GLM-4-9B-Chat ist die auf Dialoge abgestimmte Ausgabe von Z.ais offenem Sprachmodell GLM-4-9B. Seine Vorbereitung verbindet eine mehrsprachige Grundlage mit der Ausrichtung auf menschliche Präferenzen. Das Modell arbeitet mit Text: Fragen, Dokumente, Code und Gesprächsverlauf bilden die Eingabe; das sichtbare Ergebnis ist Text oder eine angeforderte Werkzeugaktion. Zu seinen angegebenen Bereichen gehören Sprachverständnis, Mathematik, Schlussfolgern, Programmierung und wissensbasierte Fragen.
Der GLM-4-Bericht beschreibt das Modell mit 9 Milliarden Parametern als auf ungefähr zehn Billionen Tokens mehrsprachigen Materials vortrainiert, zunächst mit einem Kontext von 8K und anschliessend mit der für GLM-4-0520 verwendeten Pipeline und den entsprechenden Daten nachtrainiert. Die anfängliche Trainingslänge ist nicht die Kontextgrenze dieser Chat-Veröffentlichung: Ihr veröffentlichtes nutzerseitiges Fenster beträgt 128K. Diese Unterscheidung ist wichtig, wenn zwischen einer Trainingsspezifikation und der tatsächlichen Variante des benannten Modells gewählt wird.
Eine nützliche Programmieraufgabe besteht darin, eine Funktion, ihr beabsichtigtes Verhalten und eine fehlschlagende Eingabe bereitzustellen und dann eine Erklärung mit anschliessend korrigiertem Codefragment anzufordern. Stellen Sie für einen Dokumentassistenten die relevanten Abschnitte bereit und lassen Sie ihn Anforderungen extrahieren, Passagen vergleichen oder einen unbekannten Begriff erklären. Dies sind Anwendungen der Sprach- und Programmierfähigkeiten des Modells und kein separates Produkt oder Dateigenerierungsmodus.
Diese Chat-Ausgabe unterstützt einen Kontext von 128K Tokens. Diese Kapazität ermöglicht einem Assistenten, Quellenmaterial und frühere Dialoge in dieselbe Aufgabe einzubeziehen. Geben Sie langen Dokumenten klare Abschnittsnamen und nennen Sie, ob die Antwort eine Zusammenfassung, ein Vergleich oder eine Erklärung einer bestimmten Passage sein soll. Benennen Sie in Folgemeldungen die geänderte Passage, statt die Aufgabe stillschweigend zu ersetzen.
GLM-4-9B-Chat-1M ist eine separat benannte Ausgabe mit langem Kontext. Der gewöhnliche Chat-Eintrag erhält dadurch nicht deren Fenster von einer Million Tokens. Ebenso ist das visuelle GLM-4V-9B ein separates Modell: Die Eingabe dieser Ausgabe bleibt Text. Die veröffentlichten Generierungsbeispiele verwenden anfragespezifische Längeneinstellungen; sie begründen keine einzelne allgemeingültige maximale Antwortlänge.
Das Modell unterstützt 26 Sprachen; zu den benannten Beispielen gehören Japanisch, Koreanisch und Deutsch. Der GLM-4-Trainingsbericht nennt Chinesisch und Englisch als hauptsächliche Sprachen der Ausrichtung, neben einem breiteren mehrsprachigen Korpus. Legen Sie für Übersetzungen oder Supportdialoge Zielsprache, Terminologie und Ton fest und stellen Sie das Material bereit, das unverändert bleiben soll. Ein Assistent kann beispielsweise eine Passage in der gewünschten Sprache erklären und dabei Produktnamen und Codekennungen bewahren.
GLM-4-9B-Chat ist auf Webnutzung, Codeausführung und benutzerdefinierte Funktionsaufrufe vorbereitet. Der GLM-4-All-Tools-Ansatz verbindet Aufgabenplanung mit externen Handlungen und deren zurückgegebenen Beobachtungen. Ein Dokumentassistent kann eine Abfrage anfordern, den zurückgegebenen Auszug verwenden und seine Erklärung fortsetzen; eine numerische Aufgabe kann ein von der umgebenden Anwendung bereitgestelltes Python-Werkzeug nutzen.
Die Anwendung definiert diese Werkzeuge und führt sie aus. Der Text des Modells ruft nicht von selbst eine Website auf, führt kein Programm aus und erzeugt kein Bild. Wenn die Anwendung eine Bildgenerierungsfunktion bereitstellt, erzeugt diese externe Funktion das Bild; dieses Textmodell plant den Aufruf und bespricht das zurückgegebene Ergebnis. Geben Sie jeder Funktion einen klaren Zweck und eine Argumentdefinition und speisen Sie das Ergebnis wieder in den Dialog ein, bevor Sie die Endantwort anfordern.
Die Ausgabe verwendet eine rollenbasierte Chatvorlage. Bewahren Sie Nutzeranweisungen, relevante Assistentenantworten und Werkzeugergebnisse als getrennte Gesprächsrunden. Eine praktische Anfrage lautet: «Listen Sie anhand dieser benannten Dokumentabschnitte die Anforderungen auf, erklären Sie Widersprüche und zitieren Sie die Abschnittskennzeichnungen, die jede Schlussfolgerung stützen.» Eine weitere lautet: «Erklären Sie, wie diese Funktion die bereitgestellte Eingabe verarbeitet, und schlagen Sie dann eine Änderung vor, die die aufgeführte Schnittstelle bewahrt.» Das gewünschte Ergebnis sollte ausdrücklich benannt sein, damit die Antwort anhand des Quellenmaterials und des beabsichtigten Programmverhaltens geprüft werden kann.
", "aboutText": "### Vorstellung des Modells\n\nGLM-4-9B-Chat ist die auf Dialoge abgestimmte Ausgabe von Z.ais offenem Sprachmodell GLM-4-9B. Seine Vorbereitung verbindet eine mehrsprachige Grundlage mit der Ausrichtung auf menschliche Präferenzen. Das Modell arbeitet mit Text: Fragen, Dokumente, Code und Gesprächsverlauf bilden die Eingabe; das sichtbare Ergebnis ist Text oder eine angeforderte Werkzeugaktion. Zu seinen angegebenen Bereichen gehören Sprachverständnis, Mathematik, Schlussfolgern, Programmierung und wissensbasierte Fragen.\n\nDer GLM-4-Bericht beschreibt das Modell mit 9 Milliarden Parametern als auf ungefähr zehn Billionen Tokens mehrsprachigen Materials vortrainiert, zunächst mit einem Kontext von 8K und anschliessend mit der für GLM-4-0520 verwendeten Pipeline und den entsprechenden Daten nachtrainiert. Die anfängliche Trainingslänge ist nicht die Kontextgrenze dieser Chat-Veröffentlichung: Ihr veröffentlichtes nutzerseitiges Fenster beträgt 128K. Diese Unterscheidung ist wichtig, wenn zwischen einer Trainingsspezifikation und der tatsächlichen Variante des benannten Modells gewählt wird.\n\nEine nützliche Programmieraufgabe besteht darin, eine Funktion, ihr beabsichtigtes Verhalten und eine fehlschlagende Eingabe bereitzustellen und dann eine Erklärung mit anschliessend korrigiertem Codefragment anzufordern. Stellen Sie für einen Dokumentassistenten die relevanten Abschnitte bereit und lassen Sie ihn Anforderungen extrahieren, Passagen vergleichen oder einen unbekannten Begriff erklären. Dies sind Anwendungen der Sprach- und Programmierfähigkeiten des Modells und kein separates Produkt oder Dateigenerierungsmodus.\n\n### Langer Kontext\n\nDiese Chat-Ausgabe unterstützt einen Kontext von 128K Tokens. Diese Kapazität ermöglicht einem Assistenten, Quellenmaterial und frühere Dialoge in dieselbe Aufgabe einzubeziehen. Geben Sie langen Dokumenten klare Abschnittsnamen und nennen Sie, ob die Antwort eine Zusammenfassung, ein Vergleich oder eine Erklärung einer bestimmten Passage sein soll. Benennen Sie in Folgemeldungen die geänderte Passage, statt die Aufgabe stillschweigend zu ersetzen.\n\nGLM-4-9B-Chat-1M ist eine separat benannte Ausgabe mit langem Kontext. Der gewöhnliche Chat-Eintrag erhält dadurch nicht deren Fenster von einer Million Tokens. Ebenso ist das visuelle GLM-4V-9B ein separates Modell: Die Eingabe dieser Ausgabe bleibt Text. Die veröffentlichten Generierungsbeispiele verwenden anfragespezifische Längeneinstellungen; sie begründen keine einzelne allgemeingültige maximale Antwortlänge.\n\n### Mehrsprachige Arbeit\n\nDas Modell unterstützt 26 Sprachen; zu den benannten Beispielen gehören Japanisch, Koreanisch und Deutsch. Der GLM-4-Trainingsbericht nennt Chinesisch und Englisch als hauptsächliche Sprachen der Ausrichtung, neben einem breiteren mehrsprachigen Korpus. Legen Sie für Übersetzungen oder Supportdialoge Zielsprache, Terminologie und Ton fest und stellen Sie das Material bereit, das unverändert bleiben soll. Ein Assistent kann beispielsweise eine Passage in der gewünschten Sprache erklären und dabei Produktnamen und Codekennungen bewahren.\n\n### Funktionsaufrufe und Anwendungswerkzeuge\n\nGLM-4-9B-Chat ist auf Webnutzung, Codeausführung und benutzerdefinierte Funktionsaufrufe vorbereitet. Der GLM-4-All-Tools-Ansatz verbindet Aufgabenplanung mit externen Handlungen und deren zurückgegebenen Beobachtungen. Ein Dokumentassistent kann eine Abfrage anfordern, den zurückgegebenen Auszug verwenden und seine Erklärung fortsetzen; eine numerische Aufgabe kann ein von der umgebenden Anwendung bereitgestelltes Python-Werkzeug nutzen.\n\nDie Anwendung definiert diese Werkzeuge und führt sie aus. Der Text des Modells ruft nicht von selbst eine Website auf, führt kein Programm aus und erzeugt kein Bild. Wenn die Anwendung eine Bildgenerierungsfunktion bereitstellt, erzeugt diese externe Funktion das Bild; dieses Textmodell plant den Aufruf und bespricht das zurückgegebene Ergebnis. Geben Sie jeder Funktion einen klaren Zweck und eine Argumentdefinition und speisen Sie das Ergebnis wieder in den Dialog ein, bevor Sie die Endantwort anfordern.\n\n### Ein Gespräch vorbereiten\n\nDie Ausgabe verwendet eine rollenbasierte Chatvorlage. Bewahren Sie Nutzeranweisungen, relevante Assistentenantworten und Werkzeugergebnisse als getrennte Gesprächsrunden. Eine praktische Anfrage lautet: «Listen Sie anhand dieser benannten Dokumentabschnitte die Anforderungen auf, erklären Sie Widersprüche und zitieren Sie die Abschnittskennzeichnungen, die jede Schlussfolgerung stützen.» Eine weitere lautet: «Erklären Sie, wie diese Funktion die bereitgestellte Eingabe verarbeitet, und schlagen Sie dann eine Änderung vor, die die aufgeführte Schnittstelle bewahrt.» Das gewünschte Ergebnis sollte ausdrücklich benannt sein, damit die Antwort anhand des Quellenmaterials und des beabsichtigten Programmverhaltens geprüft werden kann.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisches Beispiel auf Englisch
Explain a conditional leave procedure\n\nExplain this procedure to a colleague. Section L1: 'Submit a leave request to the team lead.' L2: 'Trips over five working days also require department approval.' L3: 'A calendar invitation is sent only after approval.' The colleague requests eight working days. Return the required sequence and identify why an invitation alone does not demonstrate approval.A section-linked sequence and a short explanation of the invitation condition.The eight-day request must retain both the team-lead and department requirements.Pro/THUDM/glm-4-9b-chatGLM-4-9B-Chat ist ein mehrsprachiges Textmodell für längere Dialoge, Dokumentanalyse und Programmierung mit einem Kontext von 128K. Es kann von einer Anwendung bereitgestellte Browser-, Codeausführungs- und benutzerdefinierte Funktionsaktionen auswählen und deren Ergebnisse anschliessend in seiner Antwort nutzen.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
GLM-4-9B-Chat ist die auf Dialoge abgestimmte Ausgabe von Z.ais offenem Sprachmodell GLM-4-9B. Seine Vorbereitung verbindet eine mehrsprachige Grundlage mit der Ausrichtung auf menschliche Präferenzen. Das Modell arbeitet mit Text: Fragen, Dokumente, Code und Gesprächsverlauf bilden die Eingabe; das sichtbare Ergebnis ist Text oder eine angeforderte Werkzeugaktion. Zu seinen angegebenen Bereichen gehören Sprachverständnis, Mathematik, Schlussfolgern, Programmierung und wissensbasierte Fragen.
Der GLM-4-Bericht beschreibt das Modell mit 9 Milliarden Parametern als auf ungefähr zehn Billionen Tokens mehrsprachigen Materials vortrainiert, zunächst mit einem Kontext von 8K und anschliessend mit der für GLM-4-0520 verwendeten Pipeline und den entsprechenden Daten nachtrainiert. Die anfängliche Trainingslänge ist nicht die Kontextgrenze dieser Chat-Veröffentlichung: Ihr veröffentlichtes nutzerseitiges Fenster beträgt 128K. Diese Unterscheidung ist wichtig, wenn zwischen einer Trainingsspezifikation und der tatsächlichen Variante des benannten Modells gewählt wird.
Eine nützliche Programmieraufgabe besteht darin, eine Funktion, ihr beabsichtigtes Verhalten und eine fehlschlagende Eingabe bereitzustellen und dann eine Erklärung mit anschliessend korrigiertem Codefragment anzufordern. Stellen Sie für einen Dokumentassistenten die relevanten Abschnitte bereit und lassen Sie ihn Anforderungen extrahieren, Passagen vergleichen oder einen unbekannten Begriff erklären. Dies sind Anwendungen der Sprach- und Programmierfähigkeiten des Modells und kein separates Produkt oder Dateigenerierungsmodus.
Diese Chat-Ausgabe unterstützt einen Kontext von 128K Tokens. Diese Kapazität ermöglicht einem Assistenten, Quellenmaterial und frühere Dialoge in dieselbe Aufgabe einzubeziehen. Geben Sie langen Dokumenten klare Abschnittsnamen und nennen Sie, ob die Antwort eine Zusammenfassung, ein Vergleich oder eine Erklärung einer bestimmten Passage sein soll. Benennen Sie in Folgemeldungen die geänderte Passage, statt die Aufgabe stillschweigend zu ersetzen.
GLM-4-9B-Chat-1M ist eine separat benannte Ausgabe mit langem Kontext. Der gewöhnliche Chat-Eintrag erhält dadurch nicht deren Fenster von einer Million Tokens. Ebenso ist das visuelle GLM-4V-9B ein separates Modell: Die Eingabe dieser Ausgabe bleibt Text. Die veröffentlichten Generierungsbeispiele verwenden anfragespezifische Längeneinstellungen; sie begründen keine einzelne allgemeingültige maximale Antwortlänge.
Das Modell unterstützt 26 Sprachen; zu den benannten Beispielen gehören Japanisch, Koreanisch und Deutsch. Der GLM-4-Trainingsbericht nennt Chinesisch und Englisch als hauptsächliche Sprachen der Ausrichtung, neben einem breiteren mehrsprachigen Korpus. Legen Sie für Übersetzungen oder Supportdialoge Zielsprache, Terminologie und Ton fest und stellen Sie das Material bereit, das unverändert bleiben soll. Ein Assistent kann beispielsweise eine Passage in der gewünschten Sprache erklären und dabei Produktnamen und Codekennungen bewahren.
GLM-4-9B-Chat ist auf Webnutzung, Codeausführung und benutzerdefinierte Funktionsaufrufe vorbereitet. Der GLM-4-All-Tools-Ansatz verbindet Aufgabenplanung mit externen Handlungen und deren zurückgegebenen Beobachtungen. Ein Dokumentassistent kann eine Abfrage anfordern, den zurückgegebenen Auszug verwenden und seine Erklärung fortsetzen; eine numerische Aufgabe kann ein von der umgebenden Anwendung bereitgestelltes Python-Werkzeug nutzen.
Die Anwendung definiert diese Werkzeuge und führt sie aus. Der Text des Modells ruft nicht von selbst eine Website auf, führt kein Programm aus und erzeugt kein Bild. Wenn die Anwendung eine Bildgenerierungsfunktion bereitstellt, erzeugt diese externe Funktion das Bild; dieses Textmodell plant den Aufruf und bespricht das zurückgegebene Ergebnis. Geben Sie jeder Funktion einen klaren Zweck und eine Argumentdefinition und speisen Sie das Ergebnis wieder in den Dialog ein, bevor Sie die Endantwort anfordern.
Die Ausgabe verwendet eine rollenbasierte Chatvorlage. Bewahren Sie Nutzeranweisungen, relevante Assistentenantworten und Werkzeugergebnisse als getrennte Gesprächsrunden. Eine praktische Anfrage lautet: «Listen Sie anhand dieser benannten Dokumentabschnitte die Anforderungen auf, erklären Sie Widersprüche und zitieren Sie die Abschnittskennzeichnungen, die jede Schlussfolgerung stützen.» Eine weitere lautet: «Erklären Sie, wie diese Funktion die bereitgestellte Eingabe verarbeitet, und schlagen Sie dann eine Änderung vor, die die aufgeführte Schnittstelle bewahrt.» Das gewünschte Ergebnis sollte ausdrücklich benannt sein, damit die Antwort anhand des Quellenmaterials und des beabsichtigten Programmverhaltens geprüft werden kann.
POST /v1/chat/completionstexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits Pro/THUDM/glm-4-9b-chat | 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 $0.000172 / 1K Tokens Ausgabe · Ausgabetoken $0.000172 / 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": "Pro/THUDM/glm-4-9b-chat", "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='Pro/THUDM/glm-4-9b-chat',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='Pro/THUDM/glm-4-9b-chat',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 Pro/THUDM/glm-4-9b-chat
Verwenden Sie die oben angezeigten Methodenpfade.
Pro/THUDM/glm-4-9b-chatGLM-4-9B-Chat ist ein mehrsprachiges Textmodell für längere Dialoge, Dokumentanalyse und Programmierung mit einem Kontext von 128K. Es kann von einer Anwendung bereitgestellte Browser-, Codeausführungs- und benutzerdefinierte Funktionsaktionen auswählen und deren Ergebnisse anschliessend in seiner Antwort nutzen.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
GLM-4-9B-Chat ist die auf Dialoge abgestimmte Ausgabe von Z.ais offenem Sprachmodell GLM-4-9B. Seine Vorbereitung verbindet eine mehrsprachige Grundlage mit der Ausrichtung auf menschliche Präferenzen. Das Modell arbeitet mit Text: Fragen, Dokumente, Code und Gesprächsverlauf bilden die Eingabe; das sichtbare Ergebnis ist Text oder eine angeforderte Werkzeugaktion. Zu seinen angegebenen Bereichen gehören Sprachverständnis, Mathematik, Schlussfolgern, Programmierung und wissensbasierte Fragen.
Der GLM-4-Bericht beschreibt das Modell mit 9 Milliarden Parametern als auf ungefähr zehn Billionen Tokens mehrsprachigen Materials vortrainiert, zunächst mit einem Kontext von 8K und anschliessend mit der für GLM-4-0520 verwendeten Pipeline und den entsprechenden Daten nachtrainiert. Die anfängliche Trainingslänge ist nicht die Kontextgrenze dieser Chat-Veröffentlichung: Ihr veröffentlichtes nutzerseitiges Fenster beträgt 128K. Diese Unterscheidung ist wichtig, wenn zwischen einer Trainingsspezifikation und der tatsächlichen Variante des benannten Modells gewählt wird.
Eine nützliche Programmieraufgabe besteht darin, eine Funktion, ihr beabsichtigtes Verhalten und eine fehlschlagende Eingabe bereitzustellen und dann eine Erklärung mit anschliessend korrigiertem Codefragment anzufordern. Stellen Sie für einen Dokumentassistenten die relevanten Abschnitte bereit und lassen Sie ihn Anforderungen extrahieren, Passagen vergleichen oder einen unbekannten Begriff erklären. Dies sind Anwendungen der Sprach- und Programmierfähigkeiten des Modells und kein separates Produkt oder Dateigenerierungsmodus.
Diese Chat-Ausgabe unterstützt einen Kontext von 128K Tokens. Diese Kapazität ermöglicht einem Assistenten, Quellenmaterial und frühere Dialoge in dieselbe Aufgabe einzubeziehen. Geben Sie langen Dokumenten klare Abschnittsnamen und nennen Sie, ob die Antwort eine Zusammenfassung, ein Vergleich oder eine Erklärung einer bestimmten Passage sein soll. Benennen Sie in Folgemeldungen die geänderte Passage, statt die Aufgabe stillschweigend zu ersetzen.
GLM-4-9B-Chat-1M ist eine separat benannte Ausgabe mit langem Kontext. Der gewöhnliche Chat-Eintrag erhält dadurch nicht deren Fenster von einer Million Tokens. Ebenso ist das visuelle GLM-4V-9B ein separates Modell: Die Eingabe dieser Ausgabe bleibt Text. Die veröffentlichten Generierungsbeispiele verwenden anfragespezifische Längeneinstellungen; sie begründen keine einzelne allgemeingültige maximale Antwortlänge.
Das Modell unterstützt 26 Sprachen; zu den benannten Beispielen gehören Japanisch, Koreanisch und Deutsch. Der GLM-4-Trainingsbericht nennt Chinesisch und Englisch als hauptsächliche Sprachen der Ausrichtung, neben einem breiteren mehrsprachigen Korpus. Legen Sie für Übersetzungen oder Supportdialoge Zielsprache, Terminologie und Ton fest und stellen Sie das Material bereit, das unverändert bleiben soll. Ein Assistent kann beispielsweise eine Passage in der gewünschten Sprache erklären und dabei Produktnamen und Codekennungen bewahren.
GLM-4-9B-Chat ist auf Webnutzung, Codeausführung und benutzerdefinierte Funktionsaufrufe vorbereitet. Der GLM-4-All-Tools-Ansatz verbindet Aufgabenplanung mit externen Handlungen und deren zurückgegebenen Beobachtungen. Ein Dokumentassistent kann eine Abfrage anfordern, den zurückgegebenen Auszug verwenden und seine Erklärung fortsetzen; eine numerische Aufgabe kann ein von der umgebenden Anwendung bereitgestelltes Python-Werkzeug nutzen.
Die Anwendung definiert diese Werkzeuge und führt sie aus. Der Text des Modells ruft nicht von selbst eine Website auf, führt kein Programm aus und erzeugt kein Bild. Wenn die Anwendung eine Bildgenerierungsfunktion bereitstellt, erzeugt diese externe Funktion das Bild; dieses Textmodell plant den Aufruf und bespricht das zurückgegebene Ergebnis. Geben Sie jeder Funktion einen klaren Zweck und eine Argumentdefinition und speisen Sie das Ergebnis wieder in den Dialog ein, bevor Sie die Endantwort anfordern.
Die Ausgabe verwendet eine rollenbasierte Chatvorlage. Bewahren Sie Nutzeranweisungen, relevante Assistentenantworten und Werkzeugergebnisse als getrennte Gesprächsrunden. Eine praktische Anfrage lautet: «Listen Sie anhand dieser benannten Dokumentabschnitte die Anforderungen auf, erklären Sie Widersprüche und zitieren Sie die Abschnittskennzeichnungen, die jede Schlussfolgerung stützen.» Eine weitere lautet: «Erklären Sie, wie diese Funktion die bereitgestellte Eingabe verarbeitet, und schlagen Sie dann eine Änderung vor, die die aufgeführte Schnittstelle bewahrt.» Das gewünschte Ergebnis sollte ausdrücklich benannt sein, damit die Antwort anhand des Quellenmaterials und des beabsichtigten Programmverhaltens geprüft werden kann.
POST /v1/messagestextjson, sse| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits Pro/THUDM/glm-4-9b-chat | 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 $0.000172 / 1K Tokens Ausgabe · Ausgabetoken $0.000172 / 1K Tokens Eingabe · Cache lesen $0 / 1K Tokens Eingabe · Cache schreiben $0 / 1K Tokens Eingabe · Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschliessenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
{\n "model": "Pro/THUDM/glm-4-9b-chat",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'Pro/THUDM/glm-4-9b-chat', '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': 'Pro/THUDM/glm-4-9b-chat', '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 Pro/THUDM/glm-4-9b-chat
Verwenden Sie die oben angezeigten Methodenpfade.
Technisches Beispiel auf Englisch
Explain a conditional leave procedure\n\nExplain this procedure to a colleague. Section L1: 'Submit a leave request to the team lead.' L2: 'Trips over five working days also require department approval.' L3: 'A calendar invitation is sent only after approval.' The colleague requests eight working days. Return the required sequence and identify why an invitation alone does not demonstrate approval.A section-linked sequence and a short explanation of the invitation condition.The eight-day request must retain both the team-lead and department requirements.