GLM-Z1-32B-0414 ist das auf Schlussfolgern ausgerichtete Mitglied von Z.ais GLM-4-0414-Serie. Es wurde aus GLM-4-32B-0414 durch Kaltstart-Vorbereitung und erweitertes Reinforcement Learning entwickelt, mit zusätzlicher Arbeit an Mathematik, Code und Logik. Auch Rückmeldungen aus paarweisen Rangbewertungen stärken die allgemeinen Fähigkeiten. Die Eingabe ist Text, und das sichtbare Ergebnis ist eine Textlösung, Erklärung oder ein Programmfragment.
Sein Zweck sind Aufgaben, die verknüpfte Zwischenschlüsse statt eines sofortigen Satzes erfordern. Liefern Sie alle Annahmen und definieren Sie das gewünschte Endziel: eine Formel herleiten, einen Algorithmus erklären, eine Schranke begründen oder eine Codeänderung vorbereiten. Das mathematische Herstellerbeispiel behandelt positive Variablen, die durch eine Gleichung verbunden sind, und den möglichen Wertebereich ihrer Summe. Eine hilfreiche Antwort sollte die Bedingungen nennen, die relevanten Übergänge zeigen und das Endergebnis klar absetzen.
GLM-Z1-Rumination-32B-0414 ist eine separate Ausgabe für stärker ergebnisoffene Recherche mit Suchwerkzeugen; GLM-Z1-9B-0414 ist eine weitere Grösse. Dieser Eintrag bewahrt die benannte Z1-32B-Veröffentlichung, statt zusätzliche Ablauf- oder Grösseneigenschaften dieser anderen Ausgaben zu übernehmen.
Der Hersteller empfiehlt temperature 0.6, top_p 0.95 und top_k 40. Er empfiehlt ausserdem ein max_new_tokens-Budget von 30’000, um Platz zum Nachdenken zu lassen. Das sind empfohlene Generierungseinstellungen und keine Garantie, dass jede Antwort diese Länge benötigt, oder eine dokumentierte universelle harte Ausgabeobergrenze. Das separate Inferenzbeispiel der Modellkarte verwendet ein kleineres anfragespezifisches Generierungsbudget.
Bei einer Reasoning-Aufgabe lassen Sie genug Platz für Analyse und Endantwort zusammen und definieren Sie im Prompt die Form der Endantwort. Eine mathematische Frage kann den Bereich oder Wert getrennt von der Erklärung verlangen; eine Programmierfrage kann eine Implementierung mit anschliessender Angabe der dafür wesentlichen Annahmen anfordern. Halten Sie das gewünschte Ergebnis konkret genug, damit es anhand der bereitgestellten Bedingungen geprüft werden kann.
Die Vorlage des Herstellers beginnt die Generierung mit dem Denkmarker <think>. Sein veröffentlichtes Chat-Template fügt diesen Marker ein. Eine Implementierung sollte deshalb die tatsächliche Vorlage dieser Veröffentlichung verwenden, statt ein unverbundenes Gesprächsformat anzunehmen.
Für spätere Gesprächsrunden bewahrt der Nutzungsleitfaden die endgültige nutzerseitige Antwort und entfernt das interne Denkmaterial aus dem gespeicherten Gesprächsverlauf. Das ist eine Vorbereitungsregel für die eigene Gesprächsvorlage des Modells. Eine Folgefrage sollte die aktuelle Frage, nötiges Quellmaterial und die relevante vorherige Antwort enthalten und keine ungefilterte Ansammlung aller früheren internen Analysen.
Die veröffentlichte Konfiguration setzt max_position_embeddings auf 32’768 und enthält keinen Eintrag rope_scaling. Der Nutzungsleitfaden empfiehlt, YaRN in Betracht zu ziehen, wenn die Eingabe 8’192 Token überschreitet. Seine beispielhafte Skalierungskonfiguration verwendet factor 4.0 mit original_max_position_embeddings auf 32’768. Die Empfehlungsschwelle, die Basiskonfiguration und die optionale Erweiterung sind verschiedene Fakten; sie sind keine austauschbaren Antwortgrenzen.
Statisches YaRN wirkt sich auf sämtlichen Text aus und kann die Leistung bei kurzen Eingaben leicht verringern. Deshalb empfiehlt der Hersteller, es bei Bedarf zu aktivieren. Bei langem Material stellen Sie die relevanten Definitionen und Passagen in einer klar getrennten Eingabe bereit und lassen im aktiven Kontext ein geeignetes Generierungsbudget. Die Konfiguration sollte der Unterstützung des Skalierungsverfahrens durch die gewählte Bereitstellung folgen, statt ein rechnerisches Vielfaches als automatisch verfügbares Kontextfenster zu behandeln.
Das Inferenzbeispiel des Modells verwendet eine Nutzerfrage und das veröffentlichungsspezifische Chat-Template. Bei Mathematik bewahren Sie Variablendefinitionen und benennen die zu beweisende Aussage. Bei Code stellen Sie das relevante Fragment, sein erforderliches Verhalten und den behandelten Fall bereit. Verlangen Sie ein gesondertes Endartefakt – Beweis, Formel, Implementierung oder Erklärung –, damit sich das Schlussfolgern über das Aufgabenergebnis beurteilen lässt. Der eigene Z1-Leitfaden beschreibt Text-Reasoning und dessen Vorbereitung; er belegt für diese Ausgabe keinen zusätzlichen nativen Tool-Vertrag und keine Bildeingabe.
", "aboutText": "### Einführung\n\nGLM-Z1-32B-0414 ist das auf Schlussfolgern ausgerichtete Mitglied von Z.ais GLM-4-0414-Serie. Es wurde aus GLM-4-32B-0414 durch Kaltstart-Vorbereitung und erweitertes Reinforcement Learning entwickelt, mit zusätzlicher Arbeit an Mathematik, Code und Logik. Auch Rückmeldungen aus paarweisen Rangbewertungen stärken die allgemeinen Fähigkeiten. Die Eingabe ist Text, und das sichtbare Ergebnis ist eine Textlösung, Erklärung oder ein Programmfragment.\n\nSein Zweck sind Aufgaben, die verknüpfte Zwischenschlüsse statt eines sofortigen Satzes erfordern. Liefern Sie alle Annahmen und definieren Sie das gewünschte Endziel: eine Formel herleiten, einen Algorithmus erklären, eine Schranke begründen oder eine Codeänderung vorbereiten. Das mathematische Herstellerbeispiel behandelt positive Variablen, die durch eine Gleichung verbunden sind, und den möglichen Wertebereich ihrer Summe. Eine hilfreiche Antwort sollte die Bedingungen nennen, die relevanten Übergänge zeigen und das Endergebnis klar absetzen.\n\nGLM-Z1-Rumination-32B-0414 ist eine separate Ausgabe für stärker ergebnisoffene Recherche mit Suchwerkzeugen; GLM-Z1-9B-0414 ist eine weitere Grösse. Dieser Eintrag bewahrt die benannte Z1-32B-Veröffentlichung, statt zusätzliche Ablauf- oder Grösseneigenschaften dieser anderen Ausgaben zu übernehmen.\n\n### Nutzungshinweise: Sampling\n\nDer Hersteller empfiehlt temperature 0.6, top_p 0.95 und top_k 40. Er empfiehlt ausserdem ein max_new_tokens-Budget von 30’000, um Platz zum Nachdenken zu lassen. Das sind empfohlene Generierungseinstellungen und keine Garantie, dass jede Antwort diese Länge benötigt, oder eine dokumentierte universelle harte Ausgabeobergrenze. Das separate Inferenzbeispiel der Modellkarte verwendet ein kleineres anfragespezifisches Generierungsbudget.\n\nBei einer Reasoning-Aufgabe lassen Sie genug Platz für Analyse und Endantwort zusammen und definieren Sie im Prompt die Form der Endantwort. Eine mathematische Frage kann den Bereich oder Wert getrennt von der Erklärung verlangen; eine Programmierfrage kann eine Implementierung mit anschliessender Angabe der dafür wesentlichen Annahmen anfordern. Halten Sie das gewünschte Ergebnis konkret genug, damit es anhand der bereitgestellten Bedingungen geprüft werden kann.\n\n### Nutzungshinweise: Nachdenken und Gesprächsverlauf\n\nDie Vorlage des Herstellers beginnt die Generierung mit dem Denkmarker `Technisches Beispiel auf Englisch
Derive a safe batch bound\n\nA buffer holds at most 96 records. Every batch adds b records, where b is a positive integer, and 12 records must remain free. Derive the largest number of complete batches that fit as a formula in b. Explain the rounding and calculate the result for b = 10, keeping the reserved space separate from usable capacity.A formula using a floor, an explanation of usable capacity and a checked numeric example.Verify the formula reserves 12 records and a further full batch would exceed usable capacity in the example.THUDM/GLM-Z1-32B-0414GLM-Z1-32B-0414 ist Z.ais fest benannte Text-Reasoning-Ausgabe für Mathematik, Programmierung und Logik. Der Hersteller gibt ausdrückliche Hinweise zu Nachdenken, Gesprächsverlauf, Sampling und optionaler Erweiterung des langen Kontexts, damit komplexe Aufgaben für genau diese Veröffentlichung vorbereitet werden können.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
GLM-Z1-32B-0414 ist das auf Schlussfolgern ausgerichtete Mitglied von Z.ais GLM-4-0414-Serie. Es wurde aus GLM-4-32B-0414 durch Kaltstart-Vorbereitung und erweitertes Reinforcement Learning entwickelt, mit zusätzlicher Arbeit an Mathematik, Code und Logik. Auch Rückmeldungen aus paarweisen Rangbewertungen stärken die allgemeinen Fähigkeiten. Die Eingabe ist Text, und das sichtbare Ergebnis ist eine Textlösung, Erklärung oder ein Programmfragment.
Sein Zweck sind Aufgaben, die verknüpfte Zwischenschlüsse statt eines sofortigen Satzes erfordern. Liefern Sie alle Annahmen und definieren Sie das gewünschte Endziel: eine Formel herleiten, einen Algorithmus erklären, eine Schranke begründen oder eine Codeänderung vorbereiten. Das mathematische Herstellerbeispiel behandelt positive Variablen, die durch eine Gleichung verbunden sind, und den möglichen Wertebereich ihrer Summe. Eine hilfreiche Antwort sollte die Bedingungen nennen, die relevanten Übergänge zeigen und das Endergebnis klar absetzen.
GLM-Z1-Rumination-32B-0414 ist eine separate Ausgabe für stärker ergebnisoffene Recherche mit Suchwerkzeugen; GLM-Z1-9B-0414 ist eine weitere Grösse. Dieser Eintrag bewahrt die benannte Z1-32B-Veröffentlichung, statt zusätzliche Ablauf- oder Grösseneigenschaften dieser anderen Ausgaben zu übernehmen.
Der Hersteller empfiehlt temperature 0.6, top_p 0.95 und top_k 40. Er empfiehlt ausserdem ein max_new_tokens-Budget von 30’000, um Platz zum Nachdenken zu lassen. Das sind empfohlene Generierungseinstellungen und keine Garantie, dass jede Antwort diese Länge benötigt, oder eine dokumentierte universelle harte Ausgabeobergrenze. Das separate Inferenzbeispiel der Modellkarte verwendet ein kleineres anfragespezifisches Generierungsbudget.
Bei einer Reasoning-Aufgabe lassen Sie genug Platz für Analyse und Endantwort zusammen und definieren Sie im Prompt die Form der Endantwort. Eine mathematische Frage kann den Bereich oder Wert getrennt von der Erklärung verlangen; eine Programmierfrage kann eine Implementierung mit anschliessender Angabe der dafür wesentlichen Annahmen anfordern. Halten Sie das gewünschte Ergebnis konkret genug, damit es anhand der bereitgestellten Bedingungen geprüft werden kann.
Die Vorlage des Herstellers beginnt die Generierung mit dem Denkmarker <think>. Sein veröffentlichtes Chat-Template fügt diesen Marker ein. Eine Implementierung sollte deshalb die tatsächliche Vorlage dieser Veröffentlichung verwenden, statt ein unverbundenes Gesprächsformat anzunehmen.
Für spätere Gesprächsrunden bewahrt der Nutzungsleitfaden die endgültige nutzerseitige Antwort und entfernt das interne Denkmaterial aus dem gespeicherten Gesprächsverlauf. Das ist eine Vorbereitungsregel für die eigene Gesprächsvorlage des Modells. Eine Folgefrage sollte die aktuelle Frage, nötiges Quellmaterial und die relevante vorherige Antwort enthalten und keine ungefilterte Ansammlung aller früheren internen Analysen.
Die veröffentlichte Konfiguration setzt max_position_embeddings auf 32’768 und enthält keinen Eintrag rope_scaling. Der Nutzungsleitfaden empfiehlt, YaRN in Betracht zu ziehen, wenn die Eingabe 8’192 Token überschreitet. Seine beispielhafte Skalierungskonfiguration verwendet factor 4.0 mit original_max_position_embeddings auf 32’768. Die Empfehlungsschwelle, die Basiskonfiguration und die optionale Erweiterung sind verschiedene Fakten; sie sind keine austauschbaren Antwortgrenzen.
Statisches YaRN wirkt sich auf sämtlichen Text aus und kann die Leistung bei kurzen Eingaben leicht verringern. Deshalb empfiehlt der Hersteller, es bei Bedarf zu aktivieren. Bei langem Material stellen Sie die relevanten Definitionen und Passagen in einer klar getrennten Eingabe bereit und lassen im aktiven Kontext ein geeignetes Generierungsbudget. Die Konfiguration sollte der Unterstützung des Skalierungsverfahrens durch die gewählte Bereitstellung folgen, statt ein rechnerisches Vielfaches als automatisch verfügbares Kontextfenster zu behandeln.
Das Inferenzbeispiel des Modells verwendet eine Nutzerfrage und das veröffentlichungsspezifische Chat-Template. Bei Mathematik bewahren Sie Variablendefinitionen und benennen die zu beweisende Aussage. Bei Code stellen Sie das relevante Fragment, sein erforderliches Verhalten und den behandelten Fall bereit. Verlangen Sie ein gesondertes Endartefakt – Beweis, Formel, Implementierung oder Erklärung –, damit sich das Schlussfolgern über das Aufgabenergebnis beurteilen lässt. Der eigene Z1-Leitfaden beschreibt Text-Reasoning und dessen Vorbereitung; er belegt für diese Ausgabe keinen zusätzlichen nativen Tool-Vertrag und keine Bildeingabe.
POST /v1/chat/completionstexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits THUDM/GLM-Z1-32B-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-Z1-32B-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-Z1-32B-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-Z1-32B-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-Z1-32B-0414
Verwenden Sie die oben angezeigten Methodenpfade.
THUDM/GLM-Z1-32B-0414GLM-Z1-32B-0414 ist Z.ais fest benannte Text-Reasoning-Ausgabe für Mathematik, Programmierung und Logik. Der Hersteller gibt ausdrückliche Hinweise zu Nachdenken, Gesprächsverlauf, Sampling und optionaler Erweiterung des langen Kontexts, damit komplexe Aufgaben für genau diese Veröffentlichung vorbereitet werden können.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
GLM-Z1-32B-0414 ist das auf Schlussfolgern ausgerichtete Mitglied von Z.ais GLM-4-0414-Serie. Es wurde aus GLM-4-32B-0414 durch Kaltstart-Vorbereitung und erweitertes Reinforcement Learning entwickelt, mit zusätzlicher Arbeit an Mathematik, Code und Logik. Auch Rückmeldungen aus paarweisen Rangbewertungen stärken die allgemeinen Fähigkeiten. Die Eingabe ist Text, und das sichtbare Ergebnis ist eine Textlösung, Erklärung oder ein Programmfragment.
Sein Zweck sind Aufgaben, die verknüpfte Zwischenschlüsse statt eines sofortigen Satzes erfordern. Liefern Sie alle Annahmen und definieren Sie das gewünschte Endziel: eine Formel herleiten, einen Algorithmus erklären, eine Schranke begründen oder eine Codeänderung vorbereiten. Das mathematische Herstellerbeispiel behandelt positive Variablen, die durch eine Gleichung verbunden sind, und den möglichen Wertebereich ihrer Summe. Eine hilfreiche Antwort sollte die Bedingungen nennen, die relevanten Übergänge zeigen und das Endergebnis klar absetzen.
GLM-Z1-Rumination-32B-0414 ist eine separate Ausgabe für stärker ergebnisoffene Recherche mit Suchwerkzeugen; GLM-Z1-9B-0414 ist eine weitere Grösse. Dieser Eintrag bewahrt die benannte Z1-32B-Veröffentlichung, statt zusätzliche Ablauf- oder Grösseneigenschaften dieser anderen Ausgaben zu übernehmen.
Der Hersteller empfiehlt temperature 0.6, top_p 0.95 und top_k 40. Er empfiehlt ausserdem ein max_new_tokens-Budget von 30’000, um Platz zum Nachdenken zu lassen. Das sind empfohlene Generierungseinstellungen und keine Garantie, dass jede Antwort diese Länge benötigt, oder eine dokumentierte universelle harte Ausgabeobergrenze. Das separate Inferenzbeispiel der Modellkarte verwendet ein kleineres anfragespezifisches Generierungsbudget.
Bei einer Reasoning-Aufgabe lassen Sie genug Platz für Analyse und Endantwort zusammen und definieren Sie im Prompt die Form der Endantwort. Eine mathematische Frage kann den Bereich oder Wert getrennt von der Erklärung verlangen; eine Programmierfrage kann eine Implementierung mit anschliessender Angabe der dafür wesentlichen Annahmen anfordern. Halten Sie das gewünschte Ergebnis konkret genug, damit es anhand der bereitgestellten Bedingungen geprüft werden kann.
Die Vorlage des Herstellers beginnt die Generierung mit dem Denkmarker <think>. Sein veröffentlichtes Chat-Template fügt diesen Marker ein. Eine Implementierung sollte deshalb die tatsächliche Vorlage dieser Veröffentlichung verwenden, statt ein unverbundenes Gesprächsformat anzunehmen.
Für spätere Gesprächsrunden bewahrt der Nutzungsleitfaden die endgültige nutzerseitige Antwort und entfernt das interne Denkmaterial aus dem gespeicherten Gesprächsverlauf. Das ist eine Vorbereitungsregel für die eigene Gesprächsvorlage des Modells. Eine Folgefrage sollte die aktuelle Frage, nötiges Quellmaterial und die relevante vorherige Antwort enthalten und keine ungefilterte Ansammlung aller früheren internen Analysen.
Die veröffentlichte Konfiguration setzt max_position_embeddings auf 32’768 und enthält keinen Eintrag rope_scaling. Der Nutzungsleitfaden empfiehlt, YaRN in Betracht zu ziehen, wenn die Eingabe 8’192 Token überschreitet. Seine beispielhafte Skalierungskonfiguration verwendet factor 4.0 mit original_max_position_embeddings auf 32’768. Die Empfehlungsschwelle, die Basiskonfiguration und die optionale Erweiterung sind verschiedene Fakten; sie sind keine austauschbaren Antwortgrenzen.
Statisches YaRN wirkt sich auf sämtlichen Text aus und kann die Leistung bei kurzen Eingaben leicht verringern. Deshalb empfiehlt der Hersteller, es bei Bedarf zu aktivieren. Bei langem Material stellen Sie die relevanten Definitionen und Passagen in einer klar getrennten Eingabe bereit und lassen im aktiven Kontext ein geeignetes Generierungsbudget. Die Konfiguration sollte der Unterstützung des Skalierungsverfahrens durch die gewählte Bereitstellung folgen, statt ein rechnerisches Vielfaches als automatisch verfügbares Kontextfenster zu behandeln.
Das Inferenzbeispiel des Modells verwendet eine Nutzerfrage und das veröffentlichungsspezifische Chat-Template. Bei Mathematik bewahren Sie Variablendefinitionen und benennen die zu beweisende Aussage. Bei Code stellen Sie das relevante Fragment, sein erforderliches Verhalten und den behandelten Fall bereit. Verlangen Sie ein gesondertes Endartefakt – Beweis, Formel, Implementierung oder Erklärung –, damit sich das Schlussfolgern über das Aufgabenergebnis beurteilen lässt. Der eigene Z1-Leitfaden beschreibt Text-Reasoning und dessen Vorbereitung; er belegt für diese Ausgabe keinen zusätzlichen nativen Tool-Vertrag und keine Bildeingabe.
POST /v1/messagestextjson, sse| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits THUDM/GLM-Z1-32B-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 $0 / 1K Tokens Eingabe · Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschliessenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
{\n "model": "THUDM/GLM-Z1-32B-0414",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-Z1-32B-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-Z1-32B-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-Z1-32B-0414
Verwenden Sie die oben angezeigten Methodenpfade.
Technisches Beispiel auf Englisch
Derive a safe batch bound\n\nA buffer holds at most 96 records. Every batch adds b records, where b is a positive integer, and 12 records must remain free. Derive the largest number of complete batches that fit as a formula in b. Explain the rounding and calculate the result for b = 10, keeping the reserved space separate from usable capacity.A formula using a floor, an explanation of usable capacity and a checked numeric example.Verify the formula reserves 12 records and a further full batch would exceed usable capacity in the example.