GLM-4-32B-0414 ist die feste Textausgabe der 32B-Klasse in Z.ais GLM-4-0414-Serie. Ihre Basis wurde mit 15 Billionen Token einschliesslich synthetischen Reasoning-Materials vortrainiert. Das Nachtraining verbindet die Abstimmung auf Gesprächspräferenzen, Rejection Sampling und Reinforcement Learning, um Anweisungsbefolgung, technischen Code und Funktionsaufrufe zu entwickeln. Zu den angegebenen Arbeiten gehören Softwareaufgaben, Textartefakte, suchbasierte Fragen und Berichte. Ein- und Ausgabe sind Text; erzeugter Code wird zu einem ausführbaren oder gerenderten Artefakt, wenn die Anwendung ihn speichert und ausführt.
Das auf Schlussfolgern ausgerichtete GLM-Z1-32B-0414 und das rechercheorientierte Rumination-Modell sind separat benannte Ausgaben. Dieser Eintrag folgt den eigenen breiteren Code- und Tool-Demonstrationen des GLM-4-Modells, statt die Denkregeln einer anderen Veröffentlichung einzusetzen.
Der Hersteller demonstriert die Programmierung einer bewegten Kugel in einem rotierenden Sechseck. Das Beispiel für GLM-4-32B-0414 verwendet HTML und beschreibt Bewegung, Kollisionen und physikalische Annahmen. Das ist Code für eine Simulation und kein Videogenerierungsmodus. Für eine ähnliche Aufgabe geben Sie Szene, Bewegungsregeln, Kollisionsverhalten und die vorgesehene Laufzeitumgebung an und verlangen eine eigenständige Implementierung sowie eine Erklärung der Annahmen. Die Anwendung führt diesen Code aus, um das Ergebnis zu prüfen.
Die Beispiele umfassen eine Zeichenoberfläche für benutzerdefinierte Funktionsgraphen mit Hinzufügen und Entfernen von Funktionen und Farbzuweisung. Ein anderes Beispiel erstellt eine mobile Machine-Learning-Oberfläche mit Trainingsaufgaben, Speicherverwaltung und persönlichen Statistiken einschliesslich Diagrammen, angeordnet auf einer HTML-Seite. Das sind konkrete Frontend-Aufgaben mit festgelegten Bedienelementen und Zuständen.
Für eine hilfreiche Ausgabe beschreiben Sie die Aktionen, die jedes Bedienelement unterstützen muss, und die Daten, die die Ansicht zeigen soll. Eine Oberflächenanfrage kann den Seitencode zusammen mit dem Zusammenhang zwischen Eingabe, angezeigtem Zustand und Ergebnis verlangen. Eine spätere Gesprächsrunde kann die beobachtete Darstellung liefern und eine gezielte Änderung unter Erhalt des aufgelisteten Verhaltens anfordern.
Der Hersteller demonstriert auch SVG-Illustrationen, darunter eine Landschaft und eine Erklärung des Trainingsprozesses eines Sprachmodells. SVG ist strukturierter Text, sodass die Anwendung ihn als bearbeitbares Vektorartefakt speichern kann. Geben Sie Motiv, Beschriftungen, Anordnung und erforderliche visuelle Beziehungen vor. Verlangen Sie das SVG-Markup als eigenständiges Ergebnis, statt den Illustrationscode mit einer langen unverbundenen Erklärung zu vermischen.
Für Recherchetexte stellt die Modellkarte Suchergebnisse als Beobachtungen bereit und verlangt, dass das Modell sie ordnet und interpretiert, statt sie zu kopieren. Ihre Anweisungen unterscheiden relevante von irrelevanten Ergebnissen, bevorzugen aussagekräftige Details, soweit die Belege es erlauben, verwenden eine lesbare Struktur und antworten in der Sprache der nutzenden Person. Das Beispiel erzeugt einen analytischen Bericht über Kinderliteratur mit Erzählmethoden, Themen und deren Wirkung.
Eine praktische Aufgabe kann benannte Auszüge bereitstellen und einen nach ausdrücklichen Fragen gegliederten Bericht verlangen, dessen Schlussfolgerungen jeweils mit dem stützenden Material verbunden sind. Suche und Abruf finden in der umgebenden Anwendung statt; die zurückgegebenen Passagen werden zu den Belegen des Modells. Das eignet sich auch zum Vergleichen von Dokumenten oder zum Erstellen einer Erklärung aus einer bereitgestellten Recherchesammlung.
GLM-4-32B-0414 unterstützt externe Tool-Aufrufe mit JSON-Argumenten. Das Modell benennt eine Funktion und ihre Argumente, die Anwendung führt sie aus, und das Ergebnis wird als Beobachtung zurückgegeben. Die Herstellerdemonstration wiederholt diese Schleife bis zur abschliessenden Antwort. Beschreiben Sie den Zweck und die Pflichtfelder jedes Tools und unterscheiden Sie seine Beobachtung von der Nutzeranweisung. Eine Abfrage kann so Daten für einen späteren Vergleich liefern, ohne vorzugeben, das Modell habe selbstständig Live-Informationen beschafft.
Die veröffentlichte Konfiguration setzt max_position_embeddings auf 32’768 und enthält keinen Eintrag rope_scaling. Die ausgearbeiteten Herstellerbeispiele verwenden anfragespezifische Generierungslängen; die Modellkarte nennt kein universelles hartes Ausgabemaximum. Halten Sie relevanten Code, abgerufene Passagen und Gespräch innerhalb des aktiven Kontexts und legen Sie fest, ob das Endergebnis HTML, SVG, ein Codefragment, JSON-Argumente oder ein Bericht sein soll. Das sind Textdarstellungen für die beschriebene Aufgabe; Ausführung, Dateierstellung und Zugriff auf externe Daten bleiben Aktionen der Anwendung.
", "aboutText": "### Einführung\n\nGLM-4-32B-0414 ist die feste Textausgabe der 32B-Klasse in Z.ais GLM-4-0414-Serie. Ihre Basis wurde mit 15 Billionen Token einschliesslich synthetischen Reasoning-Materials vortrainiert. Das Nachtraining verbindet die Abstimmung auf Gesprächspräferenzen, Rejection Sampling und Reinforcement Learning, um Anweisungsbefolgung, technischen Code und Funktionsaufrufe zu entwickeln. Zu den angegebenen Arbeiten gehören Softwareaufgaben, Textartefakte, suchbasierte Fragen und Berichte. Ein- und Ausgabe sind Text; erzeugter Code wird zu einem ausführbaren oder gerenderten Artefakt, wenn die Anwendung ihn speichert und ausführt.\n\nDas auf Schlussfolgern ausgerichtete GLM-Z1-32B-0414 und das rechercheorientierte Rumination-Modell sind separat benannte Ausgaben. Dieser Eintrag folgt den eigenen breiteren Code- und Tool-Demonstrationen des GLM-4-Modells, statt die Denkregeln einer anderen Veröffentlichung einzusetzen.\n\n### Beispiel: Animationserzeugung\n\nDer Hersteller demonstriert die Programmierung einer bewegten Kugel in einem rotierenden Sechseck. Das Beispiel für GLM-4-32B-0414 verwendet HTML und beschreibt Bewegung, Kollisionen und physikalische Annahmen. Das ist Code für eine Simulation und kein Videogenerierungsmodus. Für eine ähnliche Aufgabe geben Sie Szene, Bewegungsregeln, Kollisionsverhalten und die vorgesehene Laufzeitumgebung an und verlangen eine eigenständige Implementierung sowie eine Erklärung der Annahmen. Die Anwendung führt diesen Code aus, um das Ergebnis zu prüfen.\n\n### Beispiel: Webdesign\n\nDie Beispiele umfassen eine Zeichenoberfläche für benutzerdefinierte Funktionsgraphen mit Hinzufügen und Entfernen von Funktionen und Farbzuweisung. Ein anderes Beispiel erstellt eine mobile Machine-Learning-Oberfläche mit Trainingsaufgaben, Speicherverwaltung und persönlichen Statistiken einschliesslich Diagrammen, angeordnet auf einer HTML-Seite. Das sind konkrete Frontend-Aufgaben mit festgelegten Bedienelementen und Zuständen.\n\nFür eine hilfreiche Ausgabe beschreiben Sie die Aktionen, die jedes Bedienelement unterstützen muss, und die Daten, die die Ansicht zeigen soll. Eine Oberflächenanfrage kann den Seitencode zusammen mit dem Zusammenhang zwischen Eingabe, angezeigtem Zustand und Ergebnis verlangen. Eine spätere Gesprächsrunde kann die beobachtete Darstellung liefern und eine gezielte Änderung unter Erhalt des aufgelisteten Verhaltens anfordern.\n\n### Beispiel: SVG-Erzeugung\n\nDer Hersteller demonstriert auch SVG-Illustrationen, darunter eine Landschaft und eine Erklärung des Trainingsprozesses eines Sprachmodells. SVG ist strukturierter Text, sodass die Anwendung ihn als bearbeitbares Vektorartefakt speichern kann. Geben Sie Motiv, Beschriftungen, Anordnung und erforderliche visuelle Beziehungen vor. Verlangen Sie das SVG-Markup als eigenständiges Ergebnis, statt den Illustrationscode mit einer langen unverbundenen Erklärung zu vermischen.\n\n### Suchbasiertes Schreiben\n\nFür Recherchetexte stellt die Modellkarte Suchergebnisse als Beobachtungen bereit und verlangt, dass das Modell sie ordnet und interpretiert, statt sie zu kopieren. Ihre Anweisungen unterscheiden relevante von irrelevanten Ergebnissen, bevorzugen aussagekräftige Details, soweit die Belege es erlauben, verwenden eine lesbare Struktur und antworten in der Sprache der nutzenden Person. Das Beispiel erzeugt einen analytischen Bericht über Kinderliteratur mit Erzählmethoden, Themen und deren Wirkung.\n\nEine praktische Aufgabe kann benannte Auszüge bereitstellen und einen nach ausdrücklichen Fragen gegliederten Bericht verlangen, dessen Schlussfolgerungen jeweils mit dem stützenden Material verbunden sind. Suche und Abruf finden in der umgebenden Anwendung statt; die zurückgegebenen Passagen werden zu den Belegen des Modells. Das eignet sich auch zum Vergleichen von Dokumenten oder zum Erstellen einer Erklärung aus einer bereitgestellten Recherchesammlung.\n\n### Funktionsaufrufe\n\nGLM-4-32B-0414 unterstützt externe Tool-Aufrufe mit JSON-Argumenten. Das Modell benennt eine Funktion und ihre Argumente, die Anwendung führt sie aus, und das Ergebnis wird als Beobachtung zurückgegeben. Die Herstellerdemonstration wiederholt diese Schleife bis zur abschliessenden Antwort. Beschreiben Sie den Zweck und die Pflichtfelder jedes Tools und unterscheiden Sie seine Beobachtung von der Nutzeranweisung. Eine Abfrage kann so Daten für einen späteren Vergleich liefern, ohne vorzugeben, das Modell habe selbstständig Live-Informationen beschafft.\n\n### Kontext und Ergebnis planen\n\nDie veröffentlichte Konfiguration setzt max_position_embeddings auf 32’768 und enthält keinen Eintrag rope_scaling. Die ausgearbeiteten Herstellerbeispiele verwenden anfragespezifische Generierungslängen; die Modellkarte nennt kein universelles hartes Ausgabemaximum. Halten Sie relevanten Code, abgerufene Passagen und Gespräch innerhalb des aktiven Kontexts und legen Sie fest, ob das Endergebnis HTML, SVG, ein Codefragment, JSON-Argumente oder ein Bericht sein soll. Das sind Textdarstellungen für die beschriebene Aufgabe; Ausführung, Dateierstellung und Zugriff auf externe Daten bleiben Aktionen der Anwendung.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisches Beispiel auf Englisch
Generate an editable process diagram\n\nCreate self-contained SVG markup for a left-to-right process: Receive -> Validate -> Store. Use three labelled rectangles and two arrows; all labels must remain readable in a 720 by 180 viewBox. Use no scripts, external fonts or external images. Return SVG code and a brief explanation of how the arrows encode the required order.A standalone editable SVG code block with three named nodes and two directional arrows, followed by a short order explanation.Render the SVG locally and check the exact labels, arrow direction and absence of clipped text or external dependencies.THUDM/GLM-4-32B-0414GLM-4-32B-0414 ist Z.ais fest benannte Textausgabe für technischen Code, interaktive HTML/SVG-Artefakte, suchbasierte Berichte und JSON-Funktionsaufrufe. Ihre Modellkarte zeigt konkrete Entwicklungsabläufe und eine von der Anwendung gesteuerte Tool-Schleife.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
GLM-4-32B-0414 ist die feste Textausgabe der 32B-Klasse in Z.ais GLM-4-0414-Serie. Ihre Basis wurde mit 15 Billionen Token einschliesslich synthetischen Reasoning-Materials vortrainiert. Das Nachtraining verbindet die Abstimmung auf Gesprächspräferenzen, Rejection Sampling und Reinforcement Learning, um Anweisungsbefolgung, technischen Code und Funktionsaufrufe zu entwickeln. Zu den angegebenen Arbeiten gehören Softwareaufgaben, Textartefakte, suchbasierte Fragen und Berichte. Ein- und Ausgabe sind Text; erzeugter Code wird zu einem ausführbaren oder gerenderten Artefakt, wenn die Anwendung ihn speichert und ausführt.
Das auf Schlussfolgern ausgerichtete GLM-Z1-32B-0414 und das rechercheorientierte Rumination-Modell sind separat benannte Ausgaben. Dieser Eintrag folgt den eigenen breiteren Code- und Tool-Demonstrationen des GLM-4-Modells, statt die Denkregeln einer anderen Veröffentlichung einzusetzen.
Der Hersteller demonstriert die Programmierung einer bewegten Kugel in einem rotierenden Sechseck. Das Beispiel für GLM-4-32B-0414 verwendet HTML und beschreibt Bewegung, Kollisionen und physikalische Annahmen. Das ist Code für eine Simulation und kein Videogenerierungsmodus. Für eine ähnliche Aufgabe geben Sie Szene, Bewegungsregeln, Kollisionsverhalten und die vorgesehene Laufzeitumgebung an und verlangen eine eigenständige Implementierung sowie eine Erklärung der Annahmen. Die Anwendung führt diesen Code aus, um das Ergebnis zu prüfen.
Die Beispiele umfassen eine Zeichenoberfläche für benutzerdefinierte Funktionsgraphen mit Hinzufügen und Entfernen von Funktionen und Farbzuweisung. Ein anderes Beispiel erstellt eine mobile Machine-Learning-Oberfläche mit Trainingsaufgaben, Speicherverwaltung und persönlichen Statistiken einschliesslich Diagrammen, angeordnet auf einer HTML-Seite. Das sind konkrete Frontend-Aufgaben mit festgelegten Bedienelementen und Zuständen.
Für eine hilfreiche Ausgabe beschreiben Sie die Aktionen, die jedes Bedienelement unterstützen muss, und die Daten, die die Ansicht zeigen soll. Eine Oberflächenanfrage kann den Seitencode zusammen mit dem Zusammenhang zwischen Eingabe, angezeigtem Zustand und Ergebnis verlangen. Eine spätere Gesprächsrunde kann die beobachtete Darstellung liefern und eine gezielte Änderung unter Erhalt des aufgelisteten Verhaltens anfordern.
Der Hersteller demonstriert auch SVG-Illustrationen, darunter eine Landschaft und eine Erklärung des Trainingsprozesses eines Sprachmodells. SVG ist strukturierter Text, sodass die Anwendung ihn als bearbeitbares Vektorartefakt speichern kann. Geben Sie Motiv, Beschriftungen, Anordnung und erforderliche visuelle Beziehungen vor. Verlangen Sie das SVG-Markup als eigenständiges Ergebnis, statt den Illustrationscode mit einer langen unverbundenen Erklärung zu vermischen.
Für Recherchetexte stellt die Modellkarte Suchergebnisse als Beobachtungen bereit und verlangt, dass das Modell sie ordnet und interpretiert, statt sie zu kopieren. Ihre Anweisungen unterscheiden relevante von irrelevanten Ergebnissen, bevorzugen aussagekräftige Details, soweit die Belege es erlauben, verwenden eine lesbare Struktur und antworten in der Sprache der nutzenden Person. Das Beispiel erzeugt einen analytischen Bericht über Kinderliteratur mit Erzählmethoden, Themen und deren Wirkung.
Eine praktische Aufgabe kann benannte Auszüge bereitstellen und einen nach ausdrücklichen Fragen gegliederten Bericht verlangen, dessen Schlussfolgerungen jeweils mit dem stützenden Material verbunden sind. Suche und Abruf finden in der umgebenden Anwendung statt; die zurückgegebenen Passagen werden zu den Belegen des Modells. Das eignet sich auch zum Vergleichen von Dokumenten oder zum Erstellen einer Erklärung aus einer bereitgestellten Recherchesammlung.
GLM-4-32B-0414 unterstützt externe Tool-Aufrufe mit JSON-Argumenten. Das Modell benennt eine Funktion und ihre Argumente, die Anwendung führt sie aus, und das Ergebnis wird als Beobachtung zurückgegeben. Die Herstellerdemonstration wiederholt diese Schleife bis zur abschliessenden Antwort. Beschreiben Sie den Zweck und die Pflichtfelder jedes Tools und unterscheiden Sie seine Beobachtung von der Nutzeranweisung. Eine Abfrage kann so Daten für einen späteren Vergleich liefern, ohne vorzugeben, das Modell habe selbstständig Live-Informationen beschafft.
Die veröffentlichte Konfiguration setzt max_position_embeddings auf 32’768 und enthält keinen Eintrag rope_scaling. Die ausgearbeiteten Herstellerbeispiele verwenden anfragespezifische Generierungslängen; die Modellkarte nennt kein universelles hartes Ausgabemaximum. Halten Sie relevanten Code, abgerufene Passagen und Gespräch innerhalb des aktiven Kontexts und legen Sie fest, ob das Endergebnis HTML, SVG, ein Codefragment, JSON-Argumente oder ein Bericht sein soll. Das sind Textdarstellungen für die beschriebene Aufgabe; Ausführung, Dateierstellung und Zugriff auf externe Daten bleiben Aktionen der Anwendung.
POST /v1/chat/completionstexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits THUDM/GLM-4-32B-0414 | Standard— |
Feldmessages | Typmessage[] | AnforderungErforderlich | Werte und Limits Mindestanzahl Elemente: 1 | Standard— |
Feldmessages[].role | Typstring | AnforderungErforderlich | Werte und Limits Beispiele: system, user, assistant, tool, function Bedingungen: Diese Rollen sind in den Kompatibilitätstypen des Quellcodes ausdrücklich dargestellt; der genaue Rollenumfang bleibt modellspezifisch. Modellabhängig | Standard— |
Feldmessages[].content | Typstring|content_part[]|null | AnforderungOptional | Werte und Limits | Standard— |
Feldmessages[].tool_calls | Typtool_call[] | AnforderungOptional | Werte und Limits | Standard— |
Feldmessages[].tool_call_id | Typstring | AnforderungOptional | Werte und Limits Gilt, wenn: role=tool; die tatsächlich zurückgegebene ID verwenden | Standard— |
Feldmessages[].name | Typstring | AnforderungOptional | Werte und Limits | Standard— |
Feldmessages[].reasoning_content | Typstring | AnforderungOptional | Werte und Limits Gilt, wenn: Tatsächlich zurückgegebene Reasoning-Daten erneut übermitteln, sofern dieses Modell sie verwendet | Standard— |
Feldmessages[].reasoning_details | Typobject|array | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldmax_tokens | Typinteger | AnforderungOptional | Werte und Limits Minimum: 1 Modellabhängig | Standard— |
Feldmax_completion_tokens | Typinteger | AnforderungOptional | Werte und Limits Minimum: 1 Modellabhängig | Standard— |
Feldstream | Typboolean | AnforderungOptional | Werte und Limits | Standardfalse |
Feldstream_options.include_usage | Typboolean | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtemperature | Typnumber | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtop_p | Typnumber | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldstop | Typstring|string[] | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtools | Typfunction_tool[] | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtools[].type | Typstring | AnforderungOptional | Werte und Limits function Modellabhängig | Standard— |
Feldtools[].function.name | Typstring | AnforderungErforderlich | Werte und Limits Gilt, wenn: Funktionswerkzeug bereitgestellt | Standard— |
Feldtools[].function.description | Typstring | AnforderungOptional | Werte und Limits | Standard— |
Feldtools[].function.parameters | TypJSON_schema | AnforderungOptional | Werte und Limits | Standard— |
Feldtool_choice | Typstring|object | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldparallel_tool_calls | Typboolean | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldresponse_format | Typobject | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldreasoning_effort | Typstring | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldreasoning | Typobject | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldservice_tier | Typstring | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldinstructions | Typstring | AnforderungOptional | Werte und Limits Kompatibilitätsfeld | Standard— |
Feldfunctions | Typfunction[] | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldfunction_call | Typstring|object | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldprompt_cache_options | Typobject | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldmodalities | Typstring[] | AnforderungOptional | Werte und Limits text | Standard— |
Feldprovider | Typobject | AnforderungOptional | Werte und Limits Bedingungen: provider.options wird auf dieser Ultra-Textroute abgelehnt | Standard— |
Feldcache_control.ttl | Typstring | AnforderungOptional | Werte und Limits Bedingungen: 1h wird in den tatsächlichen Prompt-Cache-Feldern abgelehnt | Standard— |
Text · UTF8-Text
messages[].content
| Parameter | Vertrag |
|---|---|
Parametercontent_type | Vertragapplication/json |
Parameterrequired | Vertragmodel, messages |
Parametermaterial_types | Vertragtext |
Parametermessages | VertragNachrichtenarray mit role/content-Struktur |
Parameterfile_material | VertragTatsächliches UTF-8-Dokument als wörtlicher Text eingefügt; keine Datei-ID abgeleitet |
Parameteroptional_controls | Vertragstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametercontrol_scope | VertragModellspezifisch; benutzerseitige Funktionswerkzeuge unterscheiden sich von gehosteten Werkzeugen |
Parameteroutput_modalities | Vertragtext |
Parameterhosted_operations | Vertragfalse |
Parametermultimodal_input_binding | Vertragnull |
Lebenszyklus: synchronous_or_streamed
Die genaue Modell-ID zusammen mit messages senden.
Die Kontextlänge ist keine Ausgabeobergrenze.
Eine Textdatei kann wörtlichen Text liefern; Bild-, Audio- und Dateiobjekteingaben benötigen eine exakte Zuordnung.
Tarifangaben erweitern die Anfrageoptionen nicht. Unterstützte Parameter stehen bei der ausgewählten Methode.
| Konfiguration | Tarifstaffel | Gebühr |
|---|---|---|
| KonfigurationBasistarife für Token | TarifstaffelGrundtarif | Gebühr Eingabe · Eingabetoken $0.00014 / 1K Tokens Ausgabe · Ausgabetoken $0.00014 / 1K Tokens Eingabe · Cache lesen $0 / 1K Tokens Eingabe · 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": "THUDM/GLM-4-32B-0414", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='THUDM/GLM-4-32B-0414',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='THUDM/GLM-4-32B-0414',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson oder SSE
Bewahren Sie jede vollständig zurückgegebene Antwort, Datei und jeden Inhaltsteil auf.
Alle Antwortvarianten mit ihren Inhalten, Werkzeugaufrufen und Reasoning-Daten beibehalten. In SSE die Deltas nach Varianten- und Werkzeugindex zusammensetzen; endgültigen Beendigungsgrund und Verbrauchsdaten beibehalten.
Anfrage- und Antwort-IDs sowie Header beibehalten. Eine allgemeine URL zum Abrufen von Textaufträgen wird nicht angegeben.
| Feld | Typ |
|---|---|
Feldchoices[].index | Typinteger |
Feldchoices[].message.content | Typstring|null |
Feldchoices[].message.tool_calls | Typtool_call[] |
Feldchoices[].message.reasoning_content | Typstring |
Feldchoices[].message.reasoning_details | Typobject|array |
Feldchoices[].finish_reason | Typstring|null |
Feldusage | Typobject |
| Antwort | Bedingung | Nächster Schritt |
|---|---|---|
Antwort400 · invalid_request_error | BedingungPflichtfelder, Darstellung des Eingabematerials oder Parameterwert ungültig | Nächster SchrittDie angegebenen Felder vor einer neuen Erstellungsanfrage korrigieren. |
Ailoot Ultra THUDM/GLM-4-32B-0414
Verwenden Sie die oben angezeigten Methodenpfade.
THUDM/GLM-4-32B-0414GLM-4-32B-0414 ist Z.ais fest benannte Textausgabe für technischen Code, interaktive HTML/SVG-Artefakte, suchbasierte Berichte und JSON-Funktionsaufrufe. Ihre Modellkarte zeigt konkrete Entwicklungsabläufe und eine von der Anwendung gesteuerte Tool-Schleife.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
GLM-4-32B-0414 ist die feste Textausgabe der 32B-Klasse in Z.ais GLM-4-0414-Serie. Ihre Basis wurde mit 15 Billionen Token einschliesslich synthetischen Reasoning-Materials vortrainiert. Das Nachtraining verbindet die Abstimmung auf Gesprächspräferenzen, Rejection Sampling und Reinforcement Learning, um Anweisungsbefolgung, technischen Code und Funktionsaufrufe zu entwickeln. Zu den angegebenen Arbeiten gehören Softwareaufgaben, Textartefakte, suchbasierte Fragen und Berichte. Ein- und Ausgabe sind Text; erzeugter Code wird zu einem ausführbaren oder gerenderten Artefakt, wenn die Anwendung ihn speichert und ausführt.
Das auf Schlussfolgern ausgerichtete GLM-Z1-32B-0414 und das rechercheorientierte Rumination-Modell sind separat benannte Ausgaben. Dieser Eintrag folgt den eigenen breiteren Code- und Tool-Demonstrationen des GLM-4-Modells, statt die Denkregeln einer anderen Veröffentlichung einzusetzen.
Der Hersteller demonstriert die Programmierung einer bewegten Kugel in einem rotierenden Sechseck. Das Beispiel für GLM-4-32B-0414 verwendet HTML und beschreibt Bewegung, Kollisionen und physikalische Annahmen. Das ist Code für eine Simulation und kein Videogenerierungsmodus. Für eine ähnliche Aufgabe geben Sie Szene, Bewegungsregeln, Kollisionsverhalten und die vorgesehene Laufzeitumgebung an und verlangen eine eigenständige Implementierung sowie eine Erklärung der Annahmen. Die Anwendung führt diesen Code aus, um das Ergebnis zu prüfen.
Die Beispiele umfassen eine Zeichenoberfläche für benutzerdefinierte Funktionsgraphen mit Hinzufügen und Entfernen von Funktionen und Farbzuweisung. Ein anderes Beispiel erstellt eine mobile Machine-Learning-Oberfläche mit Trainingsaufgaben, Speicherverwaltung und persönlichen Statistiken einschliesslich Diagrammen, angeordnet auf einer HTML-Seite. Das sind konkrete Frontend-Aufgaben mit festgelegten Bedienelementen und Zuständen.
Für eine hilfreiche Ausgabe beschreiben Sie die Aktionen, die jedes Bedienelement unterstützen muss, und die Daten, die die Ansicht zeigen soll. Eine Oberflächenanfrage kann den Seitencode zusammen mit dem Zusammenhang zwischen Eingabe, angezeigtem Zustand und Ergebnis verlangen. Eine spätere Gesprächsrunde kann die beobachtete Darstellung liefern und eine gezielte Änderung unter Erhalt des aufgelisteten Verhaltens anfordern.
Der Hersteller demonstriert auch SVG-Illustrationen, darunter eine Landschaft und eine Erklärung des Trainingsprozesses eines Sprachmodells. SVG ist strukturierter Text, sodass die Anwendung ihn als bearbeitbares Vektorartefakt speichern kann. Geben Sie Motiv, Beschriftungen, Anordnung und erforderliche visuelle Beziehungen vor. Verlangen Sie das SVG-Markup als eigenständiges Ergebnis, statt den Illustrationscode mit einer langen unverbundenen Erklärung zu vermischen.
Für Recherchetexte stellt die Modellkarte Suchergebnisse als Beobachtungen bereit und verlangt, dass das Modell sie ordnet und interpretiert, statt sie zu kopieren. Ihre Anweisungen unterscheiden relevante von irrelevanten Ergebnissen, bevorzugen aussagekräftige Details, soweit die Belege es erlauben, verwenden eine lesbare Struktur und antworten in der Sprache der nutzenden Person. Das Beispiel erzeugt einen analytischen Bericht über Kinderliteratur mit Erzählmethoden, Themen und deren Wirkung.
Eine praktische Aufgabe kann benannte Auszüge bereitstellen und einen nach ausdrücklichen Fragen gegliederten Bericht verlangen, dessen Schlussfolgerungen jeweils mit dem stützenden Material verbunden sind. Suche und Abruf finden in der umgebenden Anwendung statt; die zurückgegebenen Passagen werden zu den Belegen des Modells. Das eignet sich auch zum Vergleichen von Dokumenten oder zum Erstellen einer Erklärung aus einer bereitgestellten Recherchesammlung.
GLM-4-32B-0414 unterstützt externe Tool-Aufrufe mit JSON-Argumenten. Das Modell benennt eine Funktion und ihre Argumente, die Anwendung führt sie aus, und das Ergebnis wird als Beobachtung zurückgegeben. Die Herstellerdemonstration wiederholt diese Schleife bis zur abschliessenden Antwort. Beschreiben Sie den Zweck und die Pflichtfelder jedes Tools und unterscheiden Sie seine Beobachtung von der Nutzeranweisung. Eine Abfrage kann so Daten für einen späteren Vergleich liefern, ohne vorzugeben, das Modell habe selbstständig Live-Informationen beschafft.
Die veröffentlichte Konfiguration setzt max_position_embeddings auf 32’768 und enthält keinen Eintrag rope_scaling. Die ausgearbeiteten Herstellerbeispiele verwenden anfragespezifische Generierungslängen; die Modellkarte nennt kein universelles hartes Ausgabemaximum. Halten Sie relevanten Code, abgerufene Passagen und Gespräch innerhalb des aktiven Kontexts und legen Sie fest, ob das Endergebnis HTML, SVG, ein Codefragment, JSON-Argumente oder ein Bericht sein soll. Das sind Textdarstellungen für die beschriebene Aufgabe; Ausführung, Dateierstellung und Zugriff auf externe Daten bleiben Aktionen der Anwendung.
POST /v1/messagestextjson, sse| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits THUDM/GLM-4-32B-0414 | Standard— |
Feldmessages | Typmessage[] | AnforderungErforderlich | Werte und Limits | Standard— |
Feldmessages[].role | Typstring | AnforderungErforderlich | Werte und Limits user, assistant | Standard— |
Feldmessages[].content | Typstring | AnforderungErforderlich | Werte und Limits | Standard— |
Feldmax_tokens | Typinteger | AnforderungErforderlich | Werte und Limits | Standard— |
Feldstream | Typboolean | AnforderungOptional | Werte und Limits | Standardfalse |
Text · UTF-8-Text
Zeichenfolge messages[].content
| Parameter | Vertrag |
|---|---|
Parametercontent_type | Vertragapplication/json |
Parameterrequired | Vertragmodel, messages, max_tokens |
Parameteroptional_controls | Vertragstream |
Parametermaterial_types | Vertragtext |
Parametertext_file_material | VertragDas tatsächliche UTF-8-Dokument lesen und seinen Text in die angegebene Zeichenfolge für Eingabe oder Nachrichteninhalt einfügen. |
Lebenszyklus: synchronous_or_streamed
Tarifangaben erweitern die Anfrageoptionen nicht. Unterstützte Parameter stehen bei der ausgewählten Methode.
| Konfiguration | Tarifstaffel | Gebühr |
|---|---|---|
| KonfigurationBasistarife für Token | TarifstaffelGrundtarif | Gebühr Eingabe · Eingabetoken $0.00014 / 1K Tokens Ausgabe · Ausgabetoken $0.00014 / 1K Tokens Eingabe · Cache lesen $0 / 1K Tokens Eingabe · Cache schreiben $0 / 1K Tokens Eingabe · Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschliessenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
{\n "model": "THUDM/GLM-4-32B-0414",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'THUDM/GLM-4-32B-0414', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'THUDM/GLM-4-32B-0414', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON oder SSE
Bewahren Sie jede vollständig zurückgegebene Antwort, Datei und jeden Inhaltsteil auf.
Alle Inhaltsblöcke, Thinking-Signaturen und tatsächlichen Werkzeugaufruf-IDs beibehalten. Alle SSE-Blockdeltas zusammensetzen; der erste Textblock ist nicht die vollständige Ausgabe.
Anfrage- und Antwort-IDs sowie Header beibehalten. Eine allgemeine URL zum Abrufen von Textaufträgen wird nicht angegeben.
| Feld | Typ |
|---|---|
Feldid | Typstring |
Feldmodel | Typstring |
Feldcontent[] | Typtext|thinking|tool_use|other content block |
Feldstop_reason | Typstring|null |
Feldusage | Typobject |
| Antwort | Bedingung | Nächster Schritt |
|---|---|---|
Antwort400 · invalid_request_error | BedingungPflichtfelder, Darstellung des Eingabematerials oder Parameterwert ungültig | Nächster SchrittDie angegebenen Felder vor einer neuen Erstellungsanfrage korrigieren. |
Ailoot Ultra THUDM/GLM-4-32B-0414
Verwenden Sie die oben angezeigten Methodenpfade.
Technisches Beispiel auf Englisch
Generate an editable process diagram\n\nCreate self-contained SVG markup for a left-to-right process: Receive -> Validate -> Store. Use three labelled rectangles and two arrows; all labels must remain readable in a 720 by 180 viewBox. Use no scripts, external fonts or external images. Return SVG code and a brief explanation of how the arrows encode the required order.A standalone editable SVG code block with three named nodes and two directional arrows, followed by a short order explanation.Render the SVG locally and check the exact labels, arrow direction and absence of clipped text or external dependencies.