GLM-Z1-Rumination-32B-0414 ist die rechercheorientierte Reasoning-Ausgabe in Z.ais Serie GLM-4-0414. Sie ist darauf ausgelegt, offene Fragen länger zu bearbeiten und abgerufene Informationen im Reasoning-Prozess zu verwenden. Der Hersteller beschreibt vergleichendes Rechercheschreiben und komplexen Informationsabruf als typische Aufgaben. Das endgültige Artefakt ist Text, etwa ein analytischer Bericht, der eine Frage mit den dafür gesammelten Belegen verbindet.
Geben Sie Thema, Umfang und Vergleichskriterien vor, bevor Sie Material sammeln. Für einen Bericht, der Entwicklungspläne zweier Städte vergleicht, nennen Sie die Städte, den Zeitraum und die zu vergleichenden Aspekte. Fordern Sie die relevanten Belege, Vergleichspunkte und eine klar abgegrenzte Schlussfolgerung an. Eine offene Aufgabe lässt sich leichter prüfen, wenn erwartete Abschnitte und Quellenanforderungen ausdrücklich feststehen.
Stellen Sie vorhandene Dokumente oder Auszüge mit eindeutigen Titeln und Kennungen bereit. Trennen Sie Ausgangsmaterial von Anweisungen und geben Sie vor, wie die Antwort mit unvollständigen oder widersprüchlichen Belegen umgehen soll. Ein Bericht kann dokumentierte Fakten von Interpretationen unterscheiden und erklären, welche Quelle jeden wesentlichen Punkt stützt.
Die ausgearbeitete Tool-Schleife des Herstellers umfasst die Suche nach Schlüsselwörtern, das Öffnen eines Suchergebnisses, das Öffnen einer angegebenen URL und den Abschluss der Informationssammlung vor dem Schreiben. Das Modell wählt eine Aktion und ihre Argumente aus; die umgebende Anwendung führt den Abruf aus und liefert die Beobachtung. Dies ist ein um das Modell aufgebauter Recherche-Workflow und keine Annahme, dass eine Textantwort bereits im Web recherchiert hat.
Geben Sie in einer Anwendung, die dieses Muster nutzt, den relevanten Inhalt der abgerufenen Seite mit Titel und URL zurück. Halten Sie Quellenkennungen über Gesprächsschritte hinweg einheitlich, damit sich ein späterer Vergleich auf dieselben Dokumente bezieht. Fordern Sie das Modell auf, eine Suche zu präzisieren, wenn die Beobachtung die Recherchefrage nicht beantwortet, und den Abschlussbericht zu erstellen, sobald die angeforderten Belege gesammelt sind.
Das veröffentlichte Beispiel verwendet simulierte Abruffunktionen, um den Kontrollfluss zu veranschaulichen. Eine funktionierende Anwendung stellt ihre eigenen Abrufimplementierungen bereit und entscheidet, wann die Schleife genügend Informationen gesammelt hat. Die Begrenzung der Gesprächsschritte und das Generierungsbudget des Beispiels beschreiben dieses Beispiel; sie sind keine allgemeingültigen Grenzen dieser Ausgabe.
Fordern Sie eine am tatsächlichen Rechercheproblem ausgerichtete Antwort an: Erkenntnisse, Vergleich, Unsicherheit und Schlussfolgerung. Lassen Sie das Modell bei einem Dokumentvergleich zunächst die unterschiedlichen Bedingungen benennen, bevor es eine Interpretation vorschlägt. Definieren Sie für ein Recherchebriefing Zielgruppe und zu beantwortende Fragen, damit der zurückgegebene Text auf die Aufgabe bezogen bleibt.
Prüfen Sie den Bericht zusammen mit den Quellenbeobachtungen. Vergleichen Sie Zitate, Daten und Kausalaussagen mit dem der Schleife bereitgestellten Material. Bewahren Sie Frage, abgerufene Textstellen und Endergebnis zusammen auf, wenn ein Bericht später überarbeitet werden soll. Dadurch bleiben die Belege erhalten, die zum Verständnis der Schlussfolgerung nötig sind.
Dieser Eintrag erhält die Identität Rumination 32B 0414. Die gewöhnliche Reasoning-Ausgabe GLM-Z1-32B-0414 und die kleinere Z1-Ausgabe sind separat benannte Veröffentlichungen. Die Rumination-Modellkarte des Herstellers belegt das rechercheorientierte Tool-Muster und das Inferenzbeispiel; ihre spärlichen Angaben zu Grenzen sollten bei der Vorbereitung einer langen Anfrage durch den tatsächlichen Schnittstellenvertrag ergänzt werden.
", "aboutText": "GLM-Z1-Rumination-32B-0414 ist die rechercheorientierte Reasoning-Ausgabe in Z.ais Serie GLM-4-0414. Sie ist darauf ausgelegt, offene Fragen länger zu bearbeiten und abgerufene Informationen im Reasoning-Prozess zu verwenden. Der Hersteller beschreibt vergleichendes Rechercheschreiben und komplexen Informationsabruf als typische Aufgaben. Das endgültige Artefakt ist Text, etwa ein analytischer Bericht, der eine Frage mit den dafür gesammelten Belegen verbindet.\n\n### Die Recherchefrage festlegen\n\nGeben Sie Thema, Umfang und Vergleichskriterien vor, bevor Sie Material sammeln. Für einen Bericht, der Entwicklungspläne zweier Städte vergleicht, nennen Sie die Städte, den Zeitraum und die zu vergleichenden Aspekte. Fordern Sie die relevanten Belege, Vergleichspunkte und eine klar abgegrenzte Schlussfolgerung an. Eine offene Aufgabe lässt sich leichter prüfen, wenn erwartete Abschnitte und Quellenanforderungen ausdrücklich feststehen.\n\nStellen Sie vorhandene Dokumente oder Auszüge mit eindeutigen Titeln und Kennungen bereit. Trennen Sie Ausgangsmaterial von Anweisungen und geben Sie vor, wie die Antwort mit unvollständigen oder widersprüchlichen Belegen umgehen soll. Ein Bericht kann dokumentierte Fakten von Interpretationen unterscheiden und erklären, welche Quelle jeden wesentlichen Punkt stützt.\n\n### Suchen, lesen und Beobachtungen zurückgeben\n\nDie ausgearbeitete Tool-Schleife des Herstellers umfasst die Suche nach Schlüsselwörtern, das Öffnen eines Suchergebnisses, das Öffnen einer angegebenen URL und den Abschluss der Informationssammlung vor dem Schreiben. Das Modell wählt eine Aktion und ihre Argumente aus; die umgebende Anwendung führt den Abruf aus und liefert die Beobachtung. Dies ist ein um das Modell aufgebauter Recherche-Workflow und keine Annahme, dass eine Textantwort bereits im Web recherchiert hat.\n\nGeben Sie in einer Anwendung, die dieses Muster nutzt, den relevanten Inhalt der abgerufenen Seite mit Titel und URL zurück. Halten Sie Quellenkennungen über Gesprächsschritte hinweg einheitlich, damit sich ein späterer Vergleich auf dieselben Dokumente bezieht. Fordern Sie das Modell auf, eine Suche zu präzisieren, wenn die Beobachtung die Recherchefrage nicht beantwortet, und den Abschlussbericht zu erstellen, sobald die angeforderten Belege gesammelt sind.\n\nDas veröffentlichte Beispiel verwendet simulierte Abruffunktionen, um den Kontrollfluss zu veranschaulichen. Eine funktionierende Anwendung stellt ihre eigenen Abrufimplementierungen bereit und entscheidet, wann die Schleife genügend Informationen gesammelt hat. Die Begrenzung der Gesprächsschritte und das Generierungsbudget des Beispiels beschreiben dieses Beispiel; sie sind keine allgemeingültigen Grenzen dieser Ausgabe.\n\n### Den Bericht vorbereiten und prüfen\n\nFordern Sie eine am tatsächlichen Rechercheproblem ausgerichtete Antwort an: Erkenntnisse, Vergleich, Unsicherheit und Schlussfolgerung. Lassen Sie das Modell bei einem Dokumentvergleich zunächst die unterschiedlichen Bedingungen benennen, bevor es eine Interpretation vorschlägt. Definieren Sie für ein Recherchebriefing Zielgruppe und zu beantwortende Fragen, damit der zurückgegebene Text auf die Aufgabe bezogen bleibt.\n\nPrüfen Sie den Bericht zusammen mit den Quellenbeobachtungen. Vergleichen Sie Zitate, Daten und Kausalaussagen mit dem der Schleife bereitgestellten Material. Bewahren Sie Frage, abgerufene Textstellen und Endergebnis zusammen auf, wenn ein Bericht später überarbeitet werden soll. Dadurch bleiben die Belege erhalten, die zum Verständnis der Schlussfolgerung nötig sind.\n\n### Die feste Ausgabe bewahren\n\nDieser Eintrag erhält die Identität Rumination 32B 0414. Die gewöhnliche Reasoning-Ausgabe GLM-Z1-32B-0414 und die kleinere Z1-Ausgabe sind separat benannte Veröffentlichungen. Die Rumination-Modellkarte des Herstellers belegt das rechercheorientierte Tool-Muster und das Inferenzbeispiel; ihre spärlichen Angaben zu Grenzen sollten bei der Vorbereitung einer langen Anfrage durch den tatsächlichen Schnittstellenvertrag ergänzt werden.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisches Beispiel auf Englisch
Synthesize a source-bounded pilot comparison\n\nWrite a short research comparison from these supplied excerpts. Pilot A: staff reported faster intake, but no timing measurement was collected. Pilot B: median intake fell from 12 to 9 minutes; error counts were not recorded. Compare evidence for speed and quality, cite A or B, and state what follow-up measurement is needed before a broad conclusion.A concise comparison with findings, evidence gaps and a limited conclusion grounded in the excerpts.The report distinguishes reported impressions from measured timing and does not claim improved quality without error data.THUDM/GLM-Z1-Rumination-32B-0414GLM-Z1-Rumination-32B-0414 ist eine fest versionierte Ausgabe für Text-Reasoning, offene Rechercheaufgaben und vergleichende Berichte. Der Hersteller dokumentiert eine Such- und Leseschleife, in der die Anwendung Quellen abruft und Beobachtungen zurückgibt, bevor das Modell sein Ergebnis verfasst.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
GLM-Z1-Rumination-32B-0414 ist die rechercheorientierte Reasoning-Ausgabe in Z.ais Serie GLM-4-0414. Sie ist darauf ausgelegt, offene Fragen länger zu bearbeiten und abgerufene Informationen im Reasoning-Prozess zu verwenden. Der Hersteller beschreibt vergleichendes Rechercheschreiben und komplexen Informationsabruf als typische Aufgaben. Das endgültige Artefakt ist Text, etwa ein analytischer Bericht, der eine Frage mit den dafür gesammelten Belegen verbindet.
Geben Sie Thema, Umfang und Vergleichskriterien vor, bevor Sie Material sammeln. Für einen Bericht, der Entwicklungspläne zweier Städte vergleicht, nennen Sie die Städte, den Zeitraum und die zu vergleichenden Aspekte. Fordern Sie die relevanten Belege, Vergleichspunkte und eine klar abgegrenzte Schlussfolgerung an. Eine offene Aufgabe lässt sich leichter prüfen, wenn erwartete Abschnitte und Quellenanforderungen ausdrücklich feststehen.
Stellen Sie vorhandene Dokumente oder Auszüge mit eindeutigen Titeln und Kennungen bereit. Trennen Sie Ausgangsmaterial von Anweisungen und geben Sie vor, wie die Antwort mit unvollständigen oder widersprüchlichen Belegen umgehen soll. Ein Bericht kann dokumentierte Fakten von Interpretationen unterscheiden und erklären, welche Quelle jeden wesentlichen Punkt stützt.
Die ausgearbeitete Tool-Schleife des Herstellers umfasst die Suche nach Schlüsselwörtern, das Öffnen eines Suchergebnisses, das Öffnen einer angegebenen URL und den Abschluss der Informationssammlung vor dem Schreiben. Das Modell wählt eine Aktion und ihre Argumente aus; die umgebende Anwendung führt den Abruf aus und liefert die Beobachtung. Dies ist ein um das Modell aufgebauter Recherche-Workflow und keine Annahme, dass eine Textantwort bereits im Web recherchiert hat.
Geben Sie in einer Anwendung, die dieses Muster nutzt, den relevanten Inhalt der abgerufenen Seite mit Titel und URL zurück. Halten Sie Quellenkennungen über Gesprächsschritte hinweg einheitlich, damit sich ein späterer Vergleich auf dieselben Dokumente bezieht. Fordern Sie das Modell auf, eine Suche zu präzisieren, wenn die Beobachtung die Recherchefrage nicht beantwortet, und den Abschlussbericht zu erstellen, sobald die angeforderten Belege gesammelt sind.
Das veröffentlichte Beispiel verwendet simulierte Abruffunktionen, um den Kontrollfluss zu veranschaulichen. Eine funktionierende Anwendung stellt ihre eigenen Abrufimplementierungen bereit und entscheidet, wann die Schleife genügend Informationen gesammelt hat. Die Begrenzung der Gesprächsschritte und das Generierungsbudget des Beispiels beschreiben dieses Beispiel; sie sind keine allgemeingültigen Grenzen dieser Ausgabe.
Fordern Sie eine am tatsächlichen Rechercheproblem ausgerichtete Antwort an: Erkenntnisse, Vergleich, Unsicherheit und Schlussfolgerung. Lassen Sie das Modell bei einem Dokumentvergleich zunächst die unterschiedlichen Bedingungen benennen, bevor es eine Interpretation vorschlägt. Definieren Sie für ein Recherchebriefing Zielgruppe und zu beantwortende Fragen, damit der zurückgegebene Text auf die Aufgabe bezogen bleibt.
Prüfen Sie den Bericht zusammen mit den Quellenbeobachtungen. Vergleichen Sie Zitate, Daten und Kausalaussagen mit dem der Schleife bereitgestellten Material. Bewahren Sie Frage, abgerufene Textstellen und Endergebnis zusammen auf, wenn ein Bericht später überarbeitet werden soll. Dadurch bleiben die Belege erhalten, die zum Verständnis der Schlussfolgerung nötig sind.
Dieser Eintrag erhält die Identität Rumination 32B 0414. Die gewöhnliche Reasoning-Ausgabe GLM-Z1-32B-0414 und die kleinere Z1-Ausgabe sind separat benannte Veröffentlichungen. Die Rumination-Modellkarte des Herstellers belegt das rechercheorientierte Tool-Muster und das Inferenzbeispiel; ihre spärlichen Angaben zu Grenzen sollten bei der Vorbereitung einer langen Anfrage durch den tatsächlichen Schnittstellenvertrag ergänzt werden.
POST /v1/chat/completionstexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits THUDM/GLM-Z1-Rumination-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-Z1-Rumination-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-Z1-Rumination-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-Z1-Rumination-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-Z1-Rumination-32B-0414
Verwenden Sie die oben angezeigten Methodenpfade.
THUDM/GLM-Z1-Rumination-32B-0414GLM-Z1-Rumination-32B-0414 ist eine fest versionierte Ausgabe für Text-Reasoning, offene Rechercheaufgaben und vergleichende Berichte. Der Hersteller dokumentiert eine Such- und Leseschleife, in der die Anwendung Quellen abruft und Beobachtungen zurückgibt, bevor das Modell sein Ergebnis verfasst.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
GLM-Z1-Rumination-32B-0414 ist die rechercheorientierte Reasoning-Ausgabe in Z.ais Serie GLM-4-0414. Sie ist darauf ausgelegt, offene Fragen länger zu bearbeiten und abgerufene Informationen im Reasoning-Prozess zu verwenden. Der Hersteller beschreibt vergleichendes Rechercheschreiben und komplexen Informationsabruf als typische Aufgaben. Das endgültige Artefakt ist Text, etwa ein analytischer Bericht, der eine Frage mit den dafür gesammelten Belegen verbindet.
Geben Sie Thema, Umfang und Vergleichskriterien vor, bevor Sie Material sammeln. Für einen Bericht, der Entwicklungspläne zweier Städte vergleicht, nennen Sie die Städte, den Zeitraum und die zu vergleichenden Aspekte. Fordern Sie die relevanten Belege, Vergleichspunkte und eine klar abgegrenzte Schlussfolgerung an. Eine offene Aufgabe lässt sich leichter prüfen, wenn erwartete Abschnitte und Quellenanforderungen ausdrücklich feststehen.
Stellen Sie vorhandene Dokumente oder Auszüge mit eindeutigen Titeln und Kennungen bereit. Trennen Sie Ausgangsmaterial von Anweisungen und geben Sie vor, wie die Antwort mit unvollständigen oder widersprüchlichen Belegen umgehen soll. Ein Bericht kann dokumentierte Fakten von Interpretationen unterscheiden und erklären, welche Quelle jeden wesentlichen Punkt stützt.
Die ausgearbeitete Tool-Schleife des Herstellers umfasst die Suche nach Schlüsselwörtern, das Öffnen eines Suchergebnisses, das Öffnen einer angegebenen URL und den Abschluss der Informationssammlung vor dem Schreiben. Das Modell wählt eine Aktion und ihre Argumente aus; die umgebende Anwendung führt den Abruf aus und liefert die Beobachtung. Dies ist ein um das Modell aufgebauter Recherche-Workflow und keine Annahme, dass eine Textantwort bereits im Web recherchiert hat.
Geben Sie in einer Anwendung, die dieses Muster nutzt, den relevanten Inhalt der abgerufenen Seite mit Titel und URL zurück. Halten Sie Quellenkennungen über Gesprächsschritte hinweg einheitlich, damit sich ein späterer Vergleich auf dieselben Dokumente bezieht. Fordern Sie das Modell auf, eine Suche zu präzisieren, wenn die Beobachtung die Recherchefrage nicht beantwortet, und den Abschlussbericht zu erstellen, sobald die angeforderten Belege gesammelt sind.
Das veröffentlichte Beispiel verwendet simulierte Abruffunktionen, um den Kontrollfluss zu veranschaulichen. Eine funktionierende Anwendung stellt ihre eigenen Abrufimplementierungen bereit und entscheidet, wann die Schleife genügend Informationen gesammelt hat. Die Begrenzung der Gesprächsschritte und das Generierungsbudget des Beispiels beschreiben dieses Beispiel; sie sind keine allgemeingültigen Grenzen dieser Ausgabe.
Fordern Sie eine am tatsächlichen Rechercheproblem ausgerichtete Antwort an: Erkenntnisse, Vergleich, Unsicherheit und Schlussfolgerung. Lassen Sie das Modell bei einem Dokumentvergleich zunächst die unterschiedlichen Bedingungen benennen, bevor es eine Interpretation vorschlägt. Definieren Sie für ein Recherchebriefing Zielgruppe und zu beantwortende Fragen, damit der zurückgegebene Text auf die Aufgabe bezogen bleibt.
Prüfen Sie den Bericht zusammen mit den Quellenbeobachtungen. Vergleichen Sie Zitate, Daten und Kausalaussagen mit dem der Schleife bereitgestellten Material. Bewahren Sie Frage, abgerufene Textstellen und Endergebnis zusammen auf, wenn ein Bericht später überarbeitet werden soll. Dadurch bleiben die Belege erhalten, die zum Verständnis der Schlussfolgerung nötig sind.
Dieser Eintrag erhält die Identität Rumination 32B 0414. Die gewöhnliche Reasoning-Ausgabe GLM-Z1-32B-0414 und die kleinere Z1-Ausgabe sind separat benannte Veröffentlichungen. Die Rumination-Modellkarte des Herstellers belegt das rechercheorientierte Tool-Muster und das Inferenzbeispiel; ihre spärlichen Angaben zu Grenzen sollten bei der Vorbereitung einer langen Anfrage durch den tatsächlichen Schnittstellenvertrag ergänzt werden.
POST /v1/messagestextjson, sse| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits THUDM/GLM-Z1-Rumination-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 $0 / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
{\n "model": "THUDM/GLM-Z1-Rumination-32B-0414",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-Z1-Rumination-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-Z1-Rumination-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-Z1-Rumination-32B-0414
Verwenden Sie die oben angezeigten Methodenpfade.
Technisches Beispiel auf Englisch
Synthesize a source-bounded pilot comparison\n\nWrite a short research comparison from these supplied excerpts. Pilot A: staff reported faster intake, but no timing measurement was collected. Pilot B: median intake fell from 12 to 9 minutes; error counts were not recorded. Compare evidence for speed and quality, cite A or B, and state what follow-up measurement is needed before a broad conclusion.A concise comparison with findings, evidence gaps and a limited conclusion grounded in the excerpts.The report distinguishes reported impressions from measured timing and does not claim improved quality without error data.