Z.ai GLM 5.3 ist ein großes Textmodell mit Schlussfolgerungsfähigkeiten für komplexe Softwareentwicklung und langfristige Agentenarbeit. Laut Hersteller verwendet es dasselbe Basismodell wie GLM 5.2; die neuen Verbesserungen stammen aus dem Nachtraining. Die Veröffentlichung konzentriert sich auf stärkeres Programmieren, Terminaloperationen und umfassendere Aufgaben mit mehreren voneinander abhängigen Schritten. Das Modell nimmt Text entgegen und erzeugt Text, darunter Code, Erklärungen, Pläne und Anfragen für Werkzeugaufrufe in einer an Werkzeuge angebundenen Anwendung.
Der dokumentierte Denkmodus ist immer aktiv. GLM 5.3 bietet drei Aufwandsstufen: low, high und max, wobei max der Standard ist. Der Hersteller empfiehlt max für komplexe Programmierarbeit; low bietet eine weniger aufwendige Denkoption für einfachere Schritte. Verbinden Sie die ausgewählte Stufe mit einem klaren Endergebnis und Abschlusskriterien. Zum Beispiel: „Untersuche diese Dateien und fehlgeschlagenen Ergebnisse, verfolge die Ursache durch die betroffenen Module, schlage eine Korrektur vor, die die öffentliche Schnittstelle erhält, und erkläre, welche Prüfungen belegen, dass die Regression behoben ist.“
Der Hersteller nennt ein Kontextfenster von 1M Tokens und eine maximale Ausgabelänge von 128K Tokens. Ordnen Sie umfangreiches Material um den Zusammenhang herum an, den das Modell untersuchen muss. Erhalten Sie Dateinamen, relevante Definitionen, Quellenbeschriftungen und die Reihenfolge der Beobachtungen und lassen Sie innerhalb des geltenden Arbeitskontexts Platz für den Gedankengang und die abschließende Antwort. Ein großes Fenster ist für Abhängigkeiten zwischen Modulen oder eine lange Folge von Agentenbeobachtungen nützlich; es macht ein ungeordnetes Archiv sachfremden Materials nicht zu einer klar definierten Aufgabe.
Stellen Sie bei Repository-Arbeit das erwartete Verhalten, den relevanten Quelltext, Abhängigkeitsversionen und die tatsächliche Fehlerausgabe bereit. Bitten Sie das Modell, das betroffene Verhalten zu benennen, bevor es einen Patch vorschlägt. Nennen Sie bei einer Umstrukturierung die Schnittstelle und Invarianten, die erhalten bleiben müssen. Eine brauchbare Antwort enthält den überarbeiteten Code, die Erklärung, warum die Änderung das beobachtete Problem behebt, und die Fälle, die zur Prüfung des Ergebnisses nötig sind. Speisen Sie tatsächliche Ergebnisse wieder in den werkzeuggestützten Ablauf ein, damit der nächste Schritt vom veränderten Zustand statt vom früheren Vorschlag ausgeht.
Stellen Sie bei Leistungsoptimierungen eine Arbeitslast, eine Ausgangsbasis und Messungen wie Laufzeiten, Profile oder Speicherbelegungsprotokolle bereit. Z.ai beschreibt Trainingsaufgaben zur Engpassdiagnose, Optimierung, zu Experimenten und zu Ergebnissen, die die Korrektheit erhalten. Eine praktische Anfrage lautet: „Nutze dieses Profil, um den folgenreichsten Engpass zu identifizieren, schlage eine messbare Änderung vor und erkläre, welches Ergebnis ihre Beibehaltung rechtfertigen würde.“ Unterscheiden Sie eine Leistungshypothese von einer protokollierten Verbesserung. Behalten Sie bei der Ergebnisprüfung dieselbe Arbeitslast und die relevanten Bedingungen bei.
Die Veröffentlichung erweitert außerdem die Fähigkeiten zur Schwachstellenanalyse. Stellen Sie für eine defensive Quellcodeprüfung den relevanten Code, seine vorgesehenen Vertrauensgrenzen und die Ausführungsbedingungen bereit. Fordern Sie einen Befund an, der ein vermutetes Problem mit der betroffenen Eingabe, dem Verhalten und einer gezielten Behebung verknüpft. Trennen Sie eine mögliche Schwäche von einem reproduzierten Fehler und bewahren Sie die zur Validierung verwendete Beobachtung auf. Ein Bericht ist nützlicher, wenn er konkrete Belege und vorgeschlagene Korrekturen priorisiert, statt jedes verdächtige Muster als bestätigte Schwachstelle zu behandeln.
Funktionsaufrufe ermöglichen einer umgebenden Anwendung, dem Modell externe Vorgänge bereitzustellen. Definieren Sie Zweck, Argumente und erwartetes Ergebnis jedes Werkzeugs und geben Sie anschließend die tatsächliche Werkzeugbeobachtung für den nächsten Schritt zurück. Das Modell kann dieses Ergebnis durchdenken und entscheiden, wie es die Aufgabe verändert. Halten Sie vorgeschlagene Handlungen, ausgeführte Vorgänge und ungeklärte Prüfungen unterscheidbar. Der Hersteller dokumentiert außerdem Streaming-Antworten, die Fragmente des Gedankengangs und der Antwort getrennt zurückgeben; setzen Sie die vollständige Antwort zusammen, bevor Sie sie als Abschlussbericht oder Codeerklärung behandeln.
Die lokale Modellkarte enthält ein konkretes Detail zur Verlaufseinstellung: Ihre Chat-Vorlage behält Gedankengänge standardmäßig bei, während der Hersteller für gewöhnliche Chatszenarien empfiehlt, alte Gedankengänge ausdrücklich zu löschen. Wenden Sie die für den Anwendungsfall passende Gesprächsstruktur an und bewahren Sie die tatsächlich abgeschlossenen Antworten und Werkzeugergebnisse auf, die für die Fortsetzung nötig sind. Behandeln Sie Einstellungen zur Denksteuerung aus GLM 5.2 oder den eigenständigen GLM-5.3-Flash-Ausgaben nicht als austauschbar mit den low/high/max-Steuerungen dieses Modells.
Geben Sie für strukturierte Ergebnisse die erwarteten Felder, Typen und Quellenregeln an. Ein brauchbares Arbeitsergebnis kann eine Fehlertabelle, ein Änderungsplan oder ein JSON-Objekt mit zusammengefassten Beobachtungen sein. Validieren Sie sowohl die Struktur als auch die Werte, bevor eine Anwendung sie verwendet. Das Endergebnis sollte die Antwort oder das überarbeitete Arbeitsergebnis, die stützenden Belege und die verbleibenden Annahmen benennen. Mehr Denkaufwand belegt weder, dass ein Werkzeug ausgeführt wurde, noch dass ein vorgeschlagener Patch seine Prüfungen bestanden hat oder eine Tatsachenbehauptung über das bereitgestellte Material hinaus belegt ist.
", "aboutText": "Z.ai GLM 5.3 ist ein großes Textmodell mit Schlussfolgerungsfähigkeiten für komplexe Softwareentwicklung und langfristige Agentenarbeit. Laut Hersteller verwendet es dasselbe Basismodell wie GLM 5.2; die neuen Verbesserungen stammen aus dem Nachtraining. Die Veröffentlichung konzentriert sich auf stärkeres Programmieren, Terminaloperationen und umfassendere Aufgaben mit mehreren voneinander abhängigen Schritten. Das Modell nimmt Text entgegen und erzeugt Text, darunter Code, Erklärungen, Pläne und Anfragen für Werkzeugaufrufe in einer an Werkzeuge angebundenen Anwendung.\n\nDer dokumentierte Denkmodus ist immer aktiv. GLM 5.3 bietet drei Aufwandsstufen: low, high und max, wobei max der Standard ist. Der Hersteller empfiehlt max für komplexe Programmierarbeit; low bietet eine weniger aufwendige Denkoption für einfachere Schritte. Verbinden Sie die ausgewählte Stufe mit einem klaren Endergebnis und Abschlusskriterien. Zum Beispiel: „Untersuche diese Dateien und fehlgeschlagenen Ergebnisse, verfolge die Ursache durch die betroffenen Module, schlage eine Korrektur vor, die die öffentliche Schnittstelle erhält, und erkläre, welche Prüfungen belegen, dass die Regression behoben ist.“\n\nDer Hersteller nennt ein Kontextfenster von 1M Tokens und eine maximale Ausgabelänge von 128K Tokens. Ordnen Sie umfangreiches Material um den Zusammenhang herum an, den das Modell untersuchen muss. Erhalten Sie Dateinamen, relevante Definitionen, Quellenbeschriftungen und die Reihenfolge der Beobachtungen und lassen Sie innerhalb des geltenden Arbeitskontexts Platz für den Gedankengang und die abschließende Antwort. Ein großes Fenster ist für Abhängigkeiten zwischen Modulen oder eine lange Folge von Agentenbeobachtungen nützlich; es macht ein ungeordnetes Archiv sachfremden Materials nicht zu einer klar definierten Aufgabe.\n\nStellen Sie bei Repository-Arbeit das erwartete Verhalten, den relevanten Quelltext, Abhängigkeitsversionen und die tatsächliche Fehlerausgabe bereit. Bitten Sie das Modell, das betroffene Verhalten zu benennen, bevor es einen Patch vorschlägt. Nennen Sie bei einer Umstrukturierung die Schnittstelle und Invarianten, die erhalten bleiben müssen. Eine brauchbare Antwort enthält den überarbeiteten Code, die Erklärung, warum die Änderung das beobachtete Problem behebt, und die Fälle, die zur Prüfung des Ergebnisses nötig sind. Speisen Sie tatsächliche Ergebnisse wieder in den werkzeuggestützten Ablauf ein, damit der nächste Schritt vom veränderten Zustand statt vom früheren Vorschlag ausgeht.\n\nStellen Sie bei Leistungsoptimierungen eine Arbeitslast, eine Ausgangsbasis und Messungen wie Laufzeiten, Profile oder Speicherbelegungsprotokolle bereit. Z.ai beschreibt Trainingsaufgaben zur Engpassdiagnose, Optimierung, zu Experimenten und zu Ergebnissen, die die Korrektheit erhalten. Eine praktische Anfrage lautet: „Nutze dieses Profil, um den folgenreichsten Engpass zu identifizieren, schlage eine messbare Änderung vor und erkläre, welches Ergebnis ihre Beibehaltung rechtfertigen würde.“ Unterscheiden Sie eine Leistungshypothese von einer protokollierten Verbesserung. Behalten Sie bei der Ergebnisprüfung dieselbe Arbeitslast und die relevanten Bedingungen bei.\n\nDie Veröffentlichung erweitert außerdem die Fähigkeiten zur Schwachstellenanalyse. Stellen Sie für eine defensive Quellcodeprüfung den relevanten Code, seine vorgesehenen Vertrauensgrenzen und die Ausführungsbedingungen bereit. Fordern Sie einen Befund an, der ein vermutetes Problem mit der betroffenen Eingabe, dem Verhalten und einer gezielten Behebung verknüpft. Trennen Sie eine mögliche Schwäche von einem reproduzierten Fehler und bewahren Sie die zur Validierung verwendete Beobachtung auf. Ein Bericht ist nützlicher, wenn er konkrete Belege und vorgeschlagene Korrekturen priorisiert, statt jedes verdächtige Muster als bestätigte Schwachstelle zu behandeln.\n\nFunktionsaufrufe ermöglichen einer umgebenden Anwendung, dem Modell externe Vorgänge bereitzustellen. Definieren Sie Zweck, Argumente und erwartetes Ergebnis jedes Werkzeugs und geben Sie anschließend die tatsächliche Werkzeugbeobachtung für den nächsten Schritt zurück. Das Modell kann dieses Ergebnis durchdenken und entscheiden, wie es die Aufgabe verändert. Halten Sie vorgeschlagene Handlungen, ausgeführte Vorgänge und ungeklärte Prüfungen unterscheidbar. Der Hersteller dokumentiert außerdem Streaming-Antworten, die Fragmente des Gedankengangs und der Antwort getrennt zurückgeben; setzen Sie die vollständige Antwort zusammen, bevor Sie sie als Abschlussbericht oder Codeerklärung behandeln.\n\nDie lokale Modellkarte enthält ein konkretes Detail zur Verlaufseinstellung: Ihre Chat-Vorlage behält Gedankengänge standardmäßig bei, während der Hersteller für gewöhnliche Chatszenarien empfiehlt, alte Gedankengänge ausdrücklich zu löschen. Wenden Sie die für den Anwendungsfall passende Gesprächsstruktur an und bewahren Sie die tatsächlich abgeschlossenen Antworten und Werkzeugergebnisse auf, die für die Fortsetzung nötig sind. Behandeln Sie Einstellungen zur Denksteuerung aus GLM 5.2 oder den eigenständigen GLM-5.3-Flash-Ausgaben nicht als austauschbar mit den low/high/max-Steuerungen dieses Modells.\n\nGeben Sie für strukturierte Ergebnisse die erwarteten Felder, Typen und Quellenregeln an. Ein brauchbares Arbeitsergebnis kann eine Fehlertabelle, ein Änderungsplan oder ein JSON-Objekt mit zusammengefassten Beobachtungen sein. Validieren Sie sowohl die Struktur als auch die Werte, bevor eine Anwendung sie verwendet. Das Endergebnis sollte die Antwort oder das überarbeitete Arbeitsergebnis, die stützenden Belege und die verbleibenden Annahmen benennen. Mehr Denkaufwand belegt weder, dass ein Werkzeug ausgeführt wurde, noch dass ein vorgeschlagener Patch seine Prüfungen bestanden hat oder eine Tatsachenbehauptung über das bereitgestellte Material hinaus belegt ist.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "5fe0ba168d0de6d351675f85a5c65ebc1eb0e773eec401659e4d0e4dab463b7e", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "de", "methods": [ { "html": "z-ai/glm-5.3:batchZ.ai GLM 5.3 ist ein Textmodell mit Schlussfolgerungsfähigkeiten für komplexe Softwareentwicklung, Terminalarbeit und langfristige Agentenaufgaben. Es unterstützt einen vom Hersteller dokumentierten Kontext von 1M Tokens, bis zu 128K Ausgabe-Tokens, Funktionsaufrufe und den Denkaufwand low/high/max; der Denkmodus ist durchgehend aktiv.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Z.ai GLM 5.3 ist ein großes Textmodell mit Schlussfolgerungsfähigkeiten für komplexe Softwareentwicklung und langfristige Agentenarbeit. Laut Hersteller verwendet es dasselbe Basismodell wie GLM 5.2; die neuen Verbesserungen stammen aus dem Nachtraining. Die Veröffentlichung konzentriert sich auf stärkeres Programmieren, Terminaloperationen und umfassendere Aufgaben mit mehreren voneinander abhängigen Schritten. Das Modell nimmt Text entgegen und erzeugt Text, darunter Code, Erklärungen, Pläne und Anfragen für Werkzeugaufrufe in einer an Werkzeuge angebundenen Anwendung.
Der dokumentierte Denkmodus ist immer aktiv. GLM 5.3 bietet drei Aufwandsstufen: low, high und max, wobei max der Standard ist. Der Hersteller empfiehlt max für komplexe Programmierarbeit; low bietet eine weniger aufwendige Denkoption für einfachere Schritte. Verbinden Sie die ausgewählte Stufe mit einem klaren Endergebnis und Abschlusskriterien. Zum Beispiel: „Untersuche diese Dateien und fehlgeschlagenen Ergebnisse, verfolge die Ursache durch die betroffenen Module, schlage eine Korrektur vor, die die öffentliche Schnittstelle erhält, und erkläre, welche Prüfungen belegen, dass die Regression behoben ist.“
Der Hersteller nennt ein Kontextfenster von 1M Tokens und eine maximale Ausgabelänge von 128K Tokens. Ordnen Sie umfangreiches Material um den Zusammenhang herum an, den das Modell untersuchen muss. Erhalten Sie Dateinamen, relevante Definitionen, Quellenbeschriftungen und die Reihenfolge der Beobachtungen und lassen Sie innerhalb des geltenden Arbeitskontexts Platz für den Gedankengang und die abschließende Antwort. Ein großes Fenster ist für Abhängigkeiten zwischen Modulen oder eine lange Folge von Agentenbeobachtungen nützlich; es macht ein ungeordnetes Archiv sachfremden Materials nicht zu einer klar definierten Aufgabe.
Stellen Sie bei Repository-Arbeit das erwartete Verhalten, den relevanten Quelltext, Abhängigkeitsversionen und die tatsächliche Fehlerausgabe bereit. Bitten Sie das Modell, das betroffene Verhalten zu benennen, bevor es einen Patch vorschlägt. Nennen Sie bei einer Umstrukturierung die Schnittstelle und Invarianten, die erhalten bleiben müssen. Eine brauchbare Antwort enthält den überarbeiteten Code, die Erklärung, warum die Änderung das beobachtete Problem behebt, und die Fälle, die zur Prüfung des Ergebnisses nötig sind. Speisen Sie tatsächliche Ergebnisse wieder in den werkzeuggestützten Ablauf ein, damit der nächste Schritt vom veränderten Zustand statt vom früheren Vorschlag ausgeht.
Stellen Sie bei Leistungsoptimierungen eine Arbeitslast, eine Ausgangsbasis und Messungen wie Laufzeiten, Profile oder Speicherbelegungsprotokolle bereit. Z.ai beschreibt Trainingsaufgaben zur Engpassdiagnose, Optimierung, zu Experimenten und zu Ergebnissen, die die Korrektheit erhalten. Eine praktische Anfrage lautet: „Nutze dieses Profil, um den folgenreichsten Engpass zu identifizieren, schlage eine messbare Änderung vor und erkläre, welches Ergebnis ihre Beibehaltung rechtfertigen würde.“ Unterscheiden Sie eine Leistungshypothese von einer protokollierten Verbesserung. Behalten Sie bei der Ergebnisprüfung dieselbe Arbeitslast und die relevanten Bedingungen bei.
Die Veröffentlichung erweitert außerdem die Fähigkeiten zur Schwachstellenanalyse. Stellen Sie für eine defensive Quellcodeprüfung den relevanten Code, seine vorgesehenen Vertrauensgrenzen und die Ausführungsbedingungen bereit. Fordern Sie einen Befund an, der ein vermutetes Problem mit der betroffenen Eingabe, dem Verhalten und einer gezielten Behebung verknüpft. Trennen Sie eine mögliche Schwäche von einem reproduzierten Fehler und bewahren Sie die zur Validierung verwendete Beobachtung auf. Ein Bericht ist nützlicher, wenn er konkrete Belege und vorgeschlagene Korrekturen priorisiert, statt jedes verdächtige Muster als bestätigte Schwachstelle zu behandeln.
Funktionsaufrufe ermöglichen einer umgebenden Anwendung, dem Modell externe Vorgänge bereitzustellen. Definieren Sie Zweck, Argumente und erwartetes Ergebnis jedes Werkzeugs und geben Sie anschließend die tatsächliche Werkzeugbeobachtung für den nächsten Schritt zurück. Das Modell kann dieses Ergebnis durchdenken und entscheiden, wie es die Aufgabe verändert. Halten Sie vorgeschlagene Handlungen, ausgeführte Vorgänge und ungeklärte Prüfungen unterscheidbar. Der Hersteller dokumentiert außerdem Streaming-Antworten, die Fragmente des Gedankengangs und der Antwort getrennt zurückgeben; setzen Sie die vollständige Antwort zusammen, bevor Sie sie als Abschlussbericht oder Codeerklärung behandeln.
Die lokale Modellkarte enthält ein konkretes Detail zur Verlaufseinstellung: Ihre Chat-Vorlage behält Gedankengänge standardmäßig bei, während der Hersteller für gewöhnliche Chatszenarien empfiehlt, alte Gedankengänge ausdrücklich zu löschen. Wenden Sie die für den Anwendungsfall passende Gesprächsstruktur an und bewahren Sie die tatsächlich abgeschlossenen Antworten und Werkzeugergebnisse auf, die für die Fortsetzung nötig sind. Behandeln Sie Einstellungen zur Denksteuerung aus GLM 5.2 oder den eigenständigen GLM-5.3-Flash-Ausgaben nicht als austauschbar mit den low/high/max-Steuerungen dieses Modells.
Geben Sie für strukturierte Ergebnisse die erwarteten Felder, Typen und Quellenregeln an. Ein brauchbares Arbeitsergebnis kann eine Fehlertabelle, ein Änderungsplan oder ein JSON-Objekt mit zusammengefassten Beobachtungen sein. Validieren Sie sowohl die Struktur als auch die Werte, bevor eine Anwendung sie verwendet. Das Endergebnis sollte die Antwort oder das überarbeitete Arbeitsergebnis, die stützenden Belege und die verbleibenden Annahmen benennen. Mehr Denkaufwand belegt weder, dass ein Werkzeug ausgeführt wurde, noch dass ein vorgeschlagener Patch seine Prüfungen bestanden hat oder eine Tatsachenbehauptung über das bereitgestellte Material hinaus belegt ist.
POST /v1/batchestexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldendpoint | Typstring | AnforderungErforderlich | Werte und Limits /v1/chat/completions | Standard— |
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits z-ai/glm-5.3:batch | Standard— |
Feldrequests | Typbatch_item[] | AnforderungErforderlich | Werte und Limits Mindestanzahl Elemente: 1 | Standard— |
Feldrequests[].custom_id | Typstring | AnforderungErforderlich | Werte und Limits | Standard— |
Feldrequests[].body.messages | Typmessage[] | AnforderungErforderlich | Werte und Limits | Standard— |
Feldcompletion_window | Typstring | AnforderungOptional | Werte und Limits 24h | Standard— |
Feldprovider | Typobject|null | AnforderungOptional | Werte und Limits | Standard— |
Feldrequests[].body.model | Typstring | AnforderungOptional | Werte und Limits z-ai/glm-5.3:batch, z-ai/glm-5.3 | Standard— |
Feldprovider.only | Typstring[] | AnforderungOptional | Werte und Limits deepinfra/fp4 | Standard— |
Feldprovider.allow_fallbacks | Typboolean|null | AnforderungOptional | Werte und Limits false, null | Standard— |
| Parameter | Vertrag |
|---|---|
Parametercontent_type | Vertragapplication/json |
Parameterrequired | Vertragendpoint, model, requests |
Parametermaterial_types | Vertragtext |
Parameterrepresentation | Vertrageingebettete requests[]; jedes Element enthält custom_id und body |
Parameterrequest_endpoint_profile | Vertrag/v1/chat/completions |
Parameterfile_material | VertragDer Aufrufer kann tatsächliches UTF-8-JSONL lokal in requests[] einlesen. Es werden weder ein Upload-Zweck noch input_file_id oder eine Dateireferenz verwendet. Fehlendes oder leeres Kundenmaterial stoppt die Vorbereitung vor POST. |
Parameterserialization_order | Vertragendpoint, model, provider (falls angegeben), completion_window (falls angegeben), requests als letztes Feld |
Parameteroptional_controls | Vertragprovider.only, provider.allow_fallbacks, completion_window |
Parameterschema_scope | VertragAnfragekörper für Text Chat Completions in der dokumentierten Inline-Batch-Struktur. |
Lebenszyklus: asynchronous
GET /v1/batches/{operation_id} · die tatsächliche response.id der ursprünglichen Erstellungsantwort; derselbe Nutzer/Schlüssel/dieselbe Gruppe
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 $0.0009 / 1K Token Ausgabe · Ausgabetoken $0.004 / 1K Token Eingabe · Cache-Lesen $0.0002 / 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 $0.0009 / 1K Token Ausgabe · Ausgabetoken $0.004 / 1K Token Eingabe · Cache-Lesen $0.0002 / 1K Token Eingabe · Cache-Schreiben — / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json\nfrom pathlib import Path\nbody=json.loads('{"endpoint":"/v1/chat/completions","model":"z-ai/glm-5.3:batch","requests":[{"custom_id":"req-0001","body":{"messages":[{"role":"user","content":"Hello!"}],"max_tokens":16}}]}')\nPath("batch-request.json").write_text(json.dumps(body,ensure_ascii=False),encoding="utf-8")\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/batches \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @batch-request.json -D batch-response-headers.txt -o batch-create-response.json\nimport json, os\nfrom pathlib import Path\nfrom urllib.request import Request, urlopen\n\ndef prepare_requests(customer_path):\n path = Path(customer_path)\n if not path.is_file(): raise ValueError("Customer JSONL file is missing")\n items = [json.loads(line) for line in path.read_text(encoding="utf-8").splitlines() if line.strip()]\n if not items: raise ValueError("Customer JSONL contains no requests")\n ids = set()\n for item in items:\n if set(item) != {"custom_id", "body"}: raise ValueError("Each item needs custom_id and body")\n cid = item["custom_id"]\n if not isinstance(cid, str) or not cid.strip() or cid in ids: raise ValueError("custom_id must be nonempty and unique")\n ids.add(cid)\n if not isinstance(item["body"], dict) or not item["body"].get("messages"): raise ValueError("Supply actual text messages")\n supplied_model = item["body"].get("model")\n if supplied_model is not None and supplied_model not in ['z-ai/glm-5.3:batch', 'z-ai/glm-5.3']: raise ValueError("body.model must be an exact documented caller or wire ID")\n return {"endpoint":"/v1/chat/completions", "model":"z-ai/glm-5.3:batch", "requests":items}\n\nif __name__ == "__main__":\n material = os.environ.get("AILOOT_BATCH_REQUESTS_JSONL", "")\n if not material: raise SystemExit("Set AILOOT_BATCH_REQUESTS_JSONL to your actual customer file")\n body = prepare_requests(material)\n key = os.environ.get("AILOOT_API_KEY", "")\n if not key: raise SystemExit("Set AILOOT_API_KEY")\n request = Request("https://api.ailoot.ai/v1/batches", data=json.dumps(body, ensure_ascii=False).encode("utf-8"), headers={"Authorization":"Bearer " + key, "Content-Type":"application/json"}, method="POST")\n with urlopen(request) as response:\n raw = response.read()\n Path("batch-create-response.json").write_bytes(raw)\n print(raw.decode("utf-8"))\nimport json\nfrom pathlib import Path\nraw = Path("batch-status-response.json").read_bytes()\nresponse = json.loads(raw)\nif response.get("status") != "completed":\n raise SystemExit("Keep the original operation; read its status without resubmitting")\nresults = response.get("results")\nif not isinstance(results, list) or not results:\n raise SystemExit("Preserve the original response; completed results are missing")\nPath("batch-results.jsonl").write_text("".join(json.dumps(item, ensure_ascii=False) + "\\n" for item in results), encoding="utf-8")\n# Preserve batch-status-response.json with aggregate usage and every result/error.\neingebettetes JSON unter results[].response.body
GET /v1/batches/{operation_id}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\nBATCH_OPERATION_ID="$(python3 - <<'PY_ID'\nimport json\nfrom pathlib import Path\nfrom urllib.parse import quote\nresponse = json.loads(Path("batch-create-response.json").read_text(encoding="utf-8"))\noperation = response.get("id")\nif not isinstance(operation, str) or not operation: raise SystemExit("No actual original operation ID; preserve the response and do not resubmit")\nprint(quote(operation, safe=""))\nPY_ID\n)"\ncurl --fail-with-body --silent --show-error "https://api.ailoot.ai/v1/batches/$BATCH_OPERATION_ID" \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -o batch-status-response.json\nBewahren Sie jede vollständig zurückgegebene Antwort, Datei und jeden Inhaltsteil auf.
Das vollständige ursprüngliche Status-JSON, jedes Ergebnis/jede custom_id und den vollständigen Antwort- oder Fehlerkörper aufbewahren. Abgeschlossene results[] ohne Filterung als JSONL speichern.
Die ursprüngliche Vorgangs-ID beibehalten. Bei 503 result_pending_check gilt X-Should-Retry:false; einen ursprünglichen Batch mit unbekanntem Ausgang niemals erneut einreichen.
| Feld | Typ |
|---|---|
Feldresults[].custom_id | Typstring |
Feldresults[].response.body.choices[].message.content | Typstring|null |
Feldresults[].error | Typobject|null |
Feldusage | Typobject|null |
Feldid | Typstring |
Feldmodel | Typstring |
Feldendpoint | Typstring |
Feldstatus | Typstring |
Feldrequest_counts | Typobject |
Feldresults[].id | Typstring |
Feldresults[].response.status_code | Typinteger |
Feldresults[].response.request_id | Typstring |
| Antwort | Bedingung | Nächster Schritt |
|---|---|---|
Antwort400 · invalid_request_error | BedingungUngültige Struktur der dokumentierten Inline-Einbettung, doppelte Schlüssel, ungültige Identitätsangaben zu einem Element oder ein Konflikt mit den konfigurierten Modellfähigkeiten. | Nächster SchrittDie angegebenen Felder vor jeder neuen Einreichung korrigieren. |
Antwort401 · authentication_error | BedingungUngültiger API-Schlüssel. | Nächster SchrittDen autorisierten Ailoot-Schlüssel verwenden. |
Antwort403 · permission_error | BedingungGruppe für Stapelverarbeitung nicht verfügbar. | Nächster SchrittDie Berechtigung des Schlüssels bzw. der Gruppe prüfen. |
Antwort422 · invalid_request_error | BedingungStapelverarbeitung wird über das Guthaben abgerechnet; die Erstellung über ein Abonnement wird abgelehnt. | Nächster SchrittDie autorisierte Gruppe mit Guthabenabrechnung verwenden. |
Antwort422 · price_unavailable | BedingungFür die Batch-Eingabe kann kein Preisangebot erstellt werden. | Nächster SchrittAntwort aufbewahren; die dokumentierte Eingabe der API-Familie verwenden. |
Antwort402 · billing_error | BedingungReservierung für Stapelverarbeitung nicht verfügbar. | Nächster SchrittDie Zulassung klären, bevor eine neue Anfrage gestellt wird. |
Antwort503 · price_unavailable | BedingungMethodenpreis bzw. native Tarife für Stapelverarbeitung nicht verfügbar. | Nächster SchrittAntwort aufbewahren; keine anderen Preise einsetzen. |
Antwort503 · api_error | BedingungDie genaue Anbieterroute ist nicht verfügbar. | Nächster SchrittAntwort zur Reparatur der Route aufbewahren. |
Antwort503 · result_pending_check | BedingungDas ursprüngliche Ergebnis muss geprüft werden; X-Should-Retry:false. | Nächster SchrittDie ursprüngliche operation_id/id beibehalten und ihren Status lesen; den ursprünglichen POST niemals wiederholen. |
Antwort404 · not_found | BedingungDer Batch-Vorgang, dessen Status abgefragt wird, ist nicht vorhanden oder gehört einer anderen Identität. | Nächster SchrittDie genaue ursprüngliche id und denselben Nutzer/Schlüssel/dieselbe Gruppe verwenden. |
Ailoot Ultra z-ai/glm-5.3:batch
Verwenden Sie die oben angezeigten Methodenpfade.