GLM 5.3 Prime ist die beschleunigte Textausgabe von Z.ais GLM-5.3-Familie. Sie nimmt Text entgegen und gibt Text zurück, mit Schwerpunkt auf Programmierung, Codegenerierung per Streaming, Echtzeitgesprächen und Agentenaufgaben über mehrere Gesprächsrunden. Das veröffentlichte Profil beschreibt eine beschleunigte Inferenz bei Erhalt der Fähigkeiten der zugrunde liegenden Ausgabe. Eine zweckmäßige Anfrage verbindet die Aufgabe, ihre Belege und das als Nächstes benötigte Arbeitsergebnis, etwa einen Patch, eine Erklärung oder eine vorgeschlagene Abfolge von Handlungen.
Der Denkmodus bleibt in diesem Profil aktiv. Die dokumentierten Aufwandsstufen sind low, high und max, mit max als Standard. Wählen Sie die beabsichtigte Tiefe passend zur Aufgabe: Eine gezielte Codeprüfung benötigt die relevante Logik und das beobachtete Verhalten, während eine Änderung auf Projektebene die umgebenden Schnittstellen, Vorgaben und Abnahmebedingungen braucht. Halten Sie das eigentliche Ergebnis von der Zwischenanalyse des Modells getrennt, damit Leser die vorgeschlagene Antwort oder Änderung direkt prüfen können.
Das veröffentlichte Kontextfenster umfasst 1.000.000 Tokens, bei bis zu 131.072 Completion-Tokens. Gliedern Sie eine umfangreiche Vorgabe in benannte Abschnitte: Quellmaterial, feststehende Entscheidungen, offene Fragen und das gewünschte Ergebnis. Erhalten Sie genaue Datei- oder Passagenkennungen, wenn die Antwort auf Belege zurückverweisen muss. Ein großer Arbeitskontext hilft, zusammengehöriges Material beieinanderzuhalten; eine gezielte Frage macht dieses Material nützlich.
Stellen Sie für Programmieraufgaben das bestehende Verhalten, das fehlschlagende Beispiel und das gewünschte Verhalten nach der Änderung bereit. Fordern Sie eine konkrete Korrektur und die zugehörigen Validierungsschritte an. Führen Sie bei einer Agentenaufgabe über mehrere Gesprächsrunden abgeschlossene Arbeit und die neuesten Beobachtungen weiter, damit ein späterer Schritt an das Ergebnis anschließen kann, statt die Aufgabe aus einem wachsenden Gespräch neu zu rekonstruieren.
Die veröffentlichten Bedingungen des Hosting-Angebots umfassen Funktionswerkzeuge und JSON-Antwortformatierung. Definieren Sie die Werkzeuge oder Ergebnisfelder, die der Ablauf benötigt. Ein Werkzeugaufruf benennt eine Handlung, die die umgebende Anwendung ausführen soll; die zurückgegebene Beobachtung wird zum Beleg für den nächsten Modellschritt. Der dokumentierte JSON-Modus unterstützt JSON-Ausgaben, ohne ein JSON-Schema zu erzwingen. Validieren Sie deshalb Pflichtfelder, Typen und Werte in der Anwendung.
Stellen Sie für eine Extraktionsaufgabe den Quelltext und die zurückzugebenden Felder bereit, einschließlich der Darstellung fehlender Werte. Fordern Sie bei einer Planungsaufgabe die nächste Handlung, ihre Eingaben und die Beobachtung an, die ihren Abschluss belegen würde. Bewahren Sie die Antwort zusammen mit ihren Quellenkennungen und allen tatsächlichen Werkzeugergebnissen auf, damit das gelieferte Arbeitsergebnis mit der beschriebenen Arbeit verbunden bleibt.
", "aboutText": "GLM 5.3 Prime ist die beschleunigte Textausgabe von Z.ais GLM-5.3-Familie. Sie nimmt Text entgegen und gibt Text zurück, mit Schwerpunkt auf Programmierung, Codegenerierung per Streaming, Echtzeitgesprächen und Agentenaufgaben über mehrere Gesprächsrunden. Das veröffentlichte Profil beschreibt eine beschleunigte Inferenz bei Erhalt der Fähigkeiten der zugrunde liegenden Ausgabe. Eine zweckmäßige Anfrage verbindet die Aufgabe, ihre Belege und das als Nächstes benötigte Arbeitsergebnis, etwa einen Patch, eine Erklärung oder eine vorgeschlagene Abfolge von Handlungen.\n\n### Schlussfolgern für eine umfangreiche Aufgabe\n\nDer Denkmodus bleibt in diesem Profil aktiv. Die dokumentierten Aufwandsstufen sind low, high und max, mit max als Standard. Wählen Sie die beabsichtigte Tiefe passend zur Aufgabe: Eine gezielte Codeprüfung benötigt die relevante Logik und das beobachtete Verhalten, während eine Änderung auf Projektebene die umgebenden Schnittstellen, Vorgaben und Abnahmebedingungen braucht. Halten Sie das eigentliche Ergebnis von der Zwischenanalyse des Modells getrennt, damit Leser die vorgeschlagene Antwort oder Änderung direkt prüfen können.\n\n### Langer Kontext und begrenzte Ausgabe\n\nDas veröffentlichte Kontextfenster umfasst 1.000.000 Tokens, bei bis zu 131.072 Completion-Tokens. Gliedern Sie eine umfangreiche Vorgabe in benannte Abschnitte: Quellmaterial, feststehende Entscheidungen, offene Fragen und das gewünschte Ergebnis. Erhalten Sie genaue Datei- oder Passagenkennungen, wenn die Antwort auf Belege zurückverweisen muss. Ein großer Arbeitskontext hilft, zusammengehöriges Material beieinanderzuhalten; eine gezielte Frage macht dieses Material nützlich.\n\nStellen Sie für Programmieraufgaben das bestehende Verhalten, das fehlschlagende Beispiel und das gewünschte Verhalten nach der Änderung bereit. Fordern Sie eine konkrete Korrektur und die zugehörigen Validierungsschritte an. Führen Sie bei einer Agentenaufgabe über mehrere Gesprächsrunden abgeschlossene Arbeit und die neuesten Beobachtungen weiter, damit ein späterer Schritt an das Ergebnis anschließen kann, statt die Aufgabe aus einem wachsenden Gespräch neu zu rekonstruieren.\n\n### Werkzeuge und strukturierte Ergebnisse\n\nDie veröffentlichten Bedingungen des Hosting-Angebots umfassen Funktionswerkzeuge und JSON-Antwortformatierung. Definieren Sie die Werkzeuge oder Ergebnisfelder, die der Ablauf benötigt. Ein Werkzeugaufruf benennt eine Handlung, die die umgebende Anwendung ausführen soll; die zurückgegebene Beobachtung wird zum Beleg für den nächsten Modellschritt. Der dokumentierte JSON-Modus unterstützt JSON-Ausgaben, ohne ein JSON-Schema zu erzwingen. Validieren Sie deshalb Pflichtfelder, Typen und Werte in der Anwendung.\n\nStellen Sie für eine Extraktionsaufgabe den Quelltext und die zurückzugebenden Felder bereit, einschließlich der Darstellung fehlender Werte. Fordern Sie bei einer Planungsaufgabe die nächste Handlung, ihre Eingaben und die Beobachtung an, die ihren Abschluss belegen würde. Bewahren Sie die Antwort zusammen mit ihren Quellenkennungen und allen tatsächlichen Werkzeugergebnissen auf, damit das gelieferte Arbeitsergebnis mit der beschriebenen Arbeit verbunden bleibt.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisches Beispiel auf Englisch
Choose the next debugging action\n\nContinue this debugging task from supplied observations. Goal: imports preserve accented names. [SOURCE] CSV is read with encoding='ascii', errors='replace'. [TEST] 'José' becomes 'Jos?'. [DECISION] Input files are UTF-8. Propose the next code change, identify its exact inputs and define the observation that would establish completion. Include one negative case for malformed UTF-8; do not report an unexecuted pass.A focused code proposal plus a next-action record containing inputs, expected verification evidence and a malformed-input case.Check the proposal preserves accented text and makes malformed-input handling explicit rather than silently replacing bytes.z-ai/glm-5.3-primeGLM 5.3 Prime ist Z.ais beschleunigtes Textmodell für Programmierung, Gespräche und umfangreiche Agentenabläufe. Es verbindet einen Kontext von einer Million Tokens mit dauerhaft aktivem Schlussfolgern und unterstützt die Aufwandsstufen low, high und max; max ist der dokumentierte Standard.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
GLM 5.3 Prime ist die beschleunigte Textausgabe von Z.ais GLM-5.3-Familie. Sie nimmt Text entgegen und gibt Text zurück, mit Schwerpunkt auf Programmierung, Codegenerierung per Streaming, Echtzeitgesprächen und Agentenaufgaben über mehrere Gesprächsrunden. Das veröffentlichte Profil beschreibt eine beschleunigte Inferenz bei Erhalt der Fähigkeiten der zugrunde liegenden Ausgabe. Eine zweckmäßige Anfrage verbindet die Aufgabe, ihre Belege und das als Nächstes benötigte Arbeitsergebnis, etwa einen Patch, eine Erklärung oder eine vorgeschlagene Abfolge von Handlungen.
Der Denkmodus bleibt in diesem Profil aktiv. Die dokumentierten Aufwandsstufen sind low, high und max, mit max als Standard. Wählen Sie die beabsichtigte Tiefe passend zur Aufgabe: Eine gezielte Codeprüfung benötigt die relevante Logik und das beobachtete Verhalten, während eine Änderung auf Projektebene die umgebenden Schnittstellen, Vorgaben und Abnahmebedingungen braucht. Halten Sie das eigentliche Ergebnis von der Zwischenanalyse des Modells getrennt, damit Leser die vorgeschlagene Antwort oder Änderung direkt prüfen können.
Das veröffentlichte Kontextfenster umfasst 1.000.000 Tokens, bei bis zu 131.072 Completion-Tokens. Gliedern Sie eine umfangreiche Vorgabe in benannte Abschnitte: Quellmaterial, feststehende Entscheidungen, offene Fragen und das gewünschte Ergebnis. Erhalten Sie genaue Datei- oder Passagenkennungen, wenn die Antwort auf Belege zurückverweisen muss. Ein großer Arbeitskontext hilft, zusammengehöriges Material beieinanderzuhalten; eine gezielte Frage macht dieses Material nützlich.
Stellen Sie für Programmieraufgaben das bestehende Verhalten, das fehlschlagende Beispiel und das gewünschte Verhalten nach der Änderung bereit. Fordern Sie eine konkrete Korrektur und die zugehörigen Validierungsschritte an. Führen Sie bei einer Agentenaufgabe über mehrere Gesprächsrunden abgeschlossene Arbeit und die neuesten Beobachtungen weiter, damit ein späterer Schritt an das Ergebnis anschließen kann, statt die Aufgabe aus einem wachsenden Gespräch neu zu rekonstruieren.
Die veröffentlichten Bedingungen des Hosting-Angebots umfassen Funktionswerkzeuge und JSON-Antwortformatierung. Definieren Sie die Werkzeuge oder Ergebnisfelder, die der Ablauf benötigt. Ein Werkzeugaufruf benennt eine Handlung, die die umgebende Anwendung ausführen soll; die zurückgegebene Beobachtung wird zum Beleg für den nächsten Modellschritt. Der dokumentierte JSON-Modus unterstützt JSON-Ausgaben, ohne ein JSON-Schema zu erzwingen. Validieren Sie deshalb Pflichtfelder, Typen und Werte in der Anwendung.
Stellen Sie für eine Extraktionsaufgabe den Quelltext und die zurückzugebenden Felder bereit, einschließlich der Darstellung fehlender Werte. Fordern Sie bei einer Planungsaufgabe die nächste Handlung, ihre Eingaben und die Beobachtung an, die ihren Abschluss belegen würde. Bewahren Sie die Antwort zusammen mit ihren Quellenkennungen und allen tatsächlichen Werkzeugergebnissen auf, damit das gelieferte Arbeitsergebnis mit der beschriebenen Arbeit verbunden bleibt.
POST /v1/chat/completionstexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits z-ai/glm-5.3-prime | 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 $0.0056 / 1K Token Ausgabe · Ausgabetoken $0.0176 / 1K Token Eingabe · Cache-Lesen $0.00112 / 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 $0.0056 / 1K Token Ausgabe · Ausgabetoken $0.0176 / 1K Token Eingabe · Cache-Lesen $0.00112 / 1K Token Eingabe · Cache-Schreiben — / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
set -eu\n: "${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-prime", "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-prime',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-prime',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 z-ai/glm-5.3-prime
Verwenden Sie die oben angezeigten Methodenpfade.
z-ai/glm-5.3-primeGLM 5.3 Prime ist Z.ais beschleunigtes Textmodell für Programmierung, Gespräche und umfangreiche Agentenabläufe. Es verbindet einen Kontext von einer Million Tokens mit dauerhaft aktivem Schlussfolgern und unterstützt die Aufwandsstufen low, high und max; max ist der dokumentierte Standard.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
GLM 5.3 Prime ist die beschleunigte Textausgabe von Z.ais GLM-5.3-Familie. Sie nimmt Text entgegen und gibt Text zurück, mit Schwerpunkt auf Programmierung, Codegenerierung per Streaming, Echtzeitgesprächen und Agentenaufgaben über mehrere Gesprächsrunden. Das veröffentlichte Profil beschreibt eine beschleunigte Inferenz bei Erhalt der Fähigkeiten der zugrunde liegenden Ausgabe. Eine zweckmäßige Anfrage verbindet die Aufgabe, ihre Belege und das als Nächstes benötigte Arbeitsergebnis, etwa einen Patch, eine Erklärung oder eine vorgeschlagene Abfolge von Handlungen.
Der Denkmodus bleibt in diesem Profil aktiv. Die dokumentierten Aufwandsstufen sind low, high und max, mit max als Standard. Wählen Sie die beabsichtigte Tiefe passend zur Aufgabe: Eine gezielte Codeprüfung benötigt die relevante Logik und das beobachtete Verhalten, während eine Änderung auf Projektebene die umgebenden Schnittstellen, Vorgaben und Abnahmebedingungen braucht. Halten Sie das eigentliche Ergebnis von der Zwischenanalyse des Modells getrennt, damit Leser die vorgeschlagene Antwort oder Änderung direkt prüfen können.
Das veröffentlichte Kontextfenster umfasst 1.000.000 Tokens, bei bis zu 131.072 Completion-Tokens. Gliedern Sie eine umfangreiche Vorgabe in benannte Abschnitte: Quellmaterial, feststehende Entscheidungen, offene Fragen und das gewünschte Ergebnis. Erhalten Sie genaue Datei- oder Passagenkennungen, wenn die Antwort auf Belege zurückverweisen muss. Ein großer Arbeitskontext hilft, zusammengehöriges Material beieinanderzuhalten; eine gezielte Frage macht dieses Material nützlich.
Stellen Sie für Programmieraufgaben das bestehende Verhalten, das fehlschlagende Beispiel und das gewünschte Verhalten nach der Änderung bereit. Fordern Sie eine konkrete Korrektur und die zugehörigen Validierungsschritte an. Führen Sie bei einer Agentenaufgabe über mehrere Gesprächsrunden abgeschlossene Arbeit und die neuesten Beobachtungen weiter, damit ein späterer Schritt an das Ergebnis anschließen kann, statt die Aufgabe aus einem wachsenden Gespräch neu zu rekonstruieren.
Die veröffentlichten Bedingungen des Hosting-Angebots umfassen Funktionswerkzeuge und JSON-Antwortformatierung. Definieren Sie die Werkzeuge oder Ergebnisfelder, die der Ablauf benötigt. Ein Werkzeugaufruf benennt eine Handlung, die die umgebende Anwendung ausführen soll; die zurückgegebene Beobachtung wird zum Beleg für den nächsten Modellschritt. Der dokumentierte JSON-Modus unterstützt JSON-Ausgaben, ohne ein JSON-Schema zu erzwingen. Validieren Sie deshalb Pflichtfelder, Typen und Werte in der Anwendung.
Stellen Sie für eine Extraktionsaufgabe den Quelltext und die zurückzugebenden Felder bereit, einschließlich der Darstellung fehlender Werte. Fordern Sie bei einer Planungsaufgabe die nächste Handlung, ihre Eingaben und die Beobachtung an, die ihren Abschluss belegen würde. Bewahren Sie die Antwort zusammen mit ihren Quellenkennungen und allen tatsächlichen Werkzeugergebnissen auf, damit das gelieferte Arbeitsergebnis mit der beschriebenen Arbeit verbunden bleibt.
POST /v1/messagestextjson, sse| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits z-ai/glm-5.3-prime | 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 $0.0056 / 1K Token Ausgabe · Ausgabetoken $0.0176 / 1K Token Eingabe · Cache-Lesen $0.00112 / 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 $0.0056 / 1K Token Ausgabe · Ausgabetoken $0.0176 / 1K Token Eingabe · Cache-Lesen $0.00112 / 1K Token Eingabe · Cache-Schreiben — / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
{\n "model": "z-ai/glm-5.3-prime",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-prime', '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-prime', '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 z-ai/glm-5.3-prime
Verwenden Sie die oben angezeigten Methodenpfade.
Technisches Beispiel auf Englisch
Choose the next debugging action\n\nContinue this debugging task from supplied observations. Goal: imports preserve accented names. [SOURCE] CSV is read with encoding='ascii', errors='replace'. [TEST] 'José' becomes 'Jos?'. [DECISION] Input files are UTF-8. Propose the next code change, identify its exact inputs and define the observation that would establish completion. Include one negative case for malformed UTF-8; do not report an unexecuted pass.A focused code proposal plus a next-action record containing inputs, expected verification evidence and a malformed-input case.Check the proposal preserves accented text and makes malformed-input handling explicit rather than silently replacing bytes.