Z.ai GLM 5.3 ist ein großes Textmodell mit Schlussfolgerungsfähigkeiten für komplexe Softwareentwicklung und langfristige Agentenarbeit. Laut Hersteller verwendet es dasselbe Basismodell wie GLM 5.2; die neuen Verbesserungen stammen aus dem Nachtraining. Die Veröffentlichung konzentriert sich auf stärkeres Programmieren, Terminaloperationen und umfassendere Aufgaben mit mehreren voneinander abhängigen Schritten. Das Modell nimmt Text entgegen und erzeugt Text, darunter Code, Erklärungen, Pläne und Anfragen für Werkzeugaufrufe in einer an Werkzeuge angebundenen Anwendung.
Der dokumentierte Denkmodus ist immer aktiv. GLM 5.3 bietet drei Aufwandsstufen: low, high und max, wobei max der Standard ist. Der Hersteller empfiehlt max für komplexe Programmierarbeit; low bietet eine weniger aufwendige Denkoption für einfachere Schritte. Verbinden Sie die ausgewählte Stufe mit einem klaren Endergebnis und Abschlusskriterien. Zum Beispiel: „Untersuche diese Dateien und fehlgeschlagenen Ergebnisse, verfolge die Ursache durch die betroffenen Module, schlage eine Korrektur vor, die die öffentliche Schnittstelle erhält, und erkläre, welche Prüfungen belegen, dass die Regression behoben ist.“
Der Hersteller nennt ein Kontextfenster von 1M Tokens und eine maximale Ausgabelänge von 128K Tokens. Ordnen Sie umfangreiches Material um den Zusammenhang herum an, den das Modell untersuchen muss. Erhalten Sie Dateinamen, relevante Definitionen, Quellenbeschriftungen und die Reihenfolge der Beobachtungen und lassen Sie innerhalb des geltenden Arbeitskontexts Platz für den Gedankengang und die abschließende Antwort. Ein großes Fenster ist für Abhängigkeiten zwischen Modulen oder eine lange Folge von Agentenbeobachtungen nützlich; es macht ein ungeordnetes Archiv sachfremden Materials nicht zu einer klar definierten Aufgabe.
Stellen Sie bei Repository-Arbeit das erwartete Verhalten, den relevanten Quelltext, Abhängigkeitsversionen und die tatsächliche Fehlerausgabe bereit. Bitten Sie das Modell, das betroffene Verhalten zu benennen, bevor es einen Patch vorschlägt. Nennen Sie bei einer Umstrukturierung die Schnittstelle und Invarianten, die erhalten bleiben müssen. Eine brauchbare Antwort enthält den überarbeiteten Code, die Erklärung, warum die Änderung das beobachtete Problem behebt, und die Fälle, die zur Prüfung des Ergebnisses nötig sind. Speisen Sie tatsächliche Ergebnisse wieder in den werkzeuggestützten Ablauf ein, damit der nächste Schritt vom veränderten Zustand statt vom früheren Vorschlag ausgeht.
Stellen Sie bei Leistungsoptimierungen eine Arbeitslast, eine Ausgangsbasis und Messungen wie Laufzeiten, Profile oder Speicherbelegungsprotokolle bereit. Z.ai beschreibt Trainingsaufgaben zur Engpassdiagnose, Optimierung, zu Experimenten und zu Ergebnissen, die die Korrektheit erhalten. Eine praktische Anfrage lautet: „Nutze dieses Profil, um den folgenreichsten Engpass zu identifizieren, schlage eine messbare Änderung vor und erkläre, welches Ergebnis ihre Beibehaltung rechtfertigen würde.“ Unterscheiden Sie eine Leistungshypothese von einer protokollierten Verbesserung. Behalten Sie bei der Ergebnisprüfung dieselbe Arbeitslast und die relevanten Bedingungen bei.
Die Veröffentlichung erweitert außerdem die Fähigkeiten zur Schwachstellenanalyse. Stellen Sie für eine defensive Quellcodeprüfung den relevanten Code, seine vorgesehenen Vertrauensgrenzen und die Ausführungsbedingungen bereit. Fordern Sie einen Befund an, der ein vermutetes Problem mit der betroffenen Eingabe, dem Verhalten und einer gezielten Behebung verknüpft. Trennen Sie eine mögliche Schwäche von einem reproduzierten Fehler und bewahren Sie die zur Validierung verwendete Beobachtung auf. Ein Bericht ist nützlicher, wenn er konkrete Belege und vorgeschlagene Korrekturen priorisiert, statt jedes verdächtige Muster als bestätigte Schwachstelle zu behandeln.
Funktionsaufrufe ermöglichen einer umgebenden Anwendung, dem Modell externe Vorgänge bereitzustellen. Definieren Sie Zweck, Argumente und erwartetes Ergebnis jedes Werkzeugs und geben Sie anschließend die tatsächliche Werkzeugbeobachtung für den nächsten Schritt zurück. Das Modell kann dieses Ergebnis durchdenken und entscheiden, wie es die Aufgabe verändert. Halten Sie vorgeschlagene Handlungen, ausgeführte Vorgänge und ungeklärte Prüfungen unterscheidbar. Der Hersteller dokumentiert außerdem Streaming-Antworten, die Fragmente des Gedankengangs und der Antwort getrennt zurückgeben; setzen Sie die vollständige Antwort zusammen, bevor Sie sie als Abschlussbericht oder Codeerklärung behandeln.
Die lokale Modellkarte enthält ein konkretes Detail zur Verlaufseinstellung: Ihre Chat-Vorlage behält Gedankengänge standardmäßig bei, während der Hersteller für gewöhnliche Chatszenarien empfiehlt, alte Gedankengänge ausdrücklich zu löschen. Wenden Sie die für den Anwendungsfall passende Gesprächsstruktur an und bewahren Sie die tatsächlich abgeschlossenen Antworten und Werkzeugergebnisse auf, die für die Fortsetzung nötig sind. Behandeln Sie Einstellungen zur Denksteuerung aus GLM 5.2 oder den eigenständigen GLM-5.3-Flash-Ausgaben nicht als austauschbar mit den low/high/max-Steuerungen dieses Modells.
Geben Sie für strukturierte Ergebnisse die erwarteten Felder, Typen und Quellenregeln an. Ein brauchbares Arbeitsergebnis kann eine Fehlertabelle, ein Änderungsplan oder ein JSON-Objekt mit zusammengefassten Beobachtungen sein. Validieren Sie sowohl die Struktur als auch die Werte, bevor eine Anwendung sie verwendet. Das Endergebnis sollte die Antwort oder das überarbeitete Arbeitsergebnis, die stützenden Belege und die verbleibenden Annahmen benennen. Mehr Denkaufwand belegt weder, dass ein Werkzeug ausgeführt wurde, noch dass ein vorgeschlagener Patch seine Prüfungen bestanden hat oder eine Tatsachenbehauptung über das bereitgestellte Material hinaus belegt ist.
", "aboutText": "Z.ai GLM 5.3 ist ein großes Textmodell mit Schlussfolgerungsfähigkeiten für komplexe Softwareentwicklung und langfristige Agentenarbeit. Laut Hersteller verwendet es dasselbe Basismodell wie GLM 5.2; die neuen Verbesserungen stammen aus dem Nachtraining. Die Veröffentlichung konzentriert sich auf stärkeres Programmieren, Terminaloperationen und umfassendere Aufgaben mit mehreren voneinander abhängigen Schritten. Das Modell nimmt Text entgegen und erzeugt Text, darunter Code, Erklärungen, Pläne und Anfragen für Werkzeugaufrufe in einer an Werkzeuge angebundenen Anwendung.\n\nDer dokumentierte Denkmodus ist immer aktiv. GLM 5.3 bietet drei Aufwandsstufen: low, high und max, wobei max der Standard ist. Der Hersteller empfiehlt max für komplexe Programmierarbeit; low bietet eine weniger aufwendige Denkoption für einfachere Schritte. Verbinden Sie die ausgewählte Stufe mit einem klaren Endergebnis und Abschlusskriterien. Zum Beispiel: „Untersuche diese Dateien und fehlgeschlagenen Ergebnisse, verfolge die Ursache durch die betroffenen Module, schlage eine Korrektur vor, die die öffentliche Schnittstelle erhält, und erkläre, welche Prüfungen belegen, dass die Regression behoben ist.“\n\nDer Hersteller nennt ein Kontextfenster von 1M Tokens und eine maximale Ausgabelänge von 128K Tokens. Ordnen Sie umfangreiches Material um den Zusammenhang herum an, den das Modell untersuchen muss. Erhalten Sie Dateinamen, relevante Definitionen, Quellenbeschriftungen und die Reihenfolge der Beobachtungen und lassen Sie innerhalb des geltenden Arbeitskontexts Platz für den Gedankengang und die abschließende Antwort. Ein großes Fenster ist für Abhängigkeiten zwischen Modulen oder eine lange Folge von Agentenbeobachtungen nützlich; es macht ein ungeordnetes Archiv sachfremden Materials nicht zu einer klar definierten Aufgabe.\n\nStellen Sie bei Repository-Arbeit das erwartete Verhalten, den relevanten Quelltext, Abhängigkeitsversionen und die tatsächliche Fehlerausgabe bereit. Bitten Sie das Modell, das betroffene Verhalten zu benennen, bevor es einen Patch vorschlägt. Nennen Sie bei einer Umstrukturierung die Schnittstelle und Invarianten, die erhalten bleiben müssen. Eine brauchbare Antwort enthält den überarbeiteten Code, die Erklärung, warum die Änderung das beobachtete Problem behebt, und die Fälle, die zur Prüfung des Ergebnisses nötig sind. Speisen Sie tatsächliche Ergebnisse wieder in den werkzeuggestützten Ablauf ein, damit der nächste Schritt vom veränderten Zustand statt vom früheren Vorschlag ausgeht.\n\nStellen Sie bei Leistungsoptimierungen eine Arbeitslast, eine Ausgangsbasis und Messungen wie Laufzeiten, Profile oder Speicherbelegungsprotokolle bereit. Z.ai beschreibt Trainingsaufgaben zur Engpassdiagnose, Optimierung, zu Experimenten und zu Ergebnissen, die die Korrektheit erhalten. Eine praktische Anfrage lautet: „Nutze dieses Profil, um den folgenreichsten Engpass zu identifizieren, schlage eine messbare Änderung vor und erkläre, welches Ergebnis ihre Beibehaltung rechtfertigen würde.“ Unterscheiden Sie eine Leistungshypothese von einer protokollierten Verbesserung. Behalten Sie bei der Ergebnisprüfung dieselbe Arbeitslast und die relevanten Bedingungen bei.\n\nDie Veröffentlichung erweitert außerdem die Fähigkeiten zur Schwachstellenanalyse. Stellen Sie für eine defensive Quellcodeprüfung den relevanten Code, seine vorgesehenen Vertrauensgrenzen und die Ausführungsbedingungen bereit. Fordern Sie einen Befund an, der ein vermutetes Problem mit der betroffenen Eingabe, dem Verhalten und einer gezielten Behebung verknüpft. Trennen Sie eine mögliche Schwäche von einem reproduzierten Fehler und bewahren Sie die zur Validierung verwendete Beobachtung auf. Ein Bericht ist nützlicher, wenn er konkrete Belege und vorgeschlagene Korrekturen priorisiert, statt jedes verdächtige Muster als bestätigte Schwachstelle zu behandeln.\n\nFunktionsaufrufe ermöglichen einer umgebenden Anwendung, dem Modell externe Vorgänge bereitzustellen. Definieren Sie Zweck, Argumente und erwartetes Ergebnis jedes Werkzeugs und geben Sie anschließend die tatsächliche Werkzeugbeobachtung für den nächsten Schritt zurück. Das Modell kann dieses Ergebnis durchdenken und entscheiden, wie es die Aufgabe verändert. Halten Sie vorgeschlagene Handlungen, ausgeführte Vorgänge und ungeklärte Prüfungen unterscheidbar. Der Hersteller dokumentiert außerdem Streaming-Antworten, die Fragmente des Gedankengangs und der Antwort getrennt zurückgeben; setzen Sie die vollständige Antwort zusammen, bevor Sie sie als Abschlussbericht oder Codeerklärung behandeln.\n\nDie lokale Modellkarte enthält ein konkretes Detail zur Verlaufseinstellung: Ihre Chat-Vorlage behält Gedankengänge standardmäßig bei, während der Hersteller für gewöhnliche Chatszenarien empfiehlt, alte Gedankengänge ausdrücklich zu löschen. Wenden Sie die für den Anwendungsfall passende Gesprächsstruktur an und bewahren Sie die tatsächlich abgeschlossenen Antworten und Werkzeugergebnisse auf, die für die Fortsetzung nötig sind. Behandeln Sie Einstellungen zur Denksteuerung aus GLM 5.2 oder den eigenständigen GLM-5.3-Flash-Ausgaben nicht als austauschbar mit den low/high/max-Steuerungen dieses Modells.\n\nGeben Sie für strukturierte Ergebnisse die erwarteten Felder, Typen und Quellenregeln an. Ein brauchbares Arbeitsergebnis kann eine Fehlertabelle, ein Änderungsplan oder ein JSON-Objekt mit zusammengefassten Beobachtungen sein. Validieren Sie sowohl die Struktur als auch die Werte, bevor eine Anwendung sie verwendet. Das Endergebnis sollte die Antwort oder das überarbeitete Arbeitsergebnis, die stützenden Belege und die verbleibenden Annahmen benennen. Mehr Denkaufwand belegt weder, dass ein Werkzeug ausgeführt wurde, noch dass ein vorgeschlagener Patch seine Prüfungen bestanden hat oder eine Tatsachenbehauptung über das bereitgestellte Material hinaus belegt ist.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisches Beispiel auf Englisch
Target a measured bottleneck\n\nProfile P1 for one import: parsing 0.4 s, per-row database lookups 8.1 s, writing 0.8 s. The import handles 10,000 rows, including repeated customer IDs. Propose one correctness-preserving optimization, describe what lookup behavior must remain identical and define a same-workload check before claiming an improvement.A bottleneck hypothesis, one proposed change and a correctness plus timing comparison plan.The proposal must use P1 without inventing an observed speedup or losing missing-customer behavior.glm-5.3Z.ai GLM 5.3 ist ein Textmodell mit Schlussfolgerungsfähigkeiten 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; der Denkmodus ist durchgehend aktiv.
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 Schlussfolgerungsfähigkeiten für komplexe Softwareentwicklung und langfristige Agentenarbeit. Laut Hersteller verwendet es dasselbe Basismodell wie GLM 5.2; die neuen Verbesserungen stammen aus dem Nachtraining. Die Veröffentlichung konzentriert sich auf stärkeres Programmieren, Terminaloperationen und umfassendere Aufgaben mit mehreren voneinander abhängigen Schritten. Das Modell nimmt Text entgegen und erzeugt Text, darunter Code, Erklärungen, Pläne und Anfragen für Werkzeugaufrufe in einer an Werkzeuge angebundenen Anwendung.
Der dokumentierte Denkmodus ist immer aktiv. GLM 5.3 bietet drei Aufwandsstufen: low, high und max, wobei max der Standard ist. Der Hersteller empfiehlt max für komplexe Programmierarbeit; low bietet eine weniger aufwendige Denkoption für einfachere Schritte. Verbinden Sie die ausgewählte Stufe mit einem klaren Endergebnis und Abschlusskriterien. Zum Beispiel: „Untersuche diese Dateien und fehlgeschlagenen Ergebnisse, verfolge die Ursache durch die betroffenen Module, schlage eine Korrektur vor, die die öffentliche Schnittstelle erhält, und erkläre, welche Prüfungen belegen, dass die Regression behoben ist.“
Der Hersteller nennt ein Kontextfenster von 1M Tokens und eine maximale Ausgabelänge von 128K Tokens. Ordnen Sie umfangreiches Material um den Zusammenhang herum an, den das Modell untersuchen muss. Erhalten Sie Dateinamen, relevante Definitionen, Quellenbeschriftungen und die Reihenfolge der Beobachtungen und lassen Sie innerhalb des geltenden Arbeitskontexts Platz für den Gedankengang und die abschließende Antwort. Ein großes Fenster ist für Abhängigkeiten zwischen Modulen oder eine lange Folge von Agentenbeobachtungen nützlich; es macht ein ungeordnetes Archiv sachfremden Materials nicht zu einer klar definierten Aufgabe.
Stellen Sie bei Repository-Arbeit das erwartete Verhalten, den relevanten Quelltext, Abhängigkeitsversionen und die tatsächliche Fehlerausgabe bereit. Bitten Sie das Modell, das betroffene Verhalten zu benennen, bevor es einen Patch vorschlägt. Nennen Sie bei einer Umstrukturierung die Schnittstelle und Invarianten, die erhalten bleiben müssen. Eine brauchbare Antwort enthält den überarbeiteten Code, die Erklärung, warum die Änderung das beobachtete Problem behebt, und die Fälle, die zur Prüfung des Ergebnisses nötig sind. Speisen Sie tatsächliche Ergebnisse wieder in den werkzeuggestützten Ablauf ein, damit der nächste Schritt vom veränderten Zustand statt vom früheren Vorschlag ausgeht.
Stellen Sie bei Leistungsoptimierungen eine Arbeitslast, eine Ausgangsbasis und Messungen wie Laufzeiten, Profile oder Speicherbelegungsprotokolle bereit. Z.ai beschreibt Trainingsaufgaben zur Engpassdiagnose, Optimierung, zu Experimenten und zu Ergebnissen, die die Korrektheit erhalten. Eine praktische Anfrage lautet: „Nutze dieses Profil, um den folgenreichsten Engpass zu identifizieren, schlage eine messbare Änderung vor und erkläre, welches Ergebnis ihre Beibehaltung rechtfertigen würde.“ Unterscheiden Sie eine Leistungshypothese von einer protokollierten Verbesserung. Behalten Sie bei der Ergebnisprüfung dieselbe Arbeitslast und die relevanten Bedingungen bei.
Die Veröffentlichung erweitert außerdem die Fähigkeiten zur Schwachstellenanalyse. Stellen Sie für eine defensive Quellcodeprüfung den relevanten Code, seine vorgesehenen Vertrauensgrenzen und die Ausführungsbedingungen bereit. Fordern Sie einen Befund an, der ein vermutetes Problem mit der betroffenen Eingabe, dem Verhalten und einer gezielten Behebung verknüpft. Trennen Sie eine mögliche Schwäche von einem reproduzierten Fehler und bewahren Sie die zur Validierung verwendete Beobachtung auf. Ein Bericht ist nützlicher, wenn er konkrete Belege und vorgeschlagene Korrekturen priorisiert, statt jedes verdächtige Muster als bestätigte Schwachstelle zu behandeln.
Funktionsaufrufe ermöglichen einer umgebenden Anwendung, dem Modell externe Vorgänge bereitzustellen. Definieren Sie Zweck, Argumente und erwartetes Ergebnis jedes Werkzeugs und geben Sie anschließend die tatsächliche Werkzeugbeobachtung für den nächsten Schritt zurück. Das Modell kann dieses Ergebnis durchdenken und entscheiden, wie es die Aufgabe verändert. Halten Sie vorgeschlagene Handlungen, ausgeführte Vorgänge und ungeklärte Prüfungen unterscheidbar. Der Hersteller dokumentiert außerdem Streaming-Antworten, die Fragmente des Gedankengangs und der Antwort getrennt zurückgeben; setzen Sie die vollständige Antwort zusammen, bevor Sie sie als Abschlussbericht oder Codeerklärung behandeln.
Die lokale Modellkarte enthält ein konkretes Detail zur Verlaufseinstellung: Ihre Chat-Vorlage behält Gedankengänge standardmäßig bei, während der Hersteller für gewöhnliche Chatszenarien empfiehlt, alte Gedankengänge ausdrücklich zu löschen. Wenden Sie die für den Anwendungsfall passende Gesprächsstruktur an und bewahren Sie die tatsächlich abgeschlossenen Antworten und Werkzeugergebnisse auf, die für die Fortsetzung nötig sind. Behandeln Sie Einstellungen zur Denksteuerung aus GLM 5.2 oder den eigenständigen GLM-5.3-Flash-Ausgaben nicht als austauschbar mit den low/high/max-Steuerungen dieses Modells.
Geben Sie für strukturierte Ergebnisse die erwarteten Felder, Typen und Quellenregeln an. Ein brauchbares Arbeitsergebnis kann eine Fehlertabelle, ein Änderungsplan oder ein JSON-Objekt mit zusammengefassten Beobachtungen sein. Validieren Sie sowohl die Struktur als auch die Werte, bevor eine Anwendung sie verwendet. Das Endergebnis sollte die Antwort oder das überarbeitete Arbeitsergebnis, die stützenden Belege und die verbleibenden Annahmen benennen. Mehr Denkaufwand belegt weder, dass ein Werkzeug ausgeführt wurde, noch dass ein vorgeschlagener Patch seine Prüfungen bestanden hat oder eine Tatsachenbehauptung über das bereitgestellte Material hinaus belegt ist.
POST /v1/messagestexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits glm-5.3 | Standard— |
Feldmessages | Typmessage[] | AnforderungErforderlich | Werte und Limits Mindestanzahl Elemente: 1 | Standard— |
Feldmessages[].role | Typstring | AnforderungErforderlich | Werte und Limits user, assistant | Standard— |
Feldmessages[].content | Typstring|content_block[] | AnforderungErforderlich | Werte und Limits | Standard— |
Feldsystem | Typstring|content_block[] | AnforderungOptional | Werte und Limits | Standard— |
Feldmax_tokens | Typinteger | AnforderungErforderlich | Werte und Limits Minimum: 1 Limit gilt für: Genaue Obergrenze des ausgewählten Modells bzw. seiner Modellkarte | Standard— |
Feldstream | Typboolean | AnforderungOptional | Werte und Limits | Standardfalse |
Feldtemperature | Typnumber | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtop_p | Typnumber | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldstop_sequences | Typstring[] | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtools | Typtool[] | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtools[].name | Typstring | AnforderungOptional | Werte und Limits Gilt, wenn: Werkzeug bereitgestellt | Standard— |
Feldtools[].description | Typstring | AnforderungOptional | Werte und Limits | Standard— |
Feldtools[].input_schema | TypJSON_schema | AnforderungOptional | Werte und Limits | Standard— |
Feldtool_choice | Typobject | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldthinking.type | Typstring | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldthinking.budget_tokens | Typinteger | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldoutput_config.effort | Typstring | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldmetadata | Typobject | AnforderungOptional | Werte und Limits | Standard— |
Feldcache_control | Typobject | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Text · UTF8-Text
messages[].content oder Block mit type=text
| Parameter | Vertrag |
|---|---|
Parametermaterial_types | Vertragtext |
Parameterrequired | Vertragmodel, messages, max_tokens |
Parameteroptional_controls | Vertragnull |
Parametercontent_type | Vertragapplication/json |
Parametertext_file_material | VertragTatsächlicher UTF-8-Inhalt wird als Text eingefügt; Datei-IDs/URLs müssen separat und exakt unterstützt werden |
Lebenszyklus: exact retained published method
Methodenstrukturen und IDs sind exakt; die Fähigkeiten des Anbieters sind von der Zulassung einer Anfrage zu unterscheiden.
POST /v1/messagesAiloot 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 →
Referenztarifstaffeln auf Modellebene ändern weder Methodenauswahl noch Kostenvoranschläge oder Gebühren. Für die aktive Abrechnung gelten die Tarife der ausgewählten Ailoot-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 |
|---|---|---|---|---|
| KonfigurationOpenAI Chat · Token-Basispreise | TarifstaffelGrundtarif | Kontexttoken, mehr als— | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.0028 / 1K Token Ausgabe · Ausgabetoken $0.0088 / 1K Token Eingabe · Cache-Lesen $0.00052 / 1K Token Eingabe · Cache-Schreiben — / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
| KonfigurationOpenAI Chat · Stufe 1 nach Anfragelänge | Tarifstaffel— | Kontexttoken, mehr als0 | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.0028 / 1K Token Ausgabe · Ausgabetoken $0.0088 / 1K Token Eingabe · Cache-Lesen $0.00052 / 1K Token Eingabe · Cache-Schreiben — / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
| KonfigurationAnthropic Messages · Token-Basispreise | TarifstaffelGrundtarif | Kontexttoken, mehr als— | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.0028 / 1K Token Ausgabe · Ausgabetoken $0.0088 / 1K Token Eingabe · Cache-Lesen $0.00052 / 1K Token Eingabe · Cache-Schreiben — / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
| KonfigurationAnthropic Messages · Stufe 1 nach Anfragelänge | Tarifstaffel— | Kontexttoken, mehr als0 | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.0028 / 1K Token Ausgabe · Ausgabetoken $0.0088 / 1K Token Eingabe · Cache-Lesen $0.00052 / 1K Token Eingabe · Cache-Schreiben — / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 source-material file}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "glm-5.3", "max_tokens": 1024, "messages": []}')\nf=Path(os.environ["AILOOT_TEXT_FILE"])\nif not f.is_file():raise SystemExit("Choose your actual UTF-8 source material")\ntext=f.read_text(encoding="utf-8")\nif not text.strip():raise SystemExit("Source material must contain text")\np["messages"]=[{"role":"user","content":"Summarize this material and quote supporting source passages.\\n\\n"+text}]\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/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\nprint(json.dumps(json.loads(Path("result.json").read_text()),ensure_ascii=False,indent=2))\nPY_RESULT\nimport anthropic\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient = anthropic.Anthropic(base_url="https://api.ailoot.ai", api_key=os.environ["AILOOT_API_KEY"], max_retries=0)\nmsg = client.messages.create(\n model="glm-5.3",\n max_tokens=1024,\n messages=[{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}],\n)\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(msg.to_dict(mode="json"))\nimport Anthropic from "@anthropic-ai/sdk";\n\nif (!process.env.AILOOT_API_KEY?.trim()) throw new Error("Set AILOOT_API_KEY before making a request");\nconst client = new Anthropic({ baseURL: "https://api.ailoot.ai", apiKey: process.env.AILOOT_API_KEY, maxRetries: 0 });\nconst msg = await client.messages.create({\n model: "glm-5.3",\n max_tokens: 1024,\n messages: [{ role: "user", content: "Explain the difference between an observation and a hypothesis in three sentences." }],\n});\nimport { writeFileSync } from "node:fs";\n\nfunction saveResult(data, stem = "result") {\n writeFileSync(stem + ".json", JSON.stringify(data, null, 2));\n console.log(JSON.stringify(data, null, 2));\n const saveBlob = (encoded, suffix, label) => {\n const raw = Buffer.from(encoded, "base64");\n const ext = raw.subarray(0,8).equals(Buffer.from([137,80,78,71,13,10,26,10])) ? "png" : raw[0]===255 && raw[1]===216 ? "jpg" : raw.subarray(0,4).toString()==="RIFF" && raw.subarray(8,12).toString()==="WEBP" ? "webp" : suffix;\n const file = `${stem}-${label}.${ext}`;\n writeFileSync(file, raw); console.log("Saved", file);\n };\n for (const [i, block] of (data.content || []).entries()) console.log("Content", i, JSON.stringify(block));\n for (const choice of data.choices || []) console.log("Choice", choice.index, JSON.stringify(choice.message || choice.delta || {}));\n for (const [i, item] of (data.output || []).entries()) {\n console.log("Output", i, JSON.stringify(item));\n if (item.type === "image_generation_call" && item.result) saveBlob(item.result, item.output_format || "bin", `output-${i}`);\n }\n for (const [ci, candidate] of (data.candidates || []).entries()) {\n for (const [pi, part] of (candidate.content?.parts || []).entries()) {\n console.log("Candidate/part", ci, pi, JSON.stringify(part));\n const blob = part.inlineData || part.inline_data;\n if (blob?.data) {\n const mime = blob.mimeType || blob.mime_type;\n const suffix = ({"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"})[mime] || "bin";\n saveBlob(blob.data, suffix, `candidate-${ci}-part-${pi}`);\n }\n }\n }\n}\n\nsaveResult(msg);\nimport anthropic,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=anthropic.Anthropic(base_url="https://api.ailoot.ai",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.messages.stream(model='glm-5.3',max_tokens=1024,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_message()\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 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 glm-5.3, glm, glm-5, glm-5.1, glm-5.2, glm-latest
Ailoot Ultra glm-5.3, z-ai/glm-5.3, ~z-ai/glm-latest
/chat/completions
z-ai/glm-5.3, glm, glm-5, glm-5.1, glm-5.2, glm-latest, ~z-ai/glm-latest, glm-5.3, glm-5.3
glm-5.3Z.ai GLM 5.3 ist ein Textmodell mit Schlussfolgerungsfähigkeiten 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; der Denkmodus ist durchgehend aktiv.
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 Schlussfolgerungsfähigkeiten für komplexe Softwareentwicklung und langfristige Agentenarbeit. Laut Hersteller verwendet es dasselbe Basismodell wie GLM 5.2; die neuen Verbesserungen stammen aus dem Nachtraining. Die Veröffentlichung konzentriert sich auf stärkeres Programmieren, Terminaloperationen und umfassendere Aufgaben mit mehreren voneinander abhängigen Schritten. Das Modell nimmt Text entgegen und erzeugt Text, darunter Code, Erklärungen, Pläne und Anfragen für Werkzeugaufrufe in einer an Werkzeuge angebundenen Anwendung.
Der dokumentierte Denkmodus ist immer aktiv. GLM 5.3 bietet drei Aufwandsstufen: low, high und max, wobei max der Standard ist. Der Hersteller empfiehlt max für komplexe Programmierarbeit; low bietet eine weniger aufwendige Denkoption für einfachere Schritte. Verbinden Sie die ausgewählte Stufe mit einem klaren Endergebnis und Abschlusskriterien. Zum Beispiel: „Untersuche diese Dateien und fehlgeschlagenen Ergebnisse, verfolge die Ursache durch die betroffenen Module, schlage eine Korrektur vor, die die öffentliche Schnittstelle erhält, und erkläre, welche Prüfungen belegen, dass die Regression behoben ist.“
Der Hersteller nennt ein Kontextfenster von 1M Tokens und eine maximale Ausgabelänge von 128K Tokens. Ordnen Sie umfangreiches Material um den Zusammenhang herum an, den das Modell untersuchen muss. Erhalten Sie Dateinamen, relevante Definitionen, Quellenbeschriftungen und die Reihenfolge der Beobachtungen und lassen Sie innerhalb des geltenden Arbeitskontexts Platz für den Gedankengang und die abschließende Antwort. Ein großes Fenster ist für Abhängigkeiten zwischen Modulen oder eine lange Folge von Agentenbeobachtungen nützlich; es macht ein ungeordnetes Archiv sachfremden Materials nicht zu einer klar definierten Aufgabe.
Stellen Sie bei Repository-Arbeit das erwartete Verhalten, den relevanten Quelltext, Abhängigkeitsversionen und die tatsächliche Fehlerausgabe bereit. Bitten Sie das Modell, das betroffene Verhalten zu benennen, bevor es einen Patch vorschlägt. Nennen Sie bei einer Umstrukturierung die Schnittstelle und Invarianten, die erhalten bleiben müssen. Eine brauchbare Antwort enthält den überarbeiteten Code, die Erklärung, warum die Änderung das beobachtete Problem behebt, und die Fälle, die zur Prüfung des Ergebnisses nötig sind. Speisen Sie tatsächliche Ergebnisse wieder in den werkzeuggestützten Ablauf ein, damit der nächste Schritt vom veränderten Zustand statt vom früheren Vorschlag ausgeht.
Stellen Sie bei Leistungsoptimierungen eine Arbeitslast, eine Ausgangsbasis und Messungen wie Laufzeiten, Profile oder Speicherbelegungsprotokolle bereit. Z.ai beschreibt Trainingsaufgaben zur Engpassdiagnose, Optimierung, zu Experimenten und zu Ergebnissen, die die Korrektheit erhalten. Eine praktische Anfrage lautet: „Nutze dieses Profil, um den folgenreichsten Engpass zu identifizieren, schlage eine messbare Änderung vor und erkläre, welches Ergebnis ihre Beibehaltung rechtfertigen würde.“ Unterscheiden Sie eine Leistungshypothese von einer protokollierten Verbesserung. Behalten Sie bei der Ergebnisprüfung dieselbe Arbeitslast und die relevanten Bedingungen bei.
Die Veröffentlichung erweitert außerdem die Fähigkeiten zur Schwachstellenanalyse. Stellen Sie für eine defensive Quellcodeprüfung den relevanten Code, seine vorgesehenen Vertrauensgrenzen und die Ausführungsbedingungen bereit. Fordern Sie einen Befund an, der ein vermutetes Problem mit der betroffenen Eingabe, dem Verhalten und einer gezielten Behebung verknüpft. Trennen Sie eine mögliche Schwäche von einem reproduzierten Fehler und bewahren Sie die zur Validierung verwendete Beobachtung auf. Ein Bericht ist nützlicher, wenn er konkrete Belege und vorgeschlagene Korrekturen priorisiert, statt jedes verdächtige Muster als bestätigte Schwachstelle zu behandeln.
Funktionsaufrufe ermöglichen einer umgebenden Anwendung, dem Modell externe Vorgänge bereitzustellen. Definieren Sie Zweck, Argumente und erwartetes Ergebnis jedes Werkzeugs und geben Sie anschließend die tatsächliche Werkzeugbeobachtung für den nächsten Schritt zurück. Das Modell kann dieses Ergebnis durchdenken und entscheiden, wie es die Aufgabe verändert. Halten Sie vorgeschlagene Handlungen, ausgeführte Vorgänge und ungeklärte Prüfungen unterscheidbar. Der Hersteller dokumentiert außerdem Streaming-Antworten, die Fragmente des Gedankengangs und der Antwort getrennt zurückgeben; setzen Sie die vollständige Antwort zusammen, bevor Sie sie als Abschlussbericht oder Codeerklärung behandeln.
Die lokale Modellkarte enthält ein konkretes Detail zur Verlaufseinstellung: Ihre Chat-Vorlage behält Gedankengänge standardmäßig bei, während der Hersteller für gewöhnliche Chatszenarien empfiehlt, alte Gedankengänge ausdrücklich zu löschen. Wenden Sie die für den Anwendungsfall passende Gesprächsstruktur an und bewahren Sie die tatsächlich abgeschlossenen Antworten und Werkzeugergebnisse auf, die für die Fortsetzung nötig sind. Behandeln Sie Einstellungen zur Denksteuerung aus GLM 5.2 oder den eigenständigen GLM-5.3-Flash-Ausgaben nicht als austauschbar mit den low/high/max-Steuerungen dieses Modells.
Geben Sie für strukturierte Ergebnisse die erwarteten Felder, Typen und Quellenregeln an. Ein brauchbares Arbeitsergebnis kann eine Fehlertabelle, ein Änderungsplan oder ein JSON-Objekt mit zusammengefassten Beobachtungen sein. Validieren Sie sowohl die Struktur als auch die Werte, bevor eine Anwendung sie verwendet. Das Endergebnis sollte die Antwort oder das überarbeitete Arbeitsergebnis, die stützenden Belege und die verbleibenden Annahmen benennen. Mehr Denkaufwand belegt weder, dass ein Werkzeug ausgeführt wurde, noch dass ein vorgeschlagener Patch seine Prüfungen bestanden hat oder eine Tatsachenbehauptung über das bereitgestellte Material hinaus belegt ist.
POST /v1/responsestexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits glm-5.3 | Standard— |
Feldinput | Typstring|input_item[] | AnforderungErforderlich | Werte und Limits | Standard— |
Feldinstructions | Typstring | AnforderungOptional | Werte und Limits | Standard— |
Feldinput[].type | Typstring | AnforderungOptional | Werte und Limits message, reasoning, function_call, function_call_output | Standard— |
Feldinput[].content | Typstring|content_part[] | AnforderungOptional | Werte und Limits | Standard— |
Feldinput[].call_id | Typstring | AnforderungOptional | Werte und Limits Gilt, wenn: function_call_output; den tatsächlich zurückgegebenen Wert von call_id beibehalten | Standard— |
Feldinput[].output | Typstring|content_part[] | AnforderungOptional | Werte und Limits Gilt, wenn: function_call_output | Standard— |
Feldmax_output_tokens | Typinteger | AnforderungOptional | Werte und Limits Minimum: 1 Modellabhängig | Standard— |
Feldstream | Typboolean | AnforderungOptional | Werte und Limits | Standardfalse |
Feldtemperature | Typnumber | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtop_p | Typnumber | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtools | Typtool[] | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtool_choice | Typstring|object | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldparallel_tool_calls | Typboolean | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldreasoning.effort | Typstring | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldreasoning.summary | Typstring | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtext.format | Typobject | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtext.verbosity | Typstring | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldinclude | Typstring[] | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldstore | Typboolean | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldprevious_response_id | Typstring | AnforderungOptional | Werte und Limits ID-Anforderung: Nur eine tatsächliche Antwort-ID aus einer unterstützten Fortsetzung Modellabhängig | Standard— |
Feldservice_tier | Typstring | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldprompt_cache_key | Typstring | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldprompt_cache_options | Typobject | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Text · UTF8-Text
Eingabetext oder input_text-Teil
| Parameter | Vertrag |
|---|---|
Parametermaterial_types | Vertragtext |
Parameterrequired | Vertragmodel, input |
Parameteroptional_controls | Vertragnull |
Parametercontent_type | Vertragapplication/json |
Parametertext_file_material | VertragTatsächlicher UTF-8-Inhalt wird als Text eingefügt; Datei-IDs/URLs müssen separat und exakt unterstützt werden |
Lebenszyklus: exact retained published method
Methodenstrukturen und IDs sind exakt; die Fähigkeiten des Anbieters sind von der Zulassung einer Anfrage zu unterscheiden.
POST /v1/responsesAiloot 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 →
Referenztarifstaffeln auf Modellebene ändern weder Methodenauswahl noch Kostenvoranschläge oder Gebühren. Für die aktive Abrechnung gelten die Tarife der ausgewählten Ailoot-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 |
|---|---|---|---|---|
| KonfigurationOpenAI Chat · Token-Basispreise | TarifstaffelGrundtarif | Kontexttoken, mehr als— | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.0028 / 1K Token Ausgabe · Ausgabetoken $0.0088 / 1K Token Eingabe · Cache-Lesen $0.00052 / 1K Token Eingabe · Cache-Schreiben — / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
| KonfigurationOpenAI Chat · Stufe 1 nach Anfragelänge | Tarifstaffel— | Kontexttoken, mehr als0 | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.0028 / 1K Token Ausgabe · Ausgabetoken $0.0088 / 1K Token Eingabe · Cache-Lesen $0.00052 / 1K Token Eingabe · Cache-Schreiben — / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
| KonfigurationAnthropic Messages · Token-Basispreise | TarifstaffelGrundtarif | Kontexttoken, mehr als— | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.0028 / 1K Token Ausgabe · Ausgabetoken $0.0088 / 1K Token Eingabe · Cache-Lesen $0.00052 / 1K Token Eingabe · Cache-Schreiben — / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
| KonfigurationAnthropic Messages · Stufe 1 nach Anfragelänge | Tarifstaffel— | Kontexttoken, mehr als0 | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.0028 / 1K Token Ausgabe · Ausgabetoken $0.0088 / 1K Token Eingabe · Cache-Lesen $0.00052 / 1K Token Eingabe · Cache-Schreiben — / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 source-material file}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "glm-5.3", "input": ""}')\nf=Path(os.environ["AILOOT_TEXT_FILE"])\nif not f.is_file():raise SystemExit("Choose your actual UTF-8 source material")\ntext=f.read_text(encoding="utf-8")\nif not text.strip():raise SystemExit("Source material must contain text")\np["input"]="Summarize this material and quote supporting source passages.\\n\\n"+text\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/responses \\\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 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(json.loads(Path("result.json").read_text(encoding="utf-8")))\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)\nresp = client.responses.create(model="glm-5.3", input="Explain the difference between an observation and a hypothesis 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(resp.to_dict(mode="json"))\nimport OpenAI from "openai";\n\nif (!process.env.AILOOT_API_KEY?.trim()) throw new Error("Set AILOOT_API_KEY before making a request");\nconst client = new OpenAI({ baseURL: "https://api.ailoot.ai/v1", apiKey: process.env.AILOOT_API_KEY, maxRetries: 0 });\nconst resp = await client.responses.create({ model: "glm-5.3", input: "Explain the difference between an observation and a hypothesis in three sentences." });\nimport { writeFileSync } from "node:fs";\n\nfunction saveResult(data, stem = "result") {\n writeFileSync(stem + ".json", JSON.stringify(data, null, 2));\n console.log(JSON.stringify(data, null, 2));\n const saveBlob = (encoded, suffix, label) => {\n const raw = Buffer.from(encoded, "base64");\n const ext = raw.subarray(0,8).equals(Buffer.from([137,80,78,71,13,10,26,10])) ? "png" : raw[0]===255 && raw[1]===216 ? "jpg" : raw.subarray(0,4).toString()==="RIFF" && raw.subarray(8,12).toString()==="WEBP" ? "webp" : suffix;\n const file = `${stem}-${label}.${ext}`;\n writeFileSync(file, raw); console.log("Saved", file);\n };\n for (const [i, block] of (data.content || []).entries()) console.log("Content", i, JSON.stringify(block));\n for (const choice of data.choices || []) console.log("Choice", choice.index, JSON.stringify(choice.message || choice.delta || {}));\n for (const [i, item] of (data.output || []).entries()) {\n console.log("Output", i, JSON.stringify(item));\n if (item.type === "image_generation_call" && item.result) saveBlob(item.result, item.output_format || "bin", `output-${i}`);\n }\n for (const [ci, candidate] of (data.candidates || []).entries()) {\n for (const [pi, part] of (candidate.content?.parts || []).entries()) {\n console.log("Candidate/part", ci, pi, JSON.stringify(part));\n const blob = part.inlineData || part.inline_data;\n if (blob?.data) {\n const mime = blob.mimeType || blob.mime_type;\n const suffix = ({"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"})[mime] || "bin";\n saveBlob(blob.data, suffix, `candidate-${ci}-part-${pi}`);\n }\n }\n }\n}\n\nsaveResult(resp);\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\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\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)\nwith client.responses.stream(model="glm-5.3", input="Explain the difference between an observation and a hypothesis 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_response()\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 Ausgabeelemente und Inhaltsteile, die tatsächliche call_id der Funktion, verschlüsselte Reasoning-Daten und Verbrauchsdaten beibehalten. Beim Streaming die vollständige Identität von Ereignis und Element bewahren.
Anfrage- und Antwort-IDs sowie Header beibehalten. Eine allgemeine URL zum Abrufen von Textaufträgen wird nicht angegeben.
| Feld | Typ |
|---|---|
Feldid | Typstring |
Feldstatus | Typstring |
Feldoutput[] | Typmessage|reasoning|function_call|other item |
Feldoutput[].content[] | Typcontent part |
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 glm-5.3, glm, glm-5, glm-5.1, glm-5.2, glm-latest
Ailoot Ultra glm-5.3, z-ai/glm-5.3, ~z-ai/glm-latest
/chat/completions
z-ai/glm-5.3, glm, glm-5, glm-5.1, glm-5.2, glm-latest, ~z-ai/glm-latest, glm-5.3, glm-5.3
glm-5.3Z.ai GLM 5.3 ist ein Textmodell mit Schlussfolgerungsfähigkeiten 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; der Denkmodus ist durchgehend aktiv.
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 Schlussfolgerungsfähigkeiten für komplexe Softwareentwicklung und langfristige Agentenarbeit. Laut Hersteller verwendet es dasselbe Basismodell wie GLM 5.2; die neuen Verbesserungen stammen aus dem Nachtraining. Die Veröffentlichung konzentriert sich auf stärkeres Programmieren, Terminaloperationen und umfassendere Aufgaben mit mehreren voneinander abhängigen Schritten. Das Modell nimmt Text entgegen und erzeugt Text, darunter Code, Erklärungen, Pläne und Anfragen für Werkzeugaufrufe in einer an Werkzeuge angebundenen Anwendung.
Der dokumentierte Denkmodus ist immer aktiv. GLM 5.3 bietet drei Aufwandsstufen: low, high und max, wobei max der Standard ist. Der Hersteller empfiehlt max für komplexe Programmierarbeit; low bietet eine weniger aufwendige Denkoption für einfachere Schritte. Verbinden Sie die ausgewählte Stufe mit einem klaren Endergebnis und Abschlusskriterien. Zum Beispiel: „Untersuche diese Dateien und fehlgeschlagenen Ergebnisse, verfolge die Ursache durch die betroffenen Module, schlage eine Korrektur vor, die die öffentliche Schnittstelle erhält, und erkläre, welche Prüfungen belegen, dass die Regression behoben ist.“
Der Hersteller nennt ein Kontextfenster von 1M Tokens und eine maximale Ausgabelänge von 128K Tokens. Ordnen Sie umfangreiches Material um den Zusammenhang herum an, den das Modell untersuchen muss. Erhalten Sie Dateinamen, relevante Definitionen, Quellenbeschriftungen und die Reihenfolge der Beobachtungen und lassen Sie innerhalb des geltenden Arbeitskontexts Platz für den Gedankengang und die abschließende Antwort. Ein großes Fenster ist für Abhängigkeiten zwischen Modulen oder eine lange Folge von Agentenbeobachtungen nützlich; es macht ein ungeordnetes Archiv sachfremden Materials nicht zu einer klar definierten Aufgabe.
Stellen Sie bei Repository-Arbeit das erwartete Verhalten, den relevanten Quelltext, Abhängigkeitsversionen und die tatsächliche Fehlerausgabe bereit. Bitten Sie das Modell, das betroffene Verhalten zu benennen, bevor es einen Patch vorschlägt. Nennen Sie bei einer Umstrukturierung die Schnittstelle und Invarianten, die erhalten bleiben müssen. Eine brauchbare Antwort enthält den überarbeiteten Code, die Erklärung, warum die Änderung das beobachtete Problem behebt, und die Fälle, die zur Prüfung des Ergebnisses nötig sind. Speisen Sie tatsächliche Ergebnisse wieder in den werkzeuggestützten Ablauf ein, damit der nächste Schritt vom veränderten Zustand statt vom früheren Vorschlag ausgeht.
Stellen Sie bei Leistungsoptimierungen eine Arbeitslast, eine Ausgangsbasis und Messungen wie Laufzeiten, Profile oder Speicherbelegungsprotokolle bereit. Z.ai beschreibt Trainingsaufgaben zur Engpassdiagnose, Optimierung, zu Experimenten und zu Ergebnissen, die die Korrektheit erhalten. Eine praktische Anfrage lautet: „Nutze dieses Profil, um den folgenreichsten Engpass zu identifizieren, schlage eine messbare Änderung vor und erkläre, welches Ergebnis ihre Beibehaltung rechtfertigen würde.“ Unterscheiden Sie eine Leistungshypothese von einer protokollierten Verbesserung. Behalten Sie bei der Ergebnisprüfung dieselbe Arbeitslast und die relevanten Bedingungen bei.
Die Veröffentlichung erweitert außerdem die Fähigkeiten zur Schwachstellenanalyse. Stellen Sie für eine defensive Quellcodeprüfung den relevanten Code, seine vorgesehenen Vertrauensgrenzen und die Ausführungsbedingungen bereit. Fordern Sie einen Befund an, der ein vermutetes Problem mit der betroffenen Eingabe, dem Verhalten und einer gezielten Behebung verknüpft. Trennen Sie eine mögliche Schwäche von einem reproduzierten Fehler und bewahren Sie die zur Validierung verwendete Beobachtung auf. Ein Bericht ist nützlicher, wenn er konkrete Belege und vorgeschlagene Korrekturen priorisiert, statt jedes verdächtige Muster als bestätigte Schwachstelle zu behandeln.
Funktionsaufrufe ermöglichen einer umgebenden Anwendung, dem Modell externe Vorgänge bereitzustellen. Definieren Sie Zweck, Argumente und erwartetes Ergebnis jedes Werkzeugs und geben Sie anschließend die tatsächliche Werkzeugbeobachtung für den nächsten Schritt zurück. Das Modell kann dieses Ergebnis durchdenken und entscheiden, wie es die Aufgabe verändert. Halten Sie vorgeschlagene Handlungen, ausgeführte Vorgänge und ungeklärte Prüfungen unterscheidbar. Der Hersteller dokumentiert außerdem Streaming-Antworten, die Fragmente des Gedankengangs und der Antwort getrennt zurückgeben; setzen Sie die vollständige Antwort zusammen, bevor Sie sie als Abschlussbericht oder Codeerklärung behandeln.
Die lokale Modellkarte enthält ein konkretes Detail zur Verlaufseinstellung: Ihre Chat-Vorlage behält Gedankengänge standardmäßig bei, während der Hersteller für gewöhnliche Chatszenarien empfiehlt, alte Gedankengänge ausdrücklich zu löschen. Wenden Sie die für den Anwendungsfall passende Gesprächsstruktur an und bewahren Sie die tatsächlich abgeschlossenen Antworten und Werkzeugergebnisse auf, die für die Fortsetzung nötig sind. Behandeln Sie Einstellungen zur Denksteuerung aus GLM 5.2 oder den eigenständigen GLM-5.3-Flash-Ausgaben nicht als austauschbar mit den low/high/max-Steuerungen dieses Modells.
Geben Sie für strukturierte Ergebnisse die erwarteten Felder, Typen und Quellenregeln an. Ein brauchbares Arbeitsergebnis kann eine Fehlertabelle, ein Änderungsplan oder ein JSON-Objekt mit zusammengefassten Beobachtungen sein. Validieren Sie sowohl die Struktur als auch die Werte, bevor eine Anwendung sie verwendet. Das Endergebnis sollte die Antwort oder das überarbeitete Arbeitsergebnis, die stützenden Belege und die verbleibenden Annahmen benennen. Mehr Denkaufwand belegt weder, dass ein Werkzeug ausgeführt wurde, noch dass ein vorgeschlagener Patch seine Prüfungen bestanden hat oder eine Tatsachenbehauptung über das bereitgestellte Material hinaus belegt ist.
POST /v1/chat/completionstexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits glm-5.3 | 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 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— |
Text · UTF8-Text
messages[].content
| Parameter | Vertrag |
|---|---|
Parametermaterial_types | Vertragtext |
Parameterrequired | Vertragmodel, messages |
Parameteroptional_controls | Vertragnull |
Parametercontent_type | Vertragapplication/json |
Parametertext_file_material | VertragTatsächlicher UTF-8-Inhalt wird als Text eingefügt; Datei-IDs/URLs müssen separat und exakt unterstützt werden |
Lebenszyklus: exact retained published method
Methodenstrukturen und IDs sind exakt; die Fähigkeiten des Anbieters sind von der Zulassung einer Anfrage zu unterscheiden.
POST /v1/chat/completionsAiloot 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 →
Referenztarifstaffeln auf Modellebene ändern weder Methodenauswahl noch Kostenvoranschläge oder Gebühren. Für die aktive Abrechnung gelten die Tarife der ausgewählten Ailoot-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 |
|---|---|---|---|---|
| KonfigurationOpenAI Chat · Token-Basispreise | TarifstaffelGrundtarif | Kontexttoken, mehr als— | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.0028 / 1K Token Ausgabe · Ausgabetoken $0.0088 / 1K Token Eingabe · Cache-Lesen $0.00052 / 1K Token Eingabe · Cache-Schreiben — / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
| KonfigurationOpenAI Chat · Stufe 1 nach Anfragelänge | Tarifstaffel— | Kontexttoken, mehr als0 | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.0028 / 1K Token Ausgabe · Ausgabetoken $0.0088 / 1K Token Eingabe · Cache-Lesen $0.00052 / 1K Token Eingabe · Cache-Schreiben — / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
| KonfigurationAnthropic Messages · Token-Basispreise | TarifstaffelGrundtarif | Kontexttoken, mehr als— | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.0028 / 1K Token Ausgabe · Ausgabetoken $0.0088 / 1K Token Eingabe · Cache-Lesen $0.00052 / 1K Token Eingabe · Cache-Schreiben — / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
| KonfigurationAnthropic Messages · Stufe 1 nach Anfragelänge | Tarifstaffel— | Kontexttoken, mehr als0 | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.0028 / 1K Token Ausgabe · Ausgabetoken $0.0088 / 1K Token Eingabe · Cache-Lesen $0.00052 / 1K Token Eingabe · Cache-Schreiben — / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 source-material file}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "glm-5.3", "messages": []}')\nf=Path(os.environ["AILOOT_TEXT_FILE"])\nif not f.is_file():raise SystemExit("Choose your actual UTF-8 source material")\ntext=f.read_text(encoding="utf-8")\nif not text.strip():raise SystemExit("Source material must contain text")\np["messages"]=[{"role":"user","content":"Summarize this material and quote supporting source passages.\\n\\n"+text}]\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\nprint(json.dumps(json.loads(Path("result.json").read_text()),ensure_ascii=False,indent=2))\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)\nresp = client.chat.completions.create(\n model="glm-5.3",\n messages=[{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}],\n)\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(resp.to_dict(mode="json"))\nimport OpenAI from "openai";\n\nif (!process.env.AILOOT_API_KEY?.trim()) throw new Error("Set AILOOT_API_KEY before making a request");\nconst client = new OpenAI({ baseURL: "https://api.ailoot.ai/v1", apiKey: process.env.AILOOT_API_KEY, maxRetries: 0 });\nconst resp = await client.chat.completions.create({\n model: "glm-5.3",\n messages: [{ role: "user", content: "Explain the difference between an observation and a hypothesis in three sentences." }],\n});\nimport { writeFileSync } from "node:fs";\n\nfunction saveResult(data, stem = "result") {\n writeFileSync(stem + ".json", JSON.stringify(data, null, 2));\n console.log(JSON.stringify(data, null, 2));\n const saveBlob = (encoded, suffix, label) => {\n const raw = Buffer.from(encoded, "base64");\n const ext = raw.subarray(0,8).equals(Buffer.from([137,80,78,71,13,10,26,10])) ? "png" : raw[0]===255 && raw[1]===216 ? "jpg" : raw.subarray(0,4).toString()==="RIFF" && raw.subarray(8,12).toString()==="WEBP" ? "webp" : suffix;\n const file = `${stem}-${label}.${ext}`;\n writeFileSync(file, raw); console.log("Saved", file);\n };\n for (const [i, block] of (data.content || []).entries()) console.log("Content", i, JSON.stringify(block));\n for (const choice of data.choices || []) console.log("Choice", choice.index, JSON.stringify(choice.message || choice.delta || {}));\n for (const [i, item] of (data.output || []).entries()) {\n console.log("Output", i, JSON.stringify(item));\n if (item.type === "image_generation_call" && item.result) saveBlob(item.result, item.output_format || "bin", `output-${i}`);\n }\n for (const [ci, candidate] of (data.candidates || []).entries()) {\n for (const [pi, part] of (candidate.content?.parts || []).entries()) {\n console.log("Candidate/part", ci, pi, JSON.stringify(part));\n const blob = part.inlineData || part.inline_data;\n if (blob?.data) {\n const mime = blob.mimeType || blob.mime_type;\n const suffix = ({"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"})[mime] || "bin";\n saveBlob(blob.data, suffix, `candidate-${ci}-part-${pi}`);\n }\n }\n }\n}\n\nsaveResult(resp);\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-5.3',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 glm-5.3, glm, glm-5, glm-5.1, glm-5.2, glm-latest
Ailoot Ultra glm-5.3, z-ai/glm-5.3, ~z-ai/glm-latest
/chat/completions
z-ai/glm-5.3, glm, glm-5, glm-5.1, glm-5.2, glm-latest, ~z-ai/glm-latest, glm-5.3, glm-5.3
glm-5.3Z.ai GLM 5.3 ist ein Textmodell mit Schlussfolgerungsfähigkeiten 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; der Denkmodus ist durchgehend aktiv.
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 Schlussfolgerungsfähigkeiten für komplexe Softwareentwicklung und langfristige Agentenarbeit. Laut Hersteller verwendet es dasselbe Basismodell wie GLM 5.2; die neuen Verbesserungen stammen aus dem Nachtraining. Die Veröffentlichung konzentriert sich auf stärkeres Programmieren, Terminaloperationen und umfassendere Aufgaben mit mehreren voneinander abhängigen Schritten. Das Modell nimmt Text entgegen und erzeugt Text, darunter Code, Erklärungen, Pläne und Anfragen für Werkzeugaufrufe in einer an Werkzeuge angebundenen Anwendung.
Der dokumentierte Denkmodus ist immer aktiv. GLM 5.3 bietet drei Aufwandsstufen: low, high und max, wobei max der Standard ist. Der Hersteller empfiehlt max für komplexe Programmierarbeit; low bietet eine weniger aufwendige Denkoption für einfachere Schritte. Verbinden Sie die ausgewählte Stufe mit einem klaren Endergebnis und Abschlusskriterien. Zum Beispiel: „Untersuche diese Dateien und fehlgeschlagenen Ergebnisse, verfolge die Ursache durch die betroffenen Module, schlage eine Korrektur vor, die die öffentliche Schnittstelle erhält, und erkläre, welche Prüfungen belegen, dass die Regression behoben ist.“
Der Hersteller nennt ein Kontextfenster von 1M Tokens und eine maximale Ausgabelänge von 128K Tokens. Ordnen Sie umfangreiches Material um den Zusammenhang herum an, den das Modell untersuchen muss. Erhalten Sie Dateinamen, relevante Definitionen, Quellenbeschriftungen und die Reihenfolge der Beobachtungen und lassen Sie innerhalb des geltenden Arbeitskontexts Platz für den Gedankengang und die abschließende Antwort. Ein großes Fenster ist für Abhängigkeiten zwischen Modulen oder eine lange Folge von Agentenbeobachtungen nützlich; es macht ein ungeordnetes Archiv sachfremden Materials nicht zu einer klar definierten Aufgabe.
Stellen Sie bei Repository-Arbeit das erwartete Verhalten, den relevanten Quelltext, Abhängigkeitsversionen und die tatsächliche Fehlerausgabe bereit. Bitten Sie das Modell, das betroffene Verhalten zu benennen, bevor es einen Patch vorschlägt. Nennen Sie bei einer Umstrukturierung die Schnittstelle und Invarianten, die erhalten bleiben müssen. Eine brauchbare Antwort enthält den überarbeiteten Code, die Erklärung, warum die Änderung das beobachtete Problem behebt, und die Fälle, die zur Prüfung des Ergebnisses nötig sind. Speisen Sie tatsächliche Ergebnisse wieder in den werkzeuggestützten Ablauf ein, damit der nächste Schritt vom veränderten Zustand statt vom früheren Vorschlag ausgeht.
Stellen Sie bei Leistungsoptimierungen eine Arbeitslast, eine Ausgangsbasis und Messungen wie Laufzeiten, Profile oder Speicherbelegungsprotokolle bereit. Z.ai beschreibt Trainingsaufgaben zur Engpassdiagnose, Optimierung, zu Experimenten und zu Ergebnissen, die die Korrektheit erhalten. Eine praktische Anfrage lautet: „Nutze dieses Profil, um den folgenreichsten Engpass zu identifizieren, schlage eine messbare Änderung vor und erkläre, welches Ergebnis ihre Beibehaltung rechtfertigen würde.“ Unterscheiden Sie eine Leistungshypothese von einer protokollierten Verbesserung. Behalten Sie bei der Ergebnisprüfung dieselbe Arbeitslast und die relevanten Bedingungen bei.
Die Veröffentlichung erweitert außerdem die Fähigkeiten zur Schwachstellenanalyse. Stellen Sie für eine defensive Quellcodeprüfung den relevanten Code, seine vorgesehenen Vertrauensgrenzen und die Ausführungsbedingungen bereit. Fordern Sie einen Befund an, der ein vermutetes Problem mit der betroffenen Eingabe, dem Verhalten und einer gezielten Behebung verknüpft. Trennen Sie eine mögliche Schwäche von einem reproduzierten Fehler und bewahren Sie die zur Validierung verwendete Beobachtung auf. Ein Bericht ist nützlicher, wenn er konkrete Belege und vorgeschlagene Korrekturen priorisiert, statt jedes verdächtige Muster als bestätigte Schwachstelle zu behandeln.
Funktionsaufrufe ermöglichen einer umgebenden Anwendung, dem Modell externe Vorgänge bereitzustellen. Definieren Sie Zweck, Argumente und erwartetes Ergebnis jedes Werkzeugs und geben Sie anschließend die tatsächliche Werkzeugbeobachtung für den nächsten Schritt zurück. Das Modell kann dieses Ergebnis durchdenken und entscheiden, wie es die Aufgabe verändert. Halten Sie vorgeschlagene Handlungen, ausgeführte Vorgänge und ungeklärte Prüfungen unterscheidbar. Der Hersteller dokumentiert außerdem Streaming-Antworten, die Fragmente des Gedankengangs und der Antwort getrennt zurückgeben; setzen Sie die vollständige Antwort zusammen, bevor Sie sie als Abschlussbericht oder Codeerklärung behandeln.
Die lokale Modellkarte enthält ein konkretes Detail zur Verlaufseinstellung: Ihre Chat-Vorlage behält Gedankengänge standardmäßig bei, während der Hersteller für gewöhnliche Chatszenarien empfiehlt, alte Gedankengänge ausdrücklich zu löschen. Wenden Sie die für den Anwendungsfall passende Gesprächsstruktur an und bewahren Sie die tatsächlich abgeschlossenen Antworten und Werkzeugergebnisse auf, die für die Fortsetzung nötig sind. Behandeln Sie Einstellungen zur Denksteuerung aus GLM 5.2 oder den eigenständigen GLM-5.3-Flash-Ausgaben nicht als austauschbar mit den low/high/max-Steuerungen dieses Modells.
Geben Sie für strukturierte Ergebnisse die erwarteten Felder, Typen und Quellenregeln an. Ein brauchbares Arbeitsergebnis kann eine Fehlertabelle, ein Änderungsplan oder ein JSON-Objekt mit zusammengefassten Beobachtungen sein. Validieren Sie sowohl die Struktur als auch die Werte, bevor eine Anwendung sie verwendet. Das Endergebnis sollte die Antwort oder das überarbeitete Arbeitsergebnis, die stützenden Belege und die verbleibenden Annahmen benennen. Mehr Denkaufwand belegt weder, dass ein Werkzeug ausgeführt wurde, noch dass ein vorgeschlagener Patch seine Prüfungen bestanden hat oder eine Tatsachenbehauptung über das bereitgestellte Material hinaus belegt ist.
POST /v1/chat/completionstexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits glm-5.3 | Standard— |
Feldmessages | Typmessage[] | AnforderungErforderlich | Werte und Limits Mindestanzahl Elemente: 1 | Standard— |
Feldmessages[].role | Typstring | AnforderungErforderlich | Werte und Limits Modellabhängig | Standard— |
Feldmessages[].content | Typstring | AnforderungOptional | Werte und Limits Gilt, wenn: Textgespräch | Standard— |
Feldstream | Typboolean | AnforderungOptional | Werte und Limits | Standardfalse |
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 |
Parametercontrol_scope | VertragTextgespräch; stream ist ein boolescher Wert und standardmäßig false. |
Parameteroutput_modalities | Vertragtext |
Parameterhosted_operations | Vertragfalse |
Parametermultimodal_input_binding | Vertragnull |
Methodenaliasnamen: /chat/completions
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.
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 $0.0028 / 1K Token Ausgabe · Ausgabetoken $0.0088 / 1K Token Eingabe · Cache-Lesen $0.00052 / 1K Token Eingabe · Cache-Schreiben — / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
| KonfigurationAnfragelängenstufe 1 | Tarifstaffel— | Kontexttoken, mehr als0 | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.0028 / 1K Token Ausgabe · Ausgabetoken $0.0088 / 1K Token Eingabe · Cache-Lesen $0.00052 / 1K Token Eingabe · Cache-Schreiben — / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model":"glm-5.3","messages":[{"role":"user","content":"hello"}],"stream":false}')\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-5.3", messages=[{"role":"user","content":"hello"}], stream=False)\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"))\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 glm-5.3, glm, glm-5, glm-5.1, glm-5.2, glm-latest
Ailoot Ultra glm-5.3, z-ai/glm-5.3, ~z-ai/glm-latest
/chat/completions
z-ai/glm-5.3, glm, glm-5, glm-5.1, glm-5.2, glm-latest, ~z-ai/glm-latest, glm-5.3, glm-5.3
glm-5.3Z.ai GLM 5.3 ist ein Textmodell mit Schlussfolgerungsfähigkeiten 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; der Denkmodus ist durchgehend aktiv.
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 Schlussfolgerungsfähigkeiten für komplexe Softwareentwicklung und langfristige Agentenarbeit. Laut Hersteller verwendet es dasselbe Basismodell wie GLM 5.2; die neuen Verbesserungen stammen aus dem Nachtraining. Die Veröffentlichung konzentriert sich auf stärkeres Programmieren, Terminaloperationen und umfassendere Aufgaben mit mehreren voneinander abhängigen Schritten. Das Modell nimmt Text entgegen und erzeugt Text, darunter Code, Erklärungen, Pläne und Anfragen für Werkzeugaufrufe in einer an Werkzeuge angebundenen Anwendung.
Der dokumentierte Denkmodus ist immer aktiv. GLM 5.3 bietet drei Aufwandsstufen: low, high und max, wobei max der Standard ist. Der Hersteller empfiehlt max für komplexe Programmierarbeit; low bietet eine weniger aufwendige Denkoption für einfachere Schritte. Verbinden Sie die ausgewählte Stufe mit einem klaren Endergebnis und Abschlusskriterien. Zum Beispiel: „Untersuche diese Dateien und fehlgeschlagenen Ergebnisse, verfolge die Ursache durch die betroffenen Module, schlage eine Korrektur vor, die die öffentliche Schnittstelle erhält, und erkläre, welche Prüfungen belegen, dass die Regression behoben ist.“
Der Hersteller nennt ein Kontextfenster von 1M Tokens und eine maximale Ausgabelänge von 128K Tokens. Ordnen Sie umfangreiches Material um den Zusammenhang herum an, den das Modell untersuchen muss. Erhalten Sie Dateinamen, relevante Definitionen, Quellenbeschriftungen und die Reihenfolge der Beobachtungen und lassen Sie innerhalb des geltenden Arbeitskontexts Platz für den Gedankengang und die abschließende Antwort. Ein großes Fenster ist für Abhängigkeiten zwischen Modulen oder eine lange Folge von Agentenbeobachtungen nützlich; es macht ein ungeordnetes Archiv sachfremden Materials nicht zu einer klar definierten Aufgabe.
Stellen Sie bei Repository-Arbeit das erwartete Verhalten, den relevanten Quelltext, Abhängigkeitsversionen und die tatsächliche Fehlerausgabe bereit. Bitten Sie das Modell, das betroffene Verhalten zu benennen, bevor es einen Patch vorschlägt. Nennen Sie bei einer Umstrukturierung die Schnittstelle und Invarianten, die erhalten bleiben müssen. Eine brauchbare Antwort enthält den überarbeiteten Code, die Erklärung, warum die Änderung das beobachtete Problem behebt, und die Fälle, die zur Prüfung des Ergebnisses nötig sind. Speisen Sie tatsächliche Ergebnisse wieder in den werkzeuggestützten Ablauf ein, damit der nächste Schritt vom veränderten Zustand statt vom früheren Vorschlag ausgeht.
Stellen Sie bei Leistungsoptimierungen eine Arbeitslast, eine Ausgangsbasis und Messungen wie Laufzeiten, Profile oder Speicherbelegungsprotokolle bereit. Z.ai beschreibt Trainingsaufgaben zur Engpassdiagnose, Optimierung, zu Experimenten und zu Ergebnissen, die die Korrektheit erhalten. Eine praktische Anfrage lautet: „Nutze dieses Profil, um den folgenreichsten Engpass zu identifizieren, schlage eine messbare Änderung vor und erkläre, welches Ergebnis ihre Beibehaltung rechtfertigen würde.“ Unterscheiden Sie eine Leistungshypothese von einer protokollierten Verbesserung. Behalten Sie bei der Ergebnisprüfung dieselbe Arbeitslast und die relevanten Bedingungen bei.
Die Veröffentlichung erweitert außerdem die Fähigkeiten zur Schwachstellenanalyse. Stellen Sie für eine defensive Quellcodeprüfung den relevanten Code, seine vorgesehenen Vertrauensgrenzen und die Ausführungsbedingungen bereit. Fordern Sie einen Befund an, der ein vermutetes Problem mit der betroffenen Eingabe, dem Verhalten und einer gezielten Behebung verknüpft. Trennen Sie eine mögliche Schwäche von einem reproduzierten Fehler und bewahren Sie die zur Validierung verwendete Beobachtung auf. Ein Bericht ist nützlicher, wenn er konkrete Belege und vorgeschlagene Korrekturen priorisiert, statt jedes verdächtige Muster als bestätigte Schwachstelle zu behandeln.
Funktionsaufrufe ermöglichen einer umgebenden Anwendung, dem Modell externe Vorgänge bereitzustellen. Definieren Sie Zweck, Argumente und erwartetes Ergebnis jedes Werkzeugs und geben Sie anschließend die tatsächliche Werkzeugbeobachtung für den nächsten Schritt zurück. Das Modell kann dieses Ergebnis durchdenken und entscheiden, wie es die Aufgabe verändert. Halten Sie vorgeschlagene Handlungen, ausgeführte Vorgänge und ungeklärte Prüfungen unterscheidbar. Der Hersteller dokumentiert außerdem Streaming-Antworten, die Fragmente des Gedankengangs und der Antwort getrennt zurückgeben; setzen Sie die vollständige Antwort zusammen, bevor Sie sie als Abschlussbericht oder Codeerklärung behandeln.
Die lokale Modellkarte enthält ein konkretes Detail zur Verlaufseinstellung: Ihre Chat-Vorlage behält Gedankengänge standardmäßig bei, während der Hersteller für gewöhnliche Chatszenarien empfiehlt, alte Gedankengänge ausdrücklich zu löschen. Wenden Sie die für den Anwendungsfall passende Gesprächsstruktur an und bewahren Sie die tatsächlich abgeschlossenen Antworten und Werkzeugergebnisse auf, die für die Fortsetzung nötig sind. Behandeln Sie Einstellungen zur Denksteuerung aus GLM 5.2 oder den eigenständigen GLM-5.3-Flash-Ausgaben nicht als austauschbar mit den low/high/max-Steuerungen dieses Modells.
Geben Sie für strukturierte Ergebnisse die erwarteten Felder, Typen und Quellenregeln an. Ein brauchbares Arbeitsergebnis kann eine Fehlertabelle, ein Änderungsplan oder ein JSON-Objekt mit zusammengefassten Beobachtungen sein. Validieren Sie sowohl die Struktur als auch die Werte, bevor eine Anwendung sie verwendet. Das Endergebnis sollte die Antwort oder das überarbeitete Arbeitsergebnis, die stützenden Belege und die verbleibenden Annahmen benennen. Mehr Denkaufwand belegt weder, dass ein Werkzeug ausgeführt wurde, noch dass ein vorgeschlagener Patch seine Prüfungen bestanden hat oder eine Tatsachenbehauptung über das bereitgestellte Material hinaus belegt ist.
POST /v1/messagestextjson, sse| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits glm-5.3 | 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.
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 $0.0028 / 1K Token Ausgabe · Ausgabetoken $0.0088 / 1K Token Eingabe · Cache-Lesen $0.00052 / 1K Token Eingabe · Cache-Schreiben — / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
| KonfigurationAnfragelängenstufe 1 | Tarifstaffel— | Kontexttoken, mehr als0 | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.0028 / 1K Token Ausgabe · Ausgabetoken $0.0088 / 1K Token Eingabe · Cache-Lesen $0.00052 / 1K Token Eingabe · Cache-Schreiben — / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
{\n "model": "glm-5.3",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-5.3', '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-5.3', '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 glm-5.3, glm, glm-5, glm-5.1, glm-5.2, glm-latest
Ailoot Ultra glm-5.3, z-ai/glm-5.3, ~z-ai/glm-latest
/chat/completions
z-ai/glm-5.3, glm, glm-5, glm-5.1, glm-5.2, glm-latest, ~z-ai/glm-latest, glm-5.3, glm-5.3
glmZ.ai GLM 5.3 ist ein Textmodell mit Schlussfolgerungsfähigkeiten 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; der Denkmodus ist durchgehend aktiv.
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 Schlussfolgerungsfähigkeiten für komplexe Softwareentwicklung und langfristige Agentenarbeit. Laut Hersteller verwendet es dasselbe Basismodell wie GLM 5.2; die neuen Verbesserungen stammen aus dem Nachtraining. Die Veröffentlichung konzentriert sich auf stärkeres Programmieren, Terminaloperationen und umfassendere Aufgaben mit mehreren voneinander abhängigen Schritten. Das Modell nimmt Text entgegen und erzeugt Text, darunter Code, Erklärungen, Pläne und Anfragen für Werkzeugaufrufe in einer an Werkzeuge angebundenen Anwendung.
Der dokumentierte Denkmodus ist immer aktiv. GLM 5.3 bietet drei Aufwandsstufen: low, high und max, wobei max der Standard ist. Der Hersteller empfiehlt max für komplexe Programmierarbeit; low bietet eine weniger aufwendige Denkoption für einfachere Schritte. Verbinden Sie die ausgewählte Stufe mit einem klaren Endergebnis und Abschlusskriterien. Zum Beispiel: „Untersuche diese Dateien und fehlgeschlagenen Ergebnisse, verfolge die Ursache durch die betroffenen Module, schlage eine Korrektur vor, die die öffentliche Schnittstelle erhält, und erkläre, welche Prüfungen belegen, dass die Regression behoben ist.“
Der Hersteller nennt ein Kontextfenster von 1M Tokens und eine maximale Ausgabelänge von 128K Tokens. Ordnen Sie umfangreiches Material um den Zusammenhang herum an, den das Modell untersuchen muss. Erhalten Sie Dateinamen, relevante Definitionen, Quellenbeschriftungen und die Reihenfolge der Beobachtungen und lassen Sie innerhalb des geltenden Arbeitskontexts Platz für den Gedankengang und die abschließende Antwort. Ein großes Fenster ist für Abhängigkeiten zwischen Modulen oder eine lange Folge von Agentenbeobachtungen nützlich; es macht ein ungeordnetes Archiv sachfremden Materials nicht zu einer klar definierten Aufgabe.
Stellen Sie bei Repository-Arbeit das erwartete Verhalten, den relevanten Quelltext, Abhängigkeitsversionen und die tatsächliche Fehlerausgabe bereit. Bitten Sie das Modell, das betroffene Verhalten zu benennen, bevor es einen Patch vorschlägt. Nennen Sie bei einer Umstrukturierung die Schnittstelle und Invarianten, die erhalten bleiben müssen. Eine brauchbare Antwort enthält den überarbeiteten Code, die Erklärung, warum die Änderung das beobachtete Problem behebt, und die Fälle, die zur Prüfung des Ergebnisses nötig sind. Speisen Sie tatsächliche Ergebnisse wieder in den werkzeuggestützten Ablauf ein, damit der nächste Schritt vom veränderten Zustand statt vom früheren Vorschlag ausgeht.
Stellen Sie bei Leistungsoptimierungen eine Arbeitslast, eine Ausgangsbasis und Messungen wie Laufzeiten, Profile oder Speicherbelegungsprotokolle bereit. Z.ai beschreibt Trainingsaufgaben zur Engpassdiagnose, Optimierung, zu Experimenten und zu Ergebnissen, die die Korrektheit erhalten. Eine praktische Anfrage lautet: „Nutze dieses Profil, um den folgenreichsten Engpass zu identifizieren, schlage eine messbare Änderung vor und erkläre, welches Ergebnis ihre Beibehaltung rechtfertigen würde.“ Unterscheiden Sie eine Leistungshypothese von einer protokollierten Verbesserung. Behalten Sie bei der Ergebnisprüfung dieselbe Arbeitslast und die relevanten Bedingungen bei.
Die Veröffentlichung erweitert außerdem die Fähigkeiten zur Schwachstellenanalyse. Stellen Sie für eine defensive Quellcodeprüfung den relevanten Code, seine vorgesehenen Vertrauensgrenzen und die Ausführungsbedingungen bereit. Fordern Sie einen Befund an, der ein vermutetes Problem mit der betroffenen Eingabe, dem Verhalten und einer gezielten Behebung verknüpft. Trennen Sie eine mögliche Schwäche von einem reproduzierten Fehler und bewahren Sie die zur Validierung verwendete Beobachtung auf. Ein Bericht ist nützlicher, wenn er konkrete Belege und vorgeschlagene Korrekturen priorisiert, statt jedes verdächtige Muster als bestätigte Schwachstelle zu behandeln.
Funktionsaufrufe ermöglichen einer umgebenden Anwendung, dem Modell externe Vorgänge bereitzustellen. Definieren Sie Zweck, Argumente und erwartetes Ergebnis jedes Werkzeugs und geben Sie anschließend die tatsächliche Werkzeugbeobachtung für den nächsten Schritt zurück. Das Modell kann dieses Ergebnis durchdenken und entscheiden, wie es die Aufgabe verändert. Halten Sie vorgeschlagene Handlungen, ausgeführte Vorgänge und ungeklärte Prüfungen unterscheidbar. Der Hersteller dokumentiert außerdem Streaming-Antworten, die Fragmente des Gedankengangs und der Antwort getrennt zurückgeben; setzen Sie die vollständige Antwort zusammen, bevor Sie sie als Abschlussbericht oder Codeerklärung behandeln.
Die lokale Modellkarte enthält ein konkretes Detail zur Verlaufseinstellung: Ihre Chat-Vorlage behält Gedankengänge standardmäßig bei, während der Hersteller für gewöhnliche Chatszenarien empfiehlt, alte Gedankengänge ausdrücklich zu löschen. Wenden Sie die für den Anwendungsfall passende Gesprächsstruktur an und bewahren Sie die tatsächlich abgeschlossenen Antworten und Werkzeugergebnisse auf, die für die Fortsetzung nötig sind. Behandeln Sie Einstellungen zur Denksteuerung aus GLM 5.2 oder den eigenständigen GLM-5.3-Flash-Ausgaben nicht als austauschbar mit den low/high/max-Steuerungen dieses Modells.
Geben Sie für strukturierte Ergebnisse die erwarteten Felder, Typen und Quellenregeln an. Ein brauchbares Arbeitsergebnis kann eine Fehlertabelle, ein Änderungsplan oder ein JSON-Objekt mit zusammengefassten Beobachtungen sein. Validieren Sie sowohl die Struktur als auch die Werte, bevor eine Anwendung sie verwendet. Das Endergebnis sollte die Antwort oder das überarbeitete Arbeitsergebnis, die stützenden Belege und die verbleibenden Annahmen benennen. Mehr Denkaufwand belegt weder, dass ein Werkzeug ausgeführt wurde, noch dass ein vorgeschlagener Patch seine Prüfungen bestanden hat oder eine Tatsachenbehauptung über das bereitgestellte Material hinaus belegt ist.
POST /v1/messagestexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits glm | Standard— |
Feldmessages | Typmessage[] | AnforderungErforderlich | Werte und Limits Mindestanzahl Elemente: 1 | Standard— |
Feldmessages[].role | Typstring | AnforderungErforderlich | Werte und Limits user, assistant | Standard— |
Feldmessages[].content | Typstring|content_block[] | AnforderungErforderlich | Werte und Limits | Standard— |
Feldsystem | Typstring|content_block[] | AnforderungOptional | Werte und Limits | Standard— |
Feldmax_tokens | Typinteger | AnforderungErforderlich | Werte und Limits Minimum: 1 Limit gilt für: Genaue Obergrenze des ausgewählten Modells bzw. seiner Modellkarte | Standard— |
Feldstream | Typboolean | AnforderungOptional | Werte und Limits | Standardfalse |
Feldtemperature | Typnumber | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtop_p | Typnumber | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldstop_sequences | Typstring[] | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtools | Typtool[] | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtools[].name | Typstring | AnforderungOptional | Werte und Limits Gilt, wenn: Werkzeug bereitgestellt | Standard— |
Feldtools[].description | Typstring | AnforderungOptional | Werte und Limits | Standard— |
Feldtools[].input_schema | TypJSON_schema | AnforderungOptional | Werte und Limits | Standard— |
Feldtool_choice | Typobject | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldthinking.type | Typstring | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldthinking.budget_tokens | Typinteger | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldoutput_config.effort | Typstring | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldmetadata | Typobject | AnforderungOptional | Werte und Limits | Standard— |
Feldcache_control | Typobject | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Text · UTF8-Text
messages[].content oder Block mit type=text
| Parameter | Vertrag |
|---|---|
Parametermaterial_types | Vertragtext |
Parameterrequired | Vertragmodel, messages, max_tokens |
Parameteroptional_controls | Vertragnull |
Parametercontent_type | Vertragapplication/json |
Parametertext_file_material | VertragTatsächlicher UTF-8-Inhalt wird als Text eingefügt; Datei-IDs/URLs müssen separat und exakt unterstützt werden |
Lebenszyklus: exact retained published method
Methodenstrukturen und IDs sind exakt; die Fähigkeiten des Anbieters sind von der Zulassung einer Anfrage zu unterscheiden.
POST /v1/messagesAiloot 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 →
Referenztarifstaffeln auf Modellebene ändern weder Methodenauswahl noch Kostenvoranschläge oder Gebühren. Für die aktive Abrechnung gelten die Tarife der ausgewählten Ailoot-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 |
|---|---|---|---|---|
| KonfigurationOpenAI Chat · Token-Basispreise | TarifstaffelGrundtarif | Kontexttoken, mehr als— | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.0028 / 1K Token Ausgabe · Ausgabetoken $0.0088 / 1K Token Eingabe · Cache-Lesen $0.00052 / 1K Token Eingabe · Cache-Schreiben — / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
| KonfigurationOpenAI Chat · Stufe 1 nach Anfragelänge | Tarifstaffel— | Kontexttoken, mehr als0 | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.0028 / 1K Token Ausgabe · Ausgabetoken $0.0088 / 1K Token Eingabe · Cache-Lesen $0.00052 / 1K Token Eingabe · Cache-Schreiben — / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
| KonfigurationAnthropic Messages · Token-Basispreise | TarifstaffelGrundtarif | Kontexttoken, mehr als— | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.0028 / 1K Token Ausgabe · Ausgabetoken $0.0088 / 1K Token Eingabe · Cache-Lesen $0.00052 / 1K Token Eingabe · Cache-Schreiben — / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
| KonfigurationAnthropic Messages · Stufe 1 nach Anfragelänge | Tarifstaffel— | Kontexttoken, mehr als0 | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.0028 / 1K Token Ausgabe · Ausgabetoken $0.0088 / 1K Token Eingabe · Cache-Lesen $0.00052 / 1K Token Eingabe · Cache-Schreiben — / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 source-material file}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "glm", "max_tokens": 1024, "messages": []}')\nf=Path(os.environ["AILOOT_TEXT_FILE"])\nif not f.is_file():raise SystemExit("Choose your actual UTF-8 source material")\ntext=f.read_text(encoding="utf-8")\nif not text.strip():raise SystemExit("Source material must contain text")\np["messages"]=[{"role":"user","content":"Summarize this material and quote supporting source passages.\\n\\n"+text}]\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/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\nprint(json.dumps(json.loads(Path("result.json").read_text()),ensure_ascii=False,indent=2))\nPY_RESULT\nimport anthropic\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient = anthropic.Anthropic(base_url="https://api.ailoot.ai", api_key=os.environ["AILOOT_API_KEY"], max_retries=0)\nmsg = client.messages.create(\n model="glm",\n max_tokens=1024,\n messages=[{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}],\n)\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(msg.to_dict(mode="json"))\nimport Anthropic from "@anthropic-ai/sdk";\n\nif (!process.env.AILOOT_API_KEY?.trim()) throw new Error("Set AILOOT_API_KEY before making a request");\nconst client = new Anthropic({ baseURL: "https://api.ailoot.ai", apiKey: process.env.AILOOT_API_KEY, maxRetries: 0 });\nconst msg = await client.messages.create({\n model: "glm",\n max_tokens: 1024,\n messages: [{ role: "user", content: "Explain the difference between an observation and a hypothesis in three sentences." }],\n});\nimport { writeFileSync } from "node:fs";\n\nfunction saveResult(data, stem = "result") {\n writeFileSync(stem + ".json", JSON.stringify(data, null, 2));\n console.log(JSON.stringify(data, null, 2));\n const saveBlob = (encoded, suffix, label) => {\n const raw = Buffer.from(encoded, "base64");\n const ext = raw.subarray(0,8).equals(Buffer.from([137,80,78,71,13,10,26,10])) ? "png" : raw[0]===255 && raw[1]===216 ? "jpg" : raw.subarray(0,4).toString()==="RIFF" && raw.subarray(8,12).toString()==="WEBP" ? "webp" : suffix;\n const file = `${stem}-${label}.${ext}`;\n writeFileSync(file, raw); console.log("Saved", file);\n };\n for (const [i, block] of (data.content || []).entries()) console.log("Content", i, JSON.stringify(block));\n for (const choice of data.choices || []) console.log("Choice", choice.index, JSON.stringify(choice.message || choice.delta || {}));\n for (const [i, item] of (data.output || []).entries()) {\n console.log("Output", i, JSON.stringify(item));\n if (item.type === "image_generation_call" && item.result) saveBlob(item.result, item.output_format || "bin", `output-${i}`);\n }\n for (const [ci, candidate] of (data.candidates || []).entries()) {\n for (const [pi, part] of (candidate.content?.parts || []).entries()) {\n console.log("Candidate/part", ci, pi, JSON.stringify(part));\n const blob = part.inlineData || part.inline_data;\n if (blob?.data) {\n const mime = blob.mimeType || blob.mime_type;\n const suffix = ({"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"})[mime] || "bin";\n saveBlob(blob.data, suffix, `candidate-${ci}-part-${pi}`);\n }\n }\n }\n}\n\nsaveResult(msg);\nimport anthropic,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=anthropic.Anthropic(base_url="https://api.ailoot.ai",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.messages.stream(model='glm',max_tokens=1024,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_message()\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 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 glm-5.3, glm, glm-5, glm-5.1, glm-5.2, glm-latest
Ailoot Ultra glm-5.3, z-ai/glm-5.3, ~z-ai/glm-latest
/chat/completions
z-ai/glm-5.3, glm, glm-5, glm-5.1, glm-5.2, glm-latest, ~z-ai/glm-latest, glm-5.3, glm-5.3
glmZ.ai GLM 5.3 ist ein Textmodell mit Schlussfolgerungsfähigkeiten 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; der Denkmodus ist durchgehend aktiv.
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 Schlussfolgerungsfähigkeiten für komplexe Softwareentwicklung und langfristige Agentenarbeit. Laut Hersteller verwendet es dasselbe Basismodell wie GLM 5.2; die neuen Verbesserungen stammen aus dem Nachtraining. Die Veröffentlichung konzentriert sich auf stärkeres Programmieren, Terminaloperationen und umfassendere Aufgaben mit mehreren voneinander abhängigen Schritten. Das Modell nimmt Text entgegen und erzeugt Text, darunter Code, Erklärungen, Pläne und Anfragen für Werkzeugaufrufe in einer an Werkzeuge angebundenen Anwendung.
Der dokumentierte Denkmodus ist immer aktiv. GLM 5.3 bietet drei Aufwandsstufen: low, high und max, wobei max der Standard ist. Der Hersteller empfiehlt max für komplexe Programmierarbeit; low bietet eine weniger aufwendige Denkoption für einfachere Schritte. Verbinden Sie die ausgewählte Stufe mit einem klaren Endergebnis und Abschlusskriterien. Zum Beispiel: „Untersuche diese Dateien und fehlgeschlagenen Ergebnisse, verfolge die Ursache durch die betroffenen Module, schlage eine Korrektur vor, die die öffentliche Schnittstelle erhält, und erkläre, welche Prüfungen belegen, dass die Regression behoben ist.“
Der Hersteller nennt ein Kontextfenster von 1M Tokens und eine maximale Ausgabelänge von 128K Tokens. Ordnen Sie umfangreiches Material um den Zusammenhang herum an, den das Modell untersuchen muss. Erhalten Sie Dateinamen, relevante Definitionen, Quellenbeschriftungen und die Reihenfolge der Beobachtungen und lassen Sie innerhalb des geltenden Arbeitskontexts Platz für den Gedankengang und die abschließende Antwort. Ein großes Fenster ist für Abhängigkeiten zwischen Modulen oder eine lange Folge von Agentenbeobachtungen nützlich; es macht ein ungeordnetes Archiv sachfremden Materials nicht zu einer klar definierten Aufgabe.
Stellen Sie bei Repository-Arbeit das erwartete Verhalten, den relevanten Quelltext, Abhängigkeitsversionen und die tatsächliche Fehlerausgabe bereit. Bitten Sie das Modell, das betroffene Verhalten zu benennen, bevor es einen Patch vorschlägt. Nennen Sie bei einer Umstrukturierung die Schnittstelle und Invarianten, die erhalten bleiben müssen. Eine brauchbare Antwort enthält den überarbeiteten Code, die Erklärung, warum die Änderung das beobachtete Problem behebt, und die Fälle, die zur Prüfung des Ergebnisses nötig sind. Speisen Sie tatsächliche Ergebnisse wieder in den werkzeuggestützten Ablauf ein, damit der nächste Schritt vom veränderten Zustand statt vom früheren Vorschlag ausgeht.
Stellen Sie bei Leistungsoptimierungen eine Arbeitslast, eine Ausgangsbasis und Messungen wie Laufzeiten, Profile oder Speicherbelegungsprotokolle bereit. Z.ai beschreibt Trainingsaufgaben zur Engpassdiagnose, Optimierung, zu Experimenten und zu Ergebnissen, die die Korrektheit erhalten. Eine praktische Anfrage lautet: „Nutze dieses Profil, um den folgenreichsten Engpass zu identifizieren, schlage eine messbare Änderung vor und erkläre, welches Ergebnis ihre Beibehaltung rechtfertigen würde.“ Unterscheiden Sie eine Leistungshypothese von einer protokollierten Verbesserung. Behalten Sie bei der Ergebnisprüfung dieselbe Arbeitslast und die relevanten Bedingungen bei.
Die Veröffentlichung erweitert außerdem die Fähigkeiten zur Schwachstellenanalyse. Stellen Sie für eine defensive Quellcodeprüfung den relevanten Code, seine vorgesehenen Vertrauensgrenzen und die Ausführungsbedingungen bereit. Fordern Sie einen Befund an, der ein vermutetes Problem mit der betroffenen Eingabe, dem Verhalten und einer gezielten Behebung verknüpft. Trennen Sie eine mögliche Schwäche von einem reproduzierten Fehler und bewahren Sie die zur Validierung verwendete Beobachtung auf. Ein Bericht ist nützlicher, wenn er konkrete Belege und vorgeschlagene Korrekturen priorisiert, statt jedes verdächtige Muster als bestätigte Schwachstelle zu behandeln.
Funktionsaufrufe ermöglichen einer umgebenden Anwendung, dem Modell externe Vorgänge bereitzustellen. Definieren Sie Zweck, Argumente und erwartetes Ergebnis jedes Werkzeugs und geben Sie anschließend die tatsächliche Werkzeugbeobachtung für den nächsten Schritt zurück. Das Modell kann dieses Ergebnis durchdenken und entscheiden, wie es die Aufgabe verändert. Halten Sie vorgeschlagene Handlungen, ausgeführte Vorgänge und ungeklärte Prüfungen unterscheidbar. Der Hersteller dokumentiert außerdem Streaming-Antworten, die Fragmente des Gedankengangs und der Antwort getrennt zurückgeben; setzen Sie die vollständige Antwort zusammen, bevor Sie sie als Abschlussbericht oder Codeerklärung behandeln.
Die lokale Modellkarte enthält ein konkretes Detail zur Verlaufseinstellung: Ihre Chat-Vorlage behält Gedankengänge standardmäßig bei, während der Hersteller für gewöhnliche Chatszenarien empfiehlt, alte Gedankengänge ausdrücklich zu löschen. Wenden Sie die für den Anwendungsfall passende Gesprächsstruktur an und bewahren Sie die tatsächlich abgeschlossenen Antworten und Werkzeugergebnisse auf, die für die Fortsetzung nötig sind. Behandeln Sie Einstellungen zur Denksteuerung aus GLM 5.2 oder den eigenständigen GLM-5.3-Flash-Ausgaben nicht als austauschbar mit den low/high/max-Steuerungen dieses Modells.
Geben Sie für strukturierte Ergebnisse die erwarteten Felder, Typen und Quellenregeln an. Ein brauchbares Arbeitsergebnis kann eine Fehlertabelle, ein Änderungsplan oder ein JSON-Objekt mit zusammengefassten Beobachtungen sein. Validieren Sie sowohl die Struktur als auch die Werte, bevor eine Anwendung sie verwendet. Das Endergebnis sollte die Antwort oder das überarbeitete Arbeitsergebnis, die stützenden Belege und die verbleibenden Annahmen benennen. Mehr Denkaufwand belegt weder, dass ein Werkzeug ausgeführt wurde, noch dass ein vorgeschlagener Patch seine Prüfungen bestanden hat oder eine Tatsachenbehauptung über das bereitgestellte Material hinaus belegt ist.
POST /v1/responsestexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits glm | Standard— |
Feldinput | Typstring|input_item[] | AnforderungErforderlich | Werte und Limits | Standard— |
Feldinstructions | Typstring | AnforderungOptional | Werte und Limits | Standard— |
Feldinput[].type | Typstring | AnforderungOptional | Werte und Limits message, reasoning, function_call, function_call_output | Standard— |
Feldinput[].content | Typstring|content_part[] | AnforderungOptional | Werte und Limits | Standard— |
Feldinput[].call_id | Typstring | AnforderungOptional | Werte und Limits Gilt, wenn: function_call_output; den tatsächlich zurückgegebenen Wert von call_id beibehalten | Standard— |
Feldinput[].output | Typstring|content_part[] | AnforderungOptional | Werte und Limits Gilt, wenn: function_call_output | Standard— |
Feldmax_output_tokens | Typinteger | AnforderungOptional | Werte und Limits Minimum: 1 Modellabhängig | Standard— |
Feldstream | Typboolean | AnforderungOptional | Werte und Limits | Standardfalse |
Feldtemperature | Typnumber | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtop_p | Typnumber | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtools | Typtool[] | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtool_choice | Typstring|object | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldparallel_tool_calls | Typboolean | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldreasoning.effort | Typstring | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldreasoning.summary | Typstring | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtext.format | Typobject | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtext.verbosity | Typstring | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldinclude | Typstring[] | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldstore | Typboolean | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldprevious_response_id | Typstring | AnforderungOptional | Werte und Limits ID-Anforderung: Nur eine tatsächliche Antwort-ID aus einer unterstützten Fortsetzung Modellabhängig | Standard— |
Feldservice_tier | Typstring | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldprompt_cache_key | Typstring | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldprompt_cache_options | Typobject | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Text · UTF8-Text
Eingabetext oder input_text-Teil
| Parameter | Vertrag |
|---|---|
Parametermaterial_types | Vertragtext |
Parameterrequired | Vertragmodel, input |
Parameteroptional_controls | Vertragnull |
Parametercontent_type | Vertragapplication/json |
Parametertext_file_material | VertragTatsächlicher UTF-8-Inhalt wird als Text eingefügt; Datei-IDs/URLs müssen separat und exakt unterstützt werden |
Lebenszyklus: exact retained published method
Methodenstrukturen und IDs sind exakt; die Fähigkeiten des Anbieters sind von der Zulassung einer Anfrage zu unterscheiden.
POST /v1/responsesAiloot 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 →
Referenztarifstaffeln auf Modellebene ändern weder Methodenauswahl noch Kostenvoranschläge oder Gebühren. Für die aktive Abrechnung gelten die Tarife der ausgewählten Ailoot-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 |
|---|---|---|---|---|
| KonfigurationOpenAI Chat · Token-Basispreise | TarifstaffelGrundtarif | Kontexttoken, mehr als— | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.0028 / 1K Token Ausgabe · Ausgabetoken $0.0088 / 1K Token Eingabe · Cache-Lesen $0.00052 / 1K Token Eingabe · Cache-Schreiben — / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
| KonfigurationOpenAI Chat · Stufe 1 nach Anfragelänge | Tarifstaffel— | Kontexttoken, mehr als0 | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.0028 / 1K Token Ausgabe · Ausgabetoken $0.0088 / 1K Token Eingabe · Cache-Lesen $0.00052 / 1K Token Eingabe · Cache-Schreiben — / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
| KonfigurationAnthropic Messages · Token-Basispreise | TarifstaffelGrundtarif | Kontexttoken, mehr als— | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.0028 / 1K Token Ausgabe · Ausgabetoken $0.0088 / 1K Token Eingabe · Cache-Lesen $0.00052 / 1K Token Eingabe · Cache-Schreiben — / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
| KonfigurationAnthropic Messages · Stufe 1 nach Anfragelänge | Tarifstaffel— | Kontexttoken, mehr als0 | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.0028 / 1K Token Ausgabe · Ausgabetoken $0.0088 / 1K Token Eingabe · Cache-Lesen $0.00052 / 1K Token Eingabe · Cache-Schreiben — / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 source-material file}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "glm", "input": ""}')\nf=Path(os.environ["AILOOT_TEXT_FILE"])\nif not f.is_file():raise SystemExit("Choose your actual UTF-8 source material")\ntext=f.read_text(encoding="utf-8")\nif not text.strip():raise SystemExit("Source material must contain text")\np["input"]="Summarize this material and quote supporting source passages.\\n\\n"+text\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/responses \\\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 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(json.loads(Path("result.json").read_text(encoding="utf-8")))\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)\nresp = client.responses.create(model="glm", input="Explain the difference between an observation and a hypothesis 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(resp.to_dict(mode="json"))\nimport OpenAI from "openai";\n\nif (!process.env.AILOOT_API_KEY?.trim()) throw new Error("Set AILOOT_API_KEY before making a request");\nconst client = new OpenAI({ baseURL: "https://api.ailoot.ai/v1", apiKey: process.env.AILOOT_API_KEY, maxRetries: 0 });\nconst resp = await client.responses.create({ model: "glm", input: "Explain the difference between an observation and a hypothesis in three sentences." });\nimport { writeFileSync } from "node:fs";\n\nfunction saveResult(data, stem = "result") {\n writeFileSync(stem + ".json", JSON.stringify(data, null, 2));\n console.log(JSON.stringify(data, null, 2));\n const saveBlob = (encoded, suffix, label) => {\n const raw = Buffer.from(encoded, "base64");\n const ext = raw.subarray(0,8).equals(Buffer.from([137,80,78,71,13,10,26,10])) ? "png" : raw[0]===255 && raw[1]===216 ? "jpg" : raw.subarray(0,4).toString()==="RIFF" && raw.subarray(8,12).toString()==="WEBP" ? "webp" : suffix;\n const file = `${stem}-${label}.${ext}`;\n writeFileSync(file, raw); console.log("Saved", file);\n };\n for (const [i, block] of (data.content || []).entries()) console.log("Content", i, JSON.stringify(block));\n for (const choice of data.choices || []) console.log("Choice", choice.index, JSON.stringify(choice.message || choice.delta || {}));\n for (const [i, item] of (data.output || []).entries()) {\n console.log("Output", i, JSON.stringify(item));\n if (item.type === "image_generation_call" && item.result) saveBlob(item.result, item.output_format || "bin", `output-${i}`);\n }\n for (const [ci, candidate] of (data.candidates || []).entries()) {\n for (const [pi, part] of (candidate.content?.parts || []).entries()) {\n console.log("Candidate/part", ci, pi, JSON.stringify(part));\n const blob = part.inlineData || part.inline_data;\n if (blob?.data) {\n const mime = blob.mimeType || blob.mime_type;\n const suffix = ({"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"})[mime] || "bin";\n saveBlob(blob.data, suffix, `candidate-${ci}-part-${pi}`);\n }\n }\n }\n}\n\nsaveResult(resp);\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\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\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)\nwith client.responses.stream(model="glm", input="Explain the difference between an observation and a hypothesis 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_response()\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 Ausgabeelemente und Inhaltsteile, die tatsächliche call_id der Funktion, verschlüsselte Reasoning-Daten und Verbrauchsdaten beibehalten. Beim Streaming die vollständige Identität von Ereignis und Element bewahren.
Anfrage- und Antwort-IDs sowie Header beibehalten. Eine allgemeine URL zum Abrufen von Textaufträgen wird nicht angegeben.
| Feld | Typ |
|---|---|
Feldid | Typstring |
Feldstatus | Typstring |
Feldoutput[] | Typmessage|reasoning|function_call|other item |
Feldoutput[].content[] | Typcontent part |
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 glm-5.3, glm, glm-5, glm-5.1, glm-5.2, glm-latest
Ailoot Ultra glm-5.3, z-ai/glm-5.3, ~z-ai/glm-latest
/chat/completions
z-ai/glm-5.3, glm, glm-5, glm-5.1, glm-5.2, glm-latest, ~z-ai/glm-latest, glm-5.3, glm-5.3
glmZ.ai GLM 5.3 ist ein Textmodell mit Schlussfolgerungsfähigkeiten 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; der Denkmodus ist durchgehend aktiv.
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 Schlussfolgerungsfähigkeiten für komplexe Softwareentwicklung und langfristige Agentenarbeit. Laut Hersteller verwendet es dasselbe Basismodell wie GLM 5.2; die neuen Verbesserungen stammen aus dem Nachtraining. Die Veröffentlichung konzentriert sich auf stärkeres Programmieren, Terminaloperationen und umfassendere Aufgaben mit mehreren voneinander abhängigen Schritten. Das Modell nimmt Text entgegen und erzeugt Text, darunter Code, Erklärungen, Pläne und Anfragen für Werkzeugaufrufe in einer an Werkzeuge angebundenen Anwendung.
Der dokumentierte Denkmodus ist immer aktiv. GLM 5.3 bietet drei Aufwandsstufen: low, high und max, wobei max der Standard ist. Der Hersteller empfiehlt max für komplexe Programmierarbeit; low bietet eine weniger aufwendige Denkoption für einfachere Schritte. Verbinden Sie die ausgewählte Stufe mit einem klaren Endergebnis und Abschlusskriterien. Zum Beispiel: „Untersuche diese Dateien und fehlgeschlagenen Ergebnisse, verfolge die Ursache durch die betroffenen Module, schlage eine Korrektur vor, die die öffentliche Schnittstelle erhält, und erkläre, welche Prüfungen belegen, dass die Regression behoben ist.“
Der Hersteller nennt ein Kontextfenster von 1M Tokens und eine maximale Ausgabelänge von 128K Tokens. Ordnen Sie umfangreiches Material um den Zusammenhang herum an, den das Modell untersuchen muss. Erhalten Sie Dateinamen, relevante Definitionen, Quellenbeschriftungen und die Reihenfolge der Beobachtungen und lassen Sie innerhalb des geltenden Arbeitskontexts Platz für den Gedankengang und die abschließende Antwort. Ein großes Fenster ist für Abhängigkeiten zwischen Modulen oder eine lange Folge von Agentenbeobachtungen nützlich; es macht ein ungeordnetes Archiv sachfremden Materials nicht zu einer klar definierten Aufgabe.
Stellen Sie bei Repository-Arbeit das erwartete Verhalten, den relevanten Quelltext, Abhängigkeitsversionen und die tatsächliche Fehlerausgabe bereit. Bitten Sie das Modell, das betroffene Verhalten zu benennen, bevor es einen Patch vorschlägt. Nennen Sie bei einer Umstrukturierung die Schnittstelle und Invarianten, die erhalten bleiben müssen. Eine brauchbare Antwort enthält den überarbeiteten Code, die Erklärung, warum die Änderung das beobachtete Problem behebt, und die Fälle, die zur Prüfung des Ergebnisses nötig sind. Speisen Sie tatsächliche Ergebnisse wieder in den werkzeuggestützten Ablauf ein, damit der nächste Schritt vom veränderten Zustand statt vom früheren Vorschlag ausgeht.
Stellen Sie bei Leistungsoptimierungen eine Arbeitslast, eine Ausgangsbasis und Messungen wie Laufzeiten, Profile oder Speicherbelegungsprotokolle bereit. Z.ai beschreibt Trainingsaufgaben zur Engpassdiagnose, Optimierung, zu Experimenten und zu Ergebnissen, die die Korrektheit erhalten. Eine praktische Anfrage lautet: „Nutze dieses Profil, um den folgenreichsten Engpass zu identifizieren, schlage eine messbare Änderung vor und erkläre, welches Ergebnis ihre Beibehaltung rechtfertigen würde.“ Unterscheiden Sie eine Leistungshypothese von einer protokollierten Verbesserung. Behalten Sie bei der Ergebnisprüfung dieselbe Arbeitslast und die relevanten Bedingungen bei.
Die Veröffentlichung erweitert außerdem die Fähigkeiten zur Schwachstellenanalyse. Stellen Sie für eine defensive Quellcodeprüfung den relevanten Code, seine vorgesehenen Vertrauensgrenzen und die Ausführungsbedingungen bereit. Fordern Sie einen Befund an, der ein vermutetes Problem mit der betroffenen Eingabe, dem Verhalten und einer gezielten Behebung verknüpft. Trennen Sie eine mögliche Schwäche von einem reproduzierten Fehler und bewahren Sie die zur Validierung verwendete Beobachtung auf. Ein Bericht ist nützlicher, wenn er konkrete Belege und vorgeschlagene Korrekturen priorisiert, statt jedes verdächtige Muster als bestätigte Schwachstelle zu behandeln.
Funktionsaufrufe ermöglichen einer umgebenden Anwendung, dem Modell externe Vorgänge bereitzustellen. Definieren Sie Zweck, Argumente und erwartetes Ergebnis jedes Werkzeugs und geben Sie anschließend die tatsächliche Werkzeugbeobachtung für den nächsten Schritt zurück. Das Modell kann dieses Ergebnis durchdenken und entscheiden, wie es die Aufgabe verändert. Halten Sie vorgeschlagene Handlungen, ausgeführte Vorgänge und ungeklärte Prüfungen unterscheidbar. Der Hersteller dokumentiert außerdem Streaming-Antworten, die Fragmente des Gedankengangs und der Antwort getrennt zurückgeben; setzen Sie die vollständige Antwort zusammen, bevor Sie sie als Abschlussbericht oder Codeerklärung behandeln.
Die lokale Modellkarte enthält ein konkretes Detail zur Verlaufseinstellung: Ihre Chat-Vorlage behält Gedankengänge standardmäßig bei, während der Hersteller für gewöhnliche Chatszenarien empfiehlt, alte Gedankengänge ausdrücklich zu löschen. Wenden Sie die für den Anwendungsfall passende Gesprächsstruktur an und bewahren Sie die tatsächlich abgeschlossenen Antworten und Werkzeugergebnisse auf, die für die Fortsetzung nötig sind. Behandeln Sie Einstellungen zur Denksteuerung aus GLM 5.2 oder den eigenständigen GLM-5.3-Flash-Ausgaben nicht als austauschbar mit den low/high/max-Steuerungen dieses Modells.
Geben Sie für strukturierte Ergebnisse die erwarteten Felder, Typen und Quellenregeln an. Ein brauchbares Arbeitsergebnis kann eine Fehlertabelle, ein Änderungsplan oder ein JSON-Objekt mit zusammengefassten Beobachtungen sein. Validieren Sie sowohl die Struktur als auch die Werte, bevor eine Anwendung sie verwendet. Das Endergebnis sollte die Antwort oder das überarbeitete Arbeitsergebnis, die stützenden Belege und die verbleibenden Annahmen benennen. Mehr Denkaufwand belegt weder, dass ein Werkzeug ausgeführt wurde, noch dass ein vorgeschlagener Patch seine Prüfungen bestanden hat oder eine Tatsachenbehauptung über das bereitgestellte Material hinaus belegt ist.
POST /v1/chat/completionstexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits glm | 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 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— |
Text · UTF8-Text
messages[].content
| Parameter | Vertrag |
|---|---|
Parametermaterial_types | Vertragtext |
Parameterrequired | Vertragmodel, messages |
Parameteroptional_controls | Vertragnull |
Parametercontent_type | Vertragapplication/json |
Parametertext_file_material | VertragTatsächlicher UTF-8-Inhalt wird als Text eingefügt; Datei-IDs/URLs müssen separat und exakt unterstützt werden |
Lebenszyklus: exact retained published method
Methodenstrukturen und IDs sind exakt; die Fähigkeiten des Anbieters sind von der Zulassung einer Anfrage zu unterscheiden.
POST /v1/chat/completionsAiloot 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 →
Referenztarifstaffeln auf Modellebene ändern weder Methodenauswahl noch Kostenvoranschläge oder Gebühren. Für die aktive Abrechnung gelten die Tarife der ausgewählten Ailoot-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 |
|---|---|---|---|---|
| KonfigurationOpenAI Chat · Token-Basispreise | TarifstaffelGrundtarif | Kontexttoken, mehr als— | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.0028 / 1K Token Ausgabe · Ausgabetoken $0.0088 / 1K Token Eingabe · Cache-Lesen $0.00052 / 1K Token Eingabe · Cache-Schreiben — / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
| KonfigurationOpenAI Chat · Stufe 1 nach Anfragelänge | Tarifstaffel— | Kontexttoken, mehr als0 | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.0028 / 1K Token Ausgabe · Ausgabetoken $0.0088 / 1K Token Eingabe · Cache-Lesen $0.00052 / 1K Token Eingabe · Cache-Schreiben — / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
| KonfigurationAnthropic Messages · Token-Basispreise | TarifstaffelGrundtarif | Kontexttoken, mehr als— | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.0028 / 1K Token Ausgabe · Ausgabetoken $0.0088 / 1K Token Eingabe · Cache-Lesen $0.00052 / 1K Token Eingabe · Cache-Schreiben — / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
| KonfigurationAnthropic Messages · Stufe 1 nach Anfragelänge | Tarifstaffel— | Kontexttoken, mehr als0 | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.0028 / 1K Token Ausgabe · Ausgabetoken $0.0088 / 1K Token Eingabe · Cache-Lesen $0.00052 / 1K Token Eingabe · Cache-Schreiben — / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 source-material file}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "glm", "messages": []}')\nf=Path(os.environ["AILOOT_TEXT_FILE"])\nif not f.is_file():raise SystemExit("Choose your actual UTF-8 source material")\ntext=f.read_text(encoding="utf-8")\nif not text.strip():raise SystemExit("Source material must contain text")\np["messages"]=[{"role":"user","content":"Summarize this material and quote supporting source passages.\\n\\n"+text}]\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\nprint(json.dumps(json.loads(Path("result.json").read_text()),ensure_ascii=False,indent=2))\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)\nresp = client.chat.completions.create(\n model="glm",\n messages=[{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}],\n)\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(resp.to_dict(mode="json"))\nimport OpenAI from "openai";\n\nif (!process.env.AILOOT_API_KEY?.trim()) throw new Error("Set AILOOT_API_KEY before making a request");\nconst client = new OpenAI({ baseURL: "https://api.ailoot.ai/v1", apiKey: process.env.AILOOT_API_KEY, maxRetries: 0 });\nconst resp = await client.chat.completions.create({\n model: "glm",\n messages: [{ role: "user", content: "Explain the difference between an observation and a hypothesis in three sentences." }],\n});\nimport { writeFileSync } from "node:fs";\n\nfunction saveResult(data, stem = "result") {\n writeFileSync(stem + ".json", JSON.stringify(data, null, 2));\n console.log(JSON.stringify(data, null, 2));\n const saveBlob = (encoded, suffix, label) => {\n const raw = Buffer.from(encoded, "base64");\n const ext = raw.subarray(0,8).equals(Buffer.from([137,80,78,71,13,10,26,10])) ? "png" : raw[0]===255 && raw[1]===216 ? "jpg" : raw.subarray(0,4).toString()==="RIFF" && raw.subarray(8,12).toString()==="WEBP" ? "webp" : suffix;\n const file = `${stem}-${label}.${ext}`;\n writeFileSync(file, raw); console.log("Saved", file);\n };\n for (const [i, block] of (data.content || []).entries()) console.log("Content", i, JSON.stringify(block));\n for (const choice of data.choices || []) console.log("Choice", choice.index, JSON.stringify(choice.message || choice.delta || {}));\n for (const [i, item] of (data.output || []).entries()) {\n console.log("Output", i, JSON.stringify(item));\n if (item.type === "image_generation_call" && item.result) saveBlob(item.result, item.output_format || "bin", `output-${i}`);\n }\n for (const [ci, candidate] of (data.candidates || []).entries()) {\n for (const [pi, part] of (candidate.content?.parts || []).entries()) {\n console.log("Candidate/part", ci, pi, JSON.stringify(part));\n const blob = part.inlineData || part.inline_data;\n if (blob?.data) {\n const mime = blob.mimeType || blob.mime_type;\n const suffix = ({"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"})[mime] || "bin";\n saveBlob(blob.data, suffix, `candidate-${ci}-part-${pi}`);\n }\n }\n }\n}\n\nsaveResult(resp);\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',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 glm-5.3, glm, glm-5, glm-5.1, glm-5.2, glm-latest
Ailoot Ultra glm-5.3, z-ai/glm-5.3, ~z-ai/glm-latest
/chat/completions
z-ai/glm-5.3, glm, glm-5, glm-5.1, glm-5.2, glm-latest, ~z-ai/glm-latest, glm-5.3, glm-5.3
glm-5Z.ai GLM 5.3 ist ein Textmodell mit Schlussfolgerungsfähigkeiten 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; der Denkmodus ist durchgehend aktiv.
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 Schlussfolgerungsfähigkeiten für komplexe Softwareentwicklung und langfristige Agentenarbeit. Laut Hersteller verwendet es dasselbe Basismodell wie GLM 5.2; die neuen Verbesserungen stammen aus dem Nachtraining. Die Veröffentlichung konzentriert sich auf stärkeres Programmieren, Terminaloperationen und umfassendere Aufgaben mit mehreren voneinander abhängigen Schritten. Das Modell nimmt Text entgegen und erzeugt Text, darunter Code, Erklärungen, Pläne und Anfragen für Werkzeugaufrufe in einer an Werkzeuge angebundenen Anwendung.
Der dokumentierte Denkmodus ist immer aktiv. GLM 5.3 bietet drei Aufwandsstufen: low, high und max, wobei max der Standard ist. Der Hersteller empfiehlt max für komplexe Programmierarbeit; low bietet eine weniger aufwendige Denkoption für einfachere Schritte. Verbinden Sie die ausgewählte Stufe mit einem klaren Endergebnis und Abschlusskriterien. Zum Beispiel: „Untersuche diese Dateien und fehlgeschlagenen Ergebnisse, verfolge die Ursache durch die betroffenen Module, schlage eine Korrektur vor, die die öffentliche Schnittstelle erhält, und erkläre, welche Prüfungen belegen, dass die Regression behoben ist.“
Der Hersteller nennt ein Kontextfenster von 1M Tokens und eine maximale Ausgabelänge von 128K Tokens. Ordnen Sie umfangreiches Material um den Zusammenhang herum an, den das Modell untersuchen muss. Erhalten Sie Dateinamen, relevante Definitionen, Quellenbeschriftungen und die Reihenfolge der Beobachtungen und lassen Sie innerhalb des geltenden Arbeitskontexts Platz für den Gedankengang und die abschließende Antwort. Ein großes Fenster ist für Abhängigkeiten zwischen Modulen oder eine lange Folge von Agentenbeobachtungen nützlich; es macht ein ungeordnetes Archiv sachfremden Materials nicht zu einer klar definierten Aufgabe.
Stellen Sie bei Repository-Arbeit das erwartete Verhalten, den relevanten Quelltext, Abhängigkeitsversionen und die tatsächliche Fehlerausgabe bereit. Bitten Sie das Modell, das betroffene Verhalten zu benennen, bevor es einen Patch vorschlägt. Nennen Sie bei einer Umstrukturierung die Schnittstelle und Invarianten, die erhalten bleiben müssen. Eine brauchbare Antwort enthält den überarbeiteten Code, die Erklärung, warum die Änderung das beobachtete Problem behebt, und die Fälle, die zur Prüfung des Ergebnisses nötig sind. Speisen Sie tatsächliche Ergebnisse wieder in den werkzeuggestützten Ablauf ein, damit der nächste Schritt vom veränderten Zustand statt vom früheren Vorschlag ausgeht.
Stellen Sie bei Leistungsoptimierungen eine Arbeitslast, eine Ausgangsbasis und Messungen wie Laufzeiten, Profile oder Speicherbelegungsprotokolle bereit. Z.ai beschreibt Trainingsaufgaben zur Engpassdiagnose, Optimierung, zu Experimenten und zu Ergebnissen, die die Korrektheit erhalten. Eine praktische Anfrage lautet: „Nutze dieses Profil, um den folgenreichsten Engpass zu identifizieren, schlage eine messbare Änderung vor und erkläre, welches Ergebnis ihre Beibehaltung rechtfertigen würde.“ Unterscheiden Sie eine Leistungshypothese von einer protokollierten Verbesserung. Behalten Sie bei der Ergebnisprüfung dieselbe Arbeitslast und die relevanten Bedingungen bei.
Die Veröffentlichung erweitert außerdem die Fähigkeiten zur Schwachstellenanalyse. Stellen Sie für eine defensive Quellcodeprüfung den relevanten Code, seine vorgesehenen Vertrauensgrenzen und die Ausführungsbedingungen bereit. Fordern Sie einen Befund an, der ein vermutetes Problem mit der betroffenen Eingabe, dem Verhalten und einer gezielten Behebung verknüpft. Trennen Sie eine mögliche Schwäche von einem reproduzierten Fehler und bewahren Sie die zur Validierung verwendete Beobachtung auf. Ein Bericht ist nützlicher, wenn er konkrete Belege und vorgeschlagene Korrekturen priorisiert, statt jedes verdächtige Muster als bestätigte Schwachstelle zu behandeln.
Funktionsaufrufe ermöglichen einer umgebenden Anwendung, dem Modell externe Vorgänge bereitzustellen. Definieren Sie Zweck, Argumente und erwartetes Ergebnis jedes Werkzeugs und geben Sie anschließend die tatsächliche Werkzeugbeobachtung für den nächsten Schritt zurück. Das Modell kann dieses Ergebnis durchdenken und entscheiden, wie es die Aufgabe verändert. Halten Sie vorgeschlagene Handlungen, ausgeführte Vorgänge und ungeklärte Prüfungen unterscheidbar. Der Hersteller dokumentiert außerdem Streaming-Antworten, die Fragmente des Gedankengangs und der Antwort getrennt zurückgeben; setzen Sie die vollständige Antwort zusammen, bevor Sie sie als Abschlussbericht oder Codeerklärung behandeln.
Die lokale Modellkarte enthält ein konkretes Detail zur Verlaufseinstellung: Ihre Chat-Vorlage behält Gedankengänge standardmäßig bei, während der Hersteller für gewöhnliche Chatszenarien empfiehlt, alte Gedankengänge ausdrücklich zu löschen. Wenden Sie die für den Anwendungsfall passende Gesprächsstruktur an und bewahren Sie die tatsächlich abgeschlossenen Antworten und Werkzeugergebnisse auf, die für die Fortsetzung nötig sind. Behandeln Sie Einstellungen zur Denksteuerung aus GLM 5.2 oder den eigenständigen GLM-5.3-Flash-Ausgaben nicht als austauschbar mit den low/high/max-Steuerungen dieses Modells.
Geben Sie für strukturierte Ergebnisse die erwarteten Felder, Typen und Quellenregeln an. Ein brauchbares Arbeitsergebnis kann eine Fehlertabelle, ein Änderungsplan oder ein JSON-Objekt mit zusammengefassten Beobachtungen sein. Validieren Sie sowohl die Struktur als auch die Werte, bevor eine Anwendung sie verwendet. Das Endergebnis sollte die Antwort oder das überarbeitete Arbeitsergebnis, die stützenden Belege und die verbleibenden Annahmen benennen. Mehr Denkaufwand belegt weder, dass ein Werkzeug ausgeführt wurde, noch dass ein vorgeschlagener Patch seine Prüfungen bestanden hat oder eine Tatsachenbehauptung über das bereitgestellte Material hinaus belegt ist.
POST /v1/messagestexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits glm-5 | Standard— |
Feldmessages | Typmessage[] | AnforderungErforderlich | Werte und Limits Mindestanzahl Elemente: 1 | Standard— |
Feldmessages[].role | Typstring | AnforderungErforderlich | Werte und Limits user, assistant | Standard— |
Feldmessages[].content | Typstring|content_block[] | AnforderungErforderlich | Werte und Limits | Standard— |
Feldsystem | Typstring|content_block[] | AnforderungOptional | Werte und Limits | Standard— |
Feldmax_tokens | Typinteger | AnforderungErforderlich | Werte und Limits Minimum: 1 Limit gilt für: Genaue Obergrenze des ausgewählten Modells bzw. seiner Modellkarte | Standard— |
Feldstream | Typboolean | AnforderungOptional | Werte und Limits | Standardfalse |
Feldtemperature | Typnumber | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtop_p | Typnumber | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldstop_sequences | Typstring[] | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtools | Typtool[] | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtools[].name | Typstring | AnforderungOptional | Werte und Limits Gilt, wenn: Werkzeug bereitgestellt | Standard— |
Feldtools[].description | Typstring | AnforderungOptional | Werte und Limits | Standard— |
Feldtools[].input_schema | TypJSON_schema | AnforderungOptional | Werte und Limits | Standard— |
Feldtool_choice | Typobject | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldthinking.type | Typstring | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldthinking.budget_tokens | Typinteger | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldoutput_config.effort | Typstring | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldmetadata | Typobject | AnforderungOptional | Werte und Limits | Standard— |
Feldcache_control | Typobject | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Text · UTF8-Text
messages[].content oder Block mit type=text
| Parameter | Vertrag |
|---|---|
Parametermaterial_types | Vertragtext |
Parameterrequired | Vertragmodel, messages, max_tokens |
Parameteroptional_controls | Vertragnull |
Parametercontent_type | Vertragapplication/json |
Parametertext_file_material | VertragTatsächlicher UTF-8-Inhalt wird als Text eingefügt; Datei-IDs/URLs müssen separat und exakt unterstützt werden |
Lebenszyklus: exact retained published method
Methodenstrukturen und IDs sind exakt; die Fähigkeiten des Anbieters sind von der Zulassung einer Anfrage zu unterscheiden.
POST /v1/messagesAiloot 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 →
Referenztarifstaffeln auf Modellebene ändern weder Methodenauswahl noch Kostenvoranschläge oder Gebühren. Für die aktive Abrechnung gelten die Tarife der ausgewählten Ailoot-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 |
|---|---|---|---|---|
| KonfigurationOpenAI Chat · Token-Basispreise | TarifstaffelGrundtarif | Kontexttoken, mehr als— | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.0028 / 1K Token Ausgabe · Ausgabetoken $0.0088 / 1K Token Eingabe · Cache-Lesen $0.00052 / 1K Token Eingabe · Cache-Schreiben — / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
| KonfigurationOpenAI Chat · Stufe 1 nach Anfragelänge | Tarifstaffel— | Kontexttoken, mehr als0 | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.0028 / 1K Token Ausgabe · Ausgabetoken $0.0088 / 1K Token Eingabe · Cache-Lesen $0.00052 / 1K Token Eingabe · Cache-Schreiben — / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
| KonfigurationAnthropic Messages · Token-Basispreise | TarifstaffelGrundtarif | Kontexttoken, mehr als— | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.0028 / 1K Token Ausgabe · Ausgabetoken $0.0088 / 1K Token Eingabe · Cache-Lesen $0.00052 / 1K Token Eingabe · Cache-Schreiben — / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
| KonfigurationAnthropic Messages · Stufe 1 nach Anfragelänge | Tarifstaffel— | Kontexttoken, mehr als0 | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.0028 / 1K Token Ausgabe · Ausgabetoken $0.0088 / 1K Token Eingabe · Cache-Lesen $0.00052 / 1K Token Eingabe · Cache-Schreiben — / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 source-material file}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "glm-5", "max_tokens": 1024, "messages": []}')\nf=Path(os.environ["AILOOT_TEXT_FILE"])\nif not f.is_file():raise SystemExit("Choose your actual UTF-8 source material")\ntext=f.read_text(encoding="utf-8")\nif not text.strip():raise SystemExit("Source material must contain text")\np["messages"]=[{"role":"user","content":"Summarize this material and quote supporting source passages.\\n\\n"+text}]\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/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\nprint(json.dumps(json.loads(Path("result.json").read_text()),ensure_ascii=False,indent=2))\nPY_RESULT\nimport anthropic\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient = anthropic.Anthropic(base_url="https://api.ailoot.ai", api_key=os.environ["AILOOT_API_KEY"], max_retries=0)\nmsg = client.messages.create(\n model="glm-5",\n max_tokens=1024,\n messages=[{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}],\n)\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(msg.to_dict(mode="json"))\nimport Anthropic from "@anthropic-ai/sdk";\n\nif (!process.env.AILOOT_API_KEY?.trim()) throw new Error("Set AILOOT_API_KEY before making a request");\nconst client = new Anthropic({ baseURL: "https://api.ailoot.ai", apiKey: process.env.AILOOT_API_KEY, maxRetries: 0 });\nconst msg = await client.messages.create({\n model: "glm-5",\n max_tokens: 1024,\n messages: [{ role: "user", content: "Explain the difference between an observation and a hypothesis in three sentences." }],\n});\nimport { writeFileSync } from "node:fs";\n\nfunction saveResult(data, stem = "result") {\n writeFileSync(stem + ".json", JSON.stringify(data, null, 2));\n console.log(JSON.stringify(data, null, 2));\n const saveBlob = (encoded, suffix, label) => {\n const raw = Buffer.from(encoded, "base64");\n const ext = raw.subarray(0,8).equals(Buffer.from([137,80,78,71,13,10,26,10])) ? "png" : raw[0]===255 && raw[1]===216 ? "jpg" : raw.subarray(0,4).toString()==="RIFF" && raw.subarray(8,12).toString()==="WEBP" ? "webp" : suffix;\n const file = `${stem}-${label}.${ext}`;\n writeFileSync(file, raw); console.log("Saved", file);\n };\n for (const [i, block] of (data.content || []).entries()) console.log("Content", i, JSON.stringify(block));\n for (const choice of data.choices || []) console.log("Choice", choice.index, JSON.stringify(choice.message || choice.delta || {}));\n for (const [i, item] of (data.output || []).entries()) {\n console.log("Output", i, JSON.stringify(item));\n if (item.type === "image_generation_call" && item.result) saveBlob(item.result, item.output_format || "bin", `output-${i}`);\n }\n for (const [ci, candidate] of (data.candidates || []).entries()) {\n for (const [pi, part] of (candidate.content?.parts || []).entries()) {\n console.log("Candidate/part", ci, pi, JSON.stringify(part));\n const blob = part.inlineData || part.inline_data;\n if (blob?.data) {\n const mime = blob.mimeType || blob.mime_type;\n const suffix = ({"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"})[mime] || "bin";\n saveBlob(blob.data, suffix, `candidate-${ci}-part-${pi}`);\n }\n }\n }\n}\n\nsaveResult(msg);\nimport anthropic,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=anthropic.Anthropic(base_url="https://api.ailoot.ai",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.messages.stream(model='glm-5',max_tokens=1024,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_message()\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 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 glm-5.3, glm, glm-5, glm-5.1, glm-5.2, glm-latest
Ailoot Ultra glm-5.3, z-ai/glm-5.3, ~z-ai/glm-latest
/chat/completions
z-ai/glm-5.3, glm, glm-5, glm-5.1, glm-5.2, glm-latest, ~z-ai/glm-latest, glm-5.3, glm-5.3
glm-5Z.ai GLM 5.3 ist ein Textmodell mit Schlussfolgerungsfähigkeiten 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; der Denkmodus ist durchgehend aktiv.
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 Schlussfolgerungsfähigkeiten für komplexe Softwareentwicklung und langfristige Agentenarbeit. Laut Hersteller verwendet es dasselbe Basismodell wie GLM 5.2; die neuen Verbesserungen stammen aus dem Nachtraining. Die Veröffentlichung konzentriert sich auf stärkeres Programmieren, Terminaloperationen und umfassendere Aufgaben mit mehreren voneinander abhängigen Schritten. Das Modell nimmt Text entgegen und erzeugt Text, darunter Code, Erklärungen, Pläne und Anfragen für Werkzeugaufrufe in einer an Werkzeuge angebundenen Anwendung.
Der dokumentierte Denkmodus ist immer aktiv. GLM 5.3 bietet drei Aufwandsstufen: low, high und max, wobei max der Standard ist. Der Hersteller empfiehlt max für komplexe Programmierarbeit; low bietet eine weniger aufwendige Denkoption für einfachere Schritte. Verbinden Sie die ausgewählte Stufe mit einem klaren Endergebnis und Abschlusskriterien. Zum Beispiel: „Untersuche diese Dateien und fehlgeschlagenen Ergebnisse, verfolge die Ursache durch die betroffenen Module, schlage eine Korrektur vor, die die öffentliche Schnittstelle erhält, und erkläre, welche Prüfungen belegen, dass die Regression behoben ist.“
Der Hersteller nennt ein Kontextfenster von 1M Tokens und eine maximale Ausgabelänge von 128K Tokens. Ordnen Sie umfangreiches Material um den Zusammenhang herum an, den das Modell untersuchen muss. Erhalten Sie Dateinamen, relevante Definitionen, Quellenbeschriftungen und die Reihenfolge der Beobachtungen und lassen Sie innerhalb des geltenden Arbeitskontexts Platz für den Gedankengang und die abschließende Antwort. Ein großes Fenster ist für Abhängigkeiten zwischen Modulen oder eine lange Folge von Agentenbeobachtungen nützlich; es macht ein ungeordnetes Archiv sachfremden Materials nicht zu einer klar definierten Aufgabe.
Stellen Sie bei Repository-Arbeit das erwartete Verhalten, den relevanten Quelltext, Abhängigkeitsversionen und die tatsächliche Fehlerausgabe bereit. Bitten Sie das Modell, das betroffene Verhalten zu benennen, bevor es einen Patch vorschlägt. Nennen Sie bei einer Umstrukturierung die Schnittstelle und Invarianten, die erhalten bleiben müssen. Eine brauchbare Antwort enthält den überarbeiteten Code, die Erklärung, warum die Änderung das beobachtete Problem behebt, und die Fälle, die zur Prüfung des Ergebnisses nötig sind. Speisen Sie tatsächliche Ergebnisse wieder in den werkzeuggestützten Ablauf ein, damit der nächste Schritt vom veränderten Zustand statt vom früheren Vorschlag ausgeht.
Stellen Sie bei Leistungsoptimierungen eine Arbeitslast, eine Ausgangsbasis und Messungen wie Laufzeiten, Profile oder Speicherbelegungsprotokolle bereit. Z.ai beschreibt Trainingsaufgaben zur Engpassdiagnose, Optimierung, zu Experimenten und zu Ergebnissen, die die Korrektheit erhalten. Eine praktische Anfrage lautet: „Nutze dieses Profil, um den folgenreichsten Engpass zu identifizieren, schlage eine messbare Änderung vor und erkläre, welches Ergebnis ihre Beibehaltung rechtfertigen würde.“ Unterscheiden Sie eine Leistungshypothese von einer protokollierten Verbesserung. Behalten Sie bei der Ergebnisprüfung dieselbe Arbeitslast und die relevanten Bedingungen bei.
Die Veröffentlichung erweitert außerdem die Fähigkeiten zur Schwachstellenanalyse. Stellen Sie für eine defensive Quellcodeprüfung den relevanten Code, seine vorgesehenen Vertrauensgrenzen und die Ausführungsbedingungen bereit. Fordern Sie einen Befund an, der ein vermutetes Problem mit der betroffenen Eingabe, dem Verhalten und einer gezielten Behebung verknüpft. Trennen Sie eine mögliche Schwäche von einem reproduzierten Fehler und bewahren Sie die zur Validierung verwendete Beobachtung auf. Ein Bericht ist nützlicher, wenn er konkrete Belege und vorgeschlagene Korrekturen priorisiert, statt jedes verdächtige Muster als bestätigte Schwachstelle zu behandeln.
Funktionsaufrufe ermöglichen einer umgebenden Anwendung, dem Modell externe Vorgänge bereitzustellen. Definieren Sie Zweck, Argumente und erwartetes Ergebnis jedes Werkzeugs und geben Sie anschließend die tatsächliche Werkzeugbeobachtung für den nächsten Schritt zurück. Das Modell kann dieses Ergebnis durchdenken und entscheiden, wie es die Aufgabe verändert. Halten Sie vorgeschlagene Handlungen, ausgeführte Vorgänge und ungeklärte Prüfungen unterscheidbar. Der Hersteller dokumentiert außerdem Streaming-Antworten, die Fragmente des Gedankengangs und der Antwort getrennt zurückgeben; setzen Sie die vollständige Antwort zusammen, bevor Sie sie als Abschlussbericht oder Codeerklärung behandeln.
Die lokale Modellkarte enthält ein konkretes Detail zur Verlaufseinstellung: Ihre Chat-Vorlage behält Gedankengänge standardmäßig bei, während der Hersteller für gewöhnliche Chatszenarien empfiehlt, alte Gedankengänge ausdrücklich zu löschen. Wenden Sie die für den Anwendungsfall passende Gesprächsstruktur an und bewahren Sie die tatsächlich abgeschlossenen Antworten und Werkzeugergebnisse auf, die für die Fortsetzung nötig sind. Behandeln Sie Einstellungen zur Denksteuerung aus GLM 5.2 oder den eigenständigen GLM-5.3-Flash-Ausgaben nicht als austauschbar mit den low/high/max-Steuerungen dieses Modells.
Geben Sie für strukturierte Ergebnisse die erwarteten Felder, Typen und Quellenregeln an. Ein brauchbares Arbeitsergebnis kann eine Fehlertabelle, ein Änderungsplan oder ein JSON-Objekt mit zusammengefassten Beobachtungen sein. Validieren Sie sowohl die Struktur als auch die Werte, bevor eine Anwendung sie verwendet. Das Endergebnis sollte die Antwort oder das überarbeitete Arbeitsergebnis, die stützenden Belege und die verbleibenden Annahmen benennen. Mehr Denkaufwand belegt weder, dass ein Werkzeug ausgeführt wurde, noch dass ein vorgeschlagener Patch seine Prüfungen bestanden hat oder eine Tatsachenbehauptung über das bereitgestellte Material hinaus belegt ist.
POST /v1/responsestexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits glm-5 | Standard— |
Feldinput | Typstring|input_item[] | AnforderungErforderlich | Werte und Limits | Standard— |
Feldinstructions | Typstring | AnforderungOptional | Werte und Limits | Standard— |
Feldinput[].type | Typstring | AnforderungOptional | Werte und Limits message, reasoning, function_call, function_call_output | Standard— |
Feldinput[].content | Typstring|content_part[] | AnforderungOptional | Werte und Limits | Standard— |
Feldinput[].call_id | Typstring | AnforderungOptional | Werte und Limits Gilt, wenn: function_call_output; den tatsächlich zurückgegebenen Wert von call_id beibehalten | Standard— |
Feldinput[].output | Typstring|content_part[] | AnforderungOptional | Werte und Limits Gilt, wenn: function_call_output | Standard— |
Feldmax_output_tokens | Typinteger | AnforderungOptional | Werte und Limits Minimum: 1 Modellabhängig | Standard— |
Feldstream | Typboolean | AnforderungOptional | Werte und Limits | Standardfalse |
Feldtemperature | Typnumber | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtop_p | Typnumber | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtools | Typtool[] | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtool_choice | Typstring|object | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldparallel_tool_calls | Typboolean | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldreasoning.effort | Typstring | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldreasoning.summary | Typstring | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtext.format | Typobject | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtext.verbosity | Typstring | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldinclude | Typstring[] | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldstore | Typboolean | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldprevious_response_id | Typstring | AnforderungOptional | Werte und Limits ID-Anforderung: Nur eine tatsächliche Antwort-ID aus einer unterstützten Fortsetzung Modellabhängig | Standard— |
Feldservice_tier | Typstring | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldprompt_cache_key | Typstring | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldprompt_cache_options | Typobject | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Text · UTF8-Text
Eingabetext oder input_text-Teil
| Parameter | Vertrag |
|---|---|
Parametermaterial_types | Vertragtext |
Parameterrequired | Vertragmodel, input |
Parameteroptional_controls | Vertragnull |
Parametercontent_type | Vertragapplication/json |
Parametertext_file_material | VertragTatsächlicher UTF-8-Inhalt wird als Text eingefügt; Datei-IDs/URLs müssen separat und exakt unterstützt werden |
Lebenszyklus: exact retained published method
Methodenstrukturen und IDs sind exakt; die Fähigkeiten des Anbieters sind von der Zulassung einer Anfrage zu unterscheiden.
POST /v1/responsesAiloot 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 →
Referenztarifstaffeln auf Modellebene ändern weder Methodenauswahl noch Kostenvoranschläge oder Gebühren. Für die aktive Abrechnung gelten die Tarife der ausgewählten Ailoot-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 |
|---|---|---|---|---|
| KonfigurationOpenAI Chat · Token-Basispreise | TarifstaffelGrundtarif | Kontexttoken, mehr als— | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.0028 / 1K Token Ausgabe · Ausgabetoken $0.0088 / 1K Token Eingabe · Cache-Lesen $0.00052 / 1K Token Eingabe · Cache-Schreiben — / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
| KonfigurationOpenAI Chat · Stufe 1 nach Anfragelänge | Tarifstaffel— | Kontexttoken, mehr als0 | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.0028 / 1K Token Ausgabe · Ausgabetoken $0.0088 / 1K Token Eingabe · Cache-Lesen $0.00052 / 1K Token Eingabe · Cache-Schreiben — / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
| KonfigurationAnthropic Messages · Token-Basispreise | TarifstaffelGrundtarif | Kontexttoken, mehr als— | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.0028 / 1K Token Ausgabe · Ausgabetoken $0.0088 / 1K Token Eingabe · Cache-Lesen $0.00052 / 1K Token Eingabe · Cache-Schreiben — / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
| KonfigurationAnthropic Messages · Stufe 1 nach Anfragelänge | Tarifstaffel— | Kontexttoken, mehr als0 | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.0028 / 1K Token Ausgabe · Ausgabetoken $0.0088 / 1K Token Eingabe · Cache-Lesen $0.00052 / 1K Token Eingabe · Cache-Schreiben — / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 source-material file}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "glm-5", "input": ""}')\nf=Path(os.environ["AILOOT_TEXT_FILE"])\nif not f.is_file():raise SystemExit("Choose your actual UTF-8 source material")\ntext=f.read_text(encoding="utf-8")\nif not text.strip():raise SystemExit("Source material must contain text")\np["input"]="Summarize this material and quote supporting source passages.\\n\\n"+text\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/responses \\\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 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(json.loads(Path("result.json").read_text(encoding="utf-8")))\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)\nresp = client.responses.create(model="glm-5", input="Explain the difference between an observation and a hypothesis 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(resp.to_dict(mode="json"))\nimport OpenAI from "openai";\n\nif (!process.env.AILOOT_API_KEY?.trim()) throw new Error("Set AILOOT_API_KEY before making a request");\nconst client = new OpenAI({ baseURL: "https://api.ailoot.ai/v1", apiKey: process.env.AILOOT_API_KEY, maxRetries: 0 });\nconst resp = await client.responses.create({ model: "glm-5", input: "Explain the difference between an observation and a hypothesis in three sentences." });\nimport { writeFileSync } from "node:fs";\n\nfunction saveResult(data, stem = "result") {\n writeFileSync(stem + ".json", JSON.stringify(data, null, 2));\n console.log(JSON.stringify(data, null, 2));\n const saveBlob = (encoded, suffix, label) => {\n const raw = Buffer.from(encoded, "base64");\n const ext = raw.subarray(0,8).equals(Buffer.from([137,80,78,71,13,10,26,10])) ? "png" : raw[0]===255 && raw[1]===216 ? "jpg" : raw.subarray(0,4).toString()==="RIFF" && raw.subarray(8,12).toString()==="WEBP" ? "webp" : suffix;\n const file = `${stem}-${label}.${ext}`;\n writeFileSync(file, raw); console.log("Saved", file);\n };\n for (const [i, block] of (data.content || []).entries()) console.log("Content", i, JSON.stringify(block));\n for (const choice of data.choices || []) console.log("Choice", choice.index, JSON.stringify(choice.message || choice.delta || {}));\n for (const [i, item] of (data.output || []).entries()) {\n console.log("Output", i, JSON.stringify(item));\n if (item.type === "image_generation_call" && item.result) saveBlob(item.result, item.output_format || "bin", `output-${i}`);\n }\n for (const [ci, candidate] of (data.candidates || []).entries()) {\n for (const [pi, part] of (candidate.content?.parts || []).entries()) {\n console.log("Candidate/part", ci, pi, JSON.stringify(part));\n const blob = part.inlineData || part.inline_data;\n if (blob?.data) {\n const mime = blob.mimeType || blob.mime_type;\n const suffix = ({"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"})[mime] || "bin";\n saveBlob(blob.data, suffix, `candidate-${ci}-part-${pi}`);\n }\n }\n }\n}\n\nsaveResult(resp);\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\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\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)\nwith client.responses.stream(model="glm-5", input="Explain the difference between an observation and a hypothesis 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_response()\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 Ausgabeelemente und Inhaltsteile, die tatsächliche call_id der Funktion, verschlüsselte Reasoning-Daten und Verbrauchsdaten beibehalten. Beim Streaming die vollständige Identität von Ereignis und Element bewahren.
Anfrage- und Antwort-IDs sowie Header beibehalten. Eine allgemeine URL zum Abrufen von Textaufträgen wird nicht angegeben.
| Feld | Typ |
|---|---|
Feldid | Typstring |
Feldstatus | Typstring |
Feldoutput[] | Typmessage|reasoning|function_call|other item |
Feldoutput[].content[] | Typcontent part |
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 glm-5.3, glm, glm-5, glm-5.1, glm-5.2, glm-latest
Ailoot Ultra glm-5.3, z-ai/glm-5.3, ~z-ai/glm-latest
/chat/completions
z-ai/glm-5.3, glm, glm-5, glm-5.1, glm-5.2, glm-latest, ~z-ai/glm-latest, glm-5.3, glm-5.3
glm-5Z.ai GLM 5.3 ist ein Textmodell mit Schlussfolgerungsfähigkeiten 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; der Denkmodus ist durchgehend aktiv.
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 Schlussfolgerungsfähigkeiten für komplexe Softwareentwicklung und langfristige Agentenarbeit. Laut Hersteller verwendet es dasselbe Basismodell wie GLM 5.2; die neuen Verbesserungen stammen aus dem Nachtraining. Die Veröffentlichung konzentriert sich auf stärkeres Programmieren, Terminaloperationen und umfassendere Aufgaben mit mehreren voneinander abhängigen Schritten. Das Modell nimmt Text entgegen und erzeugt Text, darunter Code, Erklärungen, Pläne und Anfragen für Werkzeugaufrufe in einer an Werkzeuge angebundenen Anwendung.
Der dokumentierte Denkmodus ist immer aktiv. GLM 5.3 bietet drei Aufwandsstufen: low, high und max, wobei max der Standard ist. Der Hersteller empfiehlt max für komplexe Programmierarbeit; low bietet eine weniger aufwendige Denkoption für einfachere Schritte. Verbinden Sie die ausgewählte Stufe mit einem klaren Endergebnis und Abschlusskriterien. Zum Beispiel: „Untersuche diese Dateien und fehlgeschlagenen Ergebnisse, verfolge die Ursache durch die betroffenen Module, schlage eine Korrektur vor, die die öffentliche Schnittstelle erhält, und erkläre, welche Prüfungen belegen, dass die Regression behoben ist.“
Der Hersteller nennt ein Kontextfenster von 1M Tokens und eine maximale Ausgabelänge von 128K Tokens. Ordnen Sie umfangreiches Material um den Zusammenhang herum an, den das Modell untersuchen muss. Erhalten Sie Dateinamen, relevante Definitionen, Quellenbeschriftungen und die Reihenfolge der Beobachtungen und lassen Sie innerhalb des geltenden Arbeitskontexts Platz für den Gedankengang und die abschließende Antwort. Ein großes Fenster ist für Abhängigkeiten zwischen Modulen oder eine lange Folge von Agentenbeobachtungen nützlich; es macht ein ungeordnetes Archiv sachfremden Materials nicht zu einer klar definierten Aufgabe.
Stellen Sie bei Repository-Arbeit das erwartete Verhalten, den relevanten Quelltext, Abhängigkeitsversionen und die tatsächliche Fehlerausgabe bereit. Bitten Sie das Modell, das betroffene Verhalten zu benennen, bevor es einen Patch vorschlägt. Nennen Sie bei einer Umstrukturierung die Schnittstelle und Invarianten, die erhalten bleiben müssen. Eine brauchbare Antwort enthält den überarbeiteten Code, die Erklärung, warum die Änderung das beobachtete Problem behebt, und die Fälle, die zur Prüfung des Ergebnisses nötig sind. Speisen Sie tatsächliche Ergebnisse wieder in den werkzeuggestützten Ablauf ein, damit der nächste Schritt vom veränderten Zustand statt vom früheren Vorschlag ausgeht.
Stellen Sie bei Leistungsoptimierungen eine Arbeitslast, eine Ausgangsbasis und Messungen wie Laufzeiten, Profile oder Speicherbelegungsprotokolle bereit. Z.ai beschreibt Trainingsaufgaben zur Engpassdiagnose, Optimierung, zu Experimenten und zu Ergebnissen, die die Korrektheit erhalten. Eine praktische Anfrage lautet: „Nutze dieses Profil, um den folgenreichsten Engpass zu identifizieren, schlage eine messbare Änderung vor und erkläre, welches Ergebnis ihre Beibehaltung rechtfertigen würde.“ Unterscheiden Sie eine Leistungshypothese von einer protokollierten Verbesserung. Behalten Sie bei der Ergebnisprüfung dieselbe Arbeitslast und die relevanten Bedingungen bei.
Die Veröffentlichung erweitert außerdem die Fähigkeiten zur Schwachstellenanalyse. Stellen Sie für eine defensive Quellcodeprüfung den relevanten Code, seine vorgesehenen Vertrauensgrenzen und die Ausführungsbedingungen bereit. Fordern Sie einen Befund an, der ein vermutetes Problem mit der betroffenen Eingabe, dem Verhalten und einer gezielten Behebung verknüpft. Trennen Sie eine mögliche Schwäche von einem reproduzierten Fehler und bewahren Sie die zur Validierung verwendete Beobachtung auf. Ein Bericht ist nützlicher, wenn er konkrete Belege und vorgeschlagene Korrekturen priorisiert, statt jedes verdächtige Muster als bestätigte Schwachstelle zu behandeln.
Funktionsaufrufe ermöglichen einer umgebenden Anwendung, dem Modell externe Vorgänge bereitzustellen. Definieren Sie Zweck, Argumente und erwartetes Ergebnis jedes Werkzeugs und geben Sie anschließend die tatsächliche Werkzeugbeobachtung für den nächsten Schritt zurück. Das Modell kann dieses Ergebnis durchdenken und entscheiden, wie es die Aufgabe verändert. Halten Sie vorgeschlagene Handlungen, ausgeführte Vorgänge und ungeklärte Prüfungen unterscheidbar. Der Hersteller dokumentiert außerdem Streaming-Antworten, die Fragmente des Gedankengangs und der Antwort getrennt zurückgeben; setzen Sie die vollständige Antwort zusammen, bevor Sie sie als Abschlussbericht oder Codeerklärung behandeln.
Die lokale Modellkarte enthält ein konkretes Detail zur Verlaufseinstellung: Ihre Chat-Vorlage behält Gedankengänge standardmäßig bei, während der Hersteller für gewöhnliche Chatszenarien empfiehlt, alte Gedankengänge ausdrücklich zu löschen. Wenden Sie die für den Anwendungsfall passende Gesprächsstruktur an und bewahren Sie die tatsächlich abgeschlossenen Antworten und Werkzeugergebnisse auf, die für die Fortsetzung nötig sind. Behandeln Sie Einstellungen zur Denksteuerung aus GLM 5.2 oder den eigenständigen GLM-5.3-Flash-Ausgaben nicht als austauschbar mit den low/high/max-Steuerungen dieses Modells.
Geben Sie für strukturierte Ergebnisse die erwarteten Felder, Typen und Quellenregeln an. Ein brauchbares Arbeitsergebnis kann eine Fehlertabelle, ein Änderungsplan oder ein JSON-Objekt mit zusammengefassten Beobachtungen sein. Validieren Sie sowohl die Struktur als auch die Werte, bevor eine Anwendung sie verwendet. Das Endergebnis sollte die Antwort oder das überarbeitete Arbeitsergebnis, die stützenden Belege und die verbleibenden Annahmen benennen. Mehr Denkaufwand belegt weder, dass ein Werkzeug ausgeführt wurde, noch dass ein vorgeschlagener Patch seine Prüfungen bestanden hat oder eine Tatsachenbehauptung über das bereitgestellte Material hinaus belegt ist.
POST /v1/chat/completionstexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits glm-5 | 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 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— |
Text · UTF8-Text
messages[].content
| Parameter | Vertrag |
|---|---|
Parametermaterial_types | Vertragtext |
Parameterrequired | Vertragmodel, messages |
Parameteroptional_controls | Vertragnull |
Parametercontent_type | Vertragapplication/json |
Parametertext_file_material | VertragTatsächlicher UTF-8-Inhalt wird als Text eingefügt; Datei-IDs/URLs müssen separat und exakt unterstützt werden |
Lebenszyklus: exact retained published method
Methodenstrukturen und IDs sind exakt; die Fähigkeiten des Anbieters sind von der Zulassung einer Anfrage zu unterscheiden.
POST /v1/chat/completionsAiloot 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 →
Referenztarifstaffeln auf Modellebene ändern weder Methodenauswahl noch Kostenvoranschläge oder Gebühren. Für die aktive Abrechnung gelten die Tarife der ausgewählten Ailoot-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 |
|---|---|---|---|---|
| KonfigurationOpenAI Chat · Token-Basispreise | TarifstaffelGrundtarif | Kontexttoken, mehr als— | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.0028 / 1K Token Ausgabe · Ausgabetoken $0.0088 / 1K Token Eingabe · Cache-Lesen $0.00052 / 1K Token Eingabe · Cache-Schreiben — / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
| KonfigurationOpenAI Chat · Stufe 1 nach Anfragelänge | Tarifstaffel— | Kontexttoken, mehr als0 | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.0028 / 1K Token Ausgabe · Ausgabetoken $0.0088 / 1K Token Eingabe · Cache-Lesen $0.00052 / 1K Token Eingabe · Cache-Schreiben — / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
| KonfigurationAnthropic Messages · Token-Basispreise | TarifstaffelGrundtarif | Kontexttoken, mehr als— | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.0028 / 1K Token Ausgabe · Ausgabetoken $0.0088 / 1K Token Eingabe · Cache-Lesen $0.00052 / 1K Token Eingabe · Cache-Schreiben — / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
| KonfigurationAnthropic Messages · Stufe 1 nach Anfragelänge | Tarifstaffel— | Kontexttoken, mehr als0 | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.0028 / 1K Token Ausgabe · Ausgabetoken $0.0088 / 1K Token Eingabe · Cache-Lesen $0.00052 / 1K Token Eingabe · Cache-Schreiben — / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 source-material file}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "glm-5", "messages": []}')\nf=Path(os.environ["AILOOT_TEXT_FILE"])\nif not f.is_file():raise SystemExit("Choose your actual UTF-8 source material")\ntext=f.read_text(encoding="utf-8")\nif not text.strip():raise SystemExit("Source material must contain text")\np["messages"]=[{"role":"user","content":"Summarize this material and quote supporting source passages.\\n\\n"+text}]\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\nprint(json.dumps(json.loads(Path("result.json").read_text()),ensure_ascii=False,indent=2))\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)\nresp = client.chat.completions.create(\n model="glm-5",\n messages=[{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}],\n)\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(resp.to_dict(mode="json"))\nimport OpenAI from "openai";\n\nif (!process.env.AILOOT_API_KEY?.trim()) throw new Error("Set AILOOT_API_KEY before making a request");\nconst client = new OpenAI({ baseURL: "https://api.ailoot.ai/v1", apiKey: process.env.AILOOT_API_KEY, maxRetries: 0 });\nconst resp = await client.chat.completions.create({\n model: "glm-5",\n messages: [{ role: "user", content: "Explain the difference between an observation and a hypothesis in three sentences." }],\n});\nimport { writeFileSync } from "node:fs";\n\nfunction saveResult(data, stem = "result") {\n writeFileSync(stem + ".json", JSON.stringify(data, null, 2));\n console.log(JSON.stringify(data, null, 2));\n const saveBlob = (encoded, suffix, label) => {\n const raw = Buffer.from(encoded, "base64");\n const ext = raw.subarray(0,8).equals(Buffer.from([137,80,78,71,13,10,26,10])) ? "png" : raw[0]===255 && raw[1]===216 ? "jpg" : raw.subarray(0,4).toString()==="RIFF" && raw.subarray(8,12).toString()==="WEBP" ? "webp" : suffix;\n const file = `${stem}-${label}.${ext}`;\n writeFileSync(file, raw); console.log("Saved", file);\n };\n for (const [i, block] of (data.content || []).entries()) console.log("Content", i, JSON.stringify(block));\n for (const choice of data.choices || []) console.log("Choice", choice.index, JSON.stringify(choice.message || choice.delta || {}));\n for (const [i, item] of (data.output || []).entries()) {\n console.log("Output", i, JSON.stringify(item));\n if (item.type === "image_generation_call" && item.result) saveBlob(item.result, item.output_format || "bin", `output-${i}`);\n }\n for (const [ci, candidate] of (data.candidates || []).entries()) {\n for (const [pi, part] of (candidate.content?.parts || []).entries()) {\n console.log("Candidate/part", ci, pi, JSON.stringify(part));\n const blob = part.inlineData || part.inline_data;\n if (blob?.data) {\n const mime = blob.mimeType || blob.mime_type;\n const suffix = ({"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"})[mime] || "bin";\n saveBlob(blob.data, suffix, `candidate-${ci}-part-${pi}`);\n }\n }\n }\n}\n\nsaveResult(resp);\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-5',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 glm-5.3, glm, glm-5, glm-5.1, glm-5.2, glm-latest
Ailoot Ultra glm-5.3, z-ai/glm-5.3, ~z-ai/glm-latest
/chat/completions
z-ai/glm-5.3, glm, glm-5, glm-5.1, glm-5.2, glm-latest, ~z-ai/glm-latest, glm-5.3, glm-5.3
glm-5.1Z.ai GLM 5.3 ist ein Textmodell mit Schlussfolgerungsfähigkeiten 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; der Denkmodus ist durchgehend aktiv.
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 Schlussfolgerungsfähigkeiten für komplexe Softwareentwicklung und langfristige Agentenarbeit. Laut Hersteller verwendet es dasselbe Basismodell wie GLM 5.2; die neuen Verbesserungen stammen aus dem Nachtraining. Die Veröffentlichung konzentriert sich auf stärkeres Programmieren, Terminaloperationen und umfassendere Aufgaben mit mehreren voneinander abhängigen Schritten. Das Modell nimmt Text entgegen und erzeugt Text, darunter Code, Erklärungen, Pläne und Anfragen für Werkzeugaufrufe in einer an Werkzeuge angebundenen Anwendung.
Der dokumentierte Denkmodus ist immer aktiv. GLM 5.3 bietet drei Aufwandsstufen: low, high und max, wobei max der Standard ist. Der Hersteller empfiehlt max für komplexe Programmierarbeit; low bietet eine weniger aufwendige Denkoption für einfachere Schritte. Verbinden Sie die ausgewählte Stufe mit einem klaren Endergebnis und Abschlusskriterien. Zum Beispiel: „Untersuche diese Dateien und fehlgeschlagenen Ergebnisse, verfolge die Ursache durch die betroffenen Module, schlage eine Korrektur vor, die die öffentliche Schnittstelle erhält, und erkläre, welche Prüfungen belegen, dass die Regression behoben ist.“
Der Hersteller nennt ein Kontextfenster von 1M Tokens und eine maximale Ausgabelänge von 128K Tokens. Ordnen Sie umfangreiches Material um den Zusammenhang herum an, den das Modell untersuchen muss. Erhalten Sie Dateinamen, relevante Definitionen, Quellenbeschriftungen und die Reihenfolge der Beobachtungen und lassen Sie innerhalb des geltenden Arbeitskontexts Platz für den Gedankengang und die abschließende Antwort. Ein großes Fenster ist für Abhängigkeiten zwischen Modulen oder eine lange Folge von Agentenbeobachtungen nützlich; es macht ein ungeordnetes Archiv sachfremden Materials nicht zu einer klar definierten Aufgabe.
Stellen Sie bei Repository-Arbeit das erwartete Verhalten, den relevanten Quelltext, Abhängigkeitsversionen und die tatsächliche Fehlerausgabe bereit. Bitten Sie das Modell, das betroffene Verhalten zu benennen, bevor es einen Patch vorschlägt. Nennen Sie bei einer Umstrukturierung die Schnittstelle und Invarianten, die erhalten bleiben müssen. Eine brauchbare Antwort enthält den überarbeiteten Code, die Erklärung, warum die Änderung das beobachtete Problem behebt, und die Fälle, die zur Prüfung des Ergebnisses nötig sind. Speisen Sie tatsächliche Ergebnisse wieder in den werkzeuggestützten Ablauf ein, damit der nächste Schritt vom veränderten Zustand statt vom früheren Vorschlag ausgeht.
Stellen Sie bei Leistungsoptimierungen eine Arbeitslast, eine Ausgangsbasis und Messungen wie Laufzeiten, Profile oder Speicherbelegungsprotokolle bereit. Z.ai beschreibt Trainingsaufgaben zur Engpassdiagnose, Optimierung, zu Experimenten und zu Ergebnissen, die die Korrektheit erhalten. Eine praktische Anfrage lautet: „Nutze dieses Profil, um den folgenreichsten Engpass zu identifizieren, schlage eine messbare Änderung vor und erkläre, welches Ergebnis ihre Beibehaltung rechtfertigen würde.“ Unterscheiden Sie eine Leistungshypothese von einer protokollierten Verbesserung. Behalten Sie bei der Ergebnisprüfung dieselbe Arbeitslast und die relevanten Bedingungen bei.
Die Veröffentlichung erweitert außerdem die Fähigkeiten zur Schwachstellenanalyse. Stellen Sie für eine defensive Quellcodeprüfung den relevanten Code, seine vorgesehenen Vertrauensgrenzen und die Ausführungsbedingungen bereit. Fordern Sie einen Befund an, der ein vermutetes Problem mit der betroffenen Eingabe, dem Verhalten und einer gezielten Behebung verknüpft. Trennen Sie eine mögliche Schwäche von einem reproduzierten Fehler und bewahren Sie die zur Validierung verwendete Beobachtung auf. Ein Bericht ist nützlicher, wenn er konkrete Belege und vorgeschlagene Korrekturen priorisiert, statt jedes verdächtige Muster als bestätigte Schwachstelle zu behandeln.
Funktionsaufrufe ermöglichen einer umgebenden Anwendung, dem Modell externe Vorgänge bereitzustellen. Definieren Sie Zweck, Argumente und erwartetes Ergebnis jedes Werkzeugs und geben Sie anschließend die tatsächliche Werkzeugbeobachtung für den nächsten Schritt zurück. Das Modell kann dieses Ergebnis durchdenken und entscheiden, wie es die Aufgabe verändert. Halten Sie vorgeschlagene Handlungen, ausgeführte Vorgänge und ungeklärte Prüfungen unterscheidbar. Der Hersteller dokumentiert außerdem Streaming-Antworten, die Fragmente des Gedankengangs und der Antwort getrennt zurückgeben; setzen Sie die vollständige Antwort zusammen, bevor Sie sie als Abschlussbericht oder Codeerklärung behandeln.
Die lokale Modellkarte enthält ein konkretes Detail zur Verlaufseinstellung: Ihre Chat-Vorlage behält Gedankengänge standardmäßig bei, während der Hersteller für gewöhnliche Chatszenarien empfiehlt, alte Gedankengänge ausdrücklich zu löschen. Wenden Sie die für den Anwendungsfall passende Gesprächsstruktur an und bewahren Sie die tatsächlich abgeschlossenen Antworten und Werkzeugergebnisse auf, die für die Fortsetzung nötig sind. Behandeln Sie Einstellungen zur Denksteuerung aus GLM 5.2 oder den eigenständigen GLM-5.3-Flash-Ausgaben nicht als austauschbar mit den low/high/max-Steuerungen dieses Modells.
Geben Sie für strukturierte Ergebnisse die erwarteten Felder, Typen und Quellenregeln an. Ein brauchbares Arbeitsergebnis kann eine Fehlertabelle, ein Änderungsplan oder ein JSON-Objekt mit zusammengefassten Beobachtungen sein. Validieren Sie sowohl die Struktur als auch die Werte, bevor eine Anwendung sie verwendet. Das Endergebnis sollte die Antwort oder das überarbeitete Arbeitsergebnis, die stützenden Belege und die verbleibenden Annahmen benennen. Mehr Denkaufwand belegt weder, dass ein Werkzeug ausgeführt wurde, noch dass ein vorgeschlagener Patch seine Prüfungen bestanden hat oder eine Tatsachenbehauptung über das bereitgestellte Material hinaus belegt ist.
POST /v1/messagestexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits glm-5.1 | Standard— |
Feldmessages | Typmessage[] | AnforderungErforderlich | Werte und Limits Mindestanzahl Elemente: 1 | Standard— |
Feldmessages[].role | Typstring | AnforderungErforderlich | Werte und Limits user, assistant | Standard— |
Feldmessages[].content | Typstring|content_block[] | AnforderungErforderlich | Werte und Limits | Standard— |
Feldsystem | Typstring|content_block[] | AnforderungOptional | Werte und Limits | Standard— |
Feldmax_tokens | Typinteger | AnforderungErforderlich | Werte und Limits Minimum: 1 Limit gilt für: Genaue Obergrenze des ausgewählten Modells bzw. seiner Modellkarte | Standard— |
Feldstream | Typboolean | AnforderungOptional | Werte und Limits | Standardfalse |
Feldtemperature | Typnumber | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtop_p | Typnumber | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldstop_sequences | Typstring[] | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtools | Typtool[] | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtools[].name | Typstring | AnforderungOptional | Werte und Limits Gilt, wenn: Werkzeug bereitgestellt | Standard— |
Feldtools[].description | Typstring | AnforderungOptional | Werte und Limits | Standard— |
Feldtools[].input_schema | TypJSON_schema | AnforderungOptional | Werte und Limits | Standard— |
Feldtool_choice | Typobject | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldthinking.type | Typstring | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldthinking.budget_tokens | Typinteger | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldoutput_config.effort | Typstring | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldmetadata | Typobject | AnforderungOptional | Werte und Limits | Standard— |
Feldcache_control | Typobject | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Text · UTF8-Text
messages[].content oder Block mit type=text
| Parameter | Vertrag |
|---|---|
Parametermaterial_types | Vertragtext |
Parameterrequired | Vertragmodel, messages, max_tokens |
Parameteroptional_controls | Vertragnull |
Parametercontent_type | Vertragapplication/json |
Parametertext_file_material | VertragTatsächlicher UTF-8-Inhalt wird als Text eingefügt; Datei-IDs/URLs müssen separat und exakt unterstützt werden |
Lebenszyklus: exact retained published method
Methodenstrukturen und IDs sind exakt; die Fähigkeiten des Anbieters sind von der Zulassung einer Anfrage zu unterscheiden.
POST /v1/messagesAiloot 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 →
Referenztarifstaffeln auf Modellebene ändern weder Methodenauswahl noch Kostenvoranschläge oder Gebühren. Für die aktive Abrechnung gelten die Tarife der ausgewählten Ailoot-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 |
|---|---|---|---|---|
| KonfigurationOpenAI Chat · Token-Basispreise | TarifstaffelGrundtarif | Kontexttoken, mehr als— | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.0028 / 1K Token Ausgabe · Ausgabetoken $0.0088 / 1K Token Eingabe · Cache-Lesen $0.00052 / 1K Token Eingabe · Cache-Schreiben — / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
| KonfigurationOpenAI Chat · Stufe 1 nach Anfragelänge | Tarifstaffel— | Kontexttoken, mehr als0 | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.0028 / 1K Token Ausgabe · Ausgabetoken $0.0088 / 1K Token Eingabe · Cache-Lesen $0.00052 / 1K Token Eingabe · Cache-Schreiben — / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
| KonfigurationAnthropic Messages · Token-Basispreise | TarifstaffelGrundtarif | Kontexttoken, mehr als— | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.0028 / 1K Token Ausgabe · Ausgabetoken $0.0088 / 1K Token Eingabe · Cache-Lesen $0.00052 / 1K Token Eingabe · Cache-Schreiben — / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
| KonfigurationAnthropic Messages · Stufe 1 nach Anfragelänge | Tarifstaffel— | Kontexttoken, mehr als0 | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.0028 / 1K Token Ausgabe · Ausgabetoken $0.0088 / 1K Token Eingabe · Cache-Lesen $0.00052 / 1K Token Eingabe · Cache-Schreiben — / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 source-material file}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "glm-5.1", "max_tokens": 1024, "messages": []}')\nf=Path(os.environ["AILOOT_TEXT_FILE"])\nif not f.is_file():raise SystemExit("Choose your actual UTF-8 source material")\ntext=f.read_text(encoding="utf-8")\nif not text.strip():raise SystemExit("Source material must contain text")\np["messages"]=[{"role":"user","content":"Summarize this material and quote supporting source passages.\\n\\n"+text}]\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/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\nprint(json.dumps(json.loads(Path("result.json").read_text()),ensure_ascii=False,indent=2))\nPY_RESULT\nimport anthropic\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient = anthropic.Anthropic(base_url="https://api.ailoot.ai", api_key=os.environ["AILOOT_API_KEY"], max_retries=0)\nmsg = client.messages.create(\n model="glm-5.1",\n max_tokens=1024,\n messages=[{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}],\n)\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(msg.to_dict(mode="json"))\nimport Anthropic from "@anthropic-ai/sdk";\n\nif (!process.env.AILOOT_API_KEY?.trim()) throw new Error("Set AILOOT_API_KEY before making a request");\nconst client = new Anthropic({ baseURL: "https://api.ailoot.ai", apiKey: process.env.AILOOT_API_KEY, maxRetries: 0 });\nconst msg = await client.messages.create({\n model: "glm-5.1",\n max_tokens: 1024,\n messages: [{ role: "user", content: "Explain the difference between an observation and a hypothesis in three sentences." }],\n});\nimport { writeFileSync } from "node:fs";\n\nfunction saveResult(data, stem = "result") {\n writeFileSync(stem + ".json", JSON.stringify(data, null, 2));\n console.log(JSON.stringify(data, null, 2));\n const saveBlob = (encoded, suffix, label) => {\n const raw = Buffer.from(encoded, "base64");\n const ext = raw.subarray(0,8).equals(Buffer.from([137,80,78,71,13,10,26,10])) ? "png" : raw[0]===255 && raw[1]===216 ? "jpg" : raw.subarray(0,4).toString()==="RIFF" && raw.subarray(8,12).toString()==="WEBP" ? "webp" : suffix;\n const file = `${stem}-${label}.${ext}`;\n writeFileSync(file, raw); console.log("Saved", file);\n };\n for (const [i, block] of (data.content || []).entries()) console.log("Content", i, JSON.stringify(block));\n for (const choice of data.choices || []) console.log("Choice", choice.index, JSON.stringify(choice.message || choice.delta || {}));\n for (const [i, item] of (data.output || []).entries()) {\n console.log("Output", i, JSON.stringify(item));\n if (item.type === "image_generation_call" && item.result) saveBlob(item.result, item.output_format || "bin", `output-${i}`);\n }\n for (const [ci, candidate] of (data.candidates || []).entries()) {\n for (const [pi, part] of (candidate.content?.parts || []).entries()) {\n console.log("Candidate/part", ci, pi, JSON.stringify(part));\n const blob = part.inlineData || part.inline_data;\n if (blob?.data) {\n const mime = blob.mimeType || blob.mime_type;\n const suffix = ({"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"})[mime] || "bin";\n saveBlob(blob.data, suffix, `candidate-${ci}-part-${pi}`);\n }\n }\n }\n}\n\nsaveResult(msg);\nimport anthropic,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=anthropic.Anthropic(base_url="https://api.ailoot.ai",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.messages.stream(model='glm-5.1',max_tokens=1024,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_message()\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 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 glm-5.3, glm, glm-5, glm-5.1, glm-5.2, glm-latest
Ailoot Ultra glm-5.3, z-ai/glm-5.3, ~z-ai/glm-latest
/chat/completions
z-ai/glm-5.3, glm, glm-5, glm-5.1, glm-5.2, glm-latest, ~z-ai/glm-latest, glm-5.3, glm-5.3
glm-5.1Z.ai GLM 5.3 ist ein Textmodell mit Schlussfolgerungsfähigkeiten 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; der Denkmodus ist durchgehend aktiv.
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 Schlussfolgerungsfähigkeiten für komplexe Softwareentwicklung und langfristige Agentenarbeit. Laut Hersteller verwendet es dasselbe Basismodell wie GLM 5.2; die neuen Verbesserungen stammen aus dem Nachtraining. Die Veröffentlichung konzentriert sich auf stärkeres Programmieren, Terminaloperationen und umfassendere Aufgaben mit mehreren voneinander abhängigen Schritten. Das Modell nimmt Text entgegen und erzeugt Text, darunter Code, Erklärungen, Pläne und Anfragen für Werkzeugaufrufe in einer an Werkzeuge angebundenen Anwendung.
Der dokumentierte Denkmodus ist immer aktiv. GLM 5.3 bietet drei Aufwandsstufen: low, high und max, wobei max der Standard ist. Der Hersteller empfiehlt max für komplexe Programmierarbeit; low bietet eine weniger aufwendige Denkoption für einfachere Schritte. Verbinden Sie die ausgewählte Stufe mit einem klaren Endergebnis und Abschlusskriterien. Zum Beispiel: „Untersuche diese Dateien und fehlgeschlagenen Ergebnisse, verfolge die Ursache durch die betroffenen Module, schlage eine Korrektur vor, die die öffentliche Schnittstelle erhält, und erkläre, welche Prüfungen belegen, dass die Regression behoben ist.“
Der Hersteller nennt ein Kontextfenster von 1M Tokens und eine maximale Ausgabelänge von 128K Tokens. Ordnen Sie umfangreiches Material um den Zusammenhang herum an, den das Modell untersuchen muss. Erhalten Sie Dateinamen, relevante Definitionen, Quellenbeschriftungen und die Reihenfolge der Beobachtungen und lassen Sie innerhalb des geltenden Arbeitskontexts Platz für den Gedankengang und die abschließende Antwort. Ein großes Fenster ist für Abhängigkeiten zwischen Modulen oder eine lange Folge von Agentenbeobachtungen nützlich; es macht ein ungeordnetes Archiv sachfremden Materials nicht zu einer klar definierten Aufgabe.
Stellen Sie bei Repository-Arbeit das erwartete Verhalten, den relevanten Quelltext, Abhängigkeitsversionen und die tatsächliche Fehlerausgabe bereit. Bitten Sie das Modell, das betroffene Verhalten zu benennen, bevor es einen Patch vorschlägt. Nennen Sie bei einer Umstrukturierung die Schnittstelle und Invarianten, die erhalten bleiben müssen. Eine brauchbare Antwort enthält den überarbeiteten Code, die Erklärung, warum die Änderung das beobachtete Problem behebt, und die Fälle, die zur Prüfung des Ergebnisses nötig sind. Speisen Sie tatsächliche Ergebnisse wieder in den werkzeuggestützten Ablauf ein, damit der nächste Schritt vom veränderten Zustand statt vom früheren Vorschlag ausgeht.
Stellen Sie bei Leistungsoptimierungen eine Arbeitslast, eine Ausgangsbasis und Messungen wie Laufzeiten, Profile oder Speicherbelegungsprotokolle bereit. Z.ai beschreibt Trainingsaufgaben zur Engpassdiagnose, Optimierung, zu Experimenten und zu Ergebnissen, die die Korrektheit erhalten. Eine praktische Anfrage lautet: „Nutze dieses Profil, um den folgenreichsten Engpass zu identifizieren, schlage eine messbare Änderung vor und erkläre, welches Ergebnis ihre Beibehaltung rechtfertigen würde.“ Unterscheiden Sie eine Leistungshypothese von einer protokollierten Verbesserung. Behalten Sie bei der Ergebnisprüfung dieselbe Arbeitslast und die relevanten Bedingungen bei.
Die Veröffentlichung erweitert außerdem die Fähigkeiten zur Schwachstellenanalyse. Stellen Sie für eine defensive Quellcodeprüfung den relevanten Code, seine vorgesehenen Vertrauensgrenzen und die Ausführungsbedingungen bereit. Fordern Sie einen Befund an, der ein vermutetes Problem mit der betroffenen Eingabe, dem Verhalten und einer gezielten Behebung verknüpft. Trennen Sie eine mögliche Schwäche von einem reproduzierten Fehler und bewahren Sie die zur Validierung verwendete Beobachtung auf. Ein Bericht ist nützlicher, wenn er konkrete Belege und vorgeschlagene Korrekturen priorisiert, statt jedes verdächtige Muster als bestätigte Schwachstelle zu behandeln.
Funktionsaufrufe ermöglichen einer umgebenden Anwendung, dem Modell externe Vorgänge bereitzustellen. Definieren Sie Zweck, Argumente und erwartetes Ergebnis jedes Werkzeugs und geben Sie anschließend die tatsächliche Werkzeugbeobachtung für den nächsten Schritt zurück. Das Modell kann dieses Ergebnis durchdenken und entscheiden, wie es die Aufgabe verändert. Halten Sie vorgeschlagene Handlungen, ausgeführte Vorgänge und ungeklärte Prüfungen unterscheidbar. Der Hersteller dokumentiert außerdem Streaming-Antworten, die Fragmente des Gedankengangs und der Antwort getrennt zurückgeben; setzen Sie die vollständige Antwort zusammen, bevor Sie sie als Abschlussbericht oder Codeerklärung behandeln.
Die lokale Modellkarte enthält ein konkretes Detail zur Verlaufseinstellung: Ihre Chat-Vorlage behält Gedankengänge standardmäßig bei, während der Hersteller für gewöhnliche Chatszenarien empfiehlt, alte Gedankengänge ausdrücklich zu löschen. Wenden Sie die für den Anwendungsfall passende Gesprächsstruktur an und bewahren Sie die tatsächlich abgeschlossenen Antworten und Werkzeugergebnisse auf, die für die Fortsetzung nötig sind. Behandeln Sie Einstellungen zur Denksteuerung aus GLM 5.2 oder den eigenständigen GLM-5.3-Flash-Ausgaben nicht als austauschbar mit den low/high/max-Steuerungen dieses Modells.
Geben Sie für strukturierte Ergebnisse die erwarteten Felder, Typen und Quellenregeln an. Ein brauchbares Arbeitsergebnis kann eine Fehlertabelle, ein Änderungsplan oder ein JSON-Objekt mit zusammengefassten Beobachtungen sein. Validieren Sie sowohl die Struktur als auch die Werte, bevor eine Anwendung sie verwendet. Das Endergebnis sollte die Antwort oder das überarbeitete Arbeitsergebnis, die stützenden Belege und die verbleibenden Annahmen benennen. Mehr Denkaufwand belegt weder, dass ein Werkzeug ausgeführt wurde, noch dass ein vorgeschlagener Patch seine Prüfungen bestanden hat oder eine Tatsachenbehauptung über das bereitgestellte Material hinaus belegt ist.
POST /v1/responsestexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits glm-5.1 | Standard— |
Feldinput | Typstring|input_item[] | AnforderungErforderlich | Werte und Limits | Standard— |
Feldinstructions | Typstring | AnforderungOptional | Werte und Limits | Standard— |
Feldinput[].type | Typstring | AnforderungOptional | Werte und Limits message, reasoning, function_call, function_call_output | Standard— |
Feldinput[].content | Typstring|content_part[] | AnforderungOptional | Werte und Limits | Standard— |
Feldinput[].call_id | Typstring | AnforderungOptional | Werte und Limits Gilt, wenn: function_call_output; den tatsächlich zurückgegebenen Wert von call_id beibehalten | Standard— |
Feldinput[].output | Typstring|content_part[] | AnforderungOptional | Werte und Limits Gilt, wenn: function_call_output | Standard— |
Feldmax_output_tokens | Typinteger | AnforderungOptional | Werte und Limits Minimum: 1 Modellabhängig | Standard— |
Feldstream | Typboolean | AnforderungOptional | Werte und Limits | Standardfalse |
Feldtemperature | Typnumber | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtop_p | Typnumber | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtools | Typtool[] | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtool_choice | Typstring|object | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldparallel_tool_calls | Typboolean | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldreasoning.effort | Typstring | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldreasoning.summary | Typstring | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtext.format | Typobject | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtext.verbosity | Typstring | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldinclude | Typstring[] | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldstore | Typboolean | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldprevious_response_id | Typstring | AnforderungOptional | Werte und Limits ID-Anforderung: Nur eine tatsächliche Antwort-ID aus einer unterstützten Fortsetzung Modellabhängig | Standard— |
Feldservice_tier | Typstring | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldprompt_cache_key | Typstring | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldprompt_cache_options | Typobject | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Text · UTF8-Text
Eingabetext oder input_text-Teil
| Parameter | Vertrag |
|---|---|
Parametermaterial_types | Vertragtext |
Parameterrequired | Vertragmodel, input |
Parameteroptional_controls | Vertragnull |
Parametercontent_type | Vertragapplication/json |
Parametertext_file_material | VertragTatsächlicher UTF-8-Inhalt wird als Text eingefügt; Datei-IDs/URLs müssen separat und exakt unterstützt werden |
Lebenszyklus: exact retained published method
Methodenstrukturen und IDs sind exakt; die Fähigkeiten des Anbieters sind von der Zulassung einer Anfrage zu unterscheiden.
POST /v1/responsesAiloot 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 →
Referenztarifstaffeln auf Modellebene ändern weder Methodenauswahl noch Kostenvoranschläge oder Gebühren. Für die aktive Abrechnung gelten die Tarife der ausgewählten Ailoot-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 |
|---|---|---|---|---|
| KonfigurationOpenAI Chat · Token-Basispreise | TarifstaffelGrundtarif | Kontexttoken, mehr als— | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.0028 / 1K Token Ausgabe · Ausgabetoken $0.0088 / 1K Token Eingabe · Cache-Lesen $0.00052 / 1K Token Eingabe · Cache-Schreiben — / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
| KonfigurationOpenAI Chat · Stufe 1 nach Anfragelänge | Tarifstaffel— | Kontexttoken, mehr als0 | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.0028 / 1K Token Ausgabe · Ausgabetoken $0.0088 / 1K Token Eingabe · Cache-Lesen $0.00052 / 1K Token Eingabe · Cache-Schreiben — / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
| KonfigurationAnthropic Messages · Token-Basispreise | TarifstaffelGrundtarif | Kontexttoken, mehr als— | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.0028 / 1K Token Ausgabe · Ausgabetoken $0.0088 / 1K Token Eingabe · Cache-Lesen $0.00052 / 1K Token Eingabe · Cache-Schreiben — / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
| KonfigurationAnthropic Messages · Stufe 1 nach Anfragelänge | Tarifstaffel— | Kontexttoken, mehr als0 | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.0028 / 1K Token Ausgabe · Ausgabetoken $0.0088 / 1K Token Eingabe · Cache-Lesen $0.00052 / 1K Token Eingabe · Cache-Schreiben — / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 source-material file}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "glm-5.1", "input": ""}')\nf=Path(os.environ["AILOOT_TEXT_FILE"])\nif not f.is_file():raise SystemExit("Choose your actual UTF-8 source material")\ntext=f.read_text(encoding="utf-8")\nif not text.strip():raise SystemExit("Source material must contain text")\np["input"]="Summarize this material and quote supporting source passages.\\n\\n"+text\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/responses \\\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 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(json.loads(Path("result.json").read_text(encoding="utf-8")))\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)\nresp = client.responses.create(model="glm-5.1", input="Explain the difference between an observation and a hypothesis 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(resp.to_dict(mode="json"))\nimport OpenAI from "openai";\n\nif (!process.env.AILOOT_API_KEY?.trim()) throw new Error("Set AILOOT_API_KEY before making a request");\nconst client = new OpenAI({ baseURL: "https://api.ailoot.ai/v1", apiKey: process.env.AILOOT_API_KEY, maxRetries: 0 });\nconst resp = await client.responses.create({ model: "glm-5.1", input: "Explain the difference between an observation and a hypothesis in three sentences." });\nimport { writeFileSync } from "node:fs";\n\nfunction saveResult(data, stem = "result") {\n writeFileSync(stem + ".json", JSON.stringify(data, null, 2));\n console.log(JSON.stringify(data, null, 2));\n const saveBlob = (encoded, suffix, label) => {\n const raw = Buffer.from(encoded, "base64");\n const ext = raw.subarray(0,8).equals(Buffer.from([137,80,78,71,13,10,26,10])) ? "png" : raw[0]===255 && raw[1]===216 ? "jpg" : raw.subarray(0,4).toString()==="RIFF" && raw.subarray(8,12).toString()==="WEBP" ? "webp" : suffix;\n const file = `${stem}-${label}.${ext}`;\n writeFileSync(file, raw); console.log("Saved", file);\n };\n for (const [i, block] of (data.content || []).entries()) console.log("Content", i, JSON.stringify(block));\n for (const choice of data.choices || []) console.log("Choice", choice.index, JSON.stringify(choice.message || choice.delta || {}));\n for (const [i, item] of (data.output || []).entries()) {\n console.log("Output", i, JSON.stringify(item));\n if (item.type === "image_generation_call" && item.result) saveBlob(item.result, item.output_format || "bin", `output-${i}`);\n }\n for (const [ci, candidate] of (data.candidates || []).entries()) {\n for (const [pi, part] of (candidate.content?.parts || []).entries()) {\n console.log("Candidate/part", ci, pi, JSON.stringify(part));\n const blob = part.inlineData || part.inline_data;\n if (blob?.data) {\n const mime = blob.mimeType || blob.mime_type;\n const suffix = ({"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"})[mime] || "bin";\n saveBlob(blob.data, suffix, `candidate-${ci}-part-${pi}`);\n }\n }\n }\n}\n\nsaveResult(resp);\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\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\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)\nwith client.responses.stream(model="glm-5.1", input="Explain the difference between an observation and a hypothesis 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_response()\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 Ausgabeelemente und Inhaltsteile, die tatsächliche call_id der Funktion, verschlüsselte Reasoning-Daten und Verbrauchsdaten beibehalten. Beim Streaming die vollständige Identität von Ereignis und Element bewahren.
Anfrage- und Antwort-IDs sowie Header beibehalten. Eine allgemeine URL zum Abrufen von Textaufträgen wird nicht angegeben.
| Feld | Typ |
|---|---|
Feldid | Typstring |
Feldstatus | Typstring |
Feldoutput[] | Typmessage|reasoning|function_call|other item |
Feldoutput[].content[] | Typcontent part |
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 glm-5.3, glm, glm-5, glm-5.1, glm-5.2, glm-latest
Ailoot Ultra glm-5.3, z-ai/glm-5.3, ~z-ai/glm-latest
/chat/completions
z-ai/glm-5.3, glm, glm-5, glm-5.1, glm-5.2, glm-latest, ~z-ai/glm-latest, glm-5.3, glm-5.3
glm-5.1Z.ai GLM 5.3 ist ein Textmodell mit Schlussfolgerungsfähigkeiten 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; der Denkmodus ist durchgehend aktiv.
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 Schlussfolgerungsfähigkeiten für komplexe Softwareentwicklung und langfristige Agentenarbeit. Laut Hersteller verwendet es dasselbe Basismodell wie GLM 5.2; die neuen Verbesserungen stammen aus dem Nachtraining. Die Veröffentlichung konzentriert sich auf stärkeres Programmieren, Terminaloperationen und umfassendere Aufgaben mit mehreren voneinander abhängigen Schritten. Das Modell nimmt Text entgegen und erzeugt Text, darunter Code, Erklärungen, Pläne und Anfragen für Werkzeugaufrufe in einer an Werkzeuge angebundenen Anwendung.
Der dokumentierte Denkmodus ist immer aktiv. GLM 5.3 bietet drei Aufwandsstufen: low, high und max, wobei max der Standard ist. Der Hersteller empfiehlt max für komplexe Programmierarbeit; low bietet eine weniger aufwendige Denkoption für einfachere Schritte. Verbinden Sie die ausgewählte Stufe mit einem klaren Endergebnis und Abschlusskriterien. Zum Beispiel: „Untersuche diese Dateien und fehlgeschlagenen Ergebnisse, verfolge die Ursache durch die betroffenen Module, schlage eine Korrektur vor, die die öffentliche Schnittstelle erhält, und erkläre, welche Prüfungen belegen, dass die Regression behoben ist.“
Der Hersteller nennt ein Kontextfenster von 1M Tokens und eine maximale Ausgabelänge von 128K Tokens. Ordnen Sie umfangreiches Material um den Zusammenhang herum an, den das Modell untersuchen muss. Erhalten Sie Dateinamen, relevante Definitionen, Quellenbeschriftungen und die Reihenfolge der Beobachtungen und lassen Sie innerhalb des geltenden Arbeitskontexts Platz für den Gedankengang und die abschließende Antwort. Ein großes Fenster ist für Abhängigkeiten zwischen Modulen oder eine lange Folge von Agentenbeobachtungen nützlich; es macht ein ungeordnetes Archiv sachfremden Materials nicht zu einer klar definierten Aufgabe.
Stellen Sie bei Repository-Arbeit das erwartete Verhalten, den relevanten Quelltext, Abhängigkeitsversionen und die tatsächliche Fehlerausgabe bereit. Bitten Sie das Modell, das betroffene Verhalten zu benennen, bevor es einen Patch vorschlägt. Nennen Sie bei einer Umstrukturierung die Schnittstelle und Invarianten, die erhalten bleiben müssen. Eine brauchbare Antwort enthält den überarbeiteten Code, die Erklärung, warum die Änderung das beobachtete Problem behebt, und die Fälle, die zur Prüfung des Ergebnisses nötig sind. Speisen Sie tatsächliche Ergebnisse wieder in den werkzeuggestützten Ablauf ein, damit der nächste Schritt vom veränderten Zustand statt vom früheren Vorschlag ausgeht.
Stellen Sie bei Leistungsoptimierungen eine Arbeitslast, eine Ausgangsbasis und Messungen wie Laufzeiten, Profile oder Speicherbelegungsprotokolle bereit. Z.ai beschreibt Trainingsaufgaben zur Engpassdiagnose, Optimierung, zu Experimenten und zu Ergebnissen, die die Korrektheit erhalten. Eine praktische Anfrage lautet: „Nutze dieses Profil, um den folgenreichsten Engpass zu identifizieren, schlage eine messbare Änderung vor und erkläre, welches Ergebnis ihre Beibehaltung rechtfertigen würde.“ Unterscheiden Sie eine Leistungshypothese von einer protokollierten Verbesserung. Behalten Sie bei der Ergebnisprüfung dieselbe Arbeitslast und die relevanten Bedingungen bei.
Die Veröffentlichung erweitert außerdem die Fähigkeiten zur Schwachstellenanalyse. Stellen Sie für eine defensive Quellcodeprüfung den relevanten Code, seine vorgesehenen Vertrauensgrenzen und die Ausführungsbedingungen bereit. Fordern Sie einen Befund an, der ein vermutetes Problem mit der betroffenen Eingabe, dem Verhalten und einer gezielten Behebung verknüpft. Trennen Sie eine mögliche Schwäche von einem reproduzierten Fehler und bewahren Sie die zur Validierung verwendete Beobachtung auf. Ein Bericht ist nützlicher, wenn er konkrete Belege und vorgeschlagene Korrekturen priorisiert, statt jedes verdächtige Muster als bestätigte Schwachstelle zu behandeln.
Funktionsaufrufe ermöglichen einer umgebenden Anwendung, dem Modell externe Vorgänge bereitzustellen. Definieren Sie Zweck, Argumente und erwartetes Ergebnis jedes Werkzeugs und geben Sie anschließend die tatsächliche Werkzeugbeobachtung für den nächsten Schritt zurück. Das Modell kann dieses Ergebnis durchdenken und entscheiden, wie es die Aufgabe verändert. Halten Sie vorgeschlagene Handlungen, ausgeführte Vorgänge und ungeklärte Prüfungen unterscheidbar. Der Hersteller dokumentiert außerdem Streaming-Antworten, die Fragmente des Gedankengangs und der Antwort getrennt zurückgeben; setzen Sie die vollständige Antwort zusammen, bevor Sie sie als Abschlussbericht oder Codeerklärung behandeln.
Die lokale Modellkarte enthält ein konkretes Detail zur Verlaufseinstellung: Ihre Chat-Vorlage behält Gedankengänge standardmäßig bei, während der Hersteller für gewöhnliche Chatszenarien empfiehlt, alte Gedankengänge ausdrücklich zu löschen. Wenden Sie die für den Anwendungsfall passende Gesprächsstruktur an und bewahren Sie die tatsächlich abgeschlossenen Antworten und Werkzeugergebnisse auf, die für die Fortsetzung nötig sind. Behandeln Sie Einstellungen zur Denksteuerung aus GLM 5.2 oder den eigenständigen GLM-5.3-Flash-Ausgaben nicht als austauschbar mit den low/high/max-Steuerungen dieses Modells.
Geben Sie für strukturierte Ergebnisse die erwarteten Felder, Typen und Quellenregeln an. Ein brauchbares Arbeitsergebnis kann eine Fehlertabelle, ein Änderungsplan oder ein JSON-Objekt mit zusammengefassten Beobachtungen sein. Validieren Sie sowohl die Struktur als auch die Werte, bevor eine Anwendung sie verwendet. Das Endergebnis sollte die Antwort oder das überarbeitete Arbeitsergebnis, die stützenden Belege und die verbleibenden Annahmen benennen. Mehr Denkaufwand belegt weder, dass ein Werkzeug ausgeführt wurde, noch dass ein vorgeschlagener Patch seine Prüfungen bestanden hat oder eine Tatsachenbehauptung über das bereitgestellte Material hinaus belegt ist.
POST /v1/chat/completionstexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits glm-5.1 | 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 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— |
Text · UTF8-Text
messages[].content
| Parameter | Vertrag |
|---|---|
Parametermaterial_types | Vertragtext |
Parameterrequired | Vertragmodel, messages |
Parameteroptional_controls | Vertragnull |
Parametercontent_type | Vertragapplication/json |
Parametertext_file_material | VertragTatsächlicher UTF-8-Inhalt wird als Text eingefügt; Datei-IDs/URLs müssen separat und exakt unterstützt werden |
Lebenszyklus: exact retained published method
Methodenstrukturen und IDs sind exakt; die Fähigkeiten des Anbieters sind von der Zulassung einer Anfrage zu unterscheiden.
POST /v1/chat/completionsAiloot 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 →
Referenztarifstaffeln auf Modellebene ändern weder Methodenauswahl noch Kostenvoranschläge oder Gebühren. Für die aktive Abrechnung gelten die Tarife der ausgewählten Ailoot-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 |
|---|---|---|---|---|
| KonfigurationOpenAI Chat · Token-Basispreise | TarifstaffelGrundtarif | Kontexttoken, mehr als— | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.0028 / 1K Token Ausgabe · Ausgabetoken $0.0088 / 1K Token Eingabe · Cache-Lesen $0.00052 / 1K Token Eingabe · Cache-Schreiben — / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
| KonfigurationOpenAI Chat · Stufe 1 nach Anfragelänge | Tarifstaffel— | Kontexttoken, mehr als0 | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.0028 / 1K Token Ausgabe · Ausgabetoken $0.0088 / 1K Token Eingabe · Cache-Lesen $0.00052 / 1K Token Eingabe · Cache-Schreiben — / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
| KonfigurationAnthropic Messages · Token-Basispreise | TarifstaffelGrundtarif | Kontexttoken, mehr als— | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.0028 / 1K Token Ausgabe · Ausgabetoken $0.0088 / 1K Token Eingabe · Cache-Lesen $0.00052 / 1K Token Eingabe · Cache-Schreiben — / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
| KonfigurationAnthropic Messages · Stufe 1 nach Anfragelänge | Tarifstaffel— | Kontexttoken, mehr als0 | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.0028 / 1K Token Ausgabe · Ausgabetoken $0.0088 / 1K Token Eingabe · Cache-Lesen $0.00052 / 1K Token Eingabe · Cache-Schreiben — / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 source-material file}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "glm-5.1", "messages": []}')\nf=Path(os.environ["AILOOT_TEXT_FILE"])\nif not f.is_file():raise SystemExit("Choose your actual UTF-8 source material")\ntext=f.read_text(encoding="utf-8")\nif not text.strip():raise SystemExit("Source material must contain text")\np["messages"]=[{"role":"user","content":"Summarize this material and quote supporting source passages.\\n\\n"+text}]\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\nprint(json.dumps(json.loads(Path("result.json").read_text()),ensure_ascii=False,indent=2))\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)\nresp = client.chat.completions.create(\n model="glm-5.1",\n messages=[{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}],\n)\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(resp.to_dict(mode="json"))\nimport OpenAI from "openai";\n\nif (!process.env.AILOOT_API_KEY?.trim()) throw new Error("Set AILOOT_API_KEY before making a request");\nconst client = new OpenAI({ baseURL: "https://api.ailoot.ai/v1", apiKey: process.env.AILOOT_API_KEY, maxRetries: 0 });\nconst resp = await client.chat.completions.create({\n model: "glm-5.1",\n messages: [{ role: "user", content: "Explain the difference between an observation and a hypothesis in three sentences." }],\n});\nimport { writeFileSync } from "node:fs";\n\nfunction saveResult(data, stem = "result") {\n writeFileSync(stem + ".json", JSON.stringify(data, null, 2));\n console.log(JSON.stringify(data, null, 2));\n const saveBlob = (encoded, suffix, label) => {\n const raw = Buffer.from(encoded, "base64");\n const ext = raw.subarray(0,8).equals(Buffer.from([137,80,78,71,13,10,26,10])) ? "png" : raw[0]===255 && raw[1]===216 ? "jpg" : raw.subarray(0,4).toString()==="RIFF" && raw.subarray(8,12).toString()==="WEBP" ? "webp" : suffix;\n const file = `${stem}-${label}.${ext}`;\n writeFileSync(file, raw); console.log("Saved", file);\n };\n for (const [i, block] of (data.content || []).entries()) console.log("Content", i, JSON.stringify(block));\n for (const choice of data.choices || []) console.log("Choice", choice.index, JSON.stringify(choice.message || choice.delta || {}));\n for (const [i, item] of (data.output || []).entries()) {\n console.log("Output", i, JSON.stringify(item));\n if (item.type === "image_generation_call" && item.result) saveBlob(item.result, item.output_format || "bin", `output-${i}`);\n }\n for (const [ci, candidate] of (data.candidates || []).entries()) {\n for (const [pi, part] of (candidate.content?.parts || []).entries()) {\n console.log("Candidate/part", ci, pi, JSON.stringify(part));\n const blob = part.inlineData || part.inline_data;\n if (blob?.data) {\n const mime = blob.mimeType || blob.mime_type;\n const suffix = ({"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"})[mime] || "bin";\n saveBlob(blob.data, suffix, `candidate-${ci}-part-${pi}`);\n }\n }\n }\n}\n\nsaveResult(resp);\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-5.1',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 glm-5.3, glm, glm-5, glm-5.1, glm-5.2, glm-latest
Ailoot Ultra glm-5.3, z-ai/glm-5.3, ~z-ai/glm-latest
/chat/completions
z-ai/glm-5.3, glm, glm-5, glm-5.1, glm-5.2, glm-latest, ~z-ai/glm-latest, glm-5.3, glm-5.3
glm-5.2Z.ai GLM 5.3 ist ein Textmodell mit Schlussfolgerungsfähigkeiten 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; der Denkmodus ist durchgehend aktiv.
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 Schlussfolgerungsfähigkeiten für komplexe Softwareentwicklung und langfristige Agentenarbeit. Laut Hersteller verwendet es dasselbe Basismodell wie GLM 5.2; die neuen Verbesserungen stammen aus dem Nachtraining. Die Veröffentlichung konzentriert sich auf stärkeres Programmieren, Terminaloperationen und umfassendere Aufgaben mit mehreren voneinander abhängigen Schritten. Das Modell nimmt Text entgegen und erzeugt Text, darunter Code, Erklärungen, Pläne und Anfragen für Werkzeugaufrufe in einer an Werkzeuge angebundenen Anwendung.
Der dokumentierte Denkmodus ist immer aktiv. GLM 5.3 bietet drei Aufwandsstufen: low, high und max, wobei max der Standard ist. Der Hersteller empfiehlt max für komplexe Programmierarbeit; low bietet eine weniger aufwendige Denkoption für einfachere Schritte. Verbinden Sie die ausgewählte Stufe mit einem klaren Endergebnis und Abschlusskriterien. Zum Beispiel: „Untersuche diese Dateien und fehlgeschlagenen Ergebnisse, verfolge die Ursache durch die betroffenen Module, schlage eine Korrektur vor, die die öffentliche Schnittstelle erhält, und erkläre, welche Prüfungen belegen, dass die Regression behoben ist.“
Der Hersteller nennt ein Kontextfenster von 1M Tokens und eine maximale Ausgabelänge von 128K Tokens. Ordnen Sie umfangreiches Material um den Zusammenhang herum an, den das Modell untersuchen muss. Erhalten Sie Dateinamen, relevante Definitionen, Quellenbeschriftungen und die Reihenfolge der Beobachtungen und lassen Sie innerhalb des geltenden Arbeitskontexts Platz für den Gedankengang und die abschließende Antwort. Ein großes Fenster ist für Abhängigkeiten zwischen Modulen oder eine lange Folge von Agentenbeobachtungen nützlich; es macht ein ungeordnetes Archiv sachfremden Materials nicht zu einer klar definierten Aufgabe.
Stellen Sie bei Repository-Arbeit das erwartete Verhalten, den relevanten Quelltext, Abhängigkeitsversionen und die tatsächliche Fehlerausgabe bereit. Bitten Sie das Modell, das betroffene Verhalten zu benennen, bevor es einen Patch vorschlägt. Nennen Sie bei einer Umstrukturierung die Schnittstelle und Invarianten, die erhalten bleiben müssen. Eine brauchbare Antwort enthält den überarbeiteten Code, die Erklärung, warum die Änderung das beobachtete Problem behebt, und die Fälle, die zur Prüfung des Ergebnisses nötig sind. Speisen Sie tatsächliche Ergebnisse wieder in den werkzeuggestützten Ablauf ein, damit der nächste Schritt vom veränderten Zustand statt vom früheren Vorschlag ausgeht.
Stellen Sie bei Leistungsoptimierungen eine Arbeitslast, eine Ausgangsbasis und Messungen wie Laufzeiten, Profile oder Speicherbelegungsprotokolle bereit. Z.ai beschreibt Trainingsaufgaben zur Engpassdiagnose, Optimierung, zu Experimenten und zu Ergebnissen, die die Korrektheit erhalten. Eine praktische Anfrage lautet: „Nutze dieses Profil, um den folgenreichsten Engpass zu identifizieren, schlage eine messbare Änderung vor und erkläre, welches Ergebnis ihre Beibehaltung rechtfertigen würde.“ Unterscheiden Sie eine Leistungshypothese von einer protokollierten Verbesserung. Behalten Sie bei der Ergebnisprüfung dieselbe Arbeitslast und die relevanten Bedingungen bei.
Die Veröffentlichung erweitert außerdem die Fähigkeiten zur Schwachstellenanalyse. Stellen Sie für eine defensive Quellcodeprüfung den relevanten Code, seine vorgesehenen Vertrauensgrenzen und die Ausführungsbedingungen bereit. Fordern Sie einen Befund an, der ein vermutetes Problem mit der betroffenen Eingabe, dem Verhalten und einer gezielten Behebung verknüpft. Trennen Sie eine mögliche Schwäche von einem reproduzierten Fehler und bewahren Sie die zur Validierung verwendete Beobachtung auf. Ein Bericht ist nützlicher, wenn er konkrete Belege und vorgeschlagene Korrekturen priorisiert, statt jedes verdächtige Muster als bestätigte Schwachstelle zu behandeln.
Funktionsaufrufe ermöglichen einer umgebenden Anwendung, dem Modell externe Vorgänge bereitzustellen. Definieren Sie Zweck, Argumente und erwartetes Ergebnis jedes Werkzeugs und geben Sie anschließend die tatsächliche Werkzeugbeobachtung für den nächsten Schritt zurück. Das Modell kann dieses Ergebnis durchdenken und entscheiden, wie es die Aufgabe verändert. Halten Sie vorgeschlagene Handlungen, ausgeführte Vorgänge und ungeklärte Prüfungen unterscheidbar. Der Hersteller dokumentiert außerdem Streaming-Antworten, die Fragmente des Gedankengangs und der Antwort getrennt zurückgeben; setzen Sie die vollständige Antwort zusammen, bevor Sie sie als Abschlussbericht oder Codeerklärung behandeln.
Die lokale Modellkarte enthält ein konkretes Detail zur Verlaufseinstellung: Ihre Chat-Vorlage behält Gedankengänge standardmäßig bei, während der Hersteller für gewöhnliche Chatszenarien empfiehlt, alte Gedankengänge ausdrücklich zu löschen. Wenden Sie die für den Anwendungsfall passende Gesprächsstruktur an und bewahren Sie die tatsächlich abgeschlossenen Antworten und Werkzeugergebnisse auf, die für die Fortsetzung nötig sind. Behandeln Sie Einstellungen zur Denksteuerung aus GLM 5.2 oder den eigenständigen GLM-5.3-Flash-Ausgaben nicht als austauschbar mit den low/high/max-Steuerungen dieses Modells.
Geben Sie für strukturierte Ergebnisse die erwarteten Felder, Typen und Quellenregeln an. Ein brauchbares Arbeitsergebnis kann eine Fehlertabelle, ein Änderungsplan oder ein JSON-Objekt mit zusammengefassten Beobachtungen sein. Validieren Sie sowohl die Struktur als auch die Werte, bevor eine Anwendung sie verwendet. Das Endergebnis sollte die Antwort oder das überarbeitete Arbeitsergebnis, die stützenden Belege und die verbleibenden Annahmen benennen. Mehr Denkaufwand belegt weder, dass ein Werkzeug ausgeführt wurde, noch dass ein vorgeschlagener Patch seine Prüfungen bestanden hat oder eine Tatsachenbehauptung über das bereitgestellte Material hinaus belegt ist.
POST /v1/messagestexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits glm-5.2 | Standard— |
Feldmessages | Typmessage[] | AnforderungErforderlich | Werte und Limits Mindestanzahl Elemente: 1 | Standard— |
Feldmessages[].role | Typstring | AnforderungErforderlich | Werte und Limits user, assistant | Standard— |
Feldmessages[].content | Typstring|content_block[] | AnforderungErforderlich | Werte und Limits | Standard— |
Feldsystem | Typstring|content_block[] | AnforderungOptional | Werte und Limits | Standard— |
Feldmax_tokens | Typinteger | AnforderungErforderlich | Werte und Limits Minimum: 1 Limit gilt für: Genaue Obergrenze des ausgewählten Modells bzw. seiner Modellkarte | Standard— |
Feldstream | Typboolean | AnforderungOptional | Werte und Limits | Standardfalse |
Feldtemperature | Typnumber | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtop_p | Typnumber | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldstop_sequences | Typstring[] | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtools | Typtool[] | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtools[].name | Typstring | AnforderungOptional | Werte und Limits Gilt, wenn: Werkzeug bereitgestellt | Standard— |
Feldtools[].description | Typstring | AnforderungOptional | Werte und Limits | Standard— |
Feldtools[].input_schema | TypJSON_schema | AnforderungOptional | Werte und Limits | Standard— |
Feldtool_choice | Typobject | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldthinking.type | Typstring | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldthinking.budget_tokens | Typinteger | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldoutput_config.effort | Typstring | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldmetadata | Typobject | AnforderungOptional | Werte und Limits | Standard— |
Feldcache_control | Typobject | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Text · UTF8-Text
messages[].content oder Block mit type=text
| Parameter | Vertrag |
|---|---|
Parametermaterial_types | Vertragtext |
Parameterrequired | Vertragmodel, messages, max_tokens |
Parameteroptional_controls | Vertragnull |
Parametercontent_type | Vertragapplication/json |
Parametertext_file_material | VertragTatsächlicher UTF-8-Inhalt wird als Text eingefügt; Datei-IDs/URLs müssen separat und exakt unterstützt werden |
Lebenszyklus: exact retained published method
Methodenstrukturen und IDs sind exakt; die Fähigkeiten des Anbieters sind von der Zulassung einer Anfrage zu unterscheiden.
POST /v1/messagesAiloot 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 →
Referenztarifstaffeln auf Modellebene ändern weder Methodenauswahl noch Kostenvoranschläge oder Gebühren. Für die aktive Abrechnung gelten die Tarife der ausgewählten Ailoot-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 |
|---|---|---|---|---|
| KonfigurationOpenAI Chat · Token-Basispreise | TarifstaffelGrundtarif | Kontexttoken, mehr als— | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.0028 / 1K Token Ausgabe · Ausgabetoken $0.0088 / 1K Token Eingabe · Cache-Lesen $0.00052 / 1K Token Eingabe · Cache-Schreiben — / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
| KonfigurationOpenAI Chat · Stufe 1 nach Anfragelänge | Tarifstaffel— | Kontexttoken, mehr als0 | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.0028 / 1K Token Ausgabe · Ausgabetoken $0.0088 / 1K Token Eingabe · Cache-Lesen $0.00052 / 1K Token Eingabe · Cache-Schreiben — / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
| KonfigurationAnthropic Messages · Token-Basispreise | TarifstaffelGrundtarif | Kontexttoken, mehr als— | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.0028 / 1K Token Ausgabe · Ausgabetoken $0.0088 / 1K Token Eingabe · Cache-Lesen $0.00052 / 1K Token Eingabe · Cache-Schreiben — / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
| KonfigurationAnthropic Messages · Stufe 1 nach Anfragelänge | Tarifstaffel— | Kontexttoken, mehr als0 | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.0028 / 1K Token Ausgabe · Ausgabetoken $0.0088 / 1K Token Eingabe · Cache-Lesen $0.00052 / 1K Token Eingabe · Cache-Schreiben — / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 source-material file}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "glm-5.2", "max_tokens": 1024, "messages": []}')\nf=Path(os.environ["AILOOT_TEXT_FILE"])\nif not f.is_file():raise SystemExit("Choose your actual UTF-8 source material")\ntext=f.read_text(encoding="utf-8")\nif not text.strip():raise SystemExit("Source material must contain text")\np["messages"]=[{"role":"user","content":"Summarize this material and quote supporting source passages.\\n\\n"+text}]\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/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\nprint(json.dumps(json.loads(Path("result.json").read_text()),ensure_ascii=False,indent=2))\nPY_RESULT\nimport anthropic\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient = anthropic.Anthropic(base_url="https://api.ailoot.ai", api_key=os.environ["AILOOT_API_KEY"], max_retries=0)\nmsg = client.messages.create(\n model="glm-5.2",\n max_tokens=1024,\n messages=[{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}],\n)\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(msg.to_dict(mode="json"))\nimport Anthropic from "@anthropic-ai/sdk";\n\nif (!process.env.AILOOT_API_KEY?.trim()) throw new Error("Set AILOOT_API_KEY before making a request");\nconst client = new Anthropic({ baseURL: "https://api.ailoot.ai", apiKey: process.env.AILOOT_API_KEY, maxRetries: 0 });\nconst msg = await client.messages.create({\n model: "glm-5.2",\n max_tokens: 1024,\n messages: [{ role: "user", content: "Explain the difference between an observation and a hypothesis in three sentences." }],\n});\nimport { writeFileSync } from "node:fs";\n\nfunction saveResult(data, stem = "result") {\n writeFileSync(stem + ".json", JSON.stringify(data, null, 2));\n console.log(JSON.stringify(data, null, 2));\n const saveBlob = (encoded, suffix, label) => {\n const raw = Buffer.from(encoded, "base64");\n const ext = raw.subarray(0,8).equals(Buffer.from([137,80,78,71,13,10,26,10])) ? "png" : raw[0]===255 && raw[1]===216 ? "jpg" : raw.subarray(0,4).toString()==="RIFF" && raw.subarray(8,12).toString()==="WEBP" ? "webp" : suffix;\n const file = `${stem}-${label}.${ext}`;\n writeFileSync(file, raw); console.log("Saved", file);\n };\n for (const [i, block] of (data.content || []).entries()) console.log("Content", i, JSON.stringify(block));\n for (const choice of data.choices || []) console.log("Choice", choice.index, JSON.stringify(choice.message || choice.delta || {}));\n for (const [i, item] of (data.output || []).entries()) {\n console.log("Output", i, JSON.stringify(item));\n if (item.type === "image_generation_call" && item.result) saveBlob(item.result, item.output_format || "bin", `output-${i}`);\n }\n for (const [ci, candidate] of (data.candidates || []).entries()) {\n for (const [pi, part] of (candidate.content?.parts || []).entries()) {\n console.log("Candidate/part", ci, pi, JSON.stringify(part));\n const blob = part.inlineData || part.inline_data;\n if (blob?.data) {\n const mime = blob.mimeType || blob.mime_type;\n const suffix = ({"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"})[mime] || "bin";\n saveBlob(blob.data, suffix, `candidate-${ci}-part-${pi}`);\n }\n }\n }\n}\n\nsaveResult(msg);\nimport anthropic,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=anthropic.Anthropic(base_url="https://api.ailoot.ai",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.messages.stream(model='glm-5.2',max_tokens=1024,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_message()\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 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 glm-5.3, glm, glm-5, glm-5.1, glm-5.2, glm-latest
Ailoot Ultra glm-5.3, z-ai/glm-5.3, ~z-ai/glm-latest
/chat/completions
z-ai/glm-5.3, glm, glm-5, glm-5.1, glm-5.2, glm-latest, ~z-ai/glm-latest, glm-5.3, glm-5.3
glm-5.2Z.ai GLM 5.3 ist ein Textmodell mit Schlussfolgerungsfähigkeiten 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; der Denkmodus ist durchgehend aktiv.
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 Schlussfolgerungsfähigkeiten für komplexe Softwareentwicklung und langfristige Agentenarbeit. Laut Hersteller verwendet es dasselbe Basismodell wie GLM 5.2; die neuen Verbesserungen stammen aus dem Nachtraining. Die Veröffentlichung konzentriert sich auf stärkeres Programmieren, Terminaloperationen und umfassendere Aufgaben mit mehreren voneinander abhängigen Schritten. Das Modell nimmt Text entgegen und erzeugt Text, darunter Code, Erklärungen, Pläne und Anfragen für Werkzeugaufrufe in einer an Werkzeuge angebundenen Anwendung.
Der dokumentierte Denkmodus ist immer aktiv. GLM 5.3 bietet drei Aufwandsstufen: low, high und max, wobei max der Standard ist. Der Hersteller empfiehlt max für komplexe Programmierarbeit; low bietet eine weniger aufwendige Denkoption für einfachere Schritte. Verbinden Sie die ausgewählte Stufe mit einem klaren Endergebnis und Abschlusskriterien. Zum Beispiel: „Untersuche diese Dateien und fehlgeschlagenen Ergebnisse, verfolge die Ursache durch die betroffenen Module, schlage eine Korrektur vor, die die öffentliche Schnittstelle erhält, und erkläre, welche Prüfungen belegen, dass die Regression behoben ist.“
Der Hersteller nennt ein Kontextfenster von 1M Tokens und eine maximale Ausgabelänge von 128K Tokens. Ordnen Sie umfangreiches Material um den Zusammenhang herum an, den das Modell untersuchen muss. Erhalten Sie Dateinamen, relevante Definitionen, Quellenbeschriftungen und die Reihenfolge der Beobachtungen und lassen Sie innerhalb des geltenden Arbeitskontexts Platz für den Gedankengang und die abschließende Antwort. Ein großes Fenster ist für Abhängigkeiten zwischen Modulen oder eine lange Folge von Agentenbeobachtungen nützlich; es macht ein ungeordnetes Archiv sachfremden Materials nicht zu einer klar definierten Aufgabe.
Stellen Sie bei Repository-Arbeit das erwartete Verhalten, den relevanten Quelltext, Abhängigkeitsversionen und die tatsächliche Fehlerausgabe bereit. Bitten Sie das Modell, das betroffene Verhalten zu benennen, bevor es einen Patch vorschlägt. Nennen Sie bei einer Umstrukturierung die Schnittstelle und Invarianten, die erhalten bleiben müssen. Eine brauchbare Antwort enthält den überarbeiteten Code, die Erklärung, warum die Änderung das beobachtete Problem behebt, und die Fälle, die zur Prüfung des Ergebnisses nötig sind. Speisen Sie tatsächliche Ergebnisse wieder in den werkzeuggestützten Ablauf ein, damit der nächste Schritt vom veränderten Zustand statt vom früheren Vorschlag ausgeht.
Stellen Sie bei Leistungsoptimierungen eine Arbeitslast, eine Ausgangsbasis und Messungen wie Laufzeiten, Profile oder Speicherbelegungsprotokolle bereit. Z.ai beschreibt Trainingsaufgaben zur Engpassdiagnose, Optimierung, zu Experimenten und zu Ergebnissen, die die Korrektheit erhalten. Eine praktische Anfrage lautet: „Nutze dieses Profil, um den folgenreichsten Engpass zu identifizieren, schlage eine messbare Änderung vor und erkläre, welches Ergebnis ihre Beibehaltung rechtfertigen würde.“ Unterscheiden Sie eine Leistungshypothese von einer protokollierten Verbesserung. Behalten Sie bei der Ergebnisprüfung dieselbe Arbeitslast und die relevanten Bedingungen bei.
Die Veröffentlichung erweitert außerdem die Fähigkeiten zur Schwachstellenanalyse. Stellen Sie für eine defensive Quellcodeprüfung den relevanten Code, seine vorgesehenen Vertrauensgrenzen und die Ausführungsbedingungen bereit. Fordern Sie einen Befund an, der ein vermutetes Problem mit der betroffenen Eingabe, dem Verhalten und einer gezielten Behebung verknüpft. Trennen Sie eine mögliche Schwäche von einem reproduzierten Fehler und bewahren Sie die zur Validierung verwendete Beobachtung auf. Ein Bericht ist nützlicher, wenn er konkrete Belege und vorgeschlagene Korrekturen priorisiert, statt jedes verdächtige Muster als bestätigte Schwachstelle zu behandeln.
Funktionsaufrufe ermöglichen einer umgebenden Anwendung, dem Modell externe Vorgänge bereitzustellen. Definieren Sie Zweck, Argumente und erwartetes Ergebnis jedes Werkzeugs und geben Sie anschließend die tatsächliche Werkzeugbeobachtung für den nächsten Schritt zurück. Das Modell kann dieses Ergebnis durchdenken und entscheiden, wie es die Aufgabe verändert. Halten Sie vorgeschlagene Handlungen, ausgeführte Vorgänge und ungeklärte Prüfungen unterscheidbar. Der Hersteller dokumentiert außerdem Streaming-Antworten, die Fragmente des Gedankengangs und der Antwort getrennt zurückgeben; setzen Sie die vollständige Antwort zusammen, bevor Sie sie als Abschlussbericht oder Codeerklärung behandeln.
Die lokale Modellkarte enthält ein konkretes Detail zur Verlaufseinstellung: Ihre Chat-Vorlage behält Gedankengänge standardmäßig bei, während der Hersteller für gewöhnliche Chatszenarien empfiehlt, alte Gedankengänge ausdrücklich zu löschen. Wenden Sie die für den Anwendungsfall passende Gesprächsstruktur an und bewahren Sie die tatsächlich abgeschlossenen Antworten und Werkzeugergebnisse auf, die für die Fortsetzung nötig sind. Behandeln Sie Einstellungen zur Denksteuerung aus GLM 5.2 oder den eigenständigen GLM-5.3-Flash-Ausgaben nicht als austauschbar mit den low/high/max-Steuerungen dieses Modells.
Geben Sie für strukturierte Ergebnisse die erwarteten Felder, Typen und Quellenregeln an. Ein brauchbares Arbeitsergebnis kann eine Fehlertabelle, ein Änderungsplan oder ein JSON-Objekt mit zusammengefassten Beobachtungen sein. Validieren Sie sowohl die Struktur als auch die Werte, bevor eine Anwendung sie verwendet. Das Endergebnis sollte die Antwort oder das überarbeitete Arbeitsergebnis, die stützenden Belege und die verbleibenden Annahmen benennen. Mehr Denkaufwand belegt weder, dass ein Werkzeug ausgeführt wurde, noch dass ein vorgeschlagener Patch seine Prüfungen bestanden hat oder eine Tatsachenbehauptung über das bereitgestellte Material hinaus belegt ist.
POST /v1/responsestexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits glm-5.2 | Standard— |
Feldinput | Typstring|input_item[] | AnforderungErforderlich | Werte und Limits | Standard— |
Feldinstructions | Typstring | AnforderungOptional | Werte und Limits | Standard— |
Feldinput[].type | Typstring | AnforderungOptional | Werte und Limits message, reasoning, function_call, function_call_output | Standard— |
Feldinput[].content | Typstring|content_part[] | AnforderungOptional | Werte und Limits | Standard— |
Feldinput[].call_id | Typstring | AnforderungOptional | Werte und Limits Gilt, wenn: function_call_output; den tatsächlich zurückgegebenen Wert von call_id beibehalten | Standard— |
Feldinput[].output | Typstring|content_part[] | AnforderungOptional | Werte und Limits Gilt, wenn: function_call_output | Standard— |
Feldmax_output_tokens | Typinteger | AnforderungOptional | Werte und Limits Minimum: 1 Modellabhängig | Standard— |
Feldstream | Typboolean | AnforderungOptional | Werte und Limits | Standardfalse |
Feldtemperature | Typnumber | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtop_p | Typnumber | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtools | Typtool[] | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtool_choice | Typstring|object | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldparallel_tool_calls | Typboolean | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldreasoning.effort | Typstring | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldreasoning.summary | Typstring | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtext.format | Typobject | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtext.verbosity | Typstring | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldinclude | Typstring[] | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldstore | Typboolean | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldprevious_response_id | Typstring | AnforderungOptional | Werte und Limits ID-Anforderung: Nur eine tatsächliche Antwort-ID aus einer unterstützten Fortsetzung Modellabhängig | Standard— |
Feldservice_tier | Typstring | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldprompt_cache_key | Typstring | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldprompt_cache_options | Typobject | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Text · UTF8-Text
Eingabetext oder input_text-Teil
| Parameter | Vertrag |
|---|---|
Parametermaterial_types | Vertragtext |
Parameterrequired | Vertragmodel, input |
Parameteroptional_controls | Vertragnull |
Parametercontent_type | Vertragapplication/json |
Parametertext_file_material | VertragTatsächlicher UTF-8-Inhalt wird als Text eingefügt; Datei-IDs/URLs müssen separat und exakt unterstützt werden |
Lebenszyklus: exact retained published method
Methodenstrukturen und IDs sind exakt; die Fähigkeiten des Anbieters sind von der Zulassung einer Anfrage zu unterscheiden.
POST /v1/responsesAiloot 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 →
Referenztarifstaffeln auf Modellebene ändern weder Methodenauswahl noch Kostenvoranschläge oder Gebühren. Für die aktive Abrechnung gelten die Tarife der ausgewählten Ailoot-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 |
|---|---|---|---|---|
| KonfigurationOpenAI Chat · Token-Basispreise | TarifstaffelGrundtarif | Kontexttoken, mehr als— | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.0028 / 1K Token Ausgabe · Ausgabetoken $0.0088 / 1K Token Eingabe · Cache-Lesen $0.00052 / 1K Token Eingabe · Cache-Schreiben — / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
| KonfigurationOpenAI Chat · Stufe 1 nach Anfragelänge | Tarifstaffel— | Kontexttoken, mehr als0 | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.0028 / 1K Token Ausgabe · Ausgabetoken $0.0088 / 1K Token Eingabe · Cache-Lesen $0.00052 / 1K Token Eingabe · Cache-Schreiben — / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
| KonfigurationAnthropic Messages · Token-Basispreise | TarifstaffelGrundtarif | Kontexttoken, mehr als— | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.0028 / 1K Token Ausgabe · Ausgabetoken $0.0088 / 1K Token Eingabe · Cache-Lesen $0.00052 / 1K Token Eingabe · Cache-Schreiben — / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
| KonfigurationAnthropic Messages · Stufe 1 nach Anfragelänge | Tarifstaffel— | Kontexttoken, mehr als0 | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.0028 / 1K Token Ausgabe · Ausgabetoken $0.0088 / 1K Token Eingabe · Cache-Lesen $0.00052 / 1K Token Eingabe · Cache-Schreiben — / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 source-material file}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "glm-5.2", "input": ""}')\nf=Path(os.environ["AILOOT_TEXT_FILE"])\nif not f.is_file():raise SystemExit("Choose your actual UTF-8 source material")\ntext=f.read_text(encoding="utf-8")\nif not text.strip():raise SystemExit("Source material must contain text")\np["input"]="Summarize this material and quote supporting source passages.\\n\\n"+text\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/responses \\\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 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(json.loads(Path("result.json").read_text(encoding="utf-8")))\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)\nresp = client.responses.create(model="glm-5.2", input="Explain the difference between an observation and a hypothesis 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(resp.to_dict(mode="json"))\nimport OpenAI from "openai";\n\nif (!process.env.AILOOT_API_KEY?.trim()) throw new Error("Set AILOOT_API_KEY before making a request");\nconst client = new OpenAI({ baseURL: "https://api.ailoot.ai/v1", apiKey: process.env.AILOOT_API_KEY, maxRetries: 0 });\nconst resp = await client.responses.create({ model: "glm-5.2", input: "Explain the difference between an observation and a hypothesis in three sentences." });\nimport { writeFileSync } from "node:fs";\n\nfunction saveResult(data, stem = "result") {\n writeFileSync(stem + ".json", JSON.stringify(data, null, 2));\n console.log(JSON.stringify(data, null, 2));\n const saveBlob = (encoded, suffix, label) => {\n const raw = Buffer.from(encoded, "base64");\n const ext = raw.subarray(0,8).equals(Buffer.from([137,80,78,71,13,10,26,10])) ? "png" : raw[0]===255 && raw[1]===216 ? "jpg" : raw.subarray(0,4).toString()==="RIFF" && raw.subarray(8,12).toString()==="WEBP" ? "webp" : suffix;\n const file = `${stem}-${label}.${ext}`;\n writeFileSync(file, raw); console.log("Saved", file);\n };\n for (const [i, block] of (data.content || []).entries()) console.log("Content", i, JSON.stringify(block));\n for (const choice of data.choices || []) console.log("Choice", choice.index, JSON.stringify(choice.message || choice.delta || {}));\n for (const [i, item] of (data.output || []).entries()) {\n console.log("Output", i, JSON.stringify(item));\n if (item.type === "image_generation_call" && item.result) saveBlob(item.result, item.output_format || "bin", `output-${i}`);\n }\n for (const [ci, candidate] of (data.candidates || []).entries()) {\n for (const [pi, part] of (candidate.content?.parts || []).entries()) {\n console.log("Candidate/part", ci, pi, JSON.stringify(part));\n const blob = part.inlineData || part.inline_data;\n if (blob?.data) {\n const mime = blob.mimeType || blob.mime_type;\n const suffix = ({"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"})[mime] || "bin";\n saveBlob(blob.data, suffix, `candidate-${ci}-part-${pi}`);\n }\n }\n }\n}\n\nsaveResult(resp);\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\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\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)\nwith client.responses.stream(model="glm-5.2", input="Explain the difference between an observation and a hypothesis 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_response()\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 Ausgabeelemente und Inhaltsteile, die tatsächliche call_id der Funktion, verschlüsselte Reasoning-Daten und Verbrauchsdaten beibehalten. Beim Streaming die vollständige Identität von Ereignis und Element bewahren.
Anfrage- und Antwort-IDs sowie Header beibehalten. Eine allgemeine URL zum Abrufen von Textaufträgen wird nicht angegeben.
| Feld | Typ |
|---|---|
Feldid | Typstring |
Feldstatus | Typstring |
Feldoutput[] | Typmessage|reasoning|function_call|other item |
Feldoutput[].content[] | Typcontent part |
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 glm-5.3, glm, glm-5, glm-5.1, glm-5.2, glm-latest
Ailoot Ultra glm-5.3, z-ai/glm-5.3, ~z-ai/glm-latest
/chat/completions
z-ai/glm-5.3, glm, glm-5, glm-5.1, glm-5.2, glm-latest, ~z-ai/glm-latest, glm-5.3, glm-5.3
glm-5.2Z.ai GLM 5.3 ist ein Textmodell mit Schlussfolgerungsfähigkeiten 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; der Denkmodus ist durchgehend aktiv.
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 Schlussfolgerungsfähigkeiten für komplexe Softwareentwicklung und langfristige Agentenarbeit. Laut Hersteller verwendet es dasselbe Basismodell wie GLM 5.2; die neuen Verbesserungen stammen aus dem Nachtraining. Die Veröffentlichung konzentriert sich auf stärkeres Programmieren, Terminaloperationen und umfassendere Aufgaben mit mehreren voneinander abhängigen Schritten. Das Modell nimmt Text entgegen und erzeugt Text, darunter Code, Erklärungen, Pläne und Anfragen für Werkzeugaufrufe in einer an Werkzeuge angebundenen Anwendung.
Der dokumentierte Denkmodus ist immer aktiv. GLM 5.3 bietet drei Aufwandsstufen: low, high und max, wobei max der Standard ist. Der Hersteller empfiehlt max für komplexe Programmierarbeit; low bietet eine weniger aufwendige Denkoption für einfachere Schritte. Verbinden Sie die ausgewählte Stufe mit einem klaren Endergebnis und Abschlusskriterien. Zum Beispiel: „Untersuche diese Dateien und fehlgeschlagenen Ergebnisse, verfolge die Ursache durch die betroffenen Module, schlage eine Korrektur vor, die die öffentliche Schnittstelle erhält, und erkläre, welche Prüfungen belegen, dass die Regression behoben ist.“
Der Hersteller nennt ein Kontextfenster von 1M Tokens und eine maximale Ausgabelänge von 128K Tokens. Ordnen Sie umfangreiches Material um den Zusammenhang herum an, den das Modell untersuchen muss. Erhalten Sie Dateinamen, relevante Definitionen, Quellenbeschriftungen und die Reihenfolge der Beobachtungen und lassen Sie innerhalb des geltenden Arbeitskontexts Platz für den Gedankengang und die abschließende Antwort. Ein großes Fenster ist für Abhängigkeiten zwischen Modulen oder eine lange Folge von Agentenbeobachtungen nützlich; es macht ein ungeordnetes Archiv sachfremden Materials nicht zu einer klar definierten Aufgabe.
Stellen Sie bei Repository-Arbeit das erwartete Verhalten, den relevanten Quelltext, Abhängigkeitsversionen und die tatsächliche Fehlerausgabe bereit. Bitten Sie das Modell, das betroffene Verhalten zu benennen, bevor es einen Patch vorschlägt. Nennen Sie bei einer Umstrukturierung die Schnittstelle und Invarianten, die erhalten bleiben müssen. Eine brauchbare Antwort enthält den überarbeiteten Code, die Erklärung, warum die Änderung das beobachtete Problem behebt, und die Fälle, die zur Prüfung des Ergebnisses nötig sind. Speisen Sie tatsächliche Ergebnisse wieder in den werkzeuggestützten Ablauf ein, damit der nächste Schritt vom veränderten Zustand statt vom früheren Vorschlag ausgeht.
Stellen Sie bei Leistungsoptimierungen eine Arbeitslast, eine Ausgangsbasis und Messungen wie Laufzeiten, Profile oder Speicherbelegungsprotokolle bereit. Z.ai beschreibt Trainingsaufgaben zur Engpassdiagnose, Optimierung, zu Experimenten und zu Ergebnissen, die die Korrektheit erhalten. Eine praktische Anfrage lautet: „Nutze dieses Profil, um den folgenreichsten Engpass zu identifizieren, schlage eine messbare Änderung vor und erkläre, welches Ergebnis ihre Beibehaltung rechtfertigen würde.“ Unterscheiden Sie eine Leistungshypothese von einer protokollierten Verbesserung. Behalten Sie bei der Ergebnisprüfung dieselbe Arbeitslast und die relevanten Bedingungen bei.
Die Veröffentlichung erweitert außerdem die Fähigkeiten zur Schwachstellenanalyse. Stellen Sie für eine defensive Quellcodeprüfung den relevanten Code, seine vorgesehenen Vertrauensgrenzen und die Ausführungsbedingungen bereit. Fordern Sie einen Befund an, der ein vermutetes Problem mit der betroffenen Eingabe, dem Verhalten und einer gezielten Behebung verknüpft. Trennen Sie eine mögliche Schwäche von einem reproduzierten Fehler und bewahren Sie die zur Validierung verwendete Beobachtung auf. Ein Bericht ist nützlicher, wenn er konkrete Belege und vorgeschlagene Korrekturen priorisiert, statt jedes verdächtige Muster als bestätigte Schwachstelle zu behandeln.
Funktionsaufrufe ermöglichen einer umgebenden Anwendung, dem Modell externe Vorgänge bereitzustellen. Definieren Sie Zweck, Argumente und erwartetes Ergebnis jedes Werkzeugs und geben Sie anschließend die tatsächliche Werkzeugbeobachtung für den nächsten Schritt zurück. Das Modell kann dieses Ergebnis durchdenken und entscheiden, wie es die Aufgabe verändert. Halten Sie vorgeschlagene Handlungen, ausgeführte Vorgänge und ungeklärte Prüfungen unterscheidbar. Der Hersteller dokumentiert außerdem Streaming-Antworten, die Fragmente des Gedankengangs und der Antwort getrennt zurückgeben; setzen Sie die vollständige Antwort zusammen, bevor Sie sie als Abschlussbericht oder Codeerklärung behandeln.
Die lokale Modellkarte enthält ein konkretes Detail zur Verlaufseinstellung: Ihre Chat-Vorlage behält Gedankengänge standardmäßig bei, während der Hersteller für gewöhnliche Chatszenarien empfiehlt, alte Gedankengänge ausdrücklich zu löschen. Wenden Sie die für den Anwendungsfall passende Gesprächsstruktur an und bewahren Sie die tatsächlich abgeschlossenen Antworten und Werkzeugergebnisse auf, die für die Fortsetzung nötig sind. Behandeln Sie Einstellungen zur Denksteuerung aus GLM 5.2 oder den eigenständigen GLM-5.3-Flash-Ausgaben nicht als austauschbar mit den low/high/max-Steuerungen dieses Modells.
Geben Sie für strukturierte Ergebnisse die erwarteten Felder, Typen und Quellenregeln an. Ein brauchbares Arbeitsergebnis kann eine Fehlertabelle, ein Änderungsplan oder ein JSON-Objekt mit zusammengefassten Beobachtungen sein. Validieren Sie sowohl die Struktur als auch die Werte, bevor eine Anwendung sie verwendet. Das Endergebnis sollte die Antwort oder das überarbeitete Arbeitsergebnis, die stützenden Belege und die verbleibenden Annahmen benennen. Mehr Denkaufwand belegt weder, dass ein Werkzeug ausgeführt wurde, noch dass ein vorgeschlagener Patch seine Prüfungen bestanden hat oder eine Tatsachenbehauptung über das bereitgestellte Material hinaus belegt ist.
POST /v1/chat/completionstexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits glm-5.2 | 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 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— |
Text · UTF8-Text
messages[].content
| Parameter | Vertrag |
|---|---|
Parametermaterial_types | Vertragtext |
Parameterrequired | Vertragmodel, messages |
Parameteroptional_controls | Vertragnull |
Parametercontent_type | Vertragapplication/json |
Parametertext_file_material | VertragTatsächlicher UTF-8-Inhalt wird als Text eingefügt; Datei-IDs/URLs müssen separat und exakt unterstützt werden |
Lebenszyklus: exact retained published method
Methodenstrukturen und IDs sind exakt; die Fähigkeiten des Anbieters sind von der Zulassung einer Anfrage zu unterscheiden.
POST /v1/chat/completionsAiloot 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 →
Referenztarifstaffeln auf Modellebene ändern weder Methodenauswahl noch Kostenvoranschläge oder Gebühren. Für die aktive Abrechnung gelten die Tarife der ausgewählten Ailoot-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 |
|---|---|---|---|---|
| KonfigurationOpenAI Chat · Token-Basispreise | TarifstaffelGrundtarif | Kontexttoken, mehr als— | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.0028 / 1K Token Ausgabe · Ausgabetoken $0.0088 / 1K Token Eingabe · Cache-Lesen $0.00052 / 1K Token Eingabe · Cache-Schreiben — / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
| KonfigurationOpenAI Chat · Stufe 1 nach Anfragelänge | Tarifstaffel— | Kontexttoken, mehr als0 | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.0028 / 1K Token Ausgabe · Ausgabetoken $0.0088 / 1K Token Eingabe · Cache-Lesen $0.00052 / 1K Token Eingabe · Cache-Schreiben — / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
| KonfigurationAnthropic Messages · Token-Basispreise | TarifstaffelGrundtarif | Kontexttoken, mehr als— | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.0028 / 1K Token Ausgabe · Ausgabetoken $0.0088 / 1K Token Eingabe · Cache-Lesen $0.00052 / 1K Token Eingabe · Cache-Schreiben — / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
| KonfigurationAnthropic Messages · Stufe 1 nach Anfragelänge | Tarifstaffel— | Kontexttoken, mehr als0 | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.0028 / 1K Token Ausgabe · Ausgabetoken $0.0088 / 1K Token Eingabe · Cache-Lesen $0.00052 / 1K Token Eingabe · Cache-Schreiben — / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 source-material file}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "glm-5.2", "messages": []}')\nf=Path(os.environ["AILOOT_TEXT_FILE"])\nif not f.is_file():raise SystemExit("Choose your actual UTF-8 source material")\ntext=f.read_text(encoding="utf-8")\nif not text.strip():raise SystemExit("Source material must contain text")\np["messages"]=[{"role":"user","content":"Summarize this material and quote supporting source passages.\\n\\n"+text}]\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\nprint(json.dumps(json.loads(Path("result.json").read_text()),ensure_ascii=False,indent=2))\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)\nresp = client.chat.completions.create(\n model="glm-5.2",\n messages=[{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}],\n)\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(resp.to_dict(mode="json"))\nimport OpenAI from "openai";\n\nif (!process.env.AILOOT_API_KEY?.trim()) throw new Error("Set AILOOT_API_KEY before making a request");\nconst client = new OpenAI({ baseURL: "https://api.ailoot.ai/v1", apiKey: process.env.AILOOT_API_KEY, maxRetries: 0 });\nconst resp = await client.chat.completions.create({\n model: "glm-5.2",\n messages: [{ role: "user", content: "Explain the difference between an observation and a hypothesis in three sentences." }],\n});\nimport { writeFileSync } from "node:fs";\n\nfunction saveResult(data, stem = "result") {\n writeFileSync(stem + ".json", JSON.stringify(data, null, 2));\n console.log(JSON.stringify(data, null, 2));\n const saveBlob = (encoded, suffix, label) => {\n const raw = Buffer.from(encoded, "base64");\n const ext = raw.subarray(0,8).equals(Buffer.from([137,80,78,71,13,10,26,10])) ? "png" : raw[0]===255 && raw[1]===216 ? "jpg" : raw.subarray(0,4).toString()==="RIFF" && raw.subarray(8,12).toString()==="WEBP" ? "webp" : suffix;\n const file = `${stem}-${label}.${ext}`;\n writeFileSync(file, raw); console.log("Saved", file);\n };\n for (const [i, block] of (data.content || []).entries()) console.log("Content", i, JSON.stringify(block));\n for (const choice of data.choices || []) console.log("Choice", choice.index, JSON.stringify(choice.message || choice.delta || {}));\n for (const [i, item] of (data.output || []).entries()) {\n console.log("Output", i, JSON.stringify(item));\n if (item.type === "image_generation_call" && item.result) saveBlob(item.result, item.output_format || "bin", `output-${i}`);\n }\n for (const [ci, candidate] of (data.candidates || []).entries()) {\n for (const [pi, part] of (candidate.content?.parts || []).entries()) {\n console.log("Candidate/part", ci, pi, JSON.stringify(part));\n const blob = part.inlineData || part.inline_data;\n if (blob?.data) {\n const mime = blob.mimeType || blob.mime_type;\n const suffix = ({"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"})[mime] || "bin";\n saveBlob(blob.data, suffix, `candidate-${ci}-part-${pi}`);\n }\n }\n }\n}\n\nsaveResult(resp);\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-5.2',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 glm-5.3, glm, glm-5, glm-5.1, glm-5.2, glm-latest
Ailoot Ultra glm-5.3, z-ai/glm-5.3, ~z-ai/glm-latest
/chat/completions
z-ai/glm-5.3, glm, glm-5, glm-5.1, glm-5.2, glm-latest, ~z-ai/glm-latest, glm-5.3, glm-5.3
glm-latestZ.ai GLM 5.3 ist ein Textmodell mit Schlussfolgerungsfähigkeiten 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; der Denkmodus ist durchgehend aktiv.
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 Schlussfolgerungsfähigkeiten für komplexe Softwareentwicklung und langfristige Agentenarbeit. Laut Hersteller verwendet es dasselbe Basismodell wie GLM 5.2; die neuen Verbesserungen stammen aus dem Nachtraining. Die Veröffentlichung konzentriert sich auf stärkeres Programmieren, Terminaloperationen und umfassendere Aufgaben mit mehreren voneinander abhängigen Schritten. Das Modell nimmt Text entgegen und erzeugt Text, darunter Code, Erklärungen, Pläne und Anfragen für Werkzeugaufrufe in einer an Werkzeuge angebundenen Anwendung.
Der dokumentierte Denkmodus ist immer aktiv. GLM 5.3 bietet drei Aufwandsstufen: low, high und max, wobei max der Standard ist. Der Hersteller empfiehlt max für komplexe Programmierarbeit; low bietet eine weniger aufwendige Denkoption für einfachere Schritte. Verbinden Sie die ausgewählte Stufe mit einem klaren Endergebnis und Abschlusskriterien. Zum Beispiel: „Untersuche diese Dateien und fehlgeschlagenen Ergebnisse, verfolge die Ursache durch die betroffenen Module, schlage eine Korrektur vor, die die öffentliche Schnittstelle erhält, und erkläre, welche Prüfungen belegen, dass die Regression behoben ist.“
Der Hersteller nennt ein Kontextfenster von 1M Tokens und eine maximale Ausgabelänge von 128K Tokens. Ordnen Sie umfangreiches Material um den Zusammenhang herum an, den das Modell untersuchen muss. Erhalten Sie Dateinamen, relevante Definitionen, Quellenbeschriftungen und die Reihenfolge der Beobachtungen und lassen Sie innerhalb des geltenden Arbeitskontexts Platz für den Gedankengang und die abschließende Antwort. Ein großes Fenster ist für Abhängigkeiten zwischen Modulen oder eine lange Folge von Agentenbeobachtungen nützlich; es macht ein ungeordnetes Archiv sachfremden Materials nicht zu einer klar definierten Aufgabe.
Stellen Sie bei Repository-Arbeit das erwartete Verhalten, den relevanten Quelltext, Abhängigkeitsversionen und die tatsächliche Fehlerausgabe bereit. Bitten Sie das Modell, das betroffene Verhalten zu benennen, bevor es einen Patch vorschlägt. Nennen Sie bei einer Umstrukturierung die Schnittstelle und Invarianten, die erhalten bleiben müssen. Eine brauchbare Antwort enthält den überarbeiteten Code, die Erklärung, warum die Änderung das beobachtete Problem behebt, und die Fälle, die zur Prüfung des Ergebnisses nötig sind. Speisen Sie tatsächliche Ergebnisse wieder in den werkzeuggestützten Ablauf ein, damit der nächste Schritt vom veränderten Zustand statt vom früheren Vorschlag ausgeht.
Stellen Sie bei Leistungsoptimierungen eine Arbeitslast, eine Ausgangsbasis und Messungen wie Laufzeiten, Profile oder Speicherbelegungsprotokolle bereit. Z.ai beschreibt Trainingsaufgaben zur Engpassdiagnose, Optimierung, zu Experimenten und zu Ergebnissen, die die Korrektheit erhalten. Eine praktische Anfrage lautet: „Nutze dieses Profil, um den folgenreichsten Engpass zu identifizieren, schlage eine messbare Änderung vor und erkläre, welches Ergebnis ihre Beibehaltung rechtfertigen würde.“ Unterscheiden Sie eine Leistungshypothese von einer protokollierten Verbesserung. Behalten Sie bei der Ergebnisprüfung dieselbe Arbeitslast und die relevanten Bedingungen bei.
Die Veröffentlichung erweitert außerdem die Fähigkeiten zur Schwachstellenanalyse. Stellen Sie für eine defensive Quellcodeprüfung den relevanten Code, seine vorgesehenen Vertrauensgrenzen und die Ausführungsbedingungen bereit. Fordern Sie einen Befund an, der ein vermutetes Problem mit der betroffenen Eingabe, dem Verhalten und einer gezielten Behebung verknüpft. Trennen Sie eine mögliche Schwäche von einem reproduzierten Fehler und bewahren Sie die zur Validierung verwendete Beobachtung auf. Ein Bericht ist nützlicher, wenn er konkrete Belege und vorgeschlagene Korrekturen priorisiert, statt jedes verdächtige Muster als bestätigte Schwachstelle zu behandeln.
Funktionsaufrufe ermöglichen einer umgebenden Anwendung, dem Modell externe Vorgänge bereitzustellen. Definieren Sie Zweck, Argumente und erwartetes Ergebnis jedes Werkzeugs und geben Sie anschließend die tatsächliche Werkzeugbeobachtung für den nächsten Schritt zurück. Das Modell kann dieses Ergebnis durchdenken und entscheiden, wie es die Aufgabe verändert. Halten Sie vorgeschlagene Handlungen, ausgeführte Vorgänge und ungeklärte Prüfungen unterscheidbar. Der Hersteller dokumentiert außerdem Streaming-Antworten, die Fragmente des Gedankengangs und der Antwort getrennt zurückgeben; setzen Sie die vollständige Antwort zusammen, bevor Sie sie als Abschlussbericht oder Codeerklärung behandeln.
Die lokale Modellkarte enthält ein konkretes Detail zur Verlaufseinstellung: Ihre Chat-Vorlage behält Gedankengänge standardmäßig bei, während der Hersteller für gewöhnliche Chatszenarien empfiehlt, alte Gedankengänge ausdrücklich zu löschen. Wenden Sie die für den Anwendungsfall passende Gesprächsstruktur an und bewahren Sie die tatsächlich abgeschlossenen Antworten und Werkzeugergebnisse auf, die für die Fortsetzung nötig sind. Behandeln Sie Einstellungen zur Denksteuerung aus GLM 5.2 oder den eigenständigen GLM-5.3-Flash-Ausgaben nicht als austauschbar mit den low/high/max-Steuerungen dieses Modells.
Geben Sie für strukturierte Ergebnisse die erwarteten Felder, Typen und Quellenregeln an. Ein brauchbares Arbeitsergebnis kann eine Fehlertabelle, ein Änderungsplan oder ein JSON-Objekt mit zusammengefassten Beobachtungen sein. Validieren Sie sowohl die Struktur als auch die Werte, bevor eine Anwendung sie verwendet. Das Endergebnis sollte die Antwort oder das überarbeitete Arbeitsergebnis, die stützenden Belege und die verbleibenden Annahmen benennen. Mehr Denkaufwand belegt weder, dass ein Werkzeug ausgeführt wurde, noch dass ein vorgeschlagener Patch seine Prüfungen bestanden hat oder eine Tatsachenbehauptung über das bereitgestellte Material hinaus belegt ist.
POST /v1/messagestexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits glm-latest | Standard— |
Feldmessages | Typmessage[] | AnforderungErforderlich | Werte und Limits Mindestanzahl Elemente: 1 | Standard— |
Feldmessages[].role | Typstring | AnforderungErforderlich | Werte und Limits user, assistant | Standard— |
Feldmessages[].content | Typstring|content_block[] | AnforderungErforderlich | Werte und Limits | Standard— |
Feldsystem | Typstring|content_block[] | AnforderungOptional | Werte und Limits | Standard— |
Feldmax_tokens | Typinteger | AnforderungErforderlich | Werte und Limits Minimum: 1 Limit gilt für: Genaue Obergrenze des ausgewählten Modells bzw. seiner Modellkarte | Standard— |
Feldstream | Typboolean | AnforderungOptional | Werte und Limits | Standardfalse |
Feldtemperature | Typnumber | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtop_p | Typnumber | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldstop_sequences | Typstring[] | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtools | Typtool[] | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtools[].name | Typstring | AnforderungOptional | Werte und Limits Gilt, wenn: Werkzeug bereitgestellt | Standard— |
Feldtools[].description | Typstring | AnforderungOptional | Werte und Limits | Standard— |
Feldtools[].input_schema | TypJSON_schema | AnforderungOptional | Werte und Limits | Standard— |
Feldtool_choice | Typobject | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldthinking.type | Typstring | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldthinking.budget_tokens | Typinteger | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldoutput_config.effort | Typstring | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldmetadata | Typobject | AnforderungOptional | Werte und Limits | Standard— |
Feldcache_control | Typobject | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Text · UTF8-Text
messages[].content oder Block mit type=text
| Parameter | Vertrag |
|---|---|
Parametermaterial_types | Vertragtext |
Parameterrequired | Vertragmodel, messages, max_tokens |
Parameteroptional_controls | Vertragnull |
Parametercontent_type | Vertragapplication/json |
Parametertext_file_material | VertragTatsächlicher UTF-8-Inhalt wird als Text eingefügt; Datei-IDs/URLs müssen separat und exakt unterstützt werden |
Lebenszyklus: exact retained published method
Methodenstrukturen und IDs sind exakt; die Fähigkeiten des Anbieters sind von der Zulassung einer Anfrage zu unterscheiden.
POST /v1/messagesAiloot 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 →
Referenztarifstaffeln auf Modellebene ändern weder Methodenauswahl noch Kostenvoranschläge oder Gebühren. Für die aktive Abrechnung gelten die Tarife der ausgewählten Ailoot-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 |
|---|---|---|---|---|
| KonfigurationOpenAI Chat · Token-Basispreise | TarifstaffelGrundtarif | Kontexttoken, mehr als— | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.0028 / 1K Token Ausgabe · Ausgabetoken $0.0088 / 1K Token Eingabe · Cache-Lesen $0.00052 / 1K Token Eingabe · Cache-Schreiben — / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
| KonfigurationOpenAI Chat · Stufe 1 nach Anfragelänge | Tarifstaffel— | Kontexttoken, mehr als0 | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.0028 / 1K Token Ausgabe · Ausgabetoken $0.0088 / 1K Token Eingabe · Cache-Lesen $0.00052 / 1K Token Eingabe · Cache-Schreiben — / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
| KonfigurationAnthropic Messages · Token-Basispreise | TarifstaffelGrundtarif | Kontexttoken, mehr als— | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.0028 / 1K Token Ausgabe · Ausgabetoken $0.0088 / 1K Token Eingabe · Cache-Lesen $0.00052 / 1K Token Eingabe · Cache-Schreiben — / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
| KonfigurationAnthropic Messages · Stufe 1 nach Anfragelänge | Tarifstaffel— | Kontexttoken, mehr als0 | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.0028 / 1K Token Ausgabe · Ausgabetoken $0.0088 / 1K Token Eingabe · Cache-Lesen $0.00052 / 1K Token Eingabe · Cache-Schreiben — / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 source-material file}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "glm-latest", "max_tokens": 1024, "messages": []}')\nf=Path(os.environ["AILOOT_TEXT_FILE"])\nif not f.is_file():raise SystemExit("Choose your actual UTF-8 source material")\ntext=f.read_text(encoding="utf-8")\nif not text.strip():raise SystemExit("Source material must contain text")\np["messages"]=[{"role":"user","content":"Summarize this material and quote supporting source passages.\\n\\n"+text}]\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/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\nprint(json.dumps(json.loads(Path("result.json").read_text()),ensure_ascii=False,indent=2))\nPY_RESULT\nimport anthropic\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient = anthropic.Anthropic(base_url="https://api.ailoot.ai", api_key=os.environ["AILOOT_API_KEY"], max_retries=0)\nmsg = client.messages.create(\n model="glm-latest",\n max_tokens=1024,\n messages=[{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}],\n)\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(msg.to_dict(mode="json"))\nimport Anthropic from "@anthropic-ai/sdk";\n\nif (!process.env.AILOOT_API_KEY?.trim()) throw new Error("Set AILOOT_API_KEY before making a request");\nconst client = new Anthropic({ baseURL: "https://api.ailoot.ai", apiKey: process.env.AILOOT_API_KEY, maxRetries: 0 });\nconst msg = await client.messages.create({\n model: "glm-latest",\n max_tokens: 1024,\n messages: [{ role: "user", content: "Explain the difference between an observation and a hypothesis in three sentences." }],\n});\nimport { writeFileSync } from "node:fs";\n\nfunction saveResult(data, stem = "result") {\n writeFileSync(stem + ".json", JSON.stringify(data, null, 2));\n console.log(JSON.stringify(data, null, 2));\n const saveBlob = (encoded, suffix, label) => {\n const raw = Buffer.from(encoded, "base64");\n const ext = raw.subarray(0,8).equals(Buffer.from([137,80,78,71,13,10,26,10])) ? "png" : raw[0]===255 && raw[1]===216 ? "jpg" : raw.subarray(0,4).toString()==="RIFF" && raw.subarray(8,12).toString()==="WEBP" ? "webp" : suffix;\n const file = `${stem}-${label}.${ext}`;\n writeFileSync(file, raw); console.log("Saved", file);\n };\n for (const [i, block] of (data.content || []).entries()) console.log("Content", i, JSON.stringify(block));\n for (const choice of data.choices || []) console.log("Choice", choice.index, JSON.stringify(choice.message || choice.delta || {}));\n for (const [i, item] of (data.output || []).entries()) {\n console.log("Output", i, JSON.stringify(item));\n if (item.type === "image_generation_call" && item.result) saveBlob(item.result, item.output_format || "bin", `output-${i}`);\n }\n for (const [ci, candidate] of (data.candidates || []).entries()) {\n for (const [pi, part] of (candidate.content?.parts || []).entries()) {\n console.log("Candidate/part", ci, pi, JSON.stringify(part));\n const blob = part.inlineData || part.inline_data;\n if (blob?.data) {\n const mime = blob.mimeType || blob.mime_type;\n const suffix = ({"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"})[mime] || "bin";\n saveBlob(blob.data, suffix, `candidate-${ci}-part-${pi}`);\n }\n }\n }\n}\n\nsaveResult(msg);\nimport anthropic,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=anthropic.Anthropic(base_url="https://api.ailoot.ai",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.messages.stream(model='glm-latest',max_tokens=1024,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_message()\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 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 glm-5.3, glm, glm-5, glm-5.1, glm-5.2, glm-latest
Ailoot Ultra glm-5.3, z-ai/glm-5.3, ~z-ai/glm-latest
/chat/completions
z-ai/glm-5.3, glm, glm-5, glm-5.1, glm-5.2, glm-latest, ~z-ai/glm-latest, glm-5.3, glm-5.3
glm-latestZ.ai GLM 5.3 ist ein Textmodell mit Schlussfolgerungsfähigkeiten 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; der Denkmodus ist durchgehend aktiv.
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 Schlussfolgerungsfähigkeiten für komplexe Softwareentwicklung und langfristige Agentenarbeit. Laut Hersteller verwendet es dasselbe Basismodell wie GLM 5.2; die neuen Verbesserungen stammen aus dem Nachtraining. Die Veröffentlichung konzentriert sich auf stärkeres Programmieren, Terminaloperationen und umfassendere Aufgaben mit mehreren voneinander abhängigen Schritten. Das Modell nimmt Text entgegen und erzeugt Text, darunter Code, Erklärungen, Pläne und Anfragen für Werkzeugaufrufe in einer an Werkzeuge angebundenen Anwendung.
Der dokumentierte Denkmodus ist immer aktiv. GLM 5.3 bietet drei Aufwandsstufen: low, high und max, wobei max der Standard ist. Der Hersteller empfiehlt max für komplexe Programmierarbeit; low bietet eine weniger aufwendige Denkoption für einfachere Schritte. Verbinden Sie die ausgewählte Stufe mit einem klaren Endergebnis und Abschlusskriterien. Zum Beispiel: „Untersuche diese Dateien und fehlgeschlagenen Ergebnisse, verfolge die Ursache durch die betroffenen Module, schlage eine Korrektur vor, die die öffentliche Schnittstelle erhält, und erkläre, welche Prüfungen belegen, dass die Regression behoben ist.“
Der Hersteller nennt ein Kontextfenster von 1M Tokens und eine maximale Ausgabelänge von 128K Tokens. Ordnen Sie umfangreiches Material um den Zusammenhang herum an, den das Modell untersuchen muss. Erhalten Sie Dateinamen, relevante Definitionen, Quellenbeschriftungen und die Reihenfolge der Beobachtungen und lassen Sie innerhalb des geltenden Arbeitskontexts Platz für den Gedankengang und die abschließende Antwort. Ein großes Fenster ist für Abhängigkeiten zwischen Modulen oder eine lange Folge von Agentenbeobachtungen nützlich; es macht ein ungeordnetes Archiv sachfremden Materials nicht zu einer klar definierten Aufgabe.
Stellen Sie bei Repository-Arbeit das erwartete Verhalten, den relevanten Quelltext, Abhängigkeitsversionen und die tatsächliche Fehlerausgabe bereit. Bitten Sie das Modell, das betroffene Verhalten zu benennen, bevor es einen Patch vorschlägt. Nennen Sie bei einer Umstrukturierung die Schnittstelle und Invarianten, die erhalten bleiben müssen. Eine brauchbare Antwort enthält den überarbeiteten Code, die Erklärung, warum die Änderung das beobachtete Problem behebt, und die Fälle, die zur Prüfung des Ergebnisses nötig sind. Speisen Sie tatsächliche Ergebnisse wieder in den werkzeuggestützten Ablauf ein, damit der nächste Schritt vom veränderten Zustand statt vom früheren Vorschlag ausgeht.
Stellen Sie bei Leistungsoptimierungen eine Arbeitslast, eine Ausgangsbasis und Messungen wie Laufzeiten, Profile oder Speicherbelegungsprotokolle bereit. Z.ai beschreibt Trainingsaufgaben zur Engpassdiagnose, Optimierung, zu Experimenten und zu Ergebnissen, die die Korrektheit erhalten. Eine praktische Anfrage lautet: „Nutze dieses Profil, um den folgenreichsten Engpass zu identifizieren, schlage eine messbare Änderung vor und erkläre, welches Ergebnis ihre Beibehaltung rechtfertigen würde.“ Unterscheiden Sie eine Leistungshypothese von einer protokollierten Verbesserung. Behalten Sie bei der Ergebnisprüfung dieselbe Arbeitslast und die relevanten Bedingungen bei.
Die Veröffentlichung erweitert außerdem die Fähigkeiten zur Schwachstellenanalyse. Stellen Sie für eine defensive Quellcodeprüfung den relevanten Code, seine vorgesehenen Vertrauensgrenzen und die Ausführungsbedingungen bereit. Fordern Sie einen Befund an, der ein vermutetes Problem mit der betroffenen Eingabe, dem Verhalten und einer gezielten Behebung verknüpft. Trennen Sie eine mögliche Schwäche von einem reproduzierten Fehler und bewahren Sie die zur Validierung verwendete Beobachtung auf. Ein Bericht ist nützlicher, wenn er konkrete Belege und vorgeschlagene Korrekturen priorisiert, statt jedes verdächtige Muster als bestätigte Schwachstelle zu behandeln.
Funktionsaufrufe ermöglichen einer umgebenden Anwendung, dem Modell externe Vorgänge bereitzustellen. Definieren Sie Zweck, Argumente und erwartetes Ergebnis jedes Werkzeugs und geben Sie anschließend die tatsächliche Werkzeugbeobachtung für den nächsten Schritt zurück. Das Modell kann dieses Ergebnis durchdenken und entscheiden, wie es die Aufgabe verändert. Halten Sie vorgeschlagene Handlungen, ausgeführte Vorgänge und ungeklärte Prüfungen unterscheidbar. Der Hersteller dokumentiert außerdem Streaming-Antworten, die Fragmente des Gedankengangs und der Antwort getrennt zurückgeben; setzen Sie die vollständige Antwort zusammen, bevor Sie sie als Abschlussbericht oder Codeerklärung behandeln.
Die lokale Modellkarte enthält ein konkretes Detail zur Verlaufseinstellung: Ihre Chat-Vorlage behält Gedankengänge standardmäßig bei, während der Hersteller für gewöhnliche Chatszenarien empfiehlt, alte Gedankengänge ausdrücklich zu löschen. Wenden Sie die für den Anwendungsfall passende Gesprächsstruktur an und bewahren Sie die tatsächlich abgeschlossenen Antworten und Werkzeugergebnisse auf, die für die Fortsetzung nötig sind. Behandeln Sie Einstellungen zur Denksteuerung aus GLM 5.2 oder den eigenständigen GLM-5.3-Flash-Ausgaben nicht als austauschbar mit den low/high/max-Steuerungen dieses Modells.
Geben Sie für strukturierte Ergebnisse die erwarteten Felder, Typen und Quellenregeln an. Ein brauchbares Arbeitsergebnis kann eine Fehlertabelle, ein Änderungsplan oder ein JSON-Objekt mit zusammengefassten Beobachtungen sein. Validieren Sie sowohl die Struktur als auch die Werte, bevor eine Anwendung sie verwendet. Das Endergebnis sollte die Antwort oder das überarbeitete Arbeitsergebnis, die stützenden Belege und die verbleibenden Annahmen benennen. Mehr Denkaufwand belegt weder, dass ein Werkzeug ausgeführt wurde, noch dass ein vorgeschlagener Patch seine Prüfungen bestanden hat oder eine Tatsachenbehauptung über das bereitgestellte Material hinaus belegt ist.
POST /v1/responsestexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits glm-latest | Standard— |
Feldinput | Typstring|input_item[] | AnforderungErforderlich | Werte und Limits | Standard— |
Feldinstructions | Typstring | AnforderungOptional | Werte und Limits | Standard— |
Feldinput[].type | Typstring | AnforderungOptional | Werte und Limits message, reasoning, function_call, function_call_output | Standard— |
Feldinput[].content | Typstring|content_part[] | AnforderungOptional | Werte und Limits | Standard— |
Feldinput[].call_id | Typstring | AnforderungOptional | Werte und Limits Gilt, wenn: function_call_output; den tatsächlich zurückgegebenen Wert von call_id beibehalten | Standard— |
Feldinput[].output | Typstring|content_part[] | AnforderungOptional | Werte und Limits Gilt, wenn: function_call_output | Standard— |
Feldmax_output_tokens | Typinteger | AnforderungOptional | Werte und Limits Minimum: 1 Modellabhängig | Standard— |
Feldstream | Typboolean | AnforderungOptional | Werte und Limits | Standardfalse |
Feldtemperature | Typnumber | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtop_p | Typnumber | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtools | Typtool[] | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtool_choice | Typstring|object | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldparallel_tool_calls | Typboolean | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldreasoning.effort | Typstring | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldreasoning.summary | Typstring | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtext.format | Typobject | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtext.verbosity | Typstring | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldinclude | Typstring[] | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldstore | Typboolean | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldprevious_response_id | Typstring | AnforderungOptional | Werte und Limits ID-Anforderung: Nur eine tatsächliche Antwort-ID aus einer unterstützten Fortsetzung Modellabhängig | Standard— |
Feldservice_tier | Typstring | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldprompt_cache_key | Typstring | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldprompt_cache_options | Typobject | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Text · UTF8-Text
Eingabetext oder input_text-Teil
| Parameter | Vertrag |
|---|---|
Parametermaterial_types | Vertragtext |
Parameterrequired | Vertragmodel, input |
Parameteroptional_controls | Vertragnull |
Parametercontent_type | Vertragapplication/json |
Parametertext_file_material | VertragTatsächlicher UTF-8-Inhalt wird als Text eingefügt; Datei-IDs/URLs müssen separat und exakt unterstützt werden |
Lebenszyklus: exact retained published method
Methodenstrukturen und IDs sind exakt; die Fähigkeiten des Anbieters sind von der Zulassung einer Anfrage zu unterscheiden.
POST /v1/responsesAiloot 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 →
Referenztarifstaffeln auf Modellebene ändern weder Methodenauswahl noch Kostenvoranschläge oder Gebühren. Für die aktive Abrechnung gelten die Tarife der ausgewählten Ailoot-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 |
|---|---|---|---|---|
| KonfigurationOpenAI Chat · Token-Basispreise | TarifstaffelGrundtarif | Kontexttoken, mehr als— | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.0028 / 1K Token Ausgabe · Ausgabetoken $0.0088 / 1K Token Eingabe · Cache-Lesen $0.00052 / 1K Token Eingabe · Cache-Schreiben — / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
| KonfigurationOpenAI Chat · Stufe 1 nach Anfragelänge | Tarifstaffel— | Kontexttoken, mehr als0 | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.0028 / 1K Token Ausgabe · Ausgabetoken $0.0088 / 1K Token Eingabe · Cache-Lesen $0.00052 / 1K Token Eingabe · Cache-Schreiben — / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
| KonfigurationAnthropic Messages · Token-Basispreise | TarifstaffelGrundtarif | Kontexttoken, mehr als— | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.0028 / 1K Token Ausgabe · Ausgabetoken $0.0088 / 1K Token Eingabe · Cache-Lesen $0.00052 / 1K Token Eingabe · Cache-Schreiben — / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
| KonfigurationAnthropic Messages · Stufe 1 nach Anfragelänge | Tarifstaffel— | Kontexttoken, mehr als0 | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.0028 / 1K Token Ausgabe · Ausgabetoken $0.0088 / 1K Token Eingabe · Cache-Lesen $0.00052 / 1K Token Eingabe · Cache-Schreiben — / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 source-material file}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "glm-latest", "input": ""}')\nf=Path(os.environ["AILOOT_TEXT_FILE"])\nif not f.is_file():raise SystemExit("Choose your actual UTF-8 source material")\ntext=f.read_text(encoding="utf-8")\nif not text.strip():raise SystemExit("Source material must contain text")\np["input"]="Summarize this material and quote supporting source passages.\\n\\n"+text\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/responses \\\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 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(json.loads(Path("result.json").read_text(encoding="utf-8")))\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)\nresp = client.responses.create(model="glm-latest", input="Explain the difference between an observation and a hypothesis 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(resp.to_dict(mode="json"))\nimport OpenAI from "openai";\n\nif (!process.env.AILOOT_API_KEY?.trim()) throw new Error("Set AILOOT_API_KEY before making a request");\nconst client = new OpenAI({ baseURL: "https://api.ailoot.ai/v1", apiKey: process.env.AILOOT_API_KEY, maxRetries: 0 });\nconst resp = await client.responses.create({ model: "glm-latest", input: "Explain the difference between an observation and a hypothesis in three sentences." });\nimport { writeFileSync } from "node:fs";\n\nfunction saveResult(data, stem = "result") {\n writeFileSync(stem + ".json", JSON.stringify(data, null, 2));\n console.log(JSON.stringify(data, null, 2));\n const saveBlob = (encoded, suffix, label) => {\n const raw = Buffer.from(encoded, "base64");\n const ext = raw.subarray(0,8).equals(Buffer.from([137,80,78,71,13,10,26,10])) ? "png" : raw[0]===255 && raw[1]===216 ? "jpg" : raw.subarray(0,4).toString()==="RIFF" && raw.subarray(8,12).toString()==="WEBP" ? "webp" : suffix;\n const file = `${stem}-${label}.${ext}`;\n writeFileSync(file, raw); console.log("Saved", file);\n };\n for (const [i, block] of (data.content || []).entries()) console.log("Content", i, JSON.stringify(block));\n for (const choice of data.choices || []) console.log("Choice", choice.index, JSON.stringify(choice.message || choice.delta || {}));\n for (const [i, item] of (data.output || []).entries()) {\n console.log("Output", i, JSON.stringify(item));\n if (item.type === "image_generation_call" && item.result) saveBlob(item.result, item.output_format || "bin", `output-${i}`);\n }\n for (const [ci, candidate] of (data.candidates || []).entries()) {\n for (const [pi, part] of (candidate.content?.parts || []).entries()) {\n console.log("Candidate/part", ci, pi, JSON.stringify(part));\n const blob = part.inlineData || part.inline_data;\n if (blob?.data) {\n const mime = blob.mimeType || blob.mime_type;\n const suffix = ({"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"})[mime] || "bin";\n saveBlob(blob.data, suffix, `candidate-${ci}-part-${pi}`);\n }\n }\n }\n}\n\nsaveResult(resp);\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\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\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)\nwith client.responses.stream(model="glm-latest", input="Explain the difference between an observation and a hypothesis 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_response()\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 Ausgabeelemente und Inhaltsteile, die tatsächliche call_id der Funktion, verschlüsselte Reasoning-Daten und Verbrauchsdaten beibehalten. Beim Streaming die vollständige Identität von Ereignis und Element bewahren.
Anfrage- und Antwort-IDs sowie Header beibehalten. Eine allgemeine URL zum Abrufen von Textaufträgen wird nicht angegeben.
| Feld | Typ |
|---|---|
Feldid | Typstring |
Feldstatus | Typstring |
Feldoutput[] | Typmessage|reasoning|function_call|other item |
Feldoutput[].content[] | Typcontent part |
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 glm-5.3, glm, glm-5, glm-5.1, glm-5.2, glm-latest
Ailoot Ultra glm-5.3, z-ai/glm-5.3, ~z-ai/glm-latest
/chat/completions
z-ai/glm-5.3, glm, glm-5, glm-5.1, glm-5.2, glm-latest, ~z-ai/glm-latest, glm-5.3, glm-5.3
glm-latestZ.ai GLM 5.3 ist ein Textmodell mit Schlussfolgerungsfähigkeiten 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; der Denkmodus ist durchgehend aktiv.
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 Schlussfolgerungsfähigkeiten für komplexe Softwareentwicklung und langfristige Agentenarbeit. Laut Hersteller verwendet es dasselbe Basismodell wie GLM 5.2; die neuen Verbesserungen stammen aus dem Nachtraining. Die Veröffentlichung konzentriert sich auf stärkeres Programmieren, Terminaloperationen und umfassendere Aufgaben mit mehreren voneinander abhängigen Schritten. Das Modell nimmt Text entgegen und erzeugt Text, darunter Code, Erklärungen, Pläne und Anfragen für Werkzeugaufrufe in einer an Werkzeuge angebundenen Anwendung.
Der dokumentierte Denkmodus ist immer aktiv. GLM 5.3 bietet drei Aufwandsstufen: low, high und max, wobei max der Standard ist. Der Hersteller empfiehlt max für komplexe Programmierarbeit; low bietet eine weniger aufwendige Denkoption für einfachere Schritte. Verbinden Sie die ausgewählte Stufe mit einem klaren Endergebnis und Abschlusskriterien. Zum Beispiel: „Untersuche diese Dateien und fehlgeschlagenen Ergebnisse, verfolge die Ursache durch die betroffenen Module, schlage eine Korrektur vor, die die öffentliche Schnittstelle erhält, und erkläre, welche Prüfungen belegen, dass die Regression behoben ist.“
Der Hersteller nennt ein Kontextfenster von 1M Tokens und eine maximale Ausgabelänge von 128K Tokens. Ordnen Sie umfangreiches Material um den Zusammenhang herum an, den das Modell untersuchen muss. Erhalten Sie Dateinamen, relevante Definitionen, Quellenbeschriftungen und die Reihenfolge der Beobachtungen und lassen Sie innerhalb des geltenden Arbeitskontexts Platz für den Gedankengang und die abschließende Antwort. Ein großes Fenster ist für Abhängigkeiten zwischen Modulen oder eine lange Folge von Agentenbeobachtungen nützlich; es macht ein ungeordnetes Archiv sachfremden Materials nicht zu einer klar definierten Aufgabe.
Stellen Sie bei Repository-Arbeit das erwartete Verhalten, den relevanten Quelltext, Abhängigkeitsversionen und die tatsächliche Fehlerausgabe bereit. Bitten Sie das Modell, das betroffene Verhalten zu benennen, bevor es einen Patch vorschlägt. Nennen Sie bei einer Umstrukturierung die Schnittstelle und Invarianten, die erhalten bleiben müssen. Eine brauchbare Antwort enthält den überarbeiteten Code, die Erklärung, warum die Änderung das beobachtete Problem behebt, und die Fälle, die zur Prüfung des Ergebnisses nötig sind. Speisen Sie tatsächliche Ergebnisse wieder in den werkzeuggestützten Ablauf ein, damit der nächste Schritt vom veränderten Zustand statt vom früheren Vorschlag ausgeht.
Stellen Sie bei Leistungsoptimierungen eine Arbeitslast, eine Ausgangsbasis und Messungen wie Laufzeiten, Profile oder Speicherbelegungsprotokolle bereit. Z.ai beschreibt Trainingsaufgaben zur Engpassdiagnose, Optimierung, zu Experimenten und zu Ergebnissen, die die Korrektheit erhalten. Eine praktische Anfrage lautet: „Nutze dieses Profil, um den folgenreichsten Engpass zu identifizieren, schlage eine messbare Änderung vor und erkläre, welches Ergebnis ihre Beibehaltung rechtfertigen würde.“ Unterscheiden Sie eine Leistungshypothese von einer protokollierten Verbesserung. Behalten Sie bei der Ergebnisprüfung dieselbe Arbeitslast und die relevanten Bedingungen bei.
Die Veröffentlichung erweitert außerdem die Fähigkeiten zur Schwachstellenanalyse. Stellen Sie für eine defensive Quellcodeprüfung den relevanten Code, seine vorgesehenen Vertrauensgrenzen und die Ausführungsbedingungen bereit. Fordern Sie einen Befund an, der ein vermutetes Problem mit der betroffenen Eingabe, dem Verhalten und einer gezielten Behebung verknüpft. Trennen Sie eine mögliche Schwäche von einem reproduzierten Fehler und bewahren Sie die zur Validierung verwendete Beobachtung auf. Ein Bericht ist nützlicher, wenn er konkrete Belege und vorgeschlagene Korrekturen priorisiert, statt jedes verdächtige Muster als bestätigte Schwachstelle zu behandeln.
Funktionsaufrufe ermöglichen einer umgebenden Anwendung, dem Modell externe Vorgänge bereitzustellen. Definieren Sie Zweck, Argumente und erwartetes Ergebnis jedes Werkzeugs und geben Sie anschließend die tatsächliche Werkzeugbeobachtung für den nächsten Schritt zurück. Das Modell kann dieses Ergebnis durchdenken und entscheiden, wie es die Aufgabe verändert. Halten Sie vorgeschlagene Handlungen, ausgeführte Vorgänge und ungeklärte Prüfungen unterscheidbar. Der Hersteller dokumentiert außerdem Streaming-Antworten, die Fragmente des Gedankengangs und der Antwort getrennt zurückgeben; setzen Sie die vollständige Antwort zusammen, bevor Sie sie als Abschlussbericht oder Codeerklärung behandeln.
Die lokale Modellkarte enthält ein konkretes Detail zur Verlaufseinstellung: Ihre Chat-Vorlage behält Gedankengänge standardmäßig bei, während der Hersteller für gewöhnliche Chatszenarien empfiehlt, alte Gedankengänge ausdrücklich zu löschen. Wenden Sie die für den Anwendungsfall passende Gesprächsstruktur an und bewahren Sie die tatsächlich abgeschlossenen Antworten und Werkzeugergebnisse auf, die für die Fortsetzung nötig sind. Behandeln Sie Einstellungen zur Denksteuerung aus GLM 5.2 oder den eigenständigen GLM-5.3-Flash-Ausgaben nicht als austauschbar mit den low/high/max-Steuerungen dieses Modells.
Geben Sie für strukturierte Ergebnisse die erwarteten Felder, Typen und Quellenregeln an. Ein brauchbares Arbeitsergebnis kann eine Fehlertabelle, ein Änderungsplan oder ein JSON-Objekt mit zusammengefassten Beobachtungen sein. Validieren Sie sowohl die Struktur als auch die Werte, bevor eine Anwendung sie verwendet. Das Endergebnis sollte die Antwort oder das überarbeitete Arbeitsergebnis, die stützenden Belege und die verbleibenden Annahmen benennen. Mehr Denkaufwand belegt weder, dass ein Werkzeug ausgeführt wurde, noch dass ein vorgeschlagener Patch seine Prüfungen bestanden hat oder eine Tatsachenbehauptung über das bereitgestellte Material hinaus belegt ist.
POST /v1/chat/completionstexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits glm-latest | 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 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— |
Text · UTF8-Text
messages[].content
| Parameter | Vertrag |
|---|---|
Parametermaterial_types | Vertragtext |
Parameterrequired | Vertragmodel, messages |
Parameteroptional_controls | Vertragnull |
Parametercontent_type | Vertragapplication/json |
Parametertext_file_material | VertragTatsächlicher UTF-8-Inhalt wird als Text eingefügt; Datei-IDs/URLs müssen separat und exakt unterstützt werden |
Lebenszyklus: exact retained published method
Methodenstrukturen und IDs sind exakt; die Fähigkeiten des Anbieters sind von der Zulassung einer Anfrage zu unterscheiden.
POST /v1/chat/completionsAiloot 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 →
Referenztarifstaffeln auf Modellebene ändern weder Methodenauswahl noch Kostenvoranschläge oder Gebühren. Für die aktive Abrechnung gelten die Tarife der ausgewählten Ailoot-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 |
|---|---|---|---|---|
| KonfigurationOpenAI Chat · Token-Basispreise | TarifstaffelGrundtarif | Kontexttoken, mehr als— | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.0028 / 1K Token Ausgabe · Ausgabetoken $0.0088 / 1K Token Eingabe · Cache-Lesen $0.00052 / 1K Token Eingabe · Cache-Schreiben — / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
| KonfigurationOpenAI Chat · Stufe 1 nach Anfragelänge | Tarifstaffel— | Kontexttoken, mehr als0 | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.0028 / 1K Token Ausgabe · Ausgabetoken $0.0088 / 1K Token Eingabe · Cache-Lesen $0.00052 / 1K Token Eingabe · Cache-Schreiben — / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
| KonfigurationAnthropic Messages · Token-Basispreise | TarifstaffelGrundtarif | Kontexttoken, mehr als— | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.0028 / 1K Token Ausgabe · Ausgabetoken $0.0088 / 1K Token Eingabe · Cache-Lesen $0.00052 / 1K Token Eingabe · Cache-Schreiben — / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
| KonfigurationAnthropic Messages · Stufe 1 nach Anfragelänge | Tarifstaffel— | Kontexttoken, mehr als0 | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.0028 / 1K Token Ausgabe · Ausgabetoken $0.0088 / 1K Token Eingabe · Cache-Lesen $0.00052 / 1K Token Eingabe · Cache-Schreiben — / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 source-material file}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "glm-latest", "messages": []}')\nf=Path(os.environ["AILOOT_TEXT_FILE"])\nif not f.is_file():raise SystemExit("Choose your actual UTF-8 source material")\ntext=f.read_text(encoding="utf-8")\nif not text.strip():raise SystemExit("Source material must contain text")\np["messages"]=[{"role":"user","content":"Summarize this material and quote supporting source passages.\\n\\n"+text}]\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\nprint(json.dumps(json.loads(Path("result.json").read_text()),ensure_ascii=False,indent=2))\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)\nresp = client.chat.completions.create(\n model="glm-latest",\n messages=[{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}],\n)\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(resp.to_dict(mode="json"))\nimport OpenAI from "openai";\n\nif (!process.env.AILOOT_API_KEY?.trim()) throw new Error("Set AILOOT_API_KEY before making a request");\nconst client = new OpenAI({ baseURL: "https://api.ailoot.ai/v1", apiKey: process.env.AILOOT_API_KEY, maxRetries: 0 });\nconst resp = await client.chat.completions.create({\n model: "glm-latest",\n messages: [{ role: "user", content: "Explain the difference between an observation and a hypothesis in three sentences." }],\n});\nimport { writeFileSync } from "node:fs";\n\nfunction saveResult(data, stem = "result") {\n writeFileSync(stem + ".json", JSON.stringify(data, null, 2));\n console.log(JSON.stringify(data, null, 2));\n const saveBlob = (encoded, suffix, label) => {\n const raw = Buffer.from(encoded, "base64");\n const ext = raw.subarray(0,8).equals(Buffer.from([137,80,78,71,13,10,26,10])) ? "png" : raw[0]===255 && raw[1]===216 ? "jpg" : raw.subarray(0,4).toString()==="RIFF" && raw.subarray(8,12).toString()==="WEBP" ? "webp" : suffix;\n const file = `${stem}-${label}.${ext}`;\n writeFileSync(file, raw); console.log("Saved", file);\n };\n for (const [i, block] of (data.content || []).entries()) console.log("Content", i, JSON.stringify(block));\n for (const choice of data.choices || []) console.log("Choice", choice.index, JSON.stringify(choice.message || choice.delta || {}));\n for (const [i, item] of (data.output || []).entries()) {\n console.log("Output", i, JSON.stringify(item));\n if (item.type === "image_generation_call" && item.result) saveBlob(item.result, item.output_format || "bin", `output-${i}`);\n }\n for (const [ci, candidate] of (data.candidates || []).entries()) {\n for (const [pi, part] of (candidate.content?.parts || []).entries()) {\n console.log("Candidate/part", ci, pi, JSON.stringify(part));\n const blob = part.inlineData || part.inline_data;\n if (blob?.data) {\n const mime = blob.mimeType || blob.mime_type;\n const suffix = ({"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"})[mime] || "bin";\n saveBlob(blob.data, suffix, `candidate-${ci}-part-${pi}`);\n }\n }\n }\n}\n\nsaveResult(resp);\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-latest',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 glm-5.3, glm, glm-5, glm-5.1, glm-5.2, glm-latest
Ailoot Ultra glm-5.3, z-ai/glm-5.3, ~z-ai/glm-latest
/chat/completions
z-ai/glm-5.3, glm, glm-5, glm-5.1, glm-5.2, glm-latest, ~z-ai/glm-latest, glm-5.3, glm-5.3
z-ai/glm-5.3Z.ai GLM 5.3 ist ein Textmodell mit Schlussfolgerungsfähigkeiten 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; der Denkmodus ist durchgehend aktiv.
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 Schlussfolgerungsfähigkeiten für komplexe Softwareentwicklung und langfristige Agentenarbeit. Laut Hersteller verwendet es dasselbe Basismodell wie GLM 5.2; die neuen Verbesserungen stammen aus dem Nachtraining. Die Veröffentlichung konzentriert sich auf stärkeres Programmieren, Terminaloperationen und umfassendere Aufgaben mit mehreren voneinander abhängigen Schritten. Das Modell nimmt Text entgegen und erzeugt Text, darunter Code, Erklärungen, Pläne und Anfragen für Werkzeugaufrufe in einer an Werkzeuge angebundenen Anwendung.
Der dokumentierte Denkmodus ist immer aktiv. GLM 5.3 bietet drei Aufwandsstufen: low, high und max, wobei max der Standard ist. Der Hersteller empfiehlt max für komplexe Programmierarbeit; low bietet eine weniger aufwendige Denkoption für einfachere Schritte. Verbinden Sie die ausgewählte Stufe mit einem klaren Endergebnis und Abschlusskriterien. Zum Beispiel: „Untersuche diese Dateien und fehlgeschlagenen Ergebnisse, verfolge die Ursache durch die betroffenen Module, schlage eine Korrektur vor, die die öffentliche Schnittstelle erhält, und erkläre, welche Prüfungen belegen, dass die Regression behoben ist.“
Der Hersteller nennt ein Kontextfenster von 1M Tokens und eine maximale Ausgabelänge von 128K Tokens. Ordnen Sie umfangreiches Material um den Zusammenhang herum an, den das Modell untersuchen muss. Erhalten Sie Dateinamen, relevante Definitionen, Quellenbeschriftungen und die Reihenfolge der Beobachtungen und lassen Sie innerhalb des geltenden Arbeitskontexts Platz für den Gedankengang und die abschließende Antwort. Ein großes Fenster ist für Abhängigkeiten zwischen Modulen oder eine lange Folge von Agentenbeobachtungen nützlich; es macht ein ungeordnetes Archiv sachfremden Materials nicht zu einer klar definierten Aufgabe.
Stellen Sie bei Repository-Arbeit das erwartete Verhalten, den relevanten Quelltext, Abhängigkeitsversionen und die tatsächliche Fehlerausgabe bereit. Bitten Sie das Modell, das betroffene Verhalten zu benennen, bevor es einen Patch vorschlägt. Nennen Sie bei einer Umstrukturierung die Schnittstelle und Invarianten, die erhalten bleiben müssen. Eine brauchbare Antwort enthält den überarbeiteten Code, die Erklärung, warum die Änderung das beobachtete Problem behebt, und die Fälle, die zur Prüfung des Ergebnisses nötig sind. Speisen Sie tatsächliche Ergebnisse wieder in den werkzeuggestützten Ablauf ein, damit der nächste Schritt vom veränderten Zustand statt vom früheren Vorschlag ausgeht.
Stellen Sie bei Leistungsoptimierungen eine Arbeitslast, eine Ausgangsbasis und Messungen wie Laufzeiten, Profile oder Speicherbelegungsprotokolle bereit. Z.ai beschreibt Trainingsaufgaben zur Engpassdiagnose, Optimierung, zu Experimenten und zu Ergebnissen, die die Korrektheit erhalten. Eine praktische Anfrage lautet: „Nutze dieses Profil, um den folgenreichsten Engpass zu identifizieren, schlage eine messbare Änderung vor und erkläre, welches Ergebnis ihre Beibehaltung rechtfertigen würde.“ Unterscheiden Sie eine Leistungshypothese von einer protokollierten Verbesserung. Behalten Sie bei der Ergebnisprüfung dieselbe Arbeitslast und die relevanten Bedingungen bei.
Die Veröffentlichung erweitert außerdem die Fähigkeiten zur Schwachstellenanalyse. Stellen Sie für eine defensive Quellcodeprüfung den relevanten Code, seine vorgesehenen Vertrauensgrenzen und die Ausführungsbedingungen bereit. Fordern Sie einen Befund an, der ein vermutetes Problem mit der betroffenen Eingabe, dem Verhalten und einer gezielten Behebung verknüpft. Trennen Sie eine mögliche Schwäche von einem reproduzierten Fehler und bewahren Sie die zur Validierung verwendete Beobachtung auf. Ein Bericht ist nützlicher, wenn er konkrete Belege und vorgeschlagene Korrekturen priorisiert, statt jedes verdächtige Muster als bestätigte Schwachstelle zu behandeln.
Funktionsaufrufe ermöglichen einer umgebenden Anwendung, dem Modell externe Vorgänge bereitzustellen. Definieren Sie Zweck, Argumente und erwartetes Ergebnis jedes Werkzeugs und geben Sie anschließend die tatsächliche Werkzeugbeobachtung für den nächsten Schritt zurück. Das Modell kann dieses Ergebnis durchdenken und entscheiden, wie es die Aufgabe verändert. Halten Sie vorgeschlagene Handlungen, ausgeführte Vorgänge und ungeklärte Prüfungen unterscheidbar. Der Hersteller dokumentiert außerdem Streaming-Antworten, die Fragmente des Gedankengangs und der Antwort getrennt zurückgeben; setzen Sie die vollständige Antwort zusammen, bevor Sie sie als Abschlussbericht oder Codeerklärung behandeln.
Die lokale Modellkarte enthält ein konkretes Detail zur Verlaufseinstellung: Ihre Chat-Vorlage behält Gedankengänge standardmäßig bei, während der Hersteller für gewöhnliche Chatszenarien empfiehlt, alte Gedankengänge ausdrücklich zu löschen. Wenden Sie die für den Anwendungsfall passende Gesprächsstruktur an und bewahren Sie die tatsächlich abgeschlossenen Antworten und Werkzeugergebnisse auf, die für die Fortsetzung nötig sind. Behandeln Sie Einstellungen zur Denksteuerung aus GLM 5.2 oder den eigenständigen GLM-5.3-Flash-Ausgaben nicht als austauschbar mit den low/high/max-Steuerungen dieses Modells.
Geben Sie für strukturierte Ergebnisse die erwarteten Felder, Typen und Quellenregeln an. Ein brauchbares Arbeitsergebnis kann eine Fehlertabelle, ein Änderungsplan oder ein JSON-Objekt mit zusammengefassten Beobachtungen sein. Validieren Sie sowohl die Struktur als auch die Werte, bevor eine Anwendung sie verwendet. Das Endergebnis sollte die Antwort oder das überarbeitete Arbeitsergebnis, die stützenden Belege und die verbleibenden Annahmen benennen. Mehr Denkaufwand belegt weder, dass ein Werkzeug ausgeführt wurde, noch dass ein vorgeschlagener Patch seine Prüfungen bestanden hat oder eine Tatsachenbehauptung über das bereitgestellte Material hinaus belegt ist.
POST /v1/chat/completionstexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits z-ai/glm-5.3 | 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.
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 $0.0028 / 1K Token Ausgabe · Ausgabetoken $0.0088 / 1K Token Eingabe · Cache-Lesen $0.00052 / 1K Token Eingabe · Cache-Schreiben — / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
| KonfigurationAnfragelängenstufe 1 | Tarifstaffel— | Kontexttoken, mehr als0 | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.0028 / 1K Token Ausgabe · Ausgabetoken $0.0088 / 1K Token Eingabe · Cache-Lesen $0.00052 / 1K Token Eingabe · Cache-Schreiben — / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "z-ai/glm-5.3", "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='z-ai/glm-5.3',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='z-ai/glm-5.3',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 glm-5.3, glm, glm-5, glm-5.1, glm-5.2, glm-latest
Ailoot Ultra glm-5.3, z-ai/glm-5.3, ~z-ai/glm-latest
/chat/completions
z-ai/glm-5.3, glm, glm-5, glm-5.1, glm-5.2, glm-latest, ~z-ai/glm-latest, glm-5.3, glm-5.3
z-ai/glm-5.3Z.ai GLM 5.3 ist ein Textmodell mit Schlussfolgerungsfähigkeiten 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; der Denkmodus ist durchgehend aktiv.
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 Schlussfolgerungsfähigkeiten für komplexe Softwareentwicklung und langfristige Agentenarbeit. Laut Hersteller verwendet es dasselbe Basismodell wie GLM 5.2; die neuen Verbesserungen stammen aus dem Nachtraining. Die Veröffentlichung konzentriert sich auf stärkeres Programmieren, Terminaloperationen und umfassendere Aufgaben mit mehreren voneinander abhängigen Schritten. Das Modell nimmt Text entgegen und erzeugt Text, darunter Code, Erklärungen, Pläne und Anfragen für Werkzeugaufrufe in einer an Werkzeuge angebundenen Anwendung.
Der dokumentierte Denkmodus ist immer aktiv. GLM 5.3 bietet drei Aufwandsstufen: low, high und max, wobei max der Standard ist. Der Hersteller empfiehlt max für komplexe Programmierarbeit; low bietet eine weniger aufwendige Denkoption für einfachere Schritte. Verbinden Sie die ausgewählte Stufe mit einem klaren Endergebnis und Abschlusskriterien. Zum Beispiel: „Untersuche diese Dateien und fehlgeschlagenen Ergebnisse, verfolge die Ursache durch die betroffenen Module, schlage eine Korrektur vor, die die öffentliche Schnittstelle erhält, und erkläre, welche Prüfungen belegen, dass die Regression behoben ist.“
Der Hersteller nennt ein Kontextfenster von 1M Tokens und eine maximale Ausgabelänge von 128K Tokens. Ordnen Sie umfangreiches Material um den Zusammenhang herum an, den das Modell untersuchen muss. Erhalten Sie Dateinamen, relevante Definitionen, Quellenbeschriftungen und die Reihenfolge der Beobachtungen und lassen Sie innerhalb des geltenden Arbeitskontexts Platz für den Gedankengang und die abschließende Antwort. Ein großes Fenster ist für Abhängigkeiten zwischen Modulen oder eine lange Folge von Agentenbeobachtungen nützlich; es macht ein ungeordnetes Archiv sachfremden Materials nicht zu einer klar definierten Aufgabe.
Stellen Sie bei Repository-Arbeit das erwartete Verhalten, den relevanten Quelltext, Abhängigkeitsversionen und die tatsächliche Fehlerausgabe bereit. Bitten Sie das Modell, das betroffene Verhalten zu benennen, bevor es einen Patch vorschlägt. Nennen Sie bei einer Umstrukturierung die Schnittstelle und Invarianten, die erhalten bleiben müssen. Eine brauchbare Antwort enthält den überarbeiteten Code, die Erklärung, warum die Änderung das beobachtete Problem behebt, und die Fälle, die zur Prüfung des Ergebnisses nötig sind. Speisen Sie tatsächliche Ergebnisse wieder in den werkzeuggestützten Ablauf ein, damit der nächste Schritt vom veränderten Zustand statt vom früheren Vorschlag ausgeht.
Stellen Sie bei Leistungsoptimierungen eine Arbeitslast, eine Ausgangsbasis und Messungen wie Laufzeiten, Profile oder Speicherbelegungsprotokolle bereit. Z.ai beschreibt Trainingsaufgaben zur Engpassdiagnose, Optimierung, zu Experimenten und zu Ergebnissen, die die Korrektheit erhalten. Eine praktische Anfrage lautet: „Nutze dieses Profil, um den folgenreichsten Engpass zu identifizieren, schlage eine messbare Änderung vor und erkläre, welches Ergebnis ihre Beibehaltung rechtfertigen würde.“ Unterscheiden Sie eine Leistungshypothese von einer protokollierten Verbesserung. Behalten Sie bei der Ergebnisprüfung dieselbe Arbeitslast und die relevanten Bedingungen bei.
Die Veröffentlichung erweitert außerdem die Fähigkeiten zur Schwachstellenanalyse. Stellen Sie für eine defensive Quellcodeprüfung den relevanten Code, seine vorgesehenen Vertrauensgrenzen und die Ausführungsbedingungen bereit. Fordern Sie einen Befund an, der ein vermutetes Problem mit der betroffenen Eingabe, dem Verhalten und einer gezielten Behebung verknüpft. Trennen Sie eine mögliche Schwäche von einem reproduzierten Fehler und bewahren Sie die zur Validierung verwendete Beobachtung auf. Ein Bericht ist nützlicher, wenn er konkrete Belege und vorgeschlagene Korrekturen priorisiert, statt jedes verdächtige Muster als bestätigte Schwachstelle zu behandeln.
Funktionsaufrufe ermöglichen einer umgebenden Anwendung, dem Modell externe Vorgänge bereitzustellen. Definieren Sie Zweck, Argumente und erwartetes Ergebnis jedes Werkzeugs und geben Sie anschließend die tatsächliche Werkzeugbeobachtung für den nächsten Schritt zurück. Das Modell kann dieses Ergebnis durchdenken und entscheiden, wie es die Aufgabe verändert. Halten Sie vorgeschlagene Handlungen, ausgeführte Vorgänge und ungeklärte Prüfungen unterscheidbar. Der Hersteller dokumentiert außerdem Streaming-Antworten, die Fragmente des Gedankengangs und der Antwort getrennt zurückgeben; setzen Sie die vollständige Antwort zusammen, bevor Sie sie als Abschlussbericht oder Codeerklärung behandeln.
Die lokale Modellkarte enthält ein konkretes Detail zur Verlaufseinstellung: Ihre Chat-Vorlage behält Gedankengänge standardmäßig bei, während der Hersteller für gewöhnliche Chatszenarien empfiehlt, alte Gedankengänge ausdrücklich zu löschen. Wenden Sie die für den Anwendungsfall passende Gesprächsstruktur an und bewahren Sie die tatsächlich abgeschlossenen Antworten und Werkzeugergebnisse auf, die für die Fortsetzung nötig sind. Behandeln Sie Einstellungen zur Denksteuerung aus GLM 5.2 oder den eigenständigen GLM-5.3-Flash-Ausgaben nicht als austauschbar mit den low/high/max-Steuerungen dieses Modells.
Geben Sie für strukturierte Ergebnisse die erwarteten Felder, Typen und Quellenregeln an. Ein brauchbares Arbeitsergebnis kann eine Fehlertabelle, ein Änderungsplan oder ein JSON-Objekt mit zusammengefassten Beobachtungen sein. Validieren Sie sowohl die Struktur als auch die Werte, bevor eine Anwendung sie verwendet. Das Endergebnis sollte die Antwort oder das überarbeitete Arbeitsergebnis, die stützenden Belege und die verbleibenden Annahmen benennen. Mehr Denkaufwand belegt weder, dass ein Werkzeug ausgeführt wurde, noch dass ein vorgeschlagener Patch seine Prüfungen bestanden hat oder eine Tatsachenbehauptung über das bereitgestellte Material hinaus belegt ist.
POST /v1/messagestextjson, sse| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits z-ai/glm-5.3 | 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.
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 $0.0028 / 1K Token Ausgabe · Ausgabetoken $0.0088 / 1K Token Eingabe · Cache-Lesen $0.00052 / 1K Token Eingabe · Cache-Schreiben — / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
| KonfigurationAnfragelängenstufe 1 | Tarifstaffel— | Kontexttoken, mehr als0 | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.0028 / 1K Token Ausgabe · Ausgabetoken $0.0088 / 1K Token Eingabe · Cache-Lesen $0.00052 / 1K Token Eingabe · Cache-Schreiben — / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
{\n "model": "z-ai/glm-5.3",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'z-ai/glm-5.3', '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': 'z-ai/glm-5.3', '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 glm-5.3, glm, glm-5, glm-5.1, glm-5.2, glm-latest
Ailoot Ultra glm-5.3, z-ai/glm-5.3, ~z-ai/glm-latest
/chat/completions
z-ai/glm-5.3, glm, glm-5, glm-5.1, glm-5.2, glm-latest, ~z-ai/glm-latest, glm-5.3, glm-5.3
~z-ai/glm-latestZ.ai GLM 5.3 ist ein Textmodell mit Schlussfolgerungsfähigkeiten 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; der Denkmodus ist durchgehend aktiv.
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 Schlussfolgerungsfähigkeiten für komplexe Softwareentwicklung und langfristige Agentenarbeit. Laut Hersteller verwendet es dasselbe Basismodell wie GLM 5.2; die neuen Verbesserungen stammen aus dem Nachtraining. Die Veröffentlichung konzentriert sich auf stärkeres Programmieren, Terminaloperationen und umfassendere Aufgaben mit mehreren voneinander abhängigen Schritten. Das Modell nimmt Text entgegen und erzeugt Text, darunter Code, Erklärungen, Pläne und Anfragen für Werkzeugaufrufe in einer an Werkzeuge angebundenen Anwendung.
Der dokumentierte Denkmodus ist immer aktiv. GLM 5.3 bietet drei Aufwandsstufen: low, high und max, wobei max der Standard ist. Der Hersteller empfiehlt max für komplexe Programmierarbeit; low bietet eine weniger aufwendige Denkoption für einfachere Schritte. Verbinden Sie die ausgewählte Stufe mit einem klaren Endergebnis und Abschlusskriterien. Zum Beispiel: „Untersuche diese Dateien und fehlgeschlagenen Ergebnisse, verfolge die Ursache durch die betroffenen Module, schlage eine Korrektur vor, die die öffentliche Schnittstelle erhält, und erkläre, welche Prüfungen belegen, dass die Regression behoben ist.“
Der Hersteller nennt ein Kontextfenster von 1M Tokens und eine maximale Ausgabelänge von 128K Tokens. Ordnen Sie umfangreiches Material um den Zusammenhang herum an, den das Modell untersuchen muss. Erhalten Sie Dateinamen, relevante Definitionen, Quellenbeschriftungen und die Reihenfolge der Beobachtungen und lassen Sie innerhalb des geltenden Arbeitskontexts Platz für den Gedankengang und die abschließende Antwort. Ein großes Fenster ist für Abhängigkeiten zwischen Modulen oder eine lange Folge von Agentenbeobachtungen nützlich; es macht ein ungeordnetes Archiv sachfremden Materials nicht zu einer klar definierten Aufgabe.
Stellen Sie bei Repository-Arbeit das erwartete Verhalten, den relevanten Quelltext, Abhängigkeitsversionen und die tatsächliche Fehlerausgabe bereit. Bitten Sie das Modell, das betroffene Verhalten zu benennen, bevor es einen Patch vorschlägt. Nennen Sie bei einer Umstrukturierung die Schnittstelle und Invarianten, die erhalten bleiben müssen. Eine brauchbare Antwort enthält den überarbeiteten Code, die Erklärung, warum die Änderung das beobachtete Problem behebt, und die Fälle, die zur Prüfung des Ergebnisses nötig sind. Speisen Sie tatsächliche Ergebnisse wieder in den werkzeuggestützten Ablauf ein, damit der nächste Schritt vom veränderten Zustand statt vom früheren Vorschlag ausgeht.
Stellen Sie bei Leistungsoptimierungen eine Arbeitslast, eine Ausgangsbasis und Messungen wie Laufzeiten, Profile oder Speicherbelegungsprotokolle bereit. Z.ai beschreibt Trainingsaufgaben zur Engpassdiagnose, Optimierung, zu Experimenten und zu Ergebnissen, die die Korrektheit erhalten. Eine praktische Anfrage lautet: „Nutze dieses Profil, um den folgenreichsten Engpass zu identifizieren, schlage eine messbare Änderung vor und erkläre, welches Ergebnis ihre Beibehaltung rechtfertigen würde.“ Unterscheiden Sie eine Leistungshypothese von einer protokollierten Verbesserung. Behalten Sie bei der Ergebnisprüfung dieselbe Arbeitslast und die relevanten Bedingungen bei.
Die Veröffentlichung erweitert außerdem die Fähigkeiten zur Schwachstellenanalyse. Stellen Sie für eine defensive Quellcodeprüfung den relevanten Code, seine vorgesehenen Vertrauensgrenzen und die Ausführungsbedingungen bereit. Fordern Sie einen Befund an, der ein vermutetes Problem mit der betroffenen Eingabe, dem Verhalten und einer gezielten Behebung verknüpft. Trennen Sie eine mögliche Schwäche von einem reproduzierten Fehler und bewahren Sie die zur Validierung verwendete Beobachtung auf. Ein Bericht ist nützlicher, wenn er konkrete Belege und vorgeschlagene Korrekturen priorisiert, statt jedes verdächtige Muster als bestätigte Schwachstelle zu behandeln.
Funktionsaufrufe ermöglichen einer umgebenden Anwendung, dem Modell externe Vorgänge bereitzustellen. Definieren Sie Zweck, Argumente und erwartetes Ergebnis jedes Werkzeugs und geben Sie anschließend die tatsächliche Werkzeugbeobachtung für den nächsten Schritt zurück. Das Modell kann dieses Ergebnis durchdenken und entscheiden, wie es die Aufgabe verändert. Halten Sie vorgeschlagene Handlungen, ausgeführte Vorgänge und ungeklärte Prüfungen unterscheidbar. Der Hersteller dokumentiert außerdem Streaming-Antworten, die Fragmente des Gedankengangs und der Antwort getrennt zurückgeben; setzen Sie die vollständige Antwort zusammen, bevor Sie sie als Abschlussbericht oder Codeerklärung behandeln.
Die lokale Modellkarte enthält ein konkretes Detail zur Verlaufseinstellung: Ihre Chat-Vorlage behält Gedankengänge standardmäßig bei, während der Hersteller für gewöhnliche Chatszenarien empfiehlt, alte Gedankengänge ausdrücklich zu löschen. Wenden Sie die für den Anwendungsfall passende Gesprächsstruktur an und bewahren Sie die tatsächlich abgeschlossenen Antworten und Werkzeugergebnisse auf, die für die Fortsetzung nötig sind. Behandeln Sie Einstellungen zur Denksteuerung aus GLM 5.2 oder den eigenständigen GLM-5.3-Flash-Ausgaben nicht als austauschbar mit den low/high/max-Steuerungen dieses Modells.
Geben Sie für strukturierte Ergebnisse die erwarteten Felder, Typen und Quellenregeln an. Ein brauchbares Arbeitsergebnis kann eine Fehlertabelle, ein Änderungsplan oder ein JSON-Objekt mit zusammengefassten Beobachtungen sein. Validieren Sie sowohl die Struktur als auch die Werte, bevor eine Anwendung sie verwendet. Das Endergebnis sollte die Antwort oder das überarbeitete Arbeitsergebnis, die stützenden Belege und die verbleibenden Annahmen benennen. Mehr Denkaufwand belegt weder, dass ein Werkzeug ausgeführt wurde, noch dass ein vorgeschlagener Patch seine Prüfungen bestanden hat oder eine Tatsachenbehauptung über das bereitgestellte Material hinaus belegt ist.
POST /v1/chat/completionstexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits ~z-ai/glm-latest | 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.
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 $0.0028 / 1K Token Ausgabe · Ausgabetoken $0.0088 / 1K Token Eingabe · Cache-Lesen $0.00052 / 1K Token Eingabe · Cache-Schreiben — / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
| KonfigurationAnfragelängenstufe 1 | Tarifstaffel— | Kontexttoken, mehr als0 | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.0028 / 1K Token Ausgabe · Ausgabetoken $0.0088 / 1K Token Eingabe · Cache-Lesen $0.00052 / 1K Token Eingabe · Cache-Schreiben — / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "~z-ai/glm-latest", "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='~z-ai/glm-latest',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='~z-ai/glm-latest',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 glm-5.3, glm, glm-5, glm-5.1, glm-5.2, glm-latest
Ailoot Ultra glm-5.3, z-ai/glm-5.3, ~z-ai/glm-latest
/chat/completions
z-ai/glm-5.3, glm, glm-5, glm-5.1, glm-5.2, glm-latest, ~z-ai/glm-latest, glm-5.3, glm-5.3
~z-ai/glm-latestZ.ai GLM 5.3 ist ein Textmodell mit Schlussfolgerungsfähigkeiten 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; der Denkmodus ist durchgehend aktiv.
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 Schlussfolgerungsfähigkeiten für komplexe Softwareentwicklung und langfristige Agentenarbeit. Laut Hersteller verwendet es dasselbe Basismodell wie GLM 5.2; die neuen Verbesserungen stammen aus dem Nachtraining. Die Veröffentlichung konzentriert sich auf stärkeres Programmieren, Terminaloperationen und umfassendere Aufgaben mit mehreren voneinander abhängigen Schritten. Das Modell nimmt Text entgegen und erzeugt Text, darunter Code, Erklärungen, Pläne und Anfragen für Werkzeugaufrufe in einer an Werkzeuge angebundenen Anwendung.
Der dokumentierte Denkmodus ist immer aktiv. GLM 5.3 bietet drei Aufwandsstufen: low, high und max, wobei max der Standard ist. Der Hersteller empfiehlt max für komplexe Programmierarbeit; low bietet eine weniger aufwendige Denkoption für einfachere Schritte. Verbinden Sie die ausgewählte Stufe mit einem klaren Endergebnis und Abschlusskriterien. Zum Beispiel: „Untersuche diese Dateien und fehlgeschlagenen Ergebnisse, verfolge die Ursache durch die betroffenen Module, schlage eine Korrektur vor, die die öffentliche Schnittstelle erhält, und erkläre, welche Prüfungen belegen, dass die Regression behoben ist.“
Der Hersteller nennt ein Kontextfenster von 1M Tokens und eine maximale Ausgabelänge von 128K Tokens. Ordnen Sie umfangreiches Material um den Zusammenhang herum an, den das Modell untersuchen muss. Erhalten Sie Dateinamen, relevante Definitionen, Quellenbeschriftungen und die Reihenfolge der Beobachtungen und lassen Sie innerhalb des geltenden Arbeitskontexts Platz für den Gedankengang und die abschließende Antwort. Ein großes Fenster ist für Abhängigkeiten zwischen Modulen oder eine lange Folge von Agentenbeobachtungen nützlich; es macht ein ungeordnetes Archiv sachfremden Materials nicht zu einer klar definierten Aufgabe.
Stellen Sie bei Repository-Arbeit das erwartete Verhalten, den relevanten Quelltext, Abhängigkeitsversionen und die tatsächliche Fehlerausgabe bereit. Bitten Sie das Modell, das betroffene Verhalten zu benennen, bevor es einen Patch vorschlägt. Nennen Sie bei einer Umstrukturierung die Schnittstelle und Invarianten, die erhalten bleiben müssen. Eine brauchbare Antwort enthält den überarbeiteten Code, die Erklärung, warum die Änderung das beobachtete Problem behebt, und die Fälle, die zur Prüfung des Ergebnisses nötig sind. Speisen Sie tatsächliche Ergebnisse wieder in den werkzeuggestützten Ablauf ein, damit der nächste Schritt vom veränderten Zustand statt vom früheren Vorschlag ausgeht.
Stellen Sie bei Leistungsoptimierungen eine Arbeitslast, eine Ausgangsbasis und Messungen wie Laufzeiten, Profile oder Speicherbelegungsprotokolle bereit. Z.ai beschreibt Trainingsaufgaben zur Engpassdiagnose, Optimierung, zu Experimenten und zu Ergebnissen, die die Korrektheit erhalten. Eine praktische Anfrage lautet: „Nutze dieses Profil, um den folgenreichsten Engpass zu identifizieren, schlage eine messbare Änderung vor und erkläre, welches Ergebnis ihre Beibehaltung rechtfertigen würde.“ Unterscheiden Sie eine Leistungshypothese von einer protokollierten Verbesserung. Behalten Sie bei der Ergebnisprüfung dieselbe Arbeitslast und die relevanten Bedingungen bei.
Die Veröffentlichung erweitert außerdem die Fähigkeiten zur Schwachstellenanalyse. Stellen Sie für eine defensive Quellcodeprüfung den relevanten Code, seine vorgesehenen Vertrauensgrenzen und die Ausführungsbedingungen bereit. Fordern Sie einen Befund an, der ein vermutetes Problem mit der betroffenen Eingabe, dem Verhalten und einer gezielten Behebung verknüpft. Trennen Sie eine mögliche Schwäche von einem reproduzierten Fehler und bewahren Sie die zur Validierung verwendete Beobachtung auf. Ein Bericht ist nützlicher, wenn er konkrete Belege und vorgeschlagene Korrekturen priorisiert, statt jedes verdächtige Muster als bestätigte Schwachstelle zu behandeln.
Funktionsaufrufe ermöglichen einer umgebenden Anwendung, dem Modell externe Vorgänge bereitzustellen. Definieren Sie Zweck, Argumente und erwartetes Ergebnis jedes Werkzeugs und geben Sie anschließend die tatsächliche Werkzeugbeobachtung für den nächsten Schritt zurück. Das Modell kann dieses Ergebnis durchdenken und entscheiden, wie es die Aufgabe verändert. Halten Sie vorgeschlagene Handlungen, ausgeführte Vorgänge und ungeklärte Prüfungen unterscheidbar. Der Hersteller dokumentiert außerdem Streaming-Antworten, die Fragmente des Gedankengangs und der Antwort getrennt zurückgeben; setzen Sie die vollständige Antwort zusammen, bevor Sie sie als Abschlussbericht oder Codeerklärung behandeln.
Die lokale Modellkarte enthält ein konkretes Detail zur Verlaufseinstellung: Ihre Chat-Vorlage behält Gedankengänge standardmäßig bei, während der Hersteller für gewöhnliche Chatszenarien empfiehlt, alte Gedankengänge ausdrücklich zu löschen. Wenden Sie die für den Anwendungsfall passende Gesprächsstruktur an und bewahren Sie die tatsächlich abgeschlossenen Antworten und Werkzeugergebnisse auf, die für die Fortsetzung nötig sind. Behandeln Sie Einstellungen zur Denksteuerung aus GLM 5.2 oder den eigenständigen GLM-5.3-Flash-Ausgaben nicht als austauschbar mit den low/high/max-Steuerungen dieses Modells.
Geben Sie für strukturierte Ergebnisse die erwarteten Felder, Typen und Quellenregeln an. Ein brauchbares Arbeitsergebnis kann eine Fehlertabelle, ein Änderungsplan oder ein JSON-Objekt mit zusammengefassten Beobachtungen sein. Validieren Sie sowohl die Struktur als auch die Werte, bevor eine Anwendung sie verwendet. Das Endergebnis sollte die Antwort oder das überarbeitete Arbeitsergebnis, die stützenden Belege und die verbleibenden Annahmen benennen. Mehr Denkaufwand belegt weder, dass ein Werkzeug ausgeführt wurde, noch dass ein vorgeschlagener Patch seine Prüfungen bestanden hat oder eine Tatsachenbehauptung über das bereitgestellte Material hinaus belegt ist.
POST /v1/messagestextjson, sse| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits ~z-ai/glm-latest | 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.
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 $0.0028 / 1K Token Ausgabe · Ausgabetoken $0.0088 / 1K Token Eingabe · Cache-Lesen $0.00052 / 1K Token Eingabe · Cache-Schreiben — / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
| KonfigurationAnfragelängenstufe 1 | Tarifstaffel— | Kontexttoken, mehr als0 | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.0028 / 1K Token Ausgabe · Ausgabetoken $0.0088 / 1K Token Eingabe · Cache-Lesen $0.00052 / 1K Token Eingabe · Cache-Schreiben — / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
{\n "model": "~z-ai/glm-latest",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': '~z-ai/glm-latest', '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': '~z-ai/glm-latest', '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 glm-5.3, glm, glm-5, glm-5.1, glm-5.2, glm-latest
Ailoot Ultra glm-5.3, z-ai/glm-5.3, ~z-ai/glm-latest
/chat/completions
z-ai/glm-5.3, glm, glm-5, glm-5.1, glm-5.2, glm-latest, ~z-ai/glm-latest, glm-5.3, glm-5.3
Technisches Beispiel auf Englisch
Target a measured bottleneck\n\nProfile P1 for one import: parsing 0.4 s, per-row database lookups 8.1 s, writing 0.8 s. The import handles 10,000 rows, including repeated customer IDs. Propose one correctness-preserving optimization, describe what lookup behavior must remain identical and define a same-workload check before claiming an improvement.A bottleneck hypothesis, one proposed change and a correctness plus timing comparison plan.The proposal must use P1 without inventing an observed speedup or losing missing-customer behavior.