Z.ai GLM 5.3 ist ein grosses Textmodell mit Schlussfolgern für komplexe Softwareentwicklung und langfristige Agentenarbeit. Laut Hersteller verwendet es dasselbe Basismodell wie GLM 5.2; die neuen Verbesserungen stammen aus dem nachgelagerten Training. Die Veröffentlichung konzentriert sich auf stärkere Programmierfähigkeiten, Terminalvorgänge und umfassendere Aufgaben mit mehreren voneinander abhängigen Schritten. Es nimmt Text entgegen und erzeugt Text, darunter Code, Erklärungen, Pläne und Werkzeugaufrufanfragen in einer Anwendung mit Werkzeuganbindung.
Der dokumentierte Denkmodus ist stets aktiviert. GLM 5.3 bietet drei Aufwandsstufen: low, high und max, wobei max der Standardwert ist. Der Hersteller empfiehlt max für komplexe Programmierarbeit; low bietet eine leichtere Denkoption für einfachere Schritte. Verwenden Sie die gewählte Stufe zusammen mit einem klaren Endergebnis und Abschlusskriterien. Zum Beispiel: «Prüfe diese Dateien und fehlgeschlagenen Ergebnisse, verfolge die Ursache über die betroffenen Module hinweg, schlage eine Korrektur unter Beibehaltung der öffentlichen Schnittstelle vor und erkläre, welche Prüfungen die Behebung der Regression belegen.»
Der Hersteller gibt ein Kontextfenster von 1M Tokens und eine maximale Ausgabelänge von 128K Tokens an. Ordnen Sie langes Material nach der Beziehung, die das Modell untersuchen muss. Bewahren Sie Dateinamen, relevante Definitionen, Quellenbeschriftungen und die Reihenfolge der Beobachtungen und lassen Sie innerhalb des geltenden Arbeitskontexts Raum für den Gedankengang und die endgültige Antwort. Ein grosses Fenster ist bei Abhängigkeiten über Modulgrenzen oder einer langen Folge von Agentenbeobachtungen nützlich; es macht aus einem ungeordneten Archiv sachfremden Materials keine klar definierte Aufgabe.
Stellen Sie für Repository-Arbeit das erwartete Verhalten, relevanten Quelltext, Abhängigkeitsversionen und die tatsächliche Fehlerausgabe bereit. Bitten Sie das Modell, das betroffene Verhalten zu identifizieren, bevor es einen Patch vorschlägt. Benennen Sie bei einem Refactoring die Schnittstelle und Invarianten, die erhalten bleiben müssen. Eine nützliche Antwort enthält den überarbeiteten Code, den Grund, weshalb die Änderung das beobachtete Problem behebt, und die Fälle, die zur Prüfung des Ergebnisses nötig sind. Geben Sie tatsächliche Ergebnisse in einen Ablauf mit Werkzeuganbindung zurück, damit der nächste Schritt auf dem veränderten Zustand statt auf dem früheren Vorschlag beruht.
Stellen Sie für Leistungsoptimierung eine Arbeitslast, eine Ausgangsmessung und Messdaten wie Laufzeiten, Profile oder Speicherzuweisungsprotokolle bereit. Z.ai beschreibt Trainingsaufgaben mit Engpassdiagnose, Optimierung, Experimenten und Ergebnissen unter Wahrung der Korrektheit. Eine praktische Anfrage lautet: «Ermittle anhand dieses Profils den folgenreichsten Engpass, schlage eine messbare Änderung vor und erkläre, welches Ergebnis ihre Beibehaltung rechtfertigen würde.» Unterscheiden Sie eine Leistungshypothese von einer gemessenen Verbesserung. Bewahren Sie bei der Prüfung eines Ergebnisses dieselbe Arbeitslast und die relevanten Bedingungen.
Die Veröffentlichung entwickelt auch die Fähigkeit zur Schwachstellenanalyse weiter. Stellen Sie für eine defensive Quelltextprüfung den relevanten Code, die vorgesehenen Vertrauensgrenzen und seine Ausführungsbedingungen bereit. Verlangen Sie einen Befund, der ein vermutetes Problem mit der betroffenen Eingabe, dem Verhalten und einer gezielten Behebung verbindet. Trennen Sie eine potenzielle Schwäche von einem reproduzierten Fehler und bewahren Sie die zur Validierung verwendete Beobachtung. Ein Bericht ist nützlicher, wenn er konkrete Belege und vorgeschlagene Korrekturen priorisiert, statt jedes verdächtige Muster als bestätigte Schwachstelle zu behandeln.
Funktionsaufrufe ermöglichen es einer umgebenden Anwendung, dem Modell externe Vorgänge zugänglich zu machen. Definieren Sie Zweck, Argumente und erwartetes Ergebnis jedes Werkzeugs und geben Sie dann die tatsächliche Werkzeugbeobachtung für den nächsten Schritt zurück. Das Modell kann über dieses Ergebnis schlussfolgern und entscheiden, wie es die Aufgabe verändert. Halten Sie vorgeschlagene Handlungen, ausgeführte Vorgänge und ungeklärte Prüfungen unterscheidbar. Der Hersteller dokumentiert auch Streaming-Antworten, die Fragmente des Gedankengangs und der Antwort getrennt zurückgeben; setzen Sie die abgeschlossene Antwort zusammen, bevor Sie sie als endgültigen Bericht oder Codeerklärung behandeln.
Die lokale Modellkarte nennt ein konkretes Detail zur Verlaufseinstellung: Ihre Chatvorlage behält den Gedankengang standardmässig bei, während der Hersteller empfiehlt, alte Gedankengänge für gewöhnliche Chatszenarien ausdrücklich zu löschen. Wenden Sie die zum Anwendungsfall passende Gesprächsstruktur an und bewahren Sie die tatsächlich abgeschlossenen Antworten und Werkzeugergebnisse, die zur Fortsetzung nötig sind. Behandeln Sie Denkeinstellungen von GLM 5.2 oder den separaten Editionen GLM 5.3 Flash nicht als austauschbar mit den Einstellungen low/high/max dieses Modells.
Legen Sie für strukturierte Ergebnisse die erwarteten Felder, Typen und Quellenregeln fest. Ein nützliches Arbeitsergebnis könnte eine Fehlertabelle, ein Änderungsplan oder ein JSON-Objekt zur Zusammenfassung von Beobachtungen sein. Validieren Sie Struktur und Werte, bevor eine Anwendung sie verwendet. Das Endergebnis sollte die Antwort oder das überarbeitete Arbeitsergebnis, die stützenden Belege und die verbleibenden Annahmen benennen. Höherer Denkaufwand belegt weder, dass ein Werkzeug ausgeführt wurde, noch dass ein vorgeschlagener Patch seine Prüfungen bestanden hat oder dass eine Tatsachenbehauptung über das bereitgestellte Material hinaus gestützt ist.
", "aboutText": "Z.ai GLM 5.3 ist ein grosses Textmodell mit Schlussfolgern für komplexe Softwareentwicklung und langfristige Agentenarbeit. Laut Hersteller verwendet es dasselbe Basismodell wie GLM 5.2; die neuen Verbesserungen stammen aus dem nachgelagerten Training. Die Veröffentlichung konzentriert sich auf stärkere Programmierfähigkeiten, Terminalvorgänge und umfassendere Aufgaben mit mehreren voneinander abhängigen Schritten. Es nimmt Text entgegen und erzeugt Text, darunter Code, Erklärungen, Pläne und Werkzeugaufrufanfragen in einer Anwendung mit Werkzeuganbindung.\n\nDer dokumentierte Denkmodus ist stets aktiviert. GLM 5.3 bietet drei Aufwandsstufen: low, high und max, wobei max der Standardwert ist. Der Hersteller empfiehlt max für komplexe Programmierarbeit; low bietet eine leichtere Denkoption für einfachere Schritte. Verwenden Sie die gewählte Stufe zusammen mit einem klaren Endergebnis und Abschlusskriterien. Zum Beispiel: «Prüfe diese Dateien und fehlgeschlagenen Ergebnisse, verfolge die Ursache über die betroffenen Module hinweg, schlage eine Korrektur unter Beibehaltung der öffentlichen Schnittstelle vor und erkläre, welche Prüfungen die Behebung der Regression belegen.»\n\nDer Hersteller gibt ein Kontextfenster von 1M Tokens und eine maximale Ausgabelänge von 128K Tokens an. Ordnen Sie langes Material nach der Beziehung, die das Modell untersuchen muss. Bewahren Sie Dateinamen, relevante Definitionen, Quellenbeschriftungen und die Reihenfolge der Beobachtungen und lassen Sie innerhalb des geltenden Arbeitskontexts Raum für den Gedankengang und die endgültige Antwort. Ein grosses Fenster ist bei Abhängigkeiten über Modulgrenzen oder einer langen Folge von Agentenbeobachtungen nützlich; es macht aus einem ungeordneten Archiv sachfremden Materials keine klar definierte Aufgabe.\n\nStellen Sie für Repository-Arbeit das erwartete Verhalten, relevanten Quelltext, Abhängigkeitsversionen und die tatsächliche Fehlerausgabe bereit. Bitten Sie das Modell, das betroffene Verhalten zu identifizieren, bevor es einen Patch vorschlägt. Benennen Sie bei einem Refactoring die Schnittstelle und Invarianten, die erhalten bleiben müssen. Eine nützliche Antwort enthält den überarbeiteten Code, den Grund, weshalb die Änderung das beobachtete Problem behebt, und die Fälle, die zur Prüfung des Ergebnisses nötig sind. Geben Sie tatsächliche Ergebnisse in einen Ablauf mit Werkzeuganbindung zurück, damit der nächste Schritt auf dem veränderten Zustand statt auf dem früheren Vorschlag beruht.\n\nStellen Sie für Leistungsoptimierung eine Arbeitslast, eine Ausgangsmessung und Messdaten wie Laufzeiten, Profile oder Speicherzuweisungsprotokolle bereit. Z.ai beschreibt Trainingsaufgaben mit Engpassdiagnose, Optimierung, Experimenten und Ergebnissen unter Wahrung der Korrektheit. Eine praktische Anfrage lautet: «Ermittle anhand dieses Profils den folgenreichsten Engpass, schlage eine messbare Änderung vor und erkläre, welches Ergebnis ihre Beibehaltung rechtfertigen würde.» Unterscheiden Sie eine Leistungshypothese von einer gemessenen Verbesserung. Bewahren Sie bei der Prüfung eines Ergebnisses dieselbe Arbeitslast und die relevanten Bedingungen.\n\nDie Veröffentlichung entwickelt auch die Fähigkeit zur Schwachstellenanalyse weiter. Stellen Sie für eine defensive Quelltextprüfung den relevanten Code, die vorgesehenen Vertrauensgrenzen und seine Ausführungsbedingungen bereit. Verlangen Sie einen Befund, der ein vermutetes Problem mit der betroffenen Eingabe, dem Verhalten und einer gezielten Behebung verbindet. Trennen Sie eine potenzielle Schwäche von einem reproduzierten Fehler und bewahren Sie die zur Validierung verwendete Beobachtung. Ein Bericht ist nützlicher, wenn er konkrete Belege und vorgeschlagene Korrekturen priorisiert, statt jedes verdächtige Muster als bestätigte Schwachstelle zu behandeln.\n\nFunktionsaufrufe ermöglichen es einer umgebenden Anwendung, dem Modell externe Vorgänge zugänglich zu machen. Definieren Sie Zweck, Argumente und erwartetes Ergebnis jedes Werkzeugs und geben Sie dann die tatsächliche Werkzeugbeobachtung für den nächsten Schritt zurück. Das Modell kann über dieses Ergebnis schlussfolgern und entscheiden, wie es die Aufgabe verändert. Halten Sie vorgeschlagene Handlungen, ausgeführte Vorgänge und ungeklärte Prüfungen unterscheidbar. Der Hersteller dokumentiert auch Streaming-Antworten, die Fragmente des Gedankengangs und der Antwort getrennt zurückgeben; setzen Sie die abgeschlossene Antwort zusammen, bevor Sie sie als endgültigen Bericht oder Codeerklärung behandeln.\n\nDie lokale Modellkarte nennt ein konkretes Detail zur Verlaufseinstellung: Ihre Chatvorlage behält den Gedankengang standardmässig bei, während der Hersteller empfiehlt, alte Gedankengänge für gewöhnliche Chatszenarien ausdrücklich zu löschen. Wenden Sie die zum Anwendungsfall passende Gesprächsstruktur an und bewahren Sie die tatsächlich abgeschlossenen Antworten und Werkzeugergebnisse, die zur Fortsetzung nötig sind. Behandeln Sie Denkeinstellungen von GLM 5.2 oder den separaten Editionen GLM 5.3 Flash nicht als austauschbar mit den Einstellungen low/high/max dieses Modells.\n\nLegen Sie für strukturierte Ergebnisse die erwarteten Felder, Typen und Quellenregeln fest. Ein nützliches Arbeitsergebnis könnte eine Fehlertabelle, ein Änderungsplan oder ein JSON-Objekt zur Zusammenfassung von Beobachtungen sein. Validieren Sie Struktur und Werte, bevor eine Anwendung sie verwendet. Das Endergebnis sollte die Antwort oder das überarbeitete Arbeitsergebnis, die stützenden Belege und die verbleibenden Annahmen benennen. Höherer Denkaufwand belegt weder, dass ein Werkzeug ausgeführt wurde, noch dass ein vorgeschlagener Patch seine Prüfungen bestanden hat oder dass eine Tatsachenbehauptung über das bereitgestellte Material hinaus gestützt ist.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "eaf999046091b75e82a87e5c112ce19969cd61b50f08d6c15d427417e6a034c9", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "de-ch", "methods": [ { "html": "z-ai/glm-5.3:batchZ.ai GLM 5.3 ist ein Textmodell mit Schlussfolgern für komplexe Softwareentwicklung, Terminalarbeit und langfristige Agentenaufgaben. Es unterstützt einen vom Hersteller dokumentierten Kontext von 1M Tokens, bis zu 128K Ausgabe-Tokens, Funktionsaufrufe und den Denkaufwand low/high/max; Schlussfolgern bleibt durchgehend aktiviert.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Z.ai GLM 5.3 ist ein grosses Textmodell mit Schlussfolgern für komplexe Softwareentwicklung und langfristige Agentenarbeit. Laut Hersteller verwendet es dasselbe Basismodell wie GLM 5.2; die neuen Verbesserungen stammen aus dem nachgelagerten Training. Die Veröffentlichung konzentriert sich auf stärkere Programmierfähigkeiten, Terminalvorgänge und umfassendere Aufgaben mit mehreren voneinander abhängigen Schritten. Es nimmt Text entgegen und erzeugt Text, darunter Code, Erklärungen, Pläne und Werkzeugaufrufanfragen in einer Anwendung mit Werkzeuganbindung.
Der dokumentierte Denkmodus ist stets aktiviert. GLM 5.3 bietet drei Aufwandsstufen: low, high und max, wobei max der Standardwert ist. Der Hersteller empfiehlt max für komplexe Programmierarbeit; low bietet eine leichtere Denkoption für einfachere Schritte. Verwenden Sie die gewählte Stufe zusammen mit einem klaren Endergebnis und Abschlusskriterien. Zum Beispiel: «Prüfe diese Dateien und fehlgeschlagenen Ergebnisse, verfolge die Ursache über die betroffenen Module hinweg, schlage eine Korrektur unter Beibehaltung der öffentlichen Schnittstelle vor und erkläre, welche Prüfungen die Behebung der Regression belegen.»
Der Hersteller gibt ein Kontextfenster von 1M Tokens und eine maximale Ausgabelänge von 128K Tokens an. Ordnen Sie langes Material nach der Beziehung, die das Modell untersuchen muss. Bewahren Sie Dateinamen, relevante Definitionen, Quellenbeschriftungen und die Reihenfolge der Beobachtungen und lassen Sie innerhalb des geltenden Arbeitskontexts Raum für den Gedankengang und die endgültige Antwort. Ein grosses Fenster ist bei Abhängigkeiten über Modulgrenzen oder einer langen Folge von Agentenbeobachtungen nützlich; es macht aus einem ungeordneten Archiv sachfremden Materials keine klar definierte Aufgabe.
Stellen Sie für Repository-Arbeit das erwartete Verhalten, relevanten Quelltext, Abhängigkeitsversionen und die tatsächliche Fehlerausgabe bereit. Bitten Sie das Modell, das betroffene Verhalten zu identifizieren, bevor es einen Patch vorschlägt. Benennen Sie bei einem Refactoring die Schnittstelle und Invarianten, die erhalten bleiben müssen. Eine nützliche Antwort enthält den überarbeiteten Code, den Grund, weshalb die Änderung das beobachtete Problem behebt, und die Fälle, die zur Prüfung des Ergebnisses nötig sind. Geben Sie tatsächliche Ergebnisse in einen Ablauf mit Werkzeuganbindung zurück, damit der nächste Schritt auf dem veränderten Zustand statt auf dem früheren Vorschlag beruht.
Stellen Sie für Leistungsoptimierung eine Arbeitslast, eine Ausgangsmessung und Messdaten wie Laufzeiten, Profile oder Speicherzuweisungsprotokolle bereit. Z.ai beschreibt Trainingsaufgaben mit Engpassdiagnose, Optimierung, Experimenten und Ergebnissen unter Wahrung der Korrektheit. Eine praktische Anfrage lautet: «Ermittle anhand dieses Profils den folgenreichsten Engpass, schlage eine messbare Änderung vor und erkläre, welches Ergebnis ihre Beibehaltung rechtfertigen würde.» Unterscheiden Sie eine Leistungshypothese von einer gemessenen Verbesserung. Bewahren Sie bei der Prüfung eines Ergebnisses dieselbe Arbeitslast und die relevanten Bedingungen.
Die Veröffentlichung entwickelt auch die Fähigkeit zur Schwachstellenanalyse weiter. Stellen Sie für eine defensive Quelltextprüfung den relevanten Code, die vorgesehenen Vertrauensgrenzen und seine Ausführungsbedingungen bereit. Verlangen Sie einen Befund, der ein vermutetes Problem mit der betroffenen Eingabe, dem Verhalten und einer gezielten Behebung verbindet. Trennen Sie eine potenzielle Schwäche von einem reproduzierten Fehler und bewahren Sie die zur Validierung verwendete Beobachtung. Ein Bericht ist nützlicher, wenn er konkrete Belege und vorgeschlagene Korrekturen priorisiert, statt jedes verdächtige Muster als bestätigte Schwachstelle zu behandeln.
Funktionsaufrufe ermöglichen es einer umgebenden Anwendung, dem Modell externe Vorgänge zugänglich zu machen. Definieren Sie Zweck, Argumente und erwartetes Ergebnis jedes Werkzeugs und geben Sie dann die tatsächliche Werkzeugbeobachtung für den nächsten Schritt zurück. Das Modell kann über dieses Ergebnis schlussfolgern und entscheiden, wie es die Aufgabe verändert. Halten Sie vorgeschlagene Handlungen, ausgeführte Vorgänge und ungeklärte Prüfungen unterscheidbar. Der Hersteller dokumentiert auch Streaming-Antworten, die Fragmente des Gedankengangs und der Antwort getrennt zurückgeben; setzen Sie die abgeschlossene Antwort zusammen, bevor Sie sie als endgültigen Bericht oder Codeerklärung behandeln.
Die lokale Modellkarte nennt ein konkretes Detail zur Verlaufseinstellung: Ihre Chatvorlage behält den Gedankengang standardmässig bei, während der Hersteller empfiehlt, alte Gedankengänge für gewöhnliche Chatszenarien ausdrücklich zu löschen. Wenden Sie die zum Anwendungsfall passende Gesprächsstruktur an und bewahren Sie die tatsächlich abgeschlossenen Antworten und Werkzeugergebnisse, die zur Fortsetzung nötig sind. Behandeln Sie Denkeinstellungen von GLM 5.2 oder den separaten Editionen GLM 5.3 Flash nicht als austauschbar mit den Einstellungen low/high/max dieses Modells.
Legen Sie für strukturierte Ergebnisse die erwarteten Felder, Typen und Quellenregeln fest. Ein nützliches Arbeitsergebnis könnte eine Fehlertabelle, ein Änderungsplan oder ein JSON-Objekt zur Zusammenfassung von Beobachtungen sein. Validieren Sie Struktur und Werte, bevor eine Anwendung sie verwendet. Das Endergebnis sollte die Antwort oder das überarbeitete Arbeitsergebnis, die stützenden Belege und die verbleibenden Annahmen benennen. Höherer Denkaufwand belegt weder, dass ein Werkzeug ausgeführt wurde, noch dass ein vorgeschlagener Patch seine Prüfungen bestanden hat oder dass eine Tatsachenbehauptung über das bereitgestellte Material hinaus gestützt ist.
POST /v1/batchestexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldendpoint | Typstring | AnforderungErforderlich | Werte und Limits /v1/chat/completions | Standard— |
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits z-ai/glm-5.3:batch | Standard— |
Feldrequests | Typbatch_item[] | AnforderungErforderlich | Werte und Limits Mindestanzahl Elemente: 1 | Standard— |
Feldrequests[].custom_id | Typstring | AnforderungErforderlich | Werte und Limits | Standard— |
Feldrequests[].body.messages | Typmessage[] | AnforderungErforderlich | Werte und Limits | Standard— |
Feldcompletion_window | Typstring | AnforderungOptional | Werte und Limits 24h | Standard— |
Feldprovider | Typobject|null | AnforderungOptional | Werte und Limits | Standard— |
Feldrequests[].body.model | Typstring | AnforderungOptional | Werte und Limits z-ai/glm-5.3:batch, z-ai/glm-5.3 | Standard— |
Feldprovider.only | Typstring[] | AnforderungOptional | Werte und Limits deepinfra/fp4 | Standard— |
Feldprovider.allow_fallbacks | Typboolean|null | AnforderungOptional | Werte und Limits false, null | Standard— |
| Parameter | Vertrag |
|---|---|
Parametercontent_type | Vertragapplication/json |
Parameterrequired | Vertragendpoint, model, requests |
Parametermaterial_types | Vertragtext |
Parameterrepresentation | Vertrageingebettete requests[]; jedes Element enthält custom_id und body |
Parameterrequest_endpoint_profile | Vertrag/v1/chat/completions |
Parameterfile_material | VertragDer Aufrufer kann tatsächliches UTF-8-JSONL lokal in requests[] einlesen. Es werden weder ein Upload-Zweck noch input_file_id oder eine Dateireferenz verwendet. Fehlendes oder leeres Kundenmaterial stoppt die Vorbereitung vor POST. |
Parameterserialization_order | Vertragendpoint, model, provider (falls angegeben), completion_window (falls angegeben), requests als letztes Feld |
Parameteroptional_controls | Vertragprovider.only, provider.allow_fallbacks, completion_window |
Parameterschema_scope | VertragAnfragekörper für Text Chat Completions in der dokumentierten Inline-Batch-Struktur. |
Lebenszyklus: asynchronous
GET /v1/batches/{operation_id} · die tatsächliche response.id der ursprünglichen Erstellungsantwort; derselbe Nutzer/Schlüssel/dieselbe Gruppe
Tarifangaben erweitern die Anfrageoptionen nicht. Unterstützte Parameter stehen bei der ausgewählten Methode.
Ordnen Sie jede Gebühr den angezeigten Bedingungen zu. Verwenden Sie für jede Gruppe alternativer Konfigurationen einen Tarif.
| Konfiguration | Tarifstaffel | Kontexttoken, mehr als | Kontexttoken, bis einschliesslich | Gebühr |
|---|---|---|---|---|
| KonfigurationBasistarife für Token | TarifstaffelGrundtarif | Kontexttoken, mehr als— | Kontexttoken, bis einschliesslichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.0009 / 1K Tokens Ausgabe · Ausgabetoken $0.004 / 1K Tokens Eingabe · Cache lesen $0.0002 / 1K Tokens Eingabe · Cache schreiben — / 1K Tokens Eingabe · Cache schreiben, 1 Stunde — / 1K Tokens |
| KonfigurationAnfragelängenstufe 1 | Tarifstaffel— | Kontexttoken, mehr als0 | Kontexttoken, bis einschliesslichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.0009 / 1K Tokens Ausgabe · Ausgabetoken $0.004 / 1K Tokens Eingabe · Cache lesen $0.0002 / 1K Tokens Eingabe · Cache schreiben — / 1K Tokens Eingabe · Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschliessenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json\nfrom pathlib import Path\nbody=json.loads('{"endpoint":"/v1/chat/completions","model":"z-ai/glm-5.3:batch","requests":[{"custom_id":"req-0001","body":{"messages":[{"role":"user","content":"Hello!"}],"max_tokens":16}}]}')\nPath("batch-request.json").write_text(json.dumps(body,ensure_ascii=False),encoding="utf-8")\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/batches \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @batch-request.json -D batch-response-headers.txt -o batch-create-response.json\nimport json, os\nfrom pathlib import Path\nfrom urllib.request import Request, urlopen\n\ndef prepare_requests(customer_path):\n path = Path(customer_path)\n if not path.is_file(): raise ValueError("Customer JSONL file is missing")\n items = [json.loads(line) for line in path.read_text(encoding="utf-8").splitlines() if line.strip()]\n if not items: raise ValueError("Customer JSONL contains no requests")\n ids = set()\n for item in items:\n if set(item) != {"custom_id", "body"}: raise ValueError("Each item needs custom_id and body")\n cid = item["custom_id"]\n if not isinstance(cid, str) or not cid.strip() or cid in ids: raise ValueError("custom_id must be nonempty and unique")\n ids.add(cid)\n if not isinstance(item["body"], dict) or not item["body"].get("messages"): raise ValueError("Supply actual text messages")\n supplied_model = item["body"].get("model")\n if supplied_model is not None and supplied_model not in ['z-ai/glm-5.3:batch', 'z-ai/glm-5.3']: raise ValueError("body.model must be an exact documented caller or wire ID")\n return {"endpoint":"/v1/chat/completions", "model":"z-ai/glm-5.3:batch", "requests":items}\n\nif __name__ == "__main__":\n material = os.environ.get("AILOOT_BATCH_REQUESTS_JSONL", "")\n if not material: raise SystemExit("Set AILOOT_BATCH_REQUESTS_JSONL to your actual customer file")\n body = prepare_requests(material)\n key = os.environ.get("AILOOT_API_KEY", "")\n if not key: raise SystemExit("Set AILOOT_API_KEY")\n request = Request("https://api.ailoot.ai/v1/batches", data=json.dumps(body, ensure_ascii=False).encode("utf-8"), headers={"Authorization":"Bearer " + key, "Content-Type":"application/json"}, method="POST")\n with urlopen(request) as response:\n raw = response.read()\n Path("batch-create-response.json").write_bytes(raw)\n print(raw.decode("utf-8"))\nimport json\nfrom pathlib import Path\nraw = Path("batch-status-response.json").read_bytes()\nresponse = json.loads(raw)\nif response.get("status") != "completed":\n raise SystemExit("Keep the original operation; read its status without resubmitting")\nresults = response.get("results")\nif not isinstance(results, list) or not results:\n raise SystemExit("Preserve the original response; completed results are missing")\nPath("batch-results.jsonl").write_text("".join(json.dumps(item, ensure_ascii=False) + "\\n" for item in results), encoding="utf-8")\n# Preserve batch-status-response.json with aggregate usage and every result/error.\neingebettetes JSON unter results[].response.body
GET /v1/batches/{operation_id}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\nBATCH_OPERATION_ID="$(python3 - <<'PY_ID'\nimport json\nfrom pathlib import Path\nfrom urllib.parse import quote\nresponse = json.loads(Path("batch-create-response.json").read_text(encoding="utf-8"))\noperation = response.get("id")\nif not isinstance(operation, str) or not operation: raise SystemExit("No actual original operation ID; preserve the response and do not resubmit")\nprint(quote(operation, safe=""))\nPY_ID\n)"\ncurl --fail-with-body --silent --show-error "https://api.ailoot.ai/v1/batches/$BATCH_OPERATION_ID" \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -o batch-status-response.json\nBewahren Sie jede vollständig zurückgegebene Antwort, Datei und jeden Inhaltsteil auf.
Das vollständige ursprüngliche Status-JSON, jedes Ergebnis/jede custom_id und den vollständigen Antwort- oder Fehlerkörper aufbewahren. Abgeschlossene results[] ohne Filterung als JSONL speichern.
Die ursprüngliche Vorgangs-ID beibehalten. Bei 503 result_pending_check gilt X-Should-Retry:false; einen ursprünglichen Batch mit unbekanntem Ausgang niemals erneut einreichen.
| Feld | Typ |
|---|---|
Feldresults[].custom_id | Typstring |
Feldresults[].response.body.choices[].message.content | Typstring|null |
Feldresults[].error | Typobject|null |
Feldusage | Typobject|null |
Feldid | Typstring |
Feldmodel | Typstring |
Feldendpoint | Typstring |
Feldstatus | Typstring |
Feldrequest_counts | Typobject |
Feldresults[].id | Typstring |
Feldresults[].response.status_code | Typinteger |
Feldresults[].response.request_id | Typstring |
| Antwort | Bedingung | Nächster Schritt |
|---|---|---|
Antwort400 · invalid_request_error | BedingungUngültige Struktur der dokumentierten Inline-Einbettung, doppelte Schlüssel, ungültige Identitätsangaben zu einem Element oder ein Konflikt mit den konfigurierten Modellfähigkeiten. | Nächster SchrittDie angegebenen Felder vor jeder neuen Einreichung korrigieren. |
Antwort401 · authentication_error | BedingungUngültiger API-Schlüssel. | Nächster SchrittDen autorisierten Ailoot-Schlüssel verwenden. |
Antwort403 · permission_error | BedingungGruppe für Stapelverarbeitung nicht verfügbar. | Nächster SchrittDie Berechtigung des Schlüssels bzw. der Gruppe prüfen. |
Antwort422 · invalid_request_error | BedingungStapelverarbeitung wird über das Guthaben abgerechnet; die Erstellung über ein Abonnement wird abgelehnt. | Nächster SchrittDie autorisierte Gruppe mit Guthabenabrechnung verwenden. |
Antwort422 · price_unavailable | BedingungFür die Batch-Eingabe kann kein Preisangebot erstellt werden. | Nächster SchrittAntwort aufbewahren; die dokumentierte Eingabe der API-Familie verwenden. |
Antwort402 · billing_error | BedingungReservierung für Stapelverarbeitung nicht verfügbar. | Nächster SchrittDie Zulassung klären, bevor eine neue Anfrage gestellt wird. |
Antwort503 · price_unavailable | BedingungMethodenpreis bzw. native Tarife für Stapelverarbeitung nicht verfügbar. | Nächster SchrittAntwort aufbewahren; keine anderen Preise einsetzen. |
Antwort503 · api_error | BedingungDie genaue Anbieterroute ist nicht verfügbar. | Nächster SchrittAntwort zur Reparatur der Route aufbewahren. |
Antwort503 · result_pending_check | BedingungDas ursprüngliche Ergebnis muss geprüft werden; X-Should-Retry:false. | Nächster SchrittDie ursprüngliche operation_id/id beibehalten und ihren Status lesen; den ursprünglichen POST niemals wiederholen. |
Antwort404 · not_found | BedingungDer Batch-Vorgang, dessen Status abgefragt wird, ist nicht vorhanden oder gehört einer anderen Identität. | Nächster SchrittDie genaue ursprüngliche id und denselben Nutzer/Schlüssel/dieselbe Gruppe verwenden. |
Ailoot Ultra z-ai/glm-5.3:batch
Verwenden Sie die oben angezeigten Methodenpfade.