GLM-4-Plus ist das leistungsfähige Textmodell der GLM-4-Reihe von Z.ai. Es verbindet Sprachverständnis, logisches Schlussfolgern, das Befolgen von Anweisungen und die Verarbeitung langer Texte. Der Hersteller nennt Text als Ein- und Ausgabe, ein Kontextfenster von 128K Tokens und eine maximale Ausgabe von 4K Tokens. Eine lange Eingabe und ein kompaktes Ergebnis sind somit getrennte Bestandteile des Profils: Eine grosse Dokumentensammlung kann eine gezielte Zusammenfassung, einen Vergleich oder ein Extraktionsergebnis stützen.
Ein Dokumentenassistent kann benannte Abschnitte und eine Frage erhalten und daraus eine knappe Analyse mit Bezug zu diesen Abschnitten erstellen. Definieren Sie die Zielgruppe und die Entscheidung, bevor Sie die Antwort anfordern: etwa zwei Verfahren vergleichen, die auf einen Fall anwendbaren Bedingungen auflisten oder widersprüchliche Anforderungen erkennen. Trennen Sie Quellpassagen von Ihren Anweisungen, damit die Antwort Belege und angeforderte Analyse auseinanderhalten kann.
Die GLM-4-Beschreibung nennt Streaming, Funktionsaufrufe, Kontext-Caching, strukturierte Formate wie JSON und die Interaktion mit MCP-Werkzeugen und Datenquellen. Streaming stellt generierten Text schrittweise bereit. Strukturierte Ausgabe hilft, wenn das Ergebnis benannte Felder statt eines offenen Aufsatzes enthalten soll: eine Zusammenfassung, extrahierte Kennungen, Bezeichnungen der Quellabschnitte und weiterhin ungeklärte Fragen.
Werkzeuge verbinden das Sprachmodell mit Aktionen, die die Anwendung bereitstellt. Die Anwendung beschreibt die Funktionen, führt den gewählten Aufruf aus und liefert sein Ergebnis für den nächsten Schritt zurück. Das kann eine Abfrage mit anschliessendem Bericht oder ein Suchergebnis unterstützen, das zum Beleg für eine Antwort wird. Der Modelltext ist von der Ausführung der externen Aktion zu unterscheiden. Wiederholte Anweisungen oder Dokumentpräfixe können am Kontext-Caching des Herstellers teilnehmen; die Wiederverwendung des Caches belegt für sich genommen keinen Cache-Treffer bei einer bestimmten Anfrage.
Übersetzung wird als mehr als das Umwandeln einzelner Wörter beschrieben: Der Hersteller bezieht gemischtsprachigen Text, Ton, Umgangssprache, Emoji und Fachbegriffe unter Berücksichtigung kultureller Unterschiede ein. Geben Sie die Quellpassage, die Zielgruppe und die unverändert zu belassende Terminologie an. Verlangen Sie bei der Überarbeitung ein bestimmtes Ergebnis – einen überarbeiteten Brief, eine Produktbeschreibung oder eine knappe Erklärung – und benennen Sie die zu bewahrenden Fakten.
Semantische Klassifizierung und Feldextraktion beruhen auf dem bereitgestellten Material. Definieren Sie zuerst die Kategorien oder Pflichtfelder und geben Sie dann die Dokumente an. Eine Anwendung kann beispielsweise Projektkennungen und Klauselkategorien zusammen mit den jeweiligen Abschnittsbezeichnungen anfordern. Eine ausdrückliche Regel für fehlende Werte verhindert, dass das Ausgabeschema zum Anlass wird, nicht vorhandene Daten zu erfinden.
Der Hersteller beschreibt ausserdem Marketingmaterial, analytische Risikoberichte und Reiseplanung. Stellen Sie zum Schreiben die tatsächlichen Produkt- oder Kampagnenfakten und das vorgesehene Format bereit. Geben Sie für Analysen die relevanten Berichte und Vergleichskriterien an; aktuelle Informationen sollten über ein Such- oder Datenwerkzeug der Anwendung eintreffen. Nennen Sie für einen Reiseplan Vorlieben und zeitliche Einschränkungen, damit die Ausgabe ein Plan für die beschriebene Situation statt eines allgemeinen Reiseaufsatzes wird.
GLM-4-Plus nutzt modellgestützte synthetische Daten und PPO-basiertes Nachtraining, um mathematisches und programmierbezogenes Schlussfolgern zu entwickeln und menschliche Präferenzen besser abzubilden. Für lange Texte wird die Mischung aus kurzem und langem Material angepasst, um das Schlussfolgern über umfangreiche Eingaben zu stärken. Das sind Vorbereitungsentscheidungen dieses konkreten Plus-Modells. Sie machen aus seinem reinen Textprofil kein Bildverständnis einer gesondert benannten GLM-4V-Ausgabe.
Nutzen Sie den grösseren Kontext für Material, das die Frage tatsächlich stützt, mit stabilen Abschnittsnamen und einem klaren Ausgabevertrag. Eine praktische Anfrage vergleicht zwei Dokumente, listet Übereinstimmungen und Konflikte auf und nennt die Passagen hinter jeder Schlussfolgerung. Halten Sie das Endergebnis innerhalb des 4K-Ausgabeprofils: Verlangen Sie eine Entscheidungsvorlage oder einen strukturierten Vergleich und setzen Sie mit einer klar definierten Folgeanfrage fort, wenn ein Abschnitt erweitert werden muss. Gültige JSON-Struktur und sachlich richtige Feldwerte sind getrennte Prüfungen.
", "aboutText": "### Überblick und Modellprofil\n\nGLM-4-Plus ist das leistungsfähige Textmodell der GLM-4-Reihe von Z.ai. Es verbindet Sprachverständnis, logisches Schlussfolgern, das Befolgen von Anweisungen und die Verarbeitung langer Texte. Der Hersteller nennt Text als Ein- und Ausgabe, ein Kontextfenster von 128K Tokens und eine maximale Ausgabe von 4K Tokens. Eine lange Eingabe und ein kompaktes Ergebnis sind somit getrennte Bestandteile des Profils: Eine grosse Dokumentensammlung kann eine gezielte Zusammenfassung, einen Vergleich oder ein Extraktionsergebnis stützen.\n\nEin Dokumentenassistent kann benannte Abschnitte und eine Frage erhalten und daraus eine knappe Analyse mit Bezug zu diesen Abschnitten erstellen. Definieren Sie die Zielgruppe und die Entscheidung, bevor Sie die Antwort anfordern: etwa zwei Verfahren vergleichen, die auf einen Fall anwendbaren Bedingungen auflisten oder widersprüchliche Anforderungen erkennen. Trennen Sie Quellpassagen von Ihren Anweisungen, damit die Antwort Belege und angeforderte Analyse auseinanderhalten kann.\n\n### Unterstützte Funktionen\n\nDie GLM-4-Beschreibung nennt Streaming, Funktionsaufrufe, Kontext-Caching, strukturierte Formate wie JSON und die Interaktion mit MCP-Werkzeugen und Datenquellen. Streaming stellt generierten Text schrittweise bereit. Strukturierte Ausgabe hilft, wenn das Ergebnis benannte Felder statt eines offenen Aufsatzes enthalten soll: eine Zusammenfassung, extrahierte Kennungen, Bezeichnungen der Quellabschnitte und weiterhin ungeklärte Fragen.\n\nWerkzeuge verbinden das Sprachmodell mit Aktionen, die die Anwendung bereitstellt. Die Anwendung beschreibt die Funktionen, führt den gewählten Aufruf aus und liefert sein Ergebnis für den nächsten Schritt zurück. Das kann eine Abfrage mit anschliessendem Bericht oder ein Suchergebnis unterstützen, das zum Beleg für eine Antwort wird. Der Modelltext ist von der Ausführung der externen Aktion zu unterscheiden. Wiederholte Anweisungen oder Dokumentpräfixe können am Kontext-Caching des Herstellers teilnehmen; die Wiederverwendung des Caches belegt für sich genommen keinen Cache-Treffer bei einer bestimmten Anfrage.\n\n### Empfohlene Szenarien\n\nÜbersetzung wird als mehr als das Umwandeln einzelner Wörter beschrieben: Der Hersteller bezieht gemischtsprachigen Text, Ton, Umgangssprache, Emoji und Fachbegriffe unter Berücksichtigung kultureller Unterschiede ein. Geben Sie die Quellpassage, die Zielgruppe und die unverändert zu belassende Terminologie an. Verlangen Sie bei der Überarbeitung ein bestimmtes Ergebnis – einen überarbeiteten Brief, eine Produktbeschreibung oder eine knappe Erklärung – und benennen Sie die zu bewahrenden Fakten.\n\nSemantische Klassifizierung und Feldextraktion beruhen auf dem bereitgestellten Material. Definieren Sie zuerst die Kategorien oder Pflichtfelder und geben Sie dann die Dokumente an. Eine Anwendung kann beispielsweise Projektkennungen und Klauselkategorien zusammen mit den jeweiligen Abschnittsbezeichnungen anfordern. Eine ausdrückliche Regel für fehlende Werte verhindert, dass das Ausgabeschema zum Anlass wird, nicht vorhandene Daten zu erfinden.\n\nDer Hersteller beschreibt ausserdem Marketingmaterial, analytische Risikoberichte und Reiseplanung. Stellen Sie zum Schreiben die tatsächlichen Produkt- oder Kampagnenfakten und das vorgesehene Format bereit. Geben Sie für Analysen die relevanten Berichte und Vergleichskriterien an; aktuelle Informationen sollten über ein Such- oder Datenwerkzeug der Anwendung eintreffen. Nennen Sie für einen Reiseplan Vorlieben und zeitliche Einschränkungen, damit die Ausgabe ein Plan für die beschriebene Situation statt eines allgemeinen Reiseaufsatzes wird.\n\n### Detaillierte Modellvorbereitung\n\nGLM-4-Plus nutzt modellgestützte synthetische Daten und PPO-basiertes Nachtraining, um mathematisches und programmierbezogenes Schlussfolgern zu entwickeln und menschliche Präferenzen besser abzubilden. Für lange Texte wird die Mischung aus kurzem und langem Material angepasst, um das Schlussfolgern über umfangreiche Eingaben zu stärken. Das sind Vorbereitungsentscheidungen dieses konkreten Plus-Modells. Sie machen aus seinem reinen Textprofil kein Bildverständnis einer gesondert benannten GLM-4V-Ausgabe.\n\n### Anfrage und Ausgabe vorbereiten\n\nNutzen Sie den grösseren Kontext für Material, das die Frage tatsächlich stützt, mit stabilen Abschnittsnamen und einem klaren Ausgabevertrag. Eine praktische Anfrage vergleicht zwei Dokumente, listet Übereinstimmungen und Konflikte auf und nennt die Passagen hinter jeder Schlussfolgerung. Halten Sie das Endergebnis innerhalb des 4K-Ausgabeprofils: Verlangen Sie eine Entscheidungsvorlage oder einen strukturierten Vergleich und setzen Sie mit einer klar definierten Folgeanfrage fort, wenn ein Abschnitt erweitert werden muss. Gültige JSON-Struktur und sachlich richtige Feldwerte sind getrennte Prüfungen.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisches Beispiel auf Englisch
Find contradictions between two procedures\n\nCompare procedure P: approve a supplier before issuing an order; emergency orders need the same approval. Procedure Q: emergency orders may be issued immediately and reviewed the next day. Prepare a decision brief identifying the conflict, the passages involved and the exact policy question an owner must resolve before the procedures can agree.A concise conflict statement, two supporting passages and one decision question.Check that the answer exposes the approval-timing conflict without silently choosing a governing procedure.glm-4-plusGLM-4-Plus ist das Textmodell von Z.ai für Sprachverständnis, logische Analyse, das Befolgen von Anweisungen und lange Dokumente. Sein Profil mit 128K Kontext und 4K Ausgabe eignet sich für beleggestützte Zusammenfassungen, mehrsprachige Überarbeitung, Feldextraktion und Berichte mit Werkzeugunterstützung.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
GLM-4-Plus ist das leistungsfähige Textmodell der GLM-4-Reihe von Z.ai. Es verbindet Sprachverständnis, logisches Schlussfolgern, das Befolgen von Anweisungen und die Verarbeitung langer Texte. Der Hersteller nennt Text als Ein- und Ausgabe, ein Kontextfenster von 128K Tokens und eine maximale Ausgabe von 4K Tokens. Eine lange Eingabe und ein kompaktes Ergebnis sind somit getrennte Bestandteile des Profils: Eine grosse Dokumentensammlung kann eine gezielte Zusammenfassung, einen Vergleich oder ein Extraktionsergebnis stützen.
Ein Dokumentenassistent kann benannte Abschnitte und eine Frage erhalten und daraus eine knappe Analyse mit Bezug zu diesen Abschnitten erstellen. Definieren Sie die Zielgruppe und die Entscheidung, bevor Sie die Antwort anfordern: etwa zwei Verfahren vergleichen, die auf einen Fall anwendbaren Bedingungen auflisten oder widersprüchliche Anforderungen erkennen. Trennen Sie Quellpassagen von Ihren Anweisungen, damit die Antwort Belege und angeforderte Analyse auseinanderhalten kann.
Die GLM-4-Beschreibung nennt Streaming, Funktionsaufrufe, Kontext-Caching, strukturierte Formate wie JSON und die Interaktion mit MCP-Werkzeugen und Datenquellen. Streaming stellt generierten Text schrittweise bereit. Strukturierte Ausgabe hilft, wenn das Ergebnis benannte Felder statt eines offenen Aufsatzes enthalten soll: eine Zusammenfassung, extrahierte Kennungen, Bezeichnungen der Quellabschnitte und weiterhin ungeklärte Fragen.
Werkzeuge verbinden das Sprachmodell mit Aktionen, die die Anwendung bereitstellt. Die Anwendung beschreibt die Funktionen, führt den gewählten Aufruf aus und liefert sein Ergebnis für den nächsten Schritt zurück. Das kann eine Abfrage mit anschliessendem Bericht oder ein Suchergebnis unterstützen, das zum Beleg für eine Antwort wird. Der Modelltext ist von der Ausführung der externen Aktion zu unterscheiden. Wiederholte Anweisungen oder Dokumentpräfixe können am Kontext-Caching des Herstellers teilnehmen; die Wiederverwendung des Caches belegt für sich genommen keinen Cache-Treffer bei einer bestimmten Anfrage.
Übersetzung wird als mehr als das Umwandeln einzelner Wörter beschrieben: Der Hersteller bezieht gemischtsprachigen Text, Ton, Umgangssprache, Emoji und Fachbegriffe unter Berücksichtigung kultureller Unterschiede ein. Geben Sie die Quellpassage, die Zielgruppe und die unverändert zu belassende Terminologie an. Verlangen Sie bei der Überarbeitung ein bestimmtes Ergebnis – einen überarbeiteten Brief, eine Produktbeschreibung oder eine knappe Erklärung – und benennen Sie die zu bewahrenden Fakten.
Semantische Klassifizierung und Feldextraktion beruhen auf dem bereitgestellten Material. Definieren Sie zuerst die Kategorien oder Pflichtfelder und geben Sie dann die Dokumente an. Eine Anwendung kann beispielsweise Projektkennungen und Klauselkategorien zusammen mit den jeweiligen Abschnittsbezeichnungen anfordern. Eine ausdrückliche Regel für fehlende Werte verhindert, dass das Ausgabeschema zum Anlass wird, nicht vorhandene Daten zu erfinden.
Der Hersteller beschreibt ausserdem Marketingmaterial, analytische Risikoberichte und Reiseplanung. Stellen Sie zum Schreiben die tatsächlichen Produkt- oder Kampagnenfakten und das vorgesehene Format bereit. Geben Sie für Analysen die relevanten Berichte und Vergleichskriterien an; aktuelle Informationen sollten über ein Such- oder Datenwerkzeug der Anwendung eintreffen. Nennen Sie für einen Reiseplan Vorlieben und zeitliche Einschränkungen, damit die Ausgabe ein Plan für die beschriebene Situation statt eines allgemeinen Reiseaufsatzes wird.
GLM-4-Plus nutzt modellgestützte synthetische Daten und PPO-basiertes Nachtraining, um mathematisches und programmierbezogenes Schlussfolgern zu entwickeln und menschliche Präferenzen besser abzubilden. Für lange Texte wird die Mischung aus kurzem und langem Material angepasst, um das Schlussfolgern über umfangreiche Eingaben zu stärken. Das sind Vorbereitungsentscheidungen dieses konkreten Plus-Modells. Sie machen aus seinem reinen Textprofil kein Bildverständnis einer gesondert benannten GLM-4V-Ausgabe.
Nutzen Sie den grösseren Kontext für Material, das die Frage tatsächlich stützt, mit stabilen Abschnittsnamen und einem klaren Ausgabevertrag. Eine praktische Anfrage vergleicht zwei Dokumente, listet Übereinstimmungen und Konflikte auf und nennt die Passagen hinter jeder Schlussfolgerung. Halten Sie das Endergebnis innerhalb des 4K-Ausgabeprofils: Verlangen Sie eine Entscheidungsvorlage oder einen strukturierten Vergleich und setzen Sie mit einer klar definierten Folgeanfrage fort, wenn ein Abschnitt erweitert werden muss. Gültige JSON-Struktur und sachlich richtige Feldwerte sind getrennte Prüfungen.
POST /v1/chat/completionstexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits glm-4-plus | 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 $0.014 / 1K Tokens Ausgabe · Ausgabetoken $0.014 / 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-plus", "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-plus',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-plus',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-plus
Verwenden Sie die oben angezeigten Methodenpfade.
glm-4-plusGLM-4-Plus ist das Textmodell von Z.ai für Sprachverständnis, logische Analyse, das Befolgen von Anweisungen und lange Dokumente. Sein Profil mit 128K Kontext und 4K Ausgabe eignet sich für beleggestützte Zusammenfassungen, mehrsprachige Überarbeitung, Feldextraktion und Berichte mit Werkzeugunterstützung.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
GLM-4-Plus ist das leistungsfähige Textmodell der GLM-4-Reihe von Z.ai. Es verbindet Sprachverständnis, logisches Schlussfolgern, das Befolgen von Anweisungen und die Verarbeitung langer Texte. Der Hersteller nennt Text als Ein- und Ausgabe, ein Kontextfenster von 128K Tokens und eine maximale Ausgabe von 4K Tokens. Eine lange Eingabe und ein kompaktes Ergebnis sind somit getrennte Bestandteile des Profils: Eine grosse Dokumentensammlung kann eine gezielte Zusammenfassung, einen Vergleich oder ein Extraktionsergebnis stützen.
Ein Dokumentenassistent kann benannte Abschnitte und eine Frage erhalten und daraus eine knappe Analyse mit Bezug zu diesen Abschnitten erstellen. Definieren Sie die Zielgruppe und die Entscheidung, bevor Sie die Antwort anfordern: etwa zwei Verfahren vergleichen, die auf einen Fall anwendbaren Bedingungen auflisten oder widersprüchliche Anforderungen erkennen. Trennen Sie Quellpassagen von Ihren Anweisungen, damit die Antwort Belege und angeforderte Analyse auseinanderhalten kann.
Die GLM-4-Beschreibung nennt Streaming, Funktionsaufrufe, Kontext-Caching, strukturierte Formate wie JSON und die Interaktion mit MCP-Werkzeugen und Datenquellen. Streaming stellt generierten Text schrittweise bereit. Strukturierte Ausgabe hilft, wenn das Ergebnis benannte Felder statt eines offenen Aufsatzes enthalten soll: eine Zusammenfassung, extrahierte Kennungen, Bezeichnungen der Quellabschnitte und weiterhin ungeklärte Fragen.
Werkzeuge verbinden das Sprachmodell mit Aktionen, die die Anwendung bereitstellt. Die Anwendung beschreibt die Funktionen, führt den gewählten Aufruf aus und liefert sein Ergebnis für den nächsten Schritt zurück. Das kann eine Abfrage mit anschliessendem Bericht oder ein Suchergebnis unterstützen, das zum Beleg für eine Antwort wird. Der Modelltext ist von der Ausführung der externen Aktion zu unterscheiden. Wiederholte Anweisungen oder Dokumentpräfixe können am Kontext-Caching des Herstellers teilnehmen; die Wiederverwendung des Caches belegt für sich genommen keinen Cache-Treffer bei einer bestimmten Anfrage.
Übersetzung wird als mehr als das Umwandeln einzelner Wörter beschrieben: Der Hersteller bezieht gemischtsprachigen Text, Ton, Umgangssprache, Emoji und Fachbegriffe unter Berücksichtigung kultureller Unterschiede ein. Geben Sie die Quellpassage, die Zielgruppe und die unverändert zu belassende Terminologie an. Verlangen Sie bei der Überarbeitung ein bestimmtes Ergebnis – einen überarbeiteten Brief, eine Produktbeschreibung oder eine knappe Erklärung – und benennen Sie die zu bewahrenden Fakten.
Semantische Klassifizierung und Feldextraktion beruhen auf dem bereitgestellten Material. Definieren Sie zuerst die Kategorien oder Pflichtfelder und geben Sie dann die Dokumente an. Eine Anwendung kann beispielsweise Projektkennungen und Klauselkategorien zusammen mit den jeweiligen Abschnittsbezeichnungen anfordern. Eine ausdrückliche Regel für fehlende Werte verhindert, dass das Ausgabeschema zum Anlass wird, nicht vorhandene Daten zu erfinden.
Der Hersteller beschreibt ausserdem Marketingmaterial, analytische Risikoberichte und Reiseplanung. Stellen Sie zum Schreiben die tatsächlichen Produkt- oder Kampagnenfakten und das vorgesehene Format bereit. Geben Sie für Analysen die relevanten Berichte und Vergleichskriterien an; aktuelle Informationen sollten über ein Such- oder Datenwerkzeug der Anwendung eintreffen. Nennen Sie für einen Reiseplan Vorlieben und zeitliche Einschränkungen, damit die Ausgabe ein Plan für die beschriebene Situation statt eines allgemeinen Reiseaufsatzes wird.
GLM-4-Plus nutzt modellgestützte synthetische Daten und PPO-basiertes Nachtraining, um mathematisches und programmierbezogenes Schlussfolgern zu entwickeln und menschliche Präferenzen besser abzubilden. Für lange Texte wird die Mischung aus kurzem und langem Material angepasst, um das Schlussfolgern über umfangreiche Eingaben zu stärken. Das sind Vorbereitungsentscheidungen dieses konkreten Plus-Modells. Sie machen aus seinem reinen Textprofil kein Bildverständnis einer gesondert benannten GLM-4V-Ausgabe.
Nutzen Sie den grösseren Kontext für Material, das die Frage tatsächlich stützt, mit stabilen Abschnittsnamen und einem klaren Ausgabevertrag. Eine praktische Anfrage vergleicht zwei Dokumente, listet Übereinstimmungen und Konflikte auf und nennt die Passagen hinter jeder Schlussfolgerung. Halten Sie das Endergebnis innerhalb des 4K-Ausgabeprofils: Verlangen Sie eine Entscheidungsvorlage oder einen strukturierten Vergleich und setzen Sie mit einer klar definierten Folgeanfrage fort, wenn ein Abschnitt erweitert werden muss. Gültige JSON-Struktur und sachlich richtige Feldwerte sind getrennte Prüfungen.
POST /v1/messagestextjson, sse| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits glm-4-plus | 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 $0.014 / 1K Tokens Ausgabe · Ausgabetoken $0.014 / 1K Tokens Eingabe · Cache lesen $0 / 1K Tokens Eingabe · Cache schreiben $0 / 1K Tokens Eingabe · Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschliessenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
{\n "model": "glm-4-plus",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-plus', '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-plus', '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-plus
Verwenden Sie die oben angezeigten Methodenpfade.
Technisches Beispiel auf Englisch
Find contradictions between two procedures\n\nCompare procedure P: approve a supplier before issuing an order; emergency orders need the same approval. Procedure Q: emergency orders may be issued immediately and reviewed the next day. Prepare a decision brief identifying the conflict, the passages involved and the exact policy question an owner must resolve before the procedures can agree.A concise conflict statement, two supporting passages and one decision question.Check that the answer exposes the approval-timing conflict without silently choosing a governing procedure.