GLM-Z1-Rumination-32B-0414 ist die rechercheorientierte Reasoning-Ausgabe in Z.ais GLM-4-0414-Serie. Sie ist dafür ausgelegt, sich länger mit ergebnisoffenen Fragen zu befassen und während des Schlussfolgerns abgerufene Informationen zu nutzen. Der Hersteller beschreibt vergleichende Recherchetexte und komplexen Informationsabruf als typische Aufgaben. Das Endartefakt ist Text, etwa ein analytischer Bericht, der eine Frage mit den dazu gesammelten Belegen verbindet.
Geben Sie Thema, Umfang und Vergleichskriterien vor, bevor Sie Material sammeln. Für einen Bericht zum Vergleich von Entwicklungsplänen zweier Städte legen Sie die Städte, den Zeitraum und die zu vergleichenden Aspekte fest. Verlangen Sie die relevanten Belege, Vergleichspunkte und eine gesonderte Schlussfolgerung. Eine ergebnisoffene Aufgabe lässt sich leichter prüfen, wenn erwartete Abschnitte und Quellenanforderungen ausdrücklich feststehen.
Stellen Sie bestehende Dokumente oder Auszüge mit klaren Titeln und Kennungen bereit. Trennen Sie Quellmaterial von Anweisungen und legen Sie fest, wie die Antwort unvollständige oder widersprüchliche Belege behandeln soll. Ein Bericht kann dokumentierte Fakten von Interpretationen unterscheiden und erläutern, welche Quelle jeden wesentlichen Punkt stützt.
Die ausgearbeitete Tool-Schleife des Herstellers umfasst die Suche nach Stichworten, das Öffnen eines Suchergebnisses, das Öffnen einer angegebenen URL und den Abschluss der Informationssammlung vor dem Schreiben. Das Modell wählt eine Aktion und Argumente aus; die umgebende Anwendung führt den Abruf aus und liefert die Beobachtung. Das ist ein um das Modell herum aufgebauter Rechercheablauf und keine Annahme, dass eine Textantwort bereits im Web recherchiert hat.
Bei einer Anwendung mit diesem Muster geben Sie die relevanten Inhalte der abgerufenen Seite zusammen mit Titel und URL zurück. Halten Sie Quellenkennungen über Gesprächsrunden hinweg einheitlich, damit sich ein späterer Vergleich auf dieselben Dokumente bezieht. Fordern Sie das Modell auf, eine Suche zu verfeinern, wenn die Beobachtung die Recherchefrage nicht beantwortet, und den Abschlussbericht zu erstellen, sobald die verlangten Belege gesammelt sind.
Das veröffentlichte Beispiel verwendet simulierte Abruffunktionen, um den Kontrollfluss zu veranschaulichen. Eine funktionierende Anwendung stellt ihre eigenen Abrufimplementierungen bereit und entscheidet, wann die Schleife genügend Informationen gesammelt hat. Die Rundengrenze und das Generierungsbudget des Beispiels beschreiben dieses Beispiel; sie sind keine universellen Grenzen dieser Ausgabe.
Verlangen Sie eine Antwort, die am tatsächlichen Rechercheproblem ausgerichtet ist: Erkenntnisse, Vergleich, Unsicherheit und Schlussfolgerung. Bei einem Dokumentvergleich soll das Modell zunächst bestimmen, welche Bedingungen sich unterscheiden, bevor es eine Interpretation vorschlägt. Für ein Recherchebriefing definieren Sie Zielgruppe und die zu beantwortenden Fragen, damit der zurückgegebene Text mit der Aufgabe verbunden bleibt.
Prüfen Sie den Bericht zusammen mit seinen Quellenbeobachtungen. Kontrollieren Sie Zitate, Daten und Kausalaussagen anhand des Materials, das der Schleife bereitgestellt wurde. Bewahren Sie Frage, abgerufene Passagen und Endergebnis zusammen auf, wenn der Bericht später überarbeitet werden soll. So bleiben die nötigen Belege erhalten, um den Weg zur Schlussfolgerung zu verstehen.
Dieser Eintrag bewahrt die Identität Rumination 32B 0414. Die gewöhnliche Reasoning-Ausgabe GLM-Z1-32B-0414 und die kleinere Z1-Ausgabe sind separat benannte Veröffentlichungen. Die Rumination-Modellkarte des Herstellers belegt das rechercheorientierte Tool-Muster und das Inferenzbeispiel; ihre spärlichen Angaben zu Grenzen sollten bei der Vorbereitung einer langen Anfrage um den tatsächlichen Schnittstellenvertrag ergänzt werden.
", "aboutText": "GLM-Z1-Rumination-32B-0414 ist die rechercheorientierte Reasoning-Ausgabe in Z.ais GLM-4-0414-Serie. Sie ist dafür ausgelegt, sich länger mit ergebnisoffenen Fragen zu befassen und während des Schlussfolgerns abgerufene Informationen zu nutzen. Der Hersteller beschreibt vergleichende Recherchetexte und komplexen Informationsabruf als typische Aufgaben. Das Endartefakt ist Text, etwa ein analytischer Bericht, der eine Frage mit den dazu gesammelten Belegen verbindet.\n\n### Die Recherchefrage festlegen\n\nGeben Sie Thema, Umfang und Vergleichskriterien vor, bevor Sie Material sammeln. Für einen Bericht zum Vergleich von Entwicklungsplänen zweier Städte legen Sie die Städte, den Zeitraum und die zu vergleichenden Aspekte fest. Verlangen Sie die relevanten Belege, Vergleichspunkte und eine gesonderte Schlussfolgerung. Eine ergebnisoffene Aufgabe lässt sich leichter prüfen, wenn erwartete Abschnitte und Quellenanforderungen ausdrücklich feststehen.\n\nStellen Sie bestehende Dokumente oder Auszüge mit klaren Titeln und Kennungen bereit. Trennen Sie Quellmaterial von Anweisungen und legen Sie fest, wie die Antwort unvollständige oder widersprüchliche Belege behandeln soll. Ein Bericht kann dokumentierte Fakten von Interpretationen unterscheiden und erläutern, welche Quelle jeden wesentlichen Punkt stützt.\n\n### Suchen, lesen und Beobachtungen zurückgeben\n\nDie ausgearbeitete Tool-Schleife des Herstellers umfasst die Suche nach Stichworten, das Öffnen eines Suchergebnisses, das Öffnen einer angegebenen URL und den Abschluss der Informationssammlung vor dem Schreiben. Das Modell wählt eine Aktion und Argumente aus; die umgebende Anwendung führt den Abruf aus und liefert die Beobachtung. Das ist ein um das Modell herum aufgebauter Rechercheablauf und keine Annahme, dass eine Textantwort bereits im Web recherchiert hat.\n\nBei einer Anwendung mit diesem Muster geben Sie die relevanten Inhalte der abgerufenen Seite zusammen mit Titel und URL zurück. Halten Sie Quellenkennungen über Gesprächsrunden hinweg einheitlich, damit sich ein späterer Vergleich auf dieselben Dokumente bezieht. Fordern Sie das Modell auf, eine Suche zu verfeinern, wenn die Beobachtung die Recherchefrage nicht beantwortet, und den Abschlussbericht zu erstellen, sobald die verlangten Belege gesammelt sind.\n\nDas veröffentlichte Beispiel verwendet simulierte Abruffunktionen, um den Kontrollfluss zu veranschaulichen. Eine funktionierende Anwendung stellt ihre eigenen Abrufimplementierungen bereit und entscheidet, wann die Schleife genügend Informationen gesammelt hat. Die Rundengrenze und das Generierungsbudget des Beispiels beschreiben dieses Beispiel; sie sind keine universellen Grenzen dieser Ausgabe.\n\n### Den Bericht vorbereiten und prüfen\n\nVerlangen Sie eine Antwort, die am tatsächlichen Rechercheproblem ausgerichtet ist: Erkenntnisse, Vergleich, Unsicherheit und Schlussfolgerung. Bei einem Dokumentvergleich soll das Modell zunächst bestimmen, welche Bedingungen sich unterscheiden, bevor es eine Interpretation vorschlägt. Für ein Recherchebriefing definieren Sie Zielgruppe und die zu beantwortenden Fragen, damit der zurückgegebene Text mit der Aufgabe verbunden bleibt.\n\nPrüfen Sie den Bericht zusammen mit seinen Quellenbeobachtungen. Kontrollieren Sie Zitate, Daten und Kausalaussagen anhand des Materials, das der Schleife bereitgestellt wurde. Bewahren Sie Frage, abgerufene Passagen und Endergebnis zusammen auf, wenn der Bericht später überarbeitet werden soll. So bleiben die nötigen Belege erhalten, um den Weg zur Schlussfolgerung zu verstehen.\n\n### Die feste Ausgabe bewahren\n\nDieser Eintrag bewahrt die Identität Rumination 32B 0414. Die gewöhnliche Reasoning-Ausgabe GLM-Z1-32B-0414 und die kleinere Z1-Ausgabe sind separat benannte Veröffentlichungen. Die Rumination-Modellkarte des Herstellers belegt das rechercheorientierte Tool-Muster und das Inferenzbeispiel; ihre spärlichen Angaben zu Grenzen sollten bei der Vorbereitung einer langen Anfrage um den tatsächlichen Schnittstellenvertrag ergänzt werden.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisches Beispiel auf Englisch
Synthesize a source-bounded pilot comparison\n\nWrite a short research comparison from these supplied excerpts. Pilot A: staff reported faster intake, but no timing measurement was collected. Pilot B: median intake fell from 12 to 9 minutes; error counts were not recorded. Compare evidence for speed and quality, cite A or B, and state what follow-up measurement is needed before a broad conclusion.A concise comparison with findings, evidence gaps and a limited conclusion grounded in the excerpts.The report distinguishes reported impressions from measured timing and does not claim improved quality without error data.THUDM/GLM-Z1-Rumination-32B-0414GLM-Z1-Rumination-32B-0414 ist eine fest benannte Text-Reasoning-Ausgabe für ergebnisoffene Recherche und vergleichende Berichte. Der Hersteller dokumentiert eine Such- und Leseschleife, in der die Anwendung Quellen abruft und Beobachtungen zurückliefert, bevor das Modell sein Ergebnis schreibt.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
GLM-Z1-Rumination-32B-0414 ist die rechercheorientierte Reasoning-Ausgabe in Z.ais GLM-4-0414-Serie. Sie ist dafür ausgelegt, sich länger mit ergebnisoffenen Fragen zu befassen und während des Schlussfolgerns abgerufene Informationen zu nutzen. Der Hersteller beschreibt vergleichende Recherchetexte und komplexen Informationsabruf als typische Aufgaben. Das Endartefakt ist Text, etwa ein analytischer Bericht, der eine Frage mit den dazu gesammelten Belegen verbindet.
Geben Sie Thema, Umfang und Vergleichskriterien vor, bevor Sie Material sammeln. Für einen Bericht zum Vergleich von Entwicklungsplänen zweier Städte legen Sie die Städte, den Zeitraum und die zu vergleichenden Aspekte fest. Verlangen Sie die relevanten Belege, Vergleichspunkte und eine gesonderte Schlussfolgerung. Eine ergebnisoffene Aufgabe lässt sich leichter prüfen, wenn erwartete Abschnitte und Quellenanforderungen ausdrücklich feststehen.
Stellen Sie bestehende Dokumente oder Auszüge mit klaren Titeln und Kennungen bereit. Trennen Sie Quellmaterial von Anweisungen und legen Sie fest, wie die Antwort unvollständige oder widersprüchliche Belege behandeln soll. Ein Bericht kann dokumentierte Fakten von Interpretationen unterscheiden und erläutern, welche Quelle jeden wesentlichen Punkt stützt.
Die ausgearbeitete Tool-Schleife des Herstellers umfasst die Suche nach Stichworten, das Öffnen eines Suchergebnisses, das Öffnen einer angegebenen URL und den Abschluss der Informationssammlung vor dem Schreiben. Das Modell wählt eine Aktion und Argumente aus; die umgebende Anwendung führt den Abruf aus und liefert die Beobachtung. Das ist ein um das Modell herum aufgebauter Rechercheablauf und keine Annahme, dass eine Textantwort bereits im Web recherchiert hat.
Bei einer Anwendung mit diesem Muster geben Sie die relevanten Inhalte der abgerufenen Seite zusammen mit Titel und URL zurück. Halten Sie Quellenkennungen über Gesprächsrunden hinweg einheitlich, damit sich ein späterer Vergleich auf dieselben Dokumente bezieht. Fordern Sie das Modell auf, eine Suche zu verfeinern, wenn die Beobachtung die Recherchefrage nicht beantwortet, und den Abschlussbericht zu erstellen, sobald die verlangten Belege gesammelt sind.
Das veröffentlichte Beispiel verwendet simulierte Abruffunktionen, um den Kontrollfluss zu veranschaulichen. Eine funktionierende Anwendung stellt ihre eigenen Abrufimplementierungen bereit und entscheidet, wann die Schleife genügend Informationen gesammelt hat. Die Rundengrenze und das Generierungsbudget des Beispiels beschreiben dieses Beispiel; sie sind keine universellen Grenzen dieser Ausgabe.
Verlangen Sie eine Antwort, die am tatsächlichen Rechercheproblem ausgerichtet ist: Erkenntnisse, Vergleich, Unsicherheit und Schlussfolgerung. Bei einem Dokumentvergleich soll das Modell zunächst bestimmen, welche Bedingungen sich unterscheiden, bevor es eine Interpretation vorschlägt. Für ein Recherchebriefing definieren Sie Zielgruppe und die zu beantwortenden Fragen, damit der zurückgegebene Text mit der Aufgabe verbunden bleibt.
Prüfen Sie den Bericht zusammen mit seinen Quellenbeobachtungen. Kontrollieren Sie Zitate, Daten und Kausalaussagen anhand des Materials, das der Schleife bereitgestellt wurde. Bewahren Sie Frage, abgerufene Passagen und Endergebnis zusammen auf, wenn der Bericht später überarbeitet werden soll. So bleiben die nötigen Belege erhalten, um den Weg zur Schlussfolgerung zu verstehen.
Dieser Eintrag bewahrt die Identität Rumination 32B 0414. Die gewöhnliche Reasoning-Ausgabe GLM-Z1-32B-0414 und die kleinere Z1-Ausgabe sind separat benannte Veröffentlichungen. Die Rumination-Modellkarte des Herstellers belegt das rechercheorientierte Tool-Muster und das Inferenzbeispiel; ihre spärlichen Angaben zu Grenzen sollten bei der Vorbereitung einer langen Anfrage um den tatsächlichen Schnittstellenvertrag ergänzt werden.
POST /v1/chat/completionstexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits THUDM/GLM-Z1-Rumination-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-Rumination-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-Rumination-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-Rumination-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-Rumination-32B-0414
Verwenden Sie die oben angezeigten Methodenpfade.
THUDM/GLM-Z1-Rumination-32B-0414GLM-Z1-Rumination-32B-0414 ist eine fest benannte Text-Reasoning-Ausgabe für ergebnisoffene Recherche und vergleichende Berichte. Der Hersteller dokumentiert eine Such- und Leseschleife, in der die Anwendung Quellen abruft und Beobachtungen zurückliefert, bevor das Modell sein Ergebnis schreibt.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
GLM-Z1-Rumination-32B-0414 ist die rechercheorientierte Reasoning-Ausgabe in Z.ais GLM-4-0414-Serie. Sie ist dafür ausgelegt, sich länger mit ergebnisoffenen Fragen zu befassen und während des Schlussfolgerns abgerufene Informationen zu nutzen. Der Hersteller beschreibt vergleichende Recherchetexte und komplexen Informationsabruf als typische Aufgaben. Das Endartefakt ist Text, etwa ein analytischer Bericht, der eine Frage mit den dazu gesammelten Belegen verbindet.
Geben Sie Thema, Umfang und Vergleichskriterien vor, bevor Sie Material sammeln. Für einen Bericht zum Vergleich von Entwicklungsplänen zweier Städte legen Sie die Städte, den Zeitraum und die zu vergleichenden Aspekte fest. Verlangen Sie die relevanten Belege, Vergleichspunkte und eine gesonderte Schlussfolgerung. Eine ergebnisoffene Aufgabe lässt sich leichter prüfen, wenn erwartete Abschnitte und Quellenanforderungen ausdrücklich feststehen.
Stellen Sie bestehende Dokumente oder Auszüge mit klaren Titeln und Kennungen bereit. Trennen Sie Quellmaterial von Anweisungen und legen Sie fest, wie die Antwort unvollständige oder widersprüchliche Belege behandeln soll. Ein Bericht kann dokumentierte Fakten von Interpretationen unterscheiden und erläutern, welche Quelle jeden wesentlichen Punkt stützt.
Die ausgearbeitete Tool-Schleife des Herstellers umfasst die Suche nach Stichworten, das Öffnen eines Suchergebnisses, das Öffnen einer angegebenen URL und den Abschluss der Informationssammlung vor dem Schreiben. Das Modell wählt eine Aktion und Argumente aus; die umgebende Anwendung führt den Abruf aus und liefert die Beobachtung. Das ist ein um das Modell herum aufgebauter Rechercheablauf und keine Annahme, dass eine Textantwort bereits im Web recherchiert hat.
Bei einer Anwendung mit diesem Muster geben Sie die relevanten Inhalte der abgerufenen Seite zusammen mit Titel und URL zurück. Halten Sie Quellenkennungen über Gesprächsrunden hinweg einheitlich, damit sich ein späterer Vergleich auf dieselben Dokumente bezieht. Fordern Sie das Modell auf, eine Suche zu verfeinern, wenn die Beobachtung die Recherchefrage nicht beantwortet, und den Abschlussbericht zu erstellen, sobald die verlangten Belege gesammelt sind.
Das veröffentlichte Beispiel verwendet simulierte Abruffunktionen, um den Kontrollfluss zu veranschaulichen. Eine funktionierende Anwendung stellt ihre eigenen Abrufimplementierungen bereit und entscheidet, wann die Schleife genügend Informationen gesammelt hat. Die Rundengrenze und das Generierungsbudget des Beispiels beschreiben dieses Beispiel; sie sind keine universellen Grenzen dieser Ausgabe.
Verlangen Sie eine Antwort, die am tatsächlichen Rechercheproblem ausgerichtet ist: Erkenntnisse, Vergleich, Unsicherheit und Schlussfolgerung. Bei einem Dokumentvergleich soll das Modell zunächst bestimmen, welche Bedingungen sich unterscheiden, bevor es eine Interpretation vorschlägt. Für ein Recherchebriefing definieren Sie Zielgruppe und die zu beantwortenden Fragen, damit der zurückgegebene Text mit der Aufgabe verbunden bleibt.
Prüfen Sie den Bericht zusammen mit seinen Quellenbeobachtungen. Kontrollieren Sie Zitate, Daten und Kausalaussagen anhand des Materials, das der Schleife bereitgestellt wurde. Bewahren Sie Frage, abgerufene Passagen und Endergebnis zusammen auf, wenn der Bericht später überarbeitet werden soll. So bleiben die nötigen Belege erhalten, um den Weg zur Schlussfolgerung zu verstehen.
Dieser Eintrag bewahrt die Identität Rumination 32B 0414. Die gewöhnliche Reasoning-Ausgabe GLM-Z1-32B-0414 und die kleinere Z1-Ausgabe sind separat benannte Veröffentlichungen. Die Rumination-Modellkarte des Herstellers belegt das rechercheorientierte Tool-Muster und das Inferenzbeispiel; ihre spärlichen Angaben zu Grenzen sollten bei der Vorbereitung einer langen Anfrage um den tatsächlichen Schnittstellenvertrag ergänzt werden.
POST /v1/messagestextjson, sse| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits THUDM/GLM-Z1-Rumination-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 $0 / 1K Tokens Eingabe · Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschliessenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
{\n "model": "THUDM/GLM-Z1-Rumination-32B-0414",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-Rumination-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-Rumination-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-Rumination-32B-0414
Verwenden Sie die oben angezeigten Methodenpfade.
Technisches Beispiel auf Englisch
Synthesize a source-bounded pilot comparison\n\nWrite a short research comparison from these supplied excerpts. Pilot A: staff reported faster intake, but no timing measurement was collected. Pilot B: median intake fell from 12 to 9 minutes; error counts were not recorded. Compare evidence for speed and quality, cite A or B, and state what follow-up measurement is needed before a broad conclusion.A concise comparison with findings, evidence gaps and a limited conclusion grounded in the excerpts.The report distinguishes reported impressions from measured timing and does not claim improved quality without error data.