GLM-4-Plus ist das leistungsstarke Textmodell in Z.ais GLM-4-Reihe. Es verbindet Sprachverständnis, logisches Schlussfolgern, Befolgung von Anweisungen und Verarbeitung langer Texte. Der Hersteller nennt Text als Ein- und Ausgabe, ein Kontextfenster von 128K Token und maximal 4K Ausgabetoken. Eine lange Eingabe und ein kompaktes Ergebnis sind somit getrennte Bestandteile des Profils: Ein umfangreicher Dokumentbestand kann eine gezielte Zusammenfassung, einen Vergleich oder ein Extraktionsergebnis stützen.
Ein Dokumentassistent kann benannte Abschnitte und eine Frage erhalten und daraus eine kurze, auf diese Abschnitte bezogene Analyse erstellen. Definieren Sie Zielgruppe und Entscheidung, bevor Sie die Antwort anfordern: Vergleichen Sie beispielsweise zwei Verfahren, lassen Sie die für einen Fall geltenden Bedingungen auflisten oder widersprüchliche Anforderungen identifizieren. Trennen Sie Quellpassagen von Ihren Anweisungen, damit die Antwort Belege und angeforderte Analyse auseinanderhalten kann.
Die GLM-4-Beschreibung nennt Streaming, Funktionsaufrufe, Kontext-Caching, strukturierte Formate wie JSON und die Interaktion mit MCP-Werkzeugen und Datenquellen. Streaming stellt generierten Text schrittweise bereit. Strukturierte Ausgabe hilft, wenn das Ergebnis benannte Felder statt eines frei formulierten Aufsatzes enthalten soll: eine Zusammenfassung, extrahierte Kennungen, Bezeichnungen der Quellabschnitte und noch offene Fragen.
Werkzeugnutzung verbindet das Sprachmodell mit Aktionen, die die Anwendung bereitstellt. Die Anwendung beschreibt die Funktionen, führt den gewählten Aufruf aus und gibt dessen Ergebnis für den nächsten Schritt zurück. Das kann eine Abfrage mit anschließendem Bericht oder ein Suchergebnis unterstützen, das zum Beleg für eine Antwort wird. Der Modelltext ist von der Ausführung der externen Aktion zu unterscheiden. Wiederholte Anweisungen oder Dokumentpräfixe können in den Kontext-Caching-Mechanismus des Herstellers einfließen; Cache-Wiederverwendung belegt für sich genommen nicht, dass eine bestimmte Anfrage einen Cache-Treffer erzielt hat.
Übersetzung wird als mehr als das Übertragen einzelner Wörter beschrieben: Der Hersteller berücksichtigt gemischtsprachige Texte, Ton, Slang, Emojis und Fachbegriffe sowie kulturelle Unterschiede. Geben Sie die Quellpassage, die Zielgruppe und unverändert zu erhaltende Terminologie an. Fordern Sie bei der Bearbeitung eine konkrete Lieferung an – einen überarbeiteten Brief, eine Produktbeschreibung oder eine kurze Erklärung – und nennen Sie die zu bewahrenden Fakten.
Semantische Klassifikation und Feldextraktion basieren auf dem bereitgestellten Material. Definieren Sie zuerst Kategorien oder Pflichtfelder und liefern Sie dann die Dokumente. Eine Anwendung kann beispielsweise Projektkennungen und Klauselkategorien zusammen mit den zugehörigen Abschnittsbezeichnungen anfordern. Eine ausdrückliche Regel für fehlende Werte verhindert, dass das Ausgabeschema zum Anlass wird, nicht vorhandene Daten zu erfinden.
Der Hersteller beschreibt außerdem Marketingmaterial, analytische Risikoberichte und Reiseplanung. Liefern Sie für Schreibaufgaben die tatsächlichen Produkt- oder Kampagnenfakten und das gewünschte Format. Geben Sie für Analysen relevante Berichte und Vergleichskriterien an; aktuelle Informationen sollten über ein von der Anwendung bereitgestelltes Such- oder Datenwerkzeug eintreffen. Nennen Sie für einen Reiseplan Präferenzen und zeitliche Einschränkungen, damit die Ausgabe einen Plan für die beschriebene Situation liefert statt eines allgemeinen Reiseaufsatzes.
GLM-4-Plus nutzt modellgestützte synthetische Daten und PPO-basiertes Nachtraining, um mathematisches Schlussfolgern und Schlussfolgern über Code zu entwickeln und menschliche Präferenzen besser abzubilden. Für lange Texte passt die Vorbereitung die Mischung aus kurzem und langem Material an, um das Schlussfolgern über umfangreiche Eingaben zu stärken. Dies sind Vorbereitungsentscheidungen für genau dieses Plus-Modell. Sie verleihen seinem reinen Textprofil nicht das Bildverständnis einer separat benannten GLM-4V-Ausgabe.
Nutzen Sie den größeren Kontext für Material, das die Frage tatsächlich stützt, mit stabilen Abschnittsnamen und einem klaren Ausgabevertrag. Eine praktische Anfrage besteht darin, zwei Dokumente zu vergleichen, Übereinstimmungen und Konflikte aufzulisten und die Passagen hinter jeder Schlussfolgerung zu benennen. Halten Sie die abschließende Lieferung innerhalb des Ausgabeprofils von 4K: Fordern Sie eine Entscheidungsvorlage oder einen strukturierten Vergleich an und setzen Sie bei Bedarf mit einer definierten Rückfrage zur Vertiefung eines Abschnitts fort. Gültige JSON-Struktur und sachlich richtige Feldwerte sind getrennt zu prüfen.
", "aboutText": "### Überblick und Modellprofil\n\nGLM-4-Plus ist das leistungsstarke Textmodell in Z.ais GLM-4-Reihe. Es verbindet Sprachverständnis, logisches Schlussfolgern, Befolgung von Anweisungen und Verarbeitung langer Texte. Der Hersteller nennt Text als Ein- und Ausgabe, ein Kontextfenster von 128K Token und maximal 4K Ausgabetoken. Eine lange Eingabe und ein kompaktes Ergebnis sind somit getrennte Bestandteile des Profils: Ein umfangreicher Dokumentbestand kann eine gezielte Zusammenfassung, einen Vergleich oder ein Extraktionsergebnis stützen.\n\nEin Dokumentassistent kann benannte Abschnitte und eine Frage erhalten und daraus eine kurze, auf diese Abschnitte bezogene Analyse erstellen. Definieren Sie Zielgruppe und Entscheidung, bevor Sie die Antwort anfordern: Vergleichen Sie beispielsweise zwei Verfahren, lassen Sie die für einen Fall geltenden Bedingungen auflisten oder widersprüchliche Anforderungen identifizieren. Trennen Sie Quellpassagen von Ihren Anweisungen, damit die Antwort Belege und angeforderte Analyse auseinanderhalten kann.\n\n### Unterstützte Funktionen\n\nDie GLM-4-Beschreibung nennt Streaming, Funktionsaufrufe, Kontext-Caching, strukturierte Formate wie JSON und die Interaktion mit MCP-Werkzeugen und Datenquellen. Streaming stellt generierten Text schrittweise bereit. Strukturierte Ausgabe hilft, wenn das Ergebnis benannte Felder statt eines frei formulierten Aufsatzes enthalten soll: eine Zusammenfassung, extrahierte Kennungen, Bezeichnungen der Quellabschnitte und noch offene Fragen.\n\nWerkzeugnutzung verbindet das Sprachmodell mit Aktionen, die die Anwendung bereitstellt. Die Anwendung beschreibt die Funktionen, führt den gewählten Aufruf aus und gibt dessen Ergebnis für den nächsten Schritt zurück. Das kann eine Abfrage mit anschließendem Bericht oder ein Suchergebnis unterstützen, das zum Beleg für eine Antwort wird. Der Modelltext ist von der Ausführung der externen Aktion zu unterscheiden. Wiederholte Anweisungen oder Dokumentpräfixe können in den Kontext-Caching-Mechanismus des Herstellers einfließen; Cache-Wiederverwendung belegt für sich genommen nicht, dass eine bestimmte Anfrage einen Cache-Treffer erzielt hat.\n\n### Empfohlene Szenarien\n\nÜbersetzung wird als mehr als das Übertragen einzelner Wörter beschrieben: Der Hersteller berücksichtigt gemischtsprachige Texte, Ton, Slang, Emojis und Fachbegriffe sowie kulturelle Unterschiede. Geben Sie die Quellpassage, die Zielgruppe und unverändert zu erhaltende Terminologie an. Fordern Sie bei der Bearbeitung eine konkrete Lieferung an – einen überarbeiteten Brief, eine Produktbeschreibung oder eine kurze Erklärung – und nennen Sie die zu bewahrenden Fakten.\n\nSemantische Klassifikation und Feldextraktion basieren auf dem bereitgestellten Material. Definieren Sie zuerst Kategorien oder Pflichtfelder und liefern Sie dann die Dokumente. Eine Anwendung kann beispielsweise Projektkennungen und Klauselkategorien zusammen mit den zugehörigen Abschnittsbezeichnungen anfordern. Eine ausdrückliche Regel für fehlende Werte verhindert, dass das Ausgabeschema zum Anlass wird, nicht vorhandene Daten zu erfinden.\n\nDer Hersteller beschreibt außerdem Marketingmaterial, analytische Risikoberichte und Reiseplanung. Liefern Sie für Schreibaufgaben die tatsächlichen Produkt- oder Kampagnenfakten und das gewünschte Format. Geben Sie für Analysen relevante Berichte und Vergleichskriterien an; aktuelle Informationen sollten über ein von der Anwendung bereitgestelltes Such- oder Datenwerkzeug eintreffen. Nennen Sie für einen Reiseplan Präferenzen und zeitliche Einschränkungen, damit die Ausgabe einen Plan für die beschriebene Situation liefert statt eines allgemeinen Reiseaufsatzes.\n\n### Detaillierte Modellvorbereitung\n\nGLM-4-Plus nutzt modellgestützte synthetische Daten und PPO-basiertes Nachtraining, um mathematisches Schlussfolgern und Schlussfolgern über Code zu entwickeln und menschliche Präferenzen besser abzubilden. Für lange Texte passt die Vorbereitung die Mischung aus kurzem und langem Material an, um das Schlussfolgern über umfangreiche Eingaben zu stärken. Dies sind Vorbereitungsentscheidungen für genau dieses Plus-Modell. Sie verleihen seinem reinen Textprofil nicht das Bildverständnis einer separat benannten GLM-4V-Ausgabe.\n\n### Vorbereitung von Anfrage und Ausgabe\n\nNutzen Sie den größeren Kontext für Material, das die Frage tatsächlich stützt, mit stabilen Abschnittsnamen und einem klaren Ausgabevertrag. Eine praktische Anfrage besteht darin, zwei Dokumente zu vergleichen, Übereinstimmungen und Konflikte aufzulisten und die Passagen hinter jeder Schlussfolgerung zu benennen. Halten Sie die abschließende Lieferung innerhalb des Ausgabeprofils von 4K: Fordern Sie eine Entscheidungsvorlage oder einen strukturierten Vergleich an und setzen Sie bei Bedarf mit einer definierten Rückfrage zur Vertiefung eines Abschnitts fort. Gültige JSON-Struktur und sachlich richtige Feldwerte sind getrennt zu prüfen.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisches Beispiel auf Englisch
Find contradictions between two procedures\n\nCompare procedure P: approve a supplier before issuing an order; emergency orders need the same approval. Procedure Q: emergency orders may be issued immediately and reviewed the next day. Prepare a decision brief identifying the conflict, the passages involved and the exact policy question an owner must resolve before the procedures can agree.A concise conflict statement, two supporting passages and one decision question.Check that the answer exposes the approval-timing conflict without silently choosing a governing procedure.glm-4-plusGLM-4-Plus ist Z.ais Textmodell für Sprachverständnis, logische Analyse, Befolgung von Anweisungen und lange Dokumente. Sein Kontext von 128K und Ausgabeprofil von 4K eignen sich für beleggestützte Zusammenfassungen, mehrsprachige Bearbeitung, Feldextraktion und werkzeuggestützte Berichte.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
GLM-4-Plus ist das leistungsstarke Textmodell in Z.ais GLM-4-Reihe. Es verbindet Sprachverständnis, logisches Schlussfolgern, Befolgung von Anweisungen und Verarbeitung langer Texte. Der Hersteller nennt Text als Ein- und Ausgabe, ein Kontextfenster von 128K Token und maximal 4K Ausgabetoken. Eine lange Eingabe und ein kompaktes Ergebnis sind somit getrennte Bestandteile des Profils: Ein umfangreicher Dokumentbestand kann eine gezielte Zusammenfassung, einen Vergleich oder ein Extraktionsergebnis stützen.
Ein Dokumentassistent kann benannte Abschnitte und eine Frage erhalten und daraus eine kurze, auf diese Abschnitte bezogene Analyse erstellen. Definieren Sie Zielgruppe und Entscheidung, bevor Sie die Antwort anfordern: Vergleichen Sie beispielsweise zwei Verfahren, lassen Sie die für einen Fall geltenden Bedingungen auflisten oder widersprüchliche Anforderungen identifizieren. Trennen Sie Quellpassagen von Ihren Anweisungen, damit die Antwort Belege und angeforderte Analyse auseinanderhalten kann.
Die GLM-4-Beschreibung nennt Streaming, Funktionsaufrufe, Kontext-Caching, strukturierte Formate wie JSON und die Interaktion mit MCP-Werkzeugen und Datenquellen. Streaming stellt generierten Text schrittweise bereit. Strukturierte Ausgabe hilft, wenn das Ergebnis benannte Felder statt eines frei formulierten Aufsatzes enthalten soll: eine Zusammenfassung, extrahierte Kennungen, Bezeichnungen der Quellabschnitte und noch offene Fragen.
Werkzeugnutzung verbindet das Sprachmodell mit Aktionen, die die Anwendung bereitstellt. Die Anwendung beschreibt die Funktionen, führt den gewählten Aufruf aus und gibt dessen Ergebnis für den nächsten Schritt zurück. Das kann eine Abfrage mit anschließendem Bericht oder ein Suchergebnis unterstützen, das zum Beleg für eine Antwort wird. Der Modelltext ist von der Ausführung der externen Aktion zu unterscheiden. Wiederholte Anweisungen oder Dokumentpräfixe können in den Kontext-Caching-Mechanismus des Herstellers einfließen; Cache-Wiederverwendung belegt für sich genommen nicht, dass eine bestimmte Anfrage einen Cache-Treffer erzielt hat.
Übersetzung wird als mehr als das Übertragen einzelner Wörter beschrieben: Der Hersteller berücksichtigt gemischtsprachige Texte, Ton, Slang, Emojis und Fachbegriffe sowie kulturelle Unterschiede. Geben Sie die Quellpassage, die Zielgruppe und unverändert zu erhaltende Terminologie an. Fordern Sie bei der Bearbeitung eine konkrete Lieferung an – einen überarbeiteten Brief, eine Produktbeschreibung oder eine kurze Erklärung – und nennen Sie die zu bewahrenden Fakten.
Semantische Klassifikation und Feldextraktion basieren auf dem bereitgestellten Material. Definieren Sie zuerst Kategorien oder Pflichtfelder und liefern Sie dann die Dokumente. Eine Anwendung kann beispielsweise Projektkennungen und Klauselkategorien zusammen mit den zugehörigen Abschnittsbezeichnungen anfordern. Eine ausdrückliche Regel für fehlende Werte verhindert, dass das Ausgabeschema zum Anlass wird, nicht vorhandene Daten zu erfinden.
Der Hersteller beschreibt außerdem Marketingmaterial, analytische Risikoberichte und Reiseplanung. Liefern Sie für Schreibaufgaben die tatsächlichen Produkt- oder Kampagnenfakten und das gewünschte Format. Geben Sie für Analysen relevante Berichte und Vergleichskriterien an; aktuelle Informationen sollten über ein von der Anwendung bereitgestelltes Such- oder Datenwerkzeug eintreffen. Nennen Sie für einen Reiseplan Präferenzen und zeitliche Einschränkungen, damit die Ausgabe einen Plan für die beschriebene Situation liefert statt eines allgemeinen Reiseaufsatzes.
GLM-4-Plus nutzt modellgestützte synthetische Daten und PPO-basiertes Nachtraining, um mathematisches Schlussfolgern und Schlussfolgern über Code zu entwickeln und menschliche Präferenzen besser abzubilden. Für lange Texte passt die Vorbereitung die Mischung aus kurzem und langem Material an, um das Schlussfolgern über umfangreiche Eingaben zu stärken. Dies sind Vorbereitungsentscheidungen für genau dieses Plus-Modell. Sie verleihen seinem reinen Textprofil nicht das Bildverständnis einer separat benannten GLM-4V-Ausgabe.
Nutzen Sie den größeren Kontext für Material, das die Frage tatsächlich stützt, mit stabilen Abschnittsnamen und einem klaren Ausgabevertrag. Eine praktische Anfrage besteht darin, zwei Dokumente zu vergleichen, Übereinstimmungen und Konflikte aufzulisten und die Passagen hinter jeder Schlussfolgerung zu benennen. Halten Sie die abschließende Lieferung innerhalb des Ausgabeprofils von 4K: Fordern Sie eine Entscheidungsvorlage oder einen strukturierten Vergleich an und setzen Sie bei Bedarf mit einer definierten Rückfrage zur Vertiefung eines Abschnitts fort. Gültige JSON-Struktur und sachlich richtige Feldwerte sind getrennt zu prüfen.
POST /v1/chat/completionstexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits glm-4-plus | 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 $0.014 / 1K Token Ausgabe · Ausgabetoken $0.014 / 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-plus", "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-plus',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-plus',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-plus
Verwenden Sie die oben angezeigten Methodenpfade.
glm-4-plusGLM-4-Plus ist Z.ais Textmodell für Sprachverständnis, logische Analyse, Befolgung von Anweisungen und lange Dokumente. Sein Kontext von 128K und Ausgabeprofil von 4K eignen sich für beleggestützte Zusammenfassungen, mehrsprachige Bearbeitung, Feldextraktion und werkzeuggestützte Berichte.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
GLM-4-Plus ist das leistungsstarke Textmodell in Z.ais GLM-4-Reihe. Es verbindet Sprachverständnis, logisches Schlussfolgern, Befolgung von Anweisungen und Verarbeitung langer Texte. Der Hersteller nennt Text als Ein- und Ausgabe, ein Kontextfenster von 128K Token und maximal 4K Ausgabetoken. Eine lange Eingabe und ein kompaktes Ergebnis sind somit getrennte Bestandteile des Profils: Ein umfangreicher Dokumentbestand kann eine gezielte Zusammenfassung, einen Vergleich oder ein Extraktionsergebnis stützen.
Ein Dokumentassistent kann benannte Abschnitte und eine Frage erhalten und daraus eine kurze, auf diese Abschnitte bezogene Analyse erstellen. Definieren Sie Zielgruppe und Entscheidung, bevor Sie die Antwort anfordern: Vergleichen Sie beispielsweise zwei Verfahren, lassen Sie die für einen Fall geltenden Bedingungen auflisten oder widersprüchliche Anforderungen identifizieren. Trennen Sie Quellpassagen von Ihren Anweisungen, damit die Antwort Belege und angeforderte Analyse auseinanderhalten kann.
Die GLM-4-Beschreibung nennt Streaming, Funktionsaufrufe, Kontext-Caching, strukturierte Formate wie JSON und die Interaktion mit MCP-Werkzeugen und Datenquellen. Streaming stellt generierten Text schrittweise bereit. Strukturierte Ausgabe hilft, wenn das Ergebnis benannte Felder statt eines frei formulierten Aufsatzes enthalten soll: eine Zusammenfassung, extrahierte Kennungen, Bezeichnungen der Quellabschnitte und noch offene Fragen.
Werkzeugnutzung verbindet das Sprachmodell mit Aktionen, die die Anwendung bereitstellt. Die Anwendung beschreibt die Funktionen, führt den gewählten Aufruf aus und gibt dessen Ergebnis für den nächsten Schritt zurück. Das kann eine Abfrage mit anschließendem Bericht oder ein Suchergebnis unterstützen, das zum Beleg für eine Antwort wird. Der Modelltext ist von der Ausführung der externen Aktion zu unterscheiden. Wiederholte Anweisungen oder Dokumentpräfixe können in den Kontext-Caching-Mechanismus des Herstellers einfließen; Cache-Wiederverwendung belegt für sich genommen nicht, dass eine bestimmte Anfrage einen Cache-Treffer erzielt hat.
Übersetzung wird als mehr als das Übertragen einzelner Wörter beschrieben: Der Hersteller berücksichtigt gemischtsprachige Texte, Ton, Slang, Emojis und Fachbegriffe sowie kulturelle Unterschiede. Geben Sie die Quellpassage, die Zielgruppe und unverändert zu erhaltende Terminologie an. Fordern Sie bei der Bearbeitung eine konkrete Lieferung an – einen überarbeiteten Brief, eine Produktbeschreibung oder eine kurze Erklärung – und nennen Sie die zu bewahrenden Fakten.
Semantische Klassifikation und Feldextraktion basieren auf dem bereitgestellten Material. Definieren Sie zuerst Kategorien oder Pflichtfelder und liefern Sie dann die Dokumente. Eine Anwendung kann beispielsweise Projektkennungen und Klauselkategorien zusammen mit den zugehörigen Abschnittsbezeichnungen anfordern. Eine ausdrückliche Regel für fehlende Werte verhindert, dass das Ausgabeschema zum Anlass wird, nicht vorhandene Daten zu erfinden.
Der Hersteller beschreibt außerdem Marketingmaterial, analytische Risikoberichte und Reiseplanung. Liefern Sie für Schreibaufgaben die tatsächlichen Produkt- oder Kampagnenfakten und das gewünschte Format. Geben Sie für Analysen relevante Berichte und Vergleichskriterien an; aktuelle Informationen sollten über ein von der Anwendung bereitgestelltes Such- oder Datenwerkzeug eintreffen. Nennen Sie für einen Reiseplan Präferenzen und zeitliche Einschränkungen, damit die Ausgabe einen Plan für die beschriebene Situation liefert statt eines allgemeinen Reiseaufsatzes.
GLM-4-Plus nutzt modellgestützte synthetische Daten und PPO-basiertes Nachtraining, um mathematisches Schlussfolgern und Schlussfolgern über Code zu entwickeln und menschliche Präferenzen besser abzubilden. Für lange Texte passt die Vorbereitung die Mischung aus kurzem und langem Material an, um das Schlussfolgern über umfangreiche Eingaben zu stärken. Dies sind Vorbereitungsentscheidungen für genau dieses Plus-Modell. Sie verleihen seinem reinen Textprofil nicht das Bildverständnis einer separat benannten GLM-4V-Ausgabe.
Nutzen Sie den größeren Kontext für Material, das die Frage tatsächlich stützt, mit stabilen Abschnittsnamen und einem klaren Ausgabevertrag. Eine praktische Anfrage besteht darin, zwei Dokumente zu vergleichen, Übereinstimmungen und Konflikte aufzulisten und die Passagen hinter jeder Schlussfolgerung zu benennen. Halten Sie die abschließende Lieferung innerhalb des Ausgabeprofils von 4K: Fordern Sie eine Entscheidungsvorlage oder einen strukturierten Vergleich an und setzen Sie bei Bedarf mit einer definierten Rückfrage zur Vertiefung eines Abschnitts fort. Gültige JSON-Struktur und sachlich richtige Feldwerte sind getrennt zu prüfen.
POST /v1/messagestextjson, sse| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits glm-4-plus | 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 $0.014 / 1K Token Ausgabe · Ausgabetoken $0.014 / 1K Token Eingabe · Cache-Lesen $0 / 1K Token Eingabe · Cache-Schreiben $0 / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
{\n "model": "glm-4-plus",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-plus', '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-plus', '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-plus
Verwenden Sie die oben angezeigten Methodenpfade.
Technisches Beispiel auf Englisch
Find contradictions between two procedures\n\nCompare procedure P: approve a supplier before issuing an order; emergency orders need the same approval. Procedure Q: emergency orders may be issued immediately and reviewed the next day. Prepare a decision brief identifying the conflict, the passages involved and the exact policy question an owner must resolve before the procedures can agree.A concise conflict statement, two supporting passages and one decision question.Check that the answer exposes the approval-timing conflict without silently choosing a governing procedure.