GLM-4-32B-0414 ist die fest versionierte Textausgabe der 32B-Klasse in Z.ais Serie GLM-4-0414. Ihre Basis wurde mit 15 Billionen Token einschließlich synthetischen Reasoning-Materials vortrainiert. Das Nachtraining verbindet die Ausrichtung an Dialogpräferenzen, Rejection Sampling und Reinforcement Learning, um das Befolgen von Anweisungen, Softwareentwicklung und Funktionsaufrufe zu fördern. Die genannten Einsatzbereiche umfassen Softwareaufgaben, Textartefakte, suchbasierte Fragen und Berichte. Eingabe und Ausgabe sind Text; generierter Code wird erst dann zu einem ausführbaren oder gerenderten Artefakt, wenn die Anwendung ihn speichert und ausführt.
Das auf Reasoning ausgerichtete GLM-Z1-32B-0414 und das rechercheorientierte Rumination-Modell sind separat benannte Ausgaben. Dieser Eintrag folgt den eigenen, breiteren Code- und Tool-Demonstrationen des GLM-4-Modells, statt Thinking-Regeln einer anderen Veröffentlichung zu übernehmen.
Der Hersteller demonstriert die Programmierung eines sich bewegenden Balls in einem rotierenden Sechseck. Das GLM-4-32B-0414-Beispiel verwendet HTML und beschreibt Bewegung, Kollisionen und physikalische Annahmen. Es handelt sich um Code für eine Simulation, nicht um einen Videogenerierungsmodus. Geben Sie für eine ähnliche Aufgabe Szene, Bewegungsregeln, Kollisionsverhalten und vorgesehene Laufzeitumgebung vor und fordern Sie anschließend eine eigenständige Implementierung und eine Erklärung der Annahmen an. Die Anwendung führt diesen Code aus, um das Ergebnis zu prüfen.
Die Beispiele umfassen eine Zeichenoberfläche für benutzerdefinierte Funktionsgraphen, in der Funktionen hinzugefügt, entfernt und mit Farben versehen werden können. Ein weiteres Beispiel erstellt eine mobile Machine-Learning-Oberfläche mit Trainingsaufgaben, Speicherverwaltung und persönlichen Statistiken einschließlich Diagrammen, angeordnet auf einer HTML-Seite. Dies sind konkrete Frontend-Aufgaben mit festgelegten Bedienelementen und Zuständen.
Beschreiben Sie für ein brauchbares Ergebnis die Aktionen, die jedes Bedienelement unterstützen muss, und die Daten, die die Ansicht zeigen soll. Eine Oberflächenanfrage kann den Seitencode zusammen mit dem Zusammenhang zwischen Eingabe, angezeigtem Zustand und Ergebnis anfordern. Ein späterer Gesprächsschritt kann das beobachtete Rendering liefern und eine gezielte Änderung unter Erhalt des aufgeführten Verhaltens verlangen.
Der Hersteller demonstriert auch SVG-Illustrationen, darunter eine Landschaft und die Erklärung eines Sprachmodell-Trainingsprozesses. SVG ist strukturierter Text, den die Anwendung als bearbeitbares Vektorartefakt speichern kann. Geben Sie Motiv, Beschriftungen, Layout und erforderliche visuelle Zusammenhänge vor. Fordern Sie das SVG-Markup als klar abgegrenztes Ergebnis an, statt den Illustrationscode mit einer langen unverbundenen Erklärung zu vermischen.
Für Recherchetexte stellt die Modellkarte Suchergebnisse als Beobachtungen bereit und fordert das Modell auf, sie zu ordnen und zu interpretieren, statt sie zu kopieren. Die Anweisungen unterscheiden relevante von irrelevanten Ergebnissen, bevorzugen aussagekräftige Details, wenn die Belege dies erlauben, verwenden eine lesbare Struktur und verlangen eine Antwort in der Sprache der Nutzenden. Das Beispiel erzeugt einen analytischen Bericht über Kinderliteratur, der Erzählmethoden, Themen und ihre Wirkungen behandelt.
Eine praktische Aufgabe kann benannte Auszüge bereitstellen und einen anhand ausdrücklicher Fragen gegliederten Bericht anfordern, in dem jede Schlussfolgerung mit dem unterstützenden Material verknüpft ist. Suche und Informationsabruf finden in der umgebenden Anwendung statt; die zurückgegebenen Textstellen werden zu den Belegen des Modells. Dies ist auch für Dokumentvergleiche oder die Vorbereitung einer Erklärung aus einer bereitgestellten Recherchesammlung nützlich.
GLM-4-32B-0414 unterstützt externe Tool-Aufrufe mit JSON-Argumenten. Das Modell benennt eine Funktion und ihre Argumente, die Anwendung führt sie aus, und das Ergebnis wird als Beobachtung zurückgegeben. Die Herstellerdemonstration wiederholt diese Schleife, bis eine endgültige Antwort entsteht. Beschreiben Sie Zweck und Pflichtfelder jedes Werkzeugs und unterscheiden Sie dessen Beobachtung von der Nutzeranweisung. Eine Abfrage kann so Daten für einen späteren Vergleich liefern, ohne vorzugeben, dass das Modell eigenständig aktuelle Informationen beschafft hat.
Die veröffentlichte Konfiguration setzt max_position_embeddings auf 32.768 und enthält keinen rope_scaling-Eintrag. Die ausgearbeiteten Herstellerbeispiele verwenden anfragespezifische Generierungslängen; die Modellkarte nennt kein allgemeingültiges hartes Ausgabemaximum. Halten Sie relevanten Code, abgerufene Textstellen und Dialog innerhalb des aktiven Kontexts und legen Sie fest, ob das Endergebnis HTML, SVG, ein Codefragment, JSON-Argumente oder ein Bericht sein soll. Dies sind für die beschriebene Aufgabe erzeugte Textrepräsentationen; Ausführung, Dateierstellung und Zugriff auf externe Daten bleiben Aktionen der Anwendung.
", "aboutText": "### Einführung\n\nGLM-4-32B-0414 ist die fest versionierte Textausgabe der 32B-Klasse in Z.ais Serie GLM-4-0414. Ihre Basis wurde mit 15 Billionen Token einschließlich synthetischen Reasoning-Materials vortrainiert. Das Nachtraining verbindet die Ausrichtung an Dialogpräferenzen, Rejection Sampling und Reinforcement Learning, um das Befolgen von Anweisungen, Softwareentwicklung und Funktionsaufrufe zu fördern. Die genannten Einsatzbereiche umfassen Softwareaufgaben, Textartefakte, suchbasierte Fragen und Berichte. Eingabe und Ausgabe sind Text; generierter Code wird erst dann zu einem ausführbaren oder gerenderten Artefakt, wenn die Anwendung ihn speichert und ausführt.\n\nDas auf Reasoning ausgerichtete GLM-Z1-32B-0414 und das rechercheorientierte Rumination-Modell sind separat benannte Ausgaben. Dieser Eintrag folgt den eigenen, breiteren Code- und Tool-Demonstrationen des GLM-4-Modells, statt Thinking-Regeln einer anderen Veröffentlichung zu übernehmen.\n\n### Demonstration: Animationserstellung\n\nDer Hersteller demonstriert die Programmierung eines sich bewegenden Balls in einem rotierenden Sechseck. Das GLM-4-32B-0414-Beispiel verwendet HTML und beschreibt Bewegung, Kollisionen und physikalische Annahmen. Es handelt sich um Code für eine Simulation, nicht um einen Videogenerierungsmodus. Geben Sie für eine ähnliche Aufgabe Szene, Bewegungsregeln, Kollisionsverhalten und vorgesehene Laufzeitumgebung vor und fordern Sie anschließend eine eigenständige Implementierung und eine Erklärung der Annahmen an. Die Anwendung führt diesen Code aus, um das Ergebnis zu prüfen.\n\n### Demonstration: Webdesign\n\nDie Beispiele umfassen eine Zeichenoberfläche für benutzerdefinierte Funktionsgraphen, in der Funktionen hinzugefügt, entfernt und mit Farben versehen werden können. Ein weiteres Beispiel erstellt eine mobile Machine-Learning-Oberfläche mit Trainingsaufgaben, Speicherverwaltung und persönlichen Statistiken einschließlich Diagrammen, angeordnet auf einer HTML-Seite. Dies sind konkrete Frontend-Aufgaben mit festgelegten Bedienelementen und Zuständen.\n\nBeschreiben Sie für ein brauchbares Ergebnis die Aktionen, die jedes Bedienelement unterstützen muss, und die Daten, die die Ansicht zeigen soll. Eine Oberflächenanfrage kann den Seitencode zusammen mit dem Zusammenhang zwischen Eingabe, angezeigtem Zustand und Ergebnis anfordern. Ein späterer Gesprächsschritt kann das beobachtete Rendering liefern und eine gezielte Änderung unter Erhalt des aufgeführten Verhaltens verlangen.\n\n### Demonstration: SVG-Erstellung\n\nDer Hersteller demonstriert auch SVG-Illustrationen, darunter eine Landschaft und die Erklärung eines Sprachmodell-Trainingsprozesses. SVG ist strukturierter Text, den die Anwendung als bearbeitbares Vektorartefakt speichern kann. Geben Sie Motiv, Beschriftungen, Layout und erforderliche visuelle Zusammenhänge vor. Fordern Sie das SVG-Markup als klar abgegrenztes Ergebnis an, statt den Illustrationscode mit einer langen unverbundenen Erklärung zu vermischen.\n\n### Suchbasiertes Schreiben\n\nFür Recherchetexte stellt die Modellkarte Suchergebnisse als Beobachtungen bereit und fordert das Modell auf, sie zu ordnen und zu interpretieren, statt sie zu kopieren. Die Anweisungen unterscheiden relevante von irrelevanten Ergebnissen, bevorzugen aussagekräftige Details, wenn die Belege dies erlauben, verwenden eine lesbare Struktur und verlangen eine Antwort in der Sprache der Nutzenden. Das Beispiel erzeugt einen analytischen Bericht über Kinderliteratur, der Erzählmethoden, Themen und ihre Wirkungen behandelt.\n\nEine praktische Aufgabe kann benannte Auszüge bereitstellen und einen anhand ausdrücklicher Fragen gegliederten Bericht anfordern, in dem jede Schlussfolgerung mit dem unterstützenden Material verknüpft ist. Suche und Informationsabruf finden in der umgebenden Anwendung statt; die zurückgegebenen Textstellen werden zu den Belegen des Modells. Dies ist auch für Dokumentvergleiche oder die Vorbereitung einer Erklärung aus einer bereitgestellten Recherchesammlung nützlich.\n\n### Funktionsaufrufe\n\nGLM-4-32B-0414 unterstützt externe Tool-Aufrufe mit JSON-Argumenten. Das Modell benennt eine Funktion und ihre Argumente, die Anwendung führt sie aus, und das Ergebnis wird als Beobachtung zurückgegeben. Die Herstellerdemonstration wiederholt diese Schleife, bis eine endgültige Antwort entsteht. Beschreiben Sie Zweck und Pflichtfelder jedes Werkzeugs und unterscheiden Sie dessen Beobachtung von der Nutzeranweisung. Eine Abfrage kann so Daten für einen späteren Vergleich liefern, ohne vorzugeben, dass das Modell eigenständig aktuelle Informationen beschafft hat.\n\n### Kontext und Ergebnis planen\n\nDie veröffentlichte Konfiguration setzt max_position_embeddings auf 32.768 und enthält keinen rope_scaling-Eintrag. Die ausgearbeiteten Herstellerbeispiele verwenden anfragespezifische Generierungslängen; die Modellkarte nennt kein allgemeingültiges hartes Ausgabemaximum. Halten Sie relevanten Code, abgerufene Textstellen und Dialog innerhalb des aktiven Kontexts und legen Sie fest, ob das Endergebnis HTML, SVG, ein Codefragment, JSON-Argumente oder ein Bericht sein soll. Dies sind für die beschriebene Aufgabe erzeugte Textrepräsentationen; Ausführung, Dateierstellung und Zugriff auf externe Daten bleiben Aktionen der Anwendung.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisches Beispiel auf Englisch
Generate an editable process diagram\n\nCreate self-contained SVG markup for a left-to-right process: Receive -> Validate -> Store. Use three labelled rectangles and two arrows; all labels must remain readable in a 720 by 180 viewBox. Use no scripts, external fonts or external images. Return SVG code and a brief explanation of how the arrows encode the required order.A standalone editable SVG code block with three named nodes and two directional arrows, followed by a short order explanation.Render the SVG locally and check the exact labels, arrow direction and absence of clipped text or external dependencies.THUDM/GLM-4-32B-0414GLM-4-32B-0414 ist Z.ais fest versionierte Textausgabe für Softwareentwicklung, interaktive HTML-/SVG-Artefakte, suchbasierte Berichte und JSON-Funktionsaufrufe. Ihre Modellkarte zeigt konkrete Entwicklungsabläufe und eine von der Anwendung gesteuerte Tool-Schleife.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
GLM-4-32B-0414 ist die fest versionierte Textausgabe der 32B-Klasse in Z.ais Serie GLM-4-0414. Ihre Basis wurde mit 15 Billionen Token einschließlich synthetischen Reasoning-Materials vortrainiert. Das Nachtraining verbindet die Ausrichtung an Dialogpräferenzen, Rejection Sampling und Reinforcement Learning, um das Befolgen von Anweisungen, Softwareentwicklung und Funktionsaufrufe zu fördern. Die genannten Einsatzbereiche umfassen Softwareaufgaben, Textartefakte, suchbasierte Fragen und Berichte. Eingabe und Ausgabe sind Text; generierter Code wird erst dann zu einem ausführbaren oder gerenderten Artefakt, wenn die Anwendung ihn speichert und ausführt.
Das auf Reasoning ausgerichtete GLM-Z1-32B-0414 und das rechercheorientierte Rumination-Modell sind separat benannte Ausgaben. Dieser Eintrag folgt den eigenen, breiteren Code- und Tool-Demonstrationen des GLM-4-Modells, statt Thinking-Regeln einer anderen Veröffentlichung zu übernehmen.
Der Hersteller demonstriert die Programmierung eines sich bewegenden Balls in einem rotierenden Sechseck. Das GLM-4-32B-0414-Beispiel verwendet HTML und beschreibt Bewegung, Kollisionen und physikalische Annahmen. Es handelt sich um Code für eine Simulation, nicht um einen Videogenerierungsmodus. Geben Sie für eine ähnliche Aufgabe Szene, Bewegungsregeln, Kollisionsverhalten und vorgesehene Laufzeitumgebung vor und fordern Sie anschließend eine eigenständige Implementierung und eine Erklärung der Annahmen an. Die Anwendung führt diesen Code aus, um das Ergebnis zu prüfen.
Die Beispiele umfassen eine Zeichenoberfläche für benutzerdefinierte Funktionsgraphen, in der Funktionen hinzugefügt, entfernt und mit Farben versehen werden können. Ein weiteres Beispiel erstellt eine mobile Machine-Learning-Oberfläche mit Trainingsaufgaben, Speicherverwaltung und persönlichen Statistiken einschließlich Diagrammen, angeordnet auf einer HTML-Seite. Dies sind konkrete Frontend-Aufgaben mit festgelegten Bedienelementen und Zuständen.
Beschreiben Sie für ein brauchbares Ergebnis die Aktionen, die jedes Bedienelement unterstützen muss, und die Daten, die die Ansicht zeigen soll. Eine Oberflächenanfrage kann den Seitencode zusammen mit dem Zusammenhang zwischen Eingabe, angezeigtem Zustand und Ergebnis anfordern. Ein späterer Gesprächsschritt kann das beobachtete Rendering liefern und eine gezielte Änderung unter Erhalt des aufgeführten Verhaltens verlangen.
Der Hersteller demonstriert auch SVG-Illustrationen, darunter eine Landschaft und die Erklärung eines Sprachmodell-Trainingsprozesses. SVG ist strukturierter Text, den die Anwendung als bearbeitbares Vektorartefakt speichern kann. Geben Sie Motiv, Beschriftungen, Layout und erforderliche visuelle Zusammenhänge vor. Fordern Sie das SVG-Markup als klar abgegrenztes Ergebnis an, statt den Illustrationscode mit einer langen unverbundenen Erklärung zu vermischen.
Für Recherchetexte stellt die Modellkarte Suchergebnisse als Beobachtungen bereit und fordert das Modell auf, sie zu ordnen und zu interpretieren, statt sie zu kopieren. Die Anweisungen unterscheiden relevante von irrelevanten Ergebnissen, bevorzugen aussagekräftige Details, wenn die Belege dies erlauben, verwenden eine lesbare Struktur und verlangen eine Antwort in der Sprache der Nutzenden. Das Beispiel erzeugt einen analytischen Bericht über Kinderliteratur, der Erzählmethoden, Themen und ihre Wirkungen behandelt.
Eine praktische Aufgabe kann benannte Auszüge bereitstellen und einen anhand ausdrücklicher Fragen gegliederten Bericht anfordern, in dem jede Schlussfolgerung mit dem unterstützenden Material verknüpft ist. Suche und Informationsabruf finden in der umgebenden Anwendung statt; die zurückgegebenen Textstellen werden zu den Belegen des Modells. Dies ist auch für Dokumentvergleiche oder die Vorbereitung einer Erklärung aus einer bereitgestellten Recherchesammlung nützlich.
GLM-4-32B-0414 unterstützt externe Tool-Aufrufe mit JSON-Argumenten. Das Modell benennt eine Funktion und ihre Argumente, die Anwendung führt sie aus, und das Ergebnis wird als Beobachtung zurückgegeben. Die Herstellerdemonstration wiederholt diese Schleife, bis eine endgültige Antwort entsteht. Beschreiben Sie Zweck und Pflichtfelder jedes Werkzeugs und unterscheiden Sie dessen Beobachtung von der Nutzeranweisung. Eine Abfrage kann so Daten für einen späteren Vergleich liefern, ohne vorzugeben, dass das Modell eigenständig aktuelle Informationen beschafft hat.
Die veröffentlichte Konfiguration setzt max_position_embeddings auf 32.768 und enthält keinen rope_scaling-Eintrag. Die ausgearbeiteten Herstellerbeispiele verwenden anfragespezifische Generierungslängen; die Modellkarte nennt kein allgemeingültiges hartes Ausgabemaximum. Halten Sie relevanten Code, abgerufene Textstellen und Dialog innerhalb des aktiven Kontexts und legen Sie fest, ob das Endergebnis HTML, SVG, ein Codefragment, JSON-Argumente oder ein Bericht sein soll. Dies sind für die beschriebene Aufgabe erzeugte Textrepräsentationen; Ausführung, Dateierstellung und Zugriff auf externe Daten bleiben Aktionen der Anwendung.
POST /v1/chat/completionstexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits THUDM/GLM-4-32B-0414 | Standard— |
Feldmessages | Typmessage[] | AnforderungErforderlich | Werte und Limits Mindestanzahl Elemente: 1 | Standard— |
Feldmessages[].role | Typstring | AnforderungErforderlich | Werte und Limits Beispiele: system, user, assistant, tool, function Bedingungen: Diese Rollen sind in den Kompatibilitätstypen des Quellcodes ausdrücklich dargestellt; der genaue Rollenumfang bleibt modellspezifisch. Modellabhängig | Standard— |
Feldmessages[].content | Typstring|content_part[]|null | AnforderungOptional | Werte und Limits | Standard— |
Feldmessages[].tool_calls | Typtool_call[] | AnforderungOptional | Werte und Limits | Standard— |
Feldmessages[].tool_call_id | Typstring | AnforderungOptional | Werte und Limits Gilt, wenn: role=tool; die tatsächlich zurückgegebene ID verwenden | Standard— |
Feldmessages[].name | Typstring | AnforderungOptional | Werte und Limits | Standard— |
Feldmessages[].reasoning_content | Typstring | AnforderungOptional | Werte und Limits Gilt, wenn: Tatsächlich zurückgegebene Reasoning-Daten erneut übermitteln, sofern dieses Modell sie verwendet | Standard— |
Feldmessages[].reasoning_details | Typobject|array | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldmax_tokens | Typinteger | AnforderungOptional | Werte und Limits Minimum: 1 Modellabhängig | Standard— |
Feldmax_completion_tokens | Typinteger | AnforderungOptional | Werte und Limits Minimum: 1 Modellabhängig | Standard— |
Feldstream | Typboolean | AnforderungOptional | Werte und Limits | Standardfalse |
Feldstream_options.include_usage | Typboolean | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtemperature | Typnumber | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtop_p | Typnumber | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldstop | Typstring|string[] | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtools | Typfunction_tool[] | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtools[].type | Typstring | AnforderungOptional | Werte und Limits function Modellabhängig | Standard— |
Feldtools[].function.name | Typstring | AnforderungErforderlich | Werte und Limits Gilt, wenn: Funktionswerkzeug bereitgestellt | Standard— |
Feldtools[].function.description | Typstring | AnforderungOptional | Werte und Limits | Standard— |
Feldtools[].function.parameters | TypJSON_schema | AnforderungOptional | Werte und Limits | Standard— |
Feldtool_choice | Typstring|object | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldparallel_tool_calls | Typboolean | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldresponse_format | Typobject | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldreasoning_effort | Typstring | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldreasoning | Typobject | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldservice_tier | Typstring | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldinstructions | Typstring | AnforderungOptional | Werte und Limits Kompatibilitätsfeld | Standard— |
Feldfunctions | Typfunction[] | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldfunction_call | Typstring|object | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldprompt_cache_options | Typobject | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldmodalities | Typstring[] | AnforderungOptional | Werte und Limits text | Standard— |
Feldprovider | Typobject | AnforderungOptional | Werte und Limits Bedingungen: provider.options wird auf dieser Ultra-Textroute abgelehnt | Standard— |
Feldcache_control.ttl | Typstring | AnforderungOptional | Werte und Limits Bedingungen: 1h wird in den tatsächlichen Prompt-Cache-Feldern abgelehnt | Standard— |
Text · UTF8-Text
messages[].content
| Parameter | Vertrag |
|---|---|
Parametercontent_type | Vertragapplication/json |
Parameterrequired | Vertragmodel, messages |
Parametermaterial_types | Vertragtext |
Parametermessages | VertragNachrichtenarray mit role/content-Struktur |
Parameterfile_material | VertragTatsächliches UTF-8-Dokument als wörtlicher Text eingefügt; keine Datei-ID abgeleitet |
Parameteroptional_controls | Vertragstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametercontrol_scope | VertragModellspezifisch; benutzerseitige Funktionswerkzeuge unterscheiden sich von gehosteten Werkzeugen |
Parameteroutput_modalities | Vertragtext |
Parameterhosted_operations | Vertragfalse |
Parametermultimodal_input_binding | Vertragnull |
Lebenszyklus: synchronous_or_streamed
Die genaue Modell-ID zusammen mit messages senden.
Die Kontextlänge ist keine Ausgabeobergrenze.
Eine Textdatei kann wörtlichen Text liefern; Bild-, Audio- und Dateiobjekteingaben benötigen eine exakte Zuordnung.
Tarifangaben erweitern die Anfrageoptionen nicht. Unterstützte Parameter stehen bei der ausgewählten Methode.
| Konfiguration | Tarifstaffel | Gebühr |
|---|---|---|
| KonfigurationBasistarife für Token | TarifstaffelGrundtarif | Gebühr Eingabe · Eingabetoken $0.00014 / 1K Token Ausgabe · Ausgabetoken $0.00014 / 1K Token Eingabe · Cache-Lesen $0 / 1K Token Eingabe · Cache-Schreiben $0 / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "THUDM/GLM-4-32B-0414", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='THUDM/GLM-4-32B-0414',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='THUDM/GLM-4-32B-0414',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson oder SSE
Bewahren Sie jede vollständig zurückgegebene Antwort, Datei und jeden Inhaltsteil auf.
Alle Antwortvarianten mit ihren Inhalten, Werkzeugaufrufen und Reasoning-Daten beibehalten. In SSE die Deltas nach Varianten- und Werkzeugindex zusammensetzen; endgültigen Beendigungsgrund und Verbrauchsdaten beibehalten.
Anfrage- und Antwort-IDs sowie Header beibehalten. Eine allgemeine URL zum Abrufen von Textaufträgen wird nicht angegeben.
| Feld | Typ |
|---|---|
Feldchoices[].index | Typinteger |
Feldchoices[].message.content | Typstring|null |
Feldchoices[].message.tool_calls | Typtool_call[] |
Feldchoices[].message.reasoning_content | Typstring |
Feldchoices[].message.reasoning_details | Typobject|array |
Feldchoices[].finish_reason | Typstring|null |
Feldusage | Typobject |
| Antwort | Bedingung | Nächster Schritt |
|---|---|---|
Antwort400 · invalid_request_error | BedingungPflichtfelder, Darstellung des Eingabematerials oder Parameterwert ungültig | Nächster SchrittDie angegebenen Felder vor einer neuen Erstellungsanfrage korrigieren. |
Ailoot Ultra THUDM/GLM-4-32B-0414
Verwenden Sie die oben angezeigten Methodenpfade.
THUDM/GLM-4-32B-0414GLM-4-32B-0414 ist Z.ais fest versionierte Textausgabe für Softwareentwicklung, interaktive HTML-/SVG-Artefakte, suchbasierte Berichte und JSON-Funktionsaufrufe. Ihre Modellkarte zeigt konkrete Entwicklungsabläufe und eine von der Anwendung gesteuerte Tool-Schleife.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
GLM-4-32B-0414 ist die fest versionierte Textausgabe der 32B-Klasse in Z.ais Serie GLM-4-0414. Ihre Basis wurde mit 15 Billionen Token einschließlich synthetischen Reasoning-Materials vortrainiert. Das Nachtraining verbindet die Ausrichtung an Dialogpräferenzen, Rejection Sampling und Reinforcement Learning, um das Befolgen von Anweisungen, Softwareentwicklung und Funktionsaufrufe zu fördern. Die genannten Einsatzbereiche umfassen Softwareaufgaben, Textartefakte, suchbasierte Fragen und Berichte. Eingabe und Ausgabe sind Text; generierter Code wird erst dann zu einem ausführbaren oder gerenderten Artefakt, wenn die Anwendung ihn speichert und ausführt.
Das auf Reasoning ausgerichtete GLM-Z1-32B-0414 und das rechercheorientierte Rumination-Modell sind separat benannte Ausgaben. Dieser Eintrag folgt den eigenen, breiteren Code- und Tool-Demonstrationen des GLM-4-Modells, statt Thinking-Regeln einer anderen Veröffentlichung zu übernehmen.
Der Hersteller demonstriert die Programmierung eines sich bewegenden Balls in einem rotierenden Sechseck. Das GLM-4-32B-0414-Beispiel verwendet HTML und beschreibt Bewegung, Kollisionen und physikalische Annahmen. Es handelt sich um Code für eine Simulation, nicht um einen Videogenerierungsmodus. Geben Sie für eine ähnliche Aufgabe Szene, Bewegungsregeln, Kollisionsverhalten und vorgesehene Laufzeitumgebung vor und fordern Sie anschließend eine eigenständige Implementierung und eine Erklärung der Annahmen an. Die Anwendung führt diesen Code aus, um das Ergebnis zu prüfen.
Die Beispiele umfassen eine Zeichenoberfläche für benutzerdefinierte Funktionsgraphen, in der Funktionen hinzugefügt, entfernt und mit Farben versehen werden können. Ein weiteres Beispiel erstellt eine mobile Machine-Learning-Oberfläche mit Trainingsaufgaben, Speicherverwaltung und persönlichen Statistiken einschließlich Diagrammen, angeordnet auf einer HTML-Seite. Dies sind konkrete Frontend-Aufgaben mit festgelegten Bedienelementen und Zuständen.
Beschreiben Sie für ein brauchbares Ergebnis die Aktionen, die jedes Bedienelement unterstützen muss, und die Daten, die die Ansicht zeigen soll. Eine Oberflächenanfrage kann den Seitencode zusammen mit dem Zusammenhang zwischen Eingabe, angezeigtem Zustand und Ergebnis anfordern. Ein späterer Gesprächsschritt kann das beobachtete Rendering liefern und eine gezielte Änderung unter Erhalt des aufgeführten Verhaltens verlangen.
Der Hersteller demonstriert auch SVG-Illustrationen, darunter eine Landschaft und die Erklärung eines Sprachmodell-Trainingsprozesses. SVG ist strukturierter Text, den die Anwendung als bearbeitbares Vektorartefakt speichern kann. Geben Sie Motiv, Beschriftungen, Layout und erforderliche visuelle Zusammenhänge vor. Fordern Sie das SVG-Markup als klar abgegrenztes Ergebnis an, statt den Illustrationscode mit einer langen unverbundenen Erklärung zu vermischen.
Für Recherchetexte stellt die Modellkarte Suchergebnisse als Beobachtungen bereit und fordert das Modell auf, sie zu ordnen und zu interpretieren, statt sie zu kopieren. Die Anweisungen unterscheiden relevante von irrelevanten Ergebnissen, bevorzugen aussagekräftige Details, wenn die Belege dies erlauben, verwenden eine lesbare Struktur und verlangen eine Antwort in der Sprache der Nutzenden. Das Beispiel erzeugt einen analytischen Bericht über Kinderliteratur, der Erzählmethoden, Themen und ihre Wirkungen behandelt.
Eine praktische Aufgabe kann benannte Auszüge bereitstellen und einen anhand ausdrücklicher Fragen gegliederten Bericht anfordern, in dem jede Schlussfolgerung mit dem unterstützenden Material verknüpft ist. Suche und Informationsabruf finden in der umgebenden Anwendung statt; die zurückgegebenen Textstellen werden zu den Belegen des Modells. Dies ist auch für Dokumentvergleiche oder die Vorbereitung einer Erklärung aus einer bereitgestellten Recherchesammlung nützlich.
GLM-4-32B-0414 unterstützt externe Tool-Aufrufe mit JSON-Argumenten. Das Modell benennt eine Funktion und ihre Argumente, die Anwendung führt sie aus, und das Ergebnis wird als Beobachtung zurückgegeben. Die Herstellerdemonstration wiederholt diese Schleife, bis eine endgültige Antwort entsteht. Beschreiben Sie Zweck und Pflichtfelder jedes Werkzeugs und unterscheiden Sie dessen Beobachtung von der Nutzeranweisung. Eine Abfrage kann so Daten für einen späteren Vergleich liefern, ohne vorzugeben, dass das Modell eigenständig aktuelle Informationen beschafft hat.
Die veröffentlichte Konfiguration setzt max_position_embeddings auf 32.768 und enthält keinen rope_scaling-Eintrag. Die ausgearbeiteten Herstellerbeispiele verwenden anfragespezifische Generierungslängen; die Modellkarte nennt kein allgemeingültiges hartes Ausgabemaximum. Halten Sie relevanten Code, abgerufene Textstellen und Dialog innerhalb des aktiven Kontexts und legen Sie fest, ob das Endergebnis HTML, SVG, ein Codefragment, JSON-Argumente oder ein Bericht sein soll. Dies sind für die beschriebene Aufgabe erzeugte Textrepräsentationen; Ausführung, Dateierstellung und Zugriff auf externe Daten bleiben Aktionen der Anwendung.
POST /v1/messagestextjson, sse| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits THUDM/GLM-4-32B-0414 | Standard— |
Feldmessages | Typmessage[] | AnforderungErforderlich | Werte und Limits | Standard— |
Feldmessages[].role | Typstring | AnforderungErforderlich | Werte und Limits user, assistant | Standard— |
Feldmessages[].content | Typstring | AnforderungErforderlich | Werte und Limits | Standard— |
Feldmax_tokens | Typinteger | AnforderungErforderlich | Werte und Limits | Standard— |
Feldstream | Typboolean | AnforderungOptional | Werte und Limits | Standardfalse |
Text · UTF-8-Text
Zeichenfolge messages[].content
| Parameter | Vertrag |
|---|---|
Parametercontent_type | Vertragapplication/json |
Parameterrequired | Vertragmodel, messages, max_tokens |
Parameteroptional_controls | Vertragstream |
Parametermaterial_types | Vertragtext |
Parametertext_file_material | VertragDas tatsächliche UTF-8-Dokument lesen und seinen Text in die angegebene Zeichenfolge für Eingabe oder Nachrichteninhalt einfügen. |
Lebenszyklus: synchronous_or_streamed
Tarifangaben erweitern die Anfrageoptionen nicht. Unterstützte Parameter stehen bei der ausgewählten Methode.
| Konfiguration | Tarifstaffel | Gebühr |
|---|---|---|
| KonfigurationBasistarife für Token | TarifstaffelGrundtarif | Gebühr Eingabe · Eingabetoken $0.00014 / 1K Token Ausgabe · Ausgabetoken $0.00014 / 1K Token Eingabe · Cache-Lesen $0 / 1K Token Eingabe · Cache-Schreiben $0 / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
{\n "model": "THUDM/GLM-4-32B-0414",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'THUDM/GLM-4-32B-0414', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'THUDM/GLM-4-32B-0414', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON oder SSE
Bewahren Sie jede vollständig zurückgegebene Antwort, Datei und jeden Inhaltsteil auf.
Alle Inhaltsblöcke, Thinking-Signaturen und tatsächlichen Werkzeugaufruf-IDs beibehalten. Alle SSE-Blockdeltas zusammensetzen; der erste Textblock ist nicht die vollständige Ausgabe.
Anfrage- und Antwort-IDs sowie Header beibehalten. Eine allgemeine URL zum Abrufen von Textaufträgen wird nicht angegeben.
| Feld | Typ |
|---|---|
Feldid | Typstring |
Feldmodel | Typstring |
Feldcontent[] | Typtext|thinking|tool_use|other content block |
Feldstop_reason | Typstring|null |
Feldusage | Typobject |
| Antwort | Bedingung | Nächster Schritt |
|---|---|---|
Antwort400 · invalid_request_error | BedingungPflichtfelder, Darstellung des Eingabematerials oder Parameterwert ungültig | Nächster SchrittDie angegebenen Felder vor einer neuen Erstellungsanfrage korrigieren. |
Ailoot Ultra THUDM/GLM-4-32B-0414
Verwenden Sie die oben angezeigten Methodenpfade.
Technisches Beispiel auf Englisch
Generate an editable process diagram\n\nCreate self-contained SVG markup for a left-to-right process: Receive -> Validate -> Store. Use three labelled rectangles and two arrows; all labels must remain readable in a 720 by 180 viewBox. Use no scripts, external fonts or external images. Return SVG code and a brief explanation of how the arrows encode the required order.A standalone editable SVG code block with three named nodes and two directional arrows, followed by a short order explanation.Render the SVG locally and check the exact labels, arrow direction and absence of clipped text or external dependencies.