namen mit Anfrage und Ausgabe, wenn Sie das Gespräch fortsetzen oder mehrere Antworten prüfen. Die nächste Anweisung kann den akzeptierten Entwurf aufgreifen und eine bestimmte Änderung verlangen, etwa eine unklare Formulierung ersetzen oder eine fehlende Einschränkung wiederherstellen.\n\nSpeichern Sie die knappe Antwort oder das Klassifizierungsergebnis mit der Quellkennung. Vergleichen Sie extrahierte Namen, Werte und Kategoriebegründungen mit der Eingabe und übernehmen Sie das korrigierte Ergebnis dann in den nächsten Gesprächs- oder Dokumentschritt.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisches Beispiel auf Englisch
Draft a concise booking reply\n\nWrite a concise reply to this customer: "Can our group arrive at 09:00?" Approved facts: reception opens at 09:30; luggage may be left from 09:30; room access starts at 15:00. Keep the reply to two sentences. Answer the early-arrival question clearly without promising an earlier room or unattended luggage storage.A two-sentence customer reply using only the approved reception, luggage and room-access times.Check that 09:00 is not accepted and room access remains 15:00.glm-4-flashGLM-4-Flash ist ein GLM-4-Sprachmodellprofil von Zhipu AI für schriftliche Gespräche und gezielte Textaufgaben. Geben Sie ihm eine klare Frage oder eine kompakte Quellpassage, um eine kurze Erklärung, eine Klassifizierungsentscheidung oder eine knapp umformulierte Antwort zu erstellen.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
GLM-4-Flash ist eines der eigenständig benannten GLM-4-Sprachmodellprofile von Zhipu AI. Die ursprüngliche GLM-4-API-Einführung des Herstellers führt Flash neben GLM-4-0520, Air und AirX auf. Auch die aktuelle GLM-4-Dokumentation bezeichnet Flash als frühere Sprachmodellreihe, aus der gesondert benannte verbesserte und datierte Flash-Profile entstanden.
Stellen Sie die Frage und den zu ihrer Beantwortung nötigen Text bereit. Eine kompakte Anfrage kann eine kurze Erklärung, eine Nachrichtenzusammenfassung oder eine Überarbeitung für eine bestimmte Zielgruppe verlangen. Benennen Sie die zu bewahrenden Informationen sowie die Länge oder Struktur, die die Antwort im Gespräch hilfreich macht.
Geben Sie für eine beispielhafte Supportantwort die Nachricht des Nutzers und die freigegebenen Antwortfakten an. Verlangen Sie eine knappe Antwort auf die gestellte Frage und bewahren Sie die ursprüngliche Nachricht neben dem Entwurf. So bleibt eine spätere Korrektur auf einen bestimmten Fakt oder eine Formulierung ausgerichtet.
Die weiter gefassten GLM-4-Leitlinien des Anbieters empfehlen semantische Klassifizierung. Geben Sie für eine kleine Klassifizierungsaufgabe die Kategoriedefinitionen und eine klare Regel für mehrdeutige Nachrichten an. Verlangen Sie die ausgewählte Kategorie mit einer kurzen Begründung anhand des bereitgestellten Texts.
Eine beispielhafte Posteingangsaufgabe kann eine Frage, eine gewünschte Änderung und eine Bestätigung unterscheiden. Bewahren Sie die Kennung der Originalnachricht mit der zurückgegebenen Entscheidung. Hat eine Nachricht mehrere Zwecke, geben Sie an, wie diese im Ergebnis abzubilden sind, statt sich auf eine unausgesprochene Kategorienregel zu verlassen.
Die GLM-4-Gesprächsbeispiele des Herstellers liefern schriftliche Inhalte aus bereitgestellten Nachrichten. Wählen Sie ein Ergebnis für eine gezielte Interaktion: eine Antwort in einem Absatz, eine kurze Liste der Kernpunkte oder einen überarbeiteten Satz mit der freigegebenen Schreibweise von Namen und Zahlen.
Benennen Sie für eine Zusammenfassung die Fakten, die in der kürzeren Fassung erhalten bleiben sollen. Legen Sie für eine Überarbeitung fest, welche Details unveränderlich sind und welche Aspekte von Ton oder Struktur sich ändern dürfen. Diese Vorbereitung gibt dem fertigen Text einen konkreten Zweck und hält das Ausgangsmaterial für Prüfungen verfügbar.
GLM-4-Flash, FlashX und Flash-250414 sind eigenständig benannte Anbieterprofile. Bewahren Sie den gewählten Flash-Namen mit Anfrage und Ausgabe, wenn Sie das Gespräch fortsetzen oder mehrere Antworten prüfen. Die nächste Anweisung kann den akzeptierten Entwurf aufgreifen und eine bestimmte Änderung verlangen, etwa eine unklare Formulierung ersetzen oder eine fehlende Einschränkung wiederherstellen.
Speichern Sie die knappe Antwort oder das Klassifizierungsergebnis mit der Quellkennung. Vergleichen Sie extrahierte Namen, Werte und Kategoriebegründungen mit der Eingabe und übernehmen Sie das korrigierte Ergebnis dann in den nächsten Gesprächs- oder Dokumentschritt.
POST /v1/chat/completionstexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits glm-4-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.
| Konfiguration | Tarifstaffel | Gebühr |
|---|---|---|
| KonfigurationBasistarife für Token | TarifstaffelGrundtarif | Gebühr Eingabe · Eingabetoken $0.000028 / 1K Tokens Ausgabe · Ausgabetoken $0.000028 / 1K Tokens Eingabe · Cache lesen $0 / 1K Tokens Eingabe · Cache schreiben $0 / 1K Tokens Eingabe · Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschliessenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "glm-4-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='glm-4-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='glm-4-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 glm-4-flash
Verwenden Sie die oben angezeigten Methodenpfade.
glm-4-flashGLM-4-Flash ist ein GLM-4-Sprachmodellprofil von Zhipu AI für schriftliche Gespräche und gezielte Textaufgaben. Geben Sie ihm eine klare Frage oder eine kompakte Quellpassage, um eine kurze Erklärung, eine Klassifizierungsentscheidung oder eine knapp umformulierte Antwort zu erstellen.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
GLM-4-Flash ist eines der eigenständig benannten GLM-4-Sprachmodellprofile von Zhipu AI. Die ursprüngliche GLM-4-API-Einführung des Herstellers führt Flash neben GLM-4-0520, Air und AirX auf. Auch die aktuelle GLM-4-Dokumentation bezeichnet Flash als frühere Sprachmodellreihe, aus der gesondert benannte verbesserte und datierte Flash-Profile entstanden.
Stellen Sie die Frage und den zu ihrer Beantwortung nötigen Text bereit. Eine kompakte Anfrage kann eine kurze Erklärung, eine Nachrichtenzusammenfassung oder eine Überarbeitung für eine bestimmte Zielgruppe verlangen. Benennen Sie die zu bewahrenden Informationen sowie die Länge oder Struktur, die die Antwort im Gespräch hilfreich macht.
Geben Sie für eine beispielhafte Supportantwort die Nachricht des Nutzers und die freigegebenen Antwortfakten an. Verlangen Sie eine knappe Antwort auf die gestellte Frage und bewahren Sie die ursprüngliche Nachricht neben dem Entwurf. So bleibt eine spätere Korrektur auf einen bestimmten Fakt oder eine Formulierung ausgerichtet.
Die weiter gefassten GLM-4-Leitlinien des Anbieters empfehlen semantische Klassifizierung. Geben Sie für eine kleine Klassifizierungsaufgabe die Kategoriedefinitionen und eine klare Regel für mehrdeutige Nachrichten an. Verlangen Sie die ausgewählte Kategorie mit einer kurzen Begründung anhand des bereitgestellten Texts.
Eine beispielhafte Posteingangsaufgabe kann eine Frage, eine gewünschte Änderung und eine Bestätigung unterscheiden. Bewahren Sie die Kennung der Originalnachricht mit der zurückgegebenen Entscheidung. Hat eine Nachricht mehrere Zwecke, geben Sie an, wie diese im Ergebnis abzubilden sind, statt sich auf eine unausgesprochene Kategorienregel zu verlassen.
Die GLM-4-Gesprächsbeispiele des Herstellers liefern schriftliche Inhalte aus bereitgestellten Nachrichten. Wählen Sie ein Ergebnis für eine gezielte Interaktion: eine Antwort in einem Absatz, eine kurze Liste der Kernpunkte oder einen überarbeiteten Satz mit der freigegebenen Schreibweise von Namen und Zahlen.
Benennen Sie für eine Zusammenfassung die Fakten, die in der kürzeren Fassung erhalten bleiben sollen. Legen Sie für eine Überarbeitung fest, welche Details unveränderlich sind und welche Aspekte von Ton oder Struktur sich ändern dürfen. Diese Vorbereitung gibt dem fertigen Text einen konkreten Zweck und hält das Ausgangsmaterial für Prüfungen verfügbar.
GLM-4-Flash, FlashX und Flash-250414 sind eigenständig benannte Anbieterprofile. Bewahren Sie den gewählten Flash-Namen mit Anfrage und Ausgabe, wenn Sie das Gespräch fortsetzen oder mehrere Antworten prüfen. Die nächste Anweisung kann den akzeptierten Entwurf aufgreifen und eine bestimmte Änderung verlangen, etwa eine unklare Formulierung ersetzen oder eine fehlende Einschränkung wiederherstellen.
Speichern Sie die knappe Antwort oder das Klassifizierungsergebnis mit der Quellkennung. Vergleichen Sie extrahierte Namen, Werte und Kategoriebegründungen mit der Eingabe und übernehmen Sie das korrigierte Ergebnis dann in den nächsten Gesprächs- oder Dokumentschritt.
POST /v1/messagestextjson, sse| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits glm-4-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.
| Konfiguration | Tarifstaffel | Gebühr |
|---|---|---|
| KonfigurationBasistarife für Token | TarifstaffelGrundtarif | Gebühr Eingabe · Eingabetoken $0.000028 / 1K Tokens Ausgabe · Ausgabetoken $0.000028 / 1K Tokens Eingabe · Cache lesen $0 / 1K Tokens Eingabe · Cache schreiben $0 / 1K Tokens Eingabe · Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschliessenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
{\n "model": "glm-4-flash",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'glm-4-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': 'glm-4-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 glm-4-flash
Verwenden Sie die oben angezeigten Methodenpfade.
Technisches Beispiel auf Englisch
Draft a concise booking reply\n\nWrite a concise reply to this customer: "Can our group arrive at 09:00?" Approved facts: reception opens at 09:30; luggage may be left from 09:30; room access starts at 15:00. Keep the reply to two sentences. Answer the early-arrival question clearly without promising an earlier room or unattended luggage storage.A two-sentence customer reply using only the approved reception, luggage and room-access times.Check that 09:00 is not accepted and room access remains 15:00.