GLM-4-Long ist Zhipu AIs Sprachmodell für sehr lange Texte und gedächtnisorientierte Gesprächsaufgaben. Der Hersteller nennt Textein- und -ausgabe, ein Kontextfenster von 1M und maximal 4K Ausgabetoken. Im Mittelpunkt stehen das Lesen, Übersetzen und Analysieren umfangreichen Materials sowie eine anschließende gezielte Antwort auf Grundlage des bereitgestellten Inhalts.
Liefern Sie den Dokumenttext zusammen mit der Frage, die er beantworten soll. Behalten Sie Abschnittsüberschriften, Seiten- oder Kapitelkennungen, Datumsangaben und Tabelleneinheiten bei den jeweiligen Inhalten. Ein langes Eingabefenster ist nützlich, wenn eine Antwort von Beziehungen zwischen vielen Abschnitten abhängt, etwa einem genannten Ziel, dessen Belegen und einer Ausnahme an anderer Stelle im Dokument.
Der Hersteller beschreibt eine schrittweise Erweiterung des Kontexts von 2K auf 1M durch fortgesetztes Vortraining, überwachtes Feintraining und bestärkendes Lernen aus menschlichem Feedback. Definieren Sie für praktische Aufgaben die zu untersuchende Beziehung, bevor Sie eine breite Zusammenfassung anfordern. Eine beispielhafte Anweisung lautet: „Vergleiche die vorgeschlagene Architektur mit den Implementierungsabschnitten und benenne jeden Unterschied mit seinem Quellabschnitt.“ Das Ergebnis kann ein kurzer Vergleich sein, der die ursprünglichen Belege zur Prüfung verfügbar hält.
Der Hersteller empfiehlt, Geschäftsberichte zu analysieren, Umsatzstruktur, Risikoangaben und Lageerläuterungen des Managements zu extrahieren und Finanzdaten über verschiedene Zeiträume zu vergleichen. Bereiten Sie Berichte mit ihren Berichtszeitpunkten und einheitlichen Bezeichnungen für Einheiten und Währungen vor. Fordern Sie eine Tabelle der ausgewählten Zahlen, die Passage hinter jedem Wert und eine gesonderte Erklärung der Veränderung an. So bleibt der Unterschied zwischen einer berichteten Zahl und einer Interpretation ihrer Entwicklung erhalten.
Bei wissenschaftlichem Material kann GLM-4-Long Forschungshintergrund, experimentelle Methoden und Schlussfolgerungen thematisch ordnen. Stellen Sie die vollständigen für den Vergleich nötigen Passagen bereit, einschließlich Definitionen und Einschränkungen aus anderen Kapiteln. Eine nützliche Ausgabe ist eine Übersicht über Aussagen, Methoden und stützende Abschnitte, gefolgt von Fragen, die im bereitgestellten Text offenbleiben. Halten Sie Zitate und Modellanalyse beim Erstellen einer Forschungsnotiz in getrennten Feldern.
Das Szenario des Herstellers für juristische Dokumente umfasst Gesetze, Fälle und Verträge einschließlich Rechten, Pflichten und Haftungsklauseln. Benennen Sie die Parteien und den zu vergleichenden Sachverhalt und fordern Sie die relevanten Klauseln mit Abschnittsverweisen an. Eine gezielte Extraktion kann zum Arbeitsdokument für eine spätere fachliche Prüfung werden, mit dem Originalwortlaut neben der Erläuterung.
Das Belletristik-Szenario betrifft Figurenbeziehungen, Handlungsstruktur, gezielte Zusammenfassungen und Fortsetzungen im Stil einer langen Erzählung. Geben Sie die relevanten Kapitel und den maßgeblichen Zeitpunkt in der Chronologie an. Fordern Sie beispielsweise eine Übersicht der Figurenbeziehungen mit den Ereignissen an, die jede Verbindung stützen, oder eine Fortsetzungsvorlage, die etablierte Namen und offene Handlungsstränge bewahrt.
Die dokumentierte maximale Ausgabe von 4K ist deutlich kleiner als der Eingabekontext. Wählen Sie die gewünschte Lieferung: eine Managementzusammenfassung, einen Klauselvergleich, eine Forschungsübersicht oder eine kapitelspezifische Analyse. Unterteilen Sie bei einer umfangreichen Prüfung die angeforderte Ausgabe in klar benannte Aufgaben und halten Sie das relevante Quellmaterial bei jeder Antwort.
Behalten Sie für ein fortlaufendes Dokumentgespräch die frühere Frage, die Antwort und die für die nächste Frage nötigen Passagen bei. Der Hersteller beschreibt gedächtnisorientierten Chat als Nutzung langen Kontexts; ordnen Sie diesen so, dass sich die Rückfrage auf dasselbe Dokument, denselben Berichtszeitraum oder dasselbe Kapitel bezieht. Speichern Sie die fertige Analyse mit diesen Quellkennungen und prüfen Sie anschließend extrahierte Namen, Zahlen und Zitate am zugrunde liegenden Text, bevor sie in den nächsten Bericht eingehen.
", "aboutText": "GLM-4-Long ist Zhipu AIs Sprachmodell für sehr lange Texte und gedächtnisorientierte Gesprächsaufgaben. Der Hersteller nennt Textein- und -ausgabe, ein Kontextfenster von 1M und maximal 4K Ausgabetoken. Im Mittelpunkt stehen das Lesen, Übersetzen und Analysieren umfangreichen Materials sowie eine anschließende gezielte Antwort auf Grundlage des bereitgestellten Inhalts.\n\n### Das Material für eine übergreifende Analyse vorbereiten\n\nLiefern Sie den Dokumenttext zusammen mit der Frage, die er beantworten soll. Behalten Sie Abschnittsüberschriften, Seiten- oder Kapitelkennungen, Datumsangaben und Tabelleneinheiten bei den jeweiligen Inhalten. Ein langes Eingabefenster ist nützlich, wenn eine Antwort von Beziehungen zwischen vielen Abschnitten abhängt, etwa einem genannten Ziel, dessen Belegen und einer Ausnahme an anderer Stelle im Dokument.\n\nDer Hersteller beschreibt eine schrittweise Erweiterung des Kontexts von 2K auf 1M durch fortgesetztes Vortraining, überwachtes Feintraining und bestärkendes Lernen aus menschlichem Feedback. Definieren Sie für praktische Aufgaben die zu untersuchende Beziehung, bevor Sie eine breite Zusammenfassung anfordern. Eine beispielhafte Anweisung lautet: „Vergleiche die vorgeschlagene Architektur mit den Implementierungsabschnitten und benenne jeden Unterschied mit seinem Quellabschnitt.“ Das Ergebnis kann ein kurzer Vergleich sein, der die ursprünglichen Belege zur Prüfung verfügbar hält.\n\n### Finanzberichte und wissenschaftliche Arbeiten lesen\n\nDer Hersteller empfiehlt, Geschäftsberichte zu analysieren, Umsatzstruktur, Risikoangaben und Lageerläuterungen des Managements zu extrahieren und Finanzdaten über verschiedene Zeiträume zu vergleichen. Bereiten Sie Berichte mit ihren Berichtszeitpunkten und einheitlichen Bezeichnungen für Einheiten und Währungen vor. Fordern Sie eine Tabelle der ausgewählten Zahlen, die Passage hinter jedem Wert und eine gesonderte Erklärung der Veränderung an. So bleibt der Unterschied zwischen einer berichteten Zahl und einer Interpretation ihrer Entwicklung erhalten.\n\nBei wissenschaftlichem Material kann GLM-4-Long Forschungshintergrund, experimentelle Methoden und Schlussfolgerungen thematisch ordnen. Stellen Sie die vollständigen für den Vergleich nötigen Passagen bereit, einschließlich Definitionen und Einschränkungen aus anderen Kapiteln. Eine nützliche Ausgabe ist eine Übersicht über Aussagen, Methoden und stützende Abschnitte, gefolgt von Fragen, die im bereitgestellten Text offenbleiben. Halten Sie Zitate und Modellanalyse beim Erstellen einer Forschungsnotiz in getrennten Feldern.\n\n### Klauseln, Figuren und Ereignisse durch einen langen Text verfolgen\n\nDas Szenario des Herstellers für juristische Dokumente umfasst Gesetze, Fälle und Verträge einschließlich Rechten, Pflichten und Haftungsklauseln. Benennen Sie die Parteien und den zu vergleichenden Sachverhalt und fordern Sie die relevanten Klauseln mit Abschnittsverweisen an. Eine gezielte Extraktion kann zum Arbeitsdokument für eine spätere fachliche Prüfung werden, mit dem Originalwortlaut neben der Erläuterung.\n\nDas Belletristik-Szenario betrifft Figurenbeziehungen, Handlungsstruktur, gezielte Zusammenfassungen und Fortsetzungen im Stil einer langen Erzählung. Geben Sie die relevanten Kapitel und den maßgeblichen Zeitpunkt in der Chronologie an. Fordern Sie beispielsweise eine Übersicht der Figurenbeziehungen mit den Ereignissen an, die jede Verbindung stützen, oder eine Fortsetzungsvorlage, die etablierte Namen und offene Handlungsstränge bewahrt.\n\n### Die lange Eingabe mit einer begrenzten Antwort nutzen\n\nDie dokumentierte maximale Ausgabe von 4K ist deutlich kleiner als der Eingabekontext. Wählen Sie die gewünschte Lieferung: eine Managementzusammenfassung, einen Klauselvergleich, eine Forschungsübersicht oder eine kapitelspezifische Analyse. Unterteilen Sie bei einer umfangreichen Prüfung die angeforderte Ausgabe in klar benannte Aufgaben und halten Sie das relevante Quellmaterial bei jeder Antwort.\n\nBehalten Sie für ein fortlaufendes Dokumentgespräch die frühere Frage, die Antwort und die für die nächste Frage nötigen Passagen bei. Der Hersteller beschreibt gedächtnisorientierten Chat als Nutzung langen Kontexts; ordnen Sie diesen so, dass sich die Rückfrage auf dasselbe Dokument, denselben Berichtszeitraum oder dasselbe Kapitel bezieht. Speichern Sie die fertige Analyse mit diesen Quellkennungen und prüfen Sie anschließend extrahierte Namen, Zahlen und Zitate am zugrunde liegenden Text, bevor sie in den nächsten Bericht eingehen.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisches Beispiel auf Englisch
Reconcile architecture and implementation notes\n\nCompare labeled excerpts. Architecture §2: every export job is resumable and stores its cursor after each completed page. Implementation §7: the exporter stores its cursor only when the entire job completes. Operations §4: interrupted jobs restart from page one. Return a concise discrepancy map with source references and a focused requirement for the next code review.A source-linked discrepancy table and one review requirement tied to the resumability objective.The answer connects all three excerpts and does not invent additional implementation details.glm-4-longGLM-4-Long ist Zhipu AIs Modell zum Lesen sehr langer Texte und zum Erhalten des Dokumentkontexts im Gespräch. Der dokumentierte Kontext von 1M und die maximale Ausgabe von 4K unterstützen gezielte Analysen von Berichten, Fachartikeln, Verträgen und umfangreicher Belletristik.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
GLM-4-Long ist Zhipu AIs Sprachmodell für sehr lange Texte und gedächtnisorientierte Gesprächsaufgaben. Der Hersteller nennt Textein- und -ausgabe, ein Kontextfenster von 1M und maximal 4K Ausgabetoken. Im Mittelpunkt stehen das Lesen, Übersetzen und Analysieren umfangreichen Materials sowie eine anschließende gezielte Antwort auf Grundlage des bereitgestellten Inhalts.
Liefern Sie den Dokumenttext zusammen mit der Frage, die er beantworten soll. Behalten Sie Abschnittsüberschriften, Seiten- oder Kapitelkennungen, Datumsangaben und Tabelleneinheiten bei den jeweiligen Inhalten. Ein langes Eingabefenster ist nützlich, wenn eine Antwort von Beziehungen zwischen vielen Abschnitten abhängt, etwa einem genannten Ziel, dessen Belegen und einer Ausnahme an anderer Stelle im Dokument.
Der Hersteller beschreibt eine schrittweise Erweiterung des Kontexts von 2K auf 1M durch fortgesetztes Vortraining, überwachtes Feintraining und bestärkendes Lernen aus menschlichem Feedback. Definieren Sie für praktische Aufgaben die zu untersuchende Beziehung, bevor Sie eine breite Zusammenfassung anfordern. Eine beispielhafte Anweisung lautet: „Vergleiche die vorgeschlagene Architektur mit den Implementierungsabschnitten und benenne jeden Unterschied mit seinem Quellabschnitt.“ Das Ergebnis kann ein kurzer Vergleich sein, der die ursprünglichen Belege zur Prüfung verfügbar hält.
Der Hersteller empfiehlt, Geschäftsberichte zu analysieren, Umsatzstruktur, Risikoangaben und Lageerläuterungen des Managements zu extrahieren und Finanzdaten über verschiedene Zeiträume zu vergleichen. Bereiten Sie Berichte mit ihren Berichtszeitpunkten und einheitlichen Bezeichnungen für Einheiten und Währungen vor. Fordern Sie eine Tabelle der ausgewählten Zahlen, die Passage hinter jedem Wert und eine gesonderte Erklärung der Veränderung an. So bleibt der Unterschied zwischen einer berichteten Zahl und einer Interpretation ihrer Entwicklung erhalten.
Bei wissenschaftlichem Material kann GLM-4-Long Forschungshintergrund, experimentelle Methoden und Schlussfolgerungen thematisch ordnen. Stellen Sie die vollständigen für den Vergleich nötigen Passagen bereit, einschließlich Definitionen und Einschränkungen aus anderen Kapiteln. Eine nützliche Ausgabe ist eine Übersicht über Aussagen, Methoden und stützende Abschnitte, gefolgt von Fragen, die im bereitgestellten Text offenbleiben. Halten Sie Zitate und Modellanalyse beim Erstellen einer Forschungsnotiz in getrennten Feldern.
Das Szenario des Herstellers für juristische Dokumente umfasst Gesetze, Fälle und Verträge einschließlich Rechten, Pflichten und Haftungsklauseln. Benennen Sie die Parteien und den zu vergleichenden Sachverhalt und fordern Sie die relevanten Klauseln mit Abschnittsverweisen an. Eine gezielte Extraktion kann zum Arbeitsdokument für eine spätere fachliche Prüfung werden, mit dem Originalwortlaut neben der Erläuterung.
Das Belletristik-Szenario betrifft Figurenbeziehungen, Handlungsstruktur, gezielte Zusammenfassungen und Fortsetzungen im Stil einer langen Erzählung. Geben Sie die relevanten Kapitel und den maßgeblichen Zeitpunkt in der Chronologie an. Fordern Sie beispielsweise eine Übersicht der Figurenbeziehungen mit den Ereignissen an, die jede Verbindung stützen, oder eine Fortsetzungsvorlage, die etablierte Namen und offene Handlungsstränge bewahrt.
Die dokumentierte maximale Ausgabe von 4K ist deutlich kleiner als der Eingabekontext. Wählen Sie die gewünschte Lieferung: eine Managementzusammenfassung, einen Klauselvergleich, eine Forschungsübersicht oder eine kapitelspezifische Analyse. Unterteilen Sie bei einer umfangreichen Prüfung die angeforderte Ausgabe in klar benannte Aufgaben und halten Sie das relevante Quellmaterial bei jeder Antwort.
Behalten Sie für ein fortlaufendes Dokumentgespräch die frühere Frage, die Antwort und die für die nächste Frage nötigen Passagen bei. Der Hersteller beschreibt gedächtnisorientierten Chat als Nutzung langen Kontexts; ordnen Sie diesen so, dass sich die Rückfrage auf dasselbe Dokument, denselben Berichtszeitraum oder dasselbe Kapitel bezieht. Speichern Sie die fertige Analyse mit diesen Quellkennungen und prüfen Sie anschließend extrahierte Namen, Zahlen und Zitate am zugrunde liegenden Text, bevor sie in den nächsten Bericht eingehen.
POST /v1/chat/completionstexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits glm-4-long | 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 $0.00028 / 1K Token Ausgabe · Ausgabetoken $0.00028 / 1K Token Eingabe · Cache-Lesen $0 / 1K Token Eingabe · Cache-Schreiben $0 / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "glm-4-long", "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='glm-4-long',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='glm-4-long',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 glm-4-long
Verwenden Sie die oben angezeigten Methodenpfade.
glm-4-longGLM-4-Long ist Zhipu AIs Modell zum Lesen sehr langer Texte und zum Erhalten des Dokumentkontexts im Gespräch. Der dokumentierte Kontext von 1M und die maximale Ausgabe von 4K unterstützen gezielte Analysen von Berichten, Fachartikeln, Verträgen und umfangreicher Belletristik.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
GLM-4-Long ist Zhipu AIs Sprachmodell für sehr lange Texte und gedächtnisorientierte Gesprächsaufgaben. Der Hersteller nennt Textein- und -ausgabe, ein Kontextfenster von 1M und maximal 4K Ausgabetoken. Im Mittelpunkt stehen das Lesen, Übersetzen und Analysieren umfangreichen Materials sowie eine anschließende gezielte Antwort auf Grundlage des bereitgestellten Inhalts.
Liefern Sie den Dokumenttext zusammen mit der Frage, die er beantworten soll. Behalten Sie Abschnittsüberschriften, Seiten- oder Kapitelkennungen, Datumsangaben und Tabelleneinheiten bei den jeweiligen Inhalten. Ein langes Eingabefenster ist nützlich, wenn eine Antwort von Beziehungen zwischen vielen Abschnitten abhängt, etwa einem genannten Ziel, dessen Belegen und einer Ausnahme an anderer Stelle im Dokument.
Der Hersteller beschreibt eine schrittweise Erweiterung des Kontexts von 2K auf 1M durch fortgesetztes Vortraining, überwachtes Feintraining und bestärkendes Lernen aus menschlichem Feedback. Definieren Sie für praktische Aufgaben die zu untersuchende Beziehung, bevor Sie eine breite Zusammenfassung anfordern. Eine beispielhafte Anweisung lautet: „Vergleiche die vorgeschlagene Architektur mit den Implementierungsabschnitten und benenne jeden Unterschied mit seinem Quellabschnitt.“ Das Ergebnis kann ein kurzer Vergleich sein, der die ursprünglichen Belege zur Prüfung verfügbar hält.
Der Hersteller empfiehlt, Geschäftsberichte zu analysieren, Umsatzstruktur, Risikoangaben und Lageerläuterungen des Managements zu extrahieren und Finanzdaten über verschiedene Zeiträume zu vergleichen. Bereiten Sie Berichte mit ihren Berichtszeitpunkten und einheitlichen Bezeichnungen für Einheiten und Währungen vor. Fordern Sie eine Tabelle der ausgewählten Zahlen, die Passage hinter jedem Wert und eine gesonderte Erklärung der Veränderung an. So bleibt der Unterschied zwischen einer berichteten Zahl und einer Interpretation ihrer Entwicklung erhalten.
Bei wissenschaftlichem Material kann GLM-4-Long Forschungshintergrund, experimentelle Methoden und Schlussfolgerungen thematisch ordnen. Stellen Sie die vollständigen für den Vergleich nötigen Passagen bereit, einschließlich Definitionen und Einschränkungen aus anderen Kapiteln. Eine nützliche Ausgabe ist eine Übersicht über Aussagen, Methoden und stützende Abschnitte, gefolgt von Fragen, die im bereitgestellten Text offenbleiben. Halten Sie Zitate und Modellanalyse beim Erstellen einer Forschungsnotiz in getrennten Feldern.
Das Szenario des Herstellers für juristische Dokumente umfasst Gesetze, Fälle und Verträge einschließlich Rechten, Pflichten und Haftungsklauseln. Benennen Sie die Parteien und den zu vergleichenden Sachverhalt und fordern Sie die relevanten Klauseln mit Abschnittsverweisen an. Eine gezielte Extraktion kann zum Arbeitsdokument für eine spätere fachliche Prüfung werden, mit dem Originalwortlaut neben der Erläuterung.
Das Belletristik-Szenario betrifft Figurenbeziehungen, Handlungsstruktur, gezielte Zusammenfassungen und Fortsetzungen im Stil einer langen Erzählung. Geben Sie die relevanten Kapitel und den maßgeblichen Zeitpunkt in der Chronologie an. Fordern Sie beispielsweise eine Übersicht der Figurenbeziehungen mit den Ereignissen an, die jede Verbindung stützen, oder eine Fortsetzungsvorlage, die etablierte Namen und offene Handlungsstränge bewahrt.
Die dokumentierte maximale Ausgabe von 4K ist deutlich kleiner als der Eingabekontext. Wählen Sie die gewünschte Lieferung: eine Managementzusammenfassung, einen Klauselvergleich, eine Forschungsübersicht oder eine kapitelspezifische Analyse. Unterteilen Sie bei einer umfangreichen Prüfung die angeforderte Ausgabe in klar benannte Aufgaben und halten Sie das relevante Quellmaterial bei jeder Antwort.
Behalten Sie für ein fortlaufendes Dokumentgespräch die frühere Frage, die Antwort und die für die nächste Frage nötigen Passagen bei. Der Hersteller beschreibt gedächtnisorientierten Chat als Nutzung langen Kontexts; ordnen Sie diesen so, dass sich die Rückfrage auf dasselbe Dokument, denselben Berichtszeitraum oder dasselbe Kapitel bezieht. Speichern Sie die fertige Analyse mit diesen Quellkennungen und prüfen Sie anschließend extrahierte Namen, Zahlen und Zitate am zugrunde liegenden Text, bevor sie in den nächsten Bericht eingehen.
POST /v1/messagestextjson, sse| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits glm-4-long | 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 $0.00028 / 1K Token Ausgabe · Ausgabetoken $0.00028 / 1K Token Eingabe · Cache-Lesen $0 / 1K Token Eingabe · Cache-Schreiben $0 / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
{\n "model": "glm-4-long",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'glm-4-long', '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': 'glm-4-long', '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 glm-4-long
Verwenden Sie die oben angezeigten Methodenpfade.
Technisches Beispiel auf Englisch
Reconcile architecture and implementation notes\n\nCompare labeled excerpts. Architecture §2: every export job is resumable and stores its cursor after each completed page. Implementation §7: the exporter stores its cursor only when the entire job completes. Operations §4: interrupted jobs restart from page one. Return a concise discrepancy map with source references and a focused requirement for the next code review.A source-linked discrepancy table and one review requirement tied to the resumability objective.The answer connects all three excerpts and does not invent additional implementation details.