GLM-4-Plus es el modelo textual de alta capacidad de la línea GLM-4 de Z.ai. Combina comprensión del lenguaje, razonamiento lógico, seguimiento de instrucciones y procesamiento de textos largos. El fabricante indica texto tanto como entrada como salida, una ventana de contexto de 128K tokens y una salida máxima de 4K tokens. Por tanto, una entrada larga y un resultado compacto son partes diferenciadas de su perfil: un conjunto amplio de documentos puede servir de base para un resumen, una comparación o una extracción centrados en una cuestión.
Un asistente documental puede recibir secciones identificadas por su nombre y una pregunta, y producir después un análisis conciso vinculado a esas secciones. Defina el público y la decisión antes de solicitar la respuesta: por ejemplo, comparar dos procedimientos, enumerar las condiciones aplicables a un caso o identificar requisitos contradictorios. Mantenga los pasajes originales separados de sus instrucciones para que la respuesta pueda distinguir las pruebas del análisis solicitado.
La descripción de GLM-4 incluye transmisión progresiva, llamadas a funciones, caché de contexto, formatos estructurados como JSON e interacción con herramientas y fuentes de datos MCP. La transmisión progresiva permite disponer del texto generado de forma incremental. La salida estructurada ayuda cuando el resultado debe contener campos con nombre en lugar de un ensayo abierto: un resumen, identificadores extraídos, etiquetas de las secciones originales y preguntas que siguen sin resolverse.
El uso de herramientas conecta el modelo de lenguaje con acciones proporcionadas por la aplicación. La aplicación describe las funciones, ejecuta la llamada seleccionada y devuelve su resultado para el siguiente paso. Esto puede facilitar una consulta seguida de un informe, o un resultado de búsqueda que se convierte en prueba para una respuesta. El texto del modelo se distingue de la ejecución de la acción externa. Las instrucciones o los prefijos documentales repetidos pueden participar en el mecanismo de caché de contexto del fabricante; la reutilización de la caché no demuestra por sí sola que una petición concreta haya obtenido un acierto de caché.
La traducción se describe como algo más que convertir palabras aisladas: el fabricante incluye textos con varios idiomas, tono, jerga, emojis y términos especializados, considerando las diferencias culturales. Aporte el pasaje original, el público destinatario y la terminología que debe mantenerse intacta. Para editar, solicite un documento concreto —una carta revisada, una descripción de producto o una explicación concisa— e indique qué hechos deben conservarse.
La clasificación semántica y la extracción de campos se basan en el material proporcionado. Defina primero las categorías o los campos requeridos y después aporte los documentos. Por ejemplo, una aplicación puede solicitar identificadores de proyecto y categorías de cláusulas junto con las etiquetas de las secciones pertinentes. Una regla explícita para los valores ausentes impide que el esquema de salida se convierta en un motivo para inventar datos que faltan.
El fabricante también describe material de marketing, informes analíticos de riesgos y planificación de itinerarios. Para escribir, aporte los hechos reales del producto o la campaña y el formato previsto. Para el trabajo analítico, facilite los informes pertinentes y los criterios de comparación; la información actual debe llegar mediante una herramienta de búsqueda o de datos proporcionada por la aplicación. Para un itinerario, especifique las preferencias y las restricciones de tiempo, de modo que la salida sea un plan para la situación descrita en lugar de un ensayo de viajes genérico.
GLM-4-Plus utiliza datos sintéticos asistidos por modelos y un entrenamiento posterior basado en PPO para desarrollar razonamiento matemático y de programación y reflejar mejor las preferencias humanas. Para textos largos, su preparación ajusta la mezcla de material corto y largo para reforzar el razonamiento sobre entradas extensas. Estas son decisiones de preparación de este modelo Plus concreto. No convierten su perfil exclusivamente textual en la comprensión de imágenes de una edición GLM-4V con nombre independiente.
Utilice el contexto más amplio para aportar el material que realmente respalda la pregunta, con nombres de sección estables y un contrato de salida claro. Una petición práctica consiste en comparar dos documentos, enumerar coincidencias y conflictos e identificar los pasajes que respaldan cada conclusión. Mantenga el documento final dentro del perfil de salida de 4K: solicite un informe para decidir o una comparación estructurada y después continúe con una petición definida si una sección concreta necesita ampliarse. Una estructura JSON válida y unos valores de campo correctos en los hechos son comprobaciones independientes.
", "aboutText": "### Descripción general y perfil del modelo\n\nGLM-4-Plus es el modelo textual de alta capacidad de la línea GLM-4 de Z.ai. Combina comprensión del lenguaje, razonamiento lógico, seguimiento de instrucciones y procesamiento de textos largos. El fabricante indica texto tanto como entrada como salida, una ventana de contexto de 128K tokens y una salida máxima de 4K tokens. Por tanto, una entrada larga y un resultado compacto son partes diferenciadas de su perfil: un conjunto amplio de documentos puede servir de base para un resumen, una comparación o una extracción centrados en una cuestión.\n\nUn asistente documental puede recibir secciones identificadas por su nombre y una pregunta, y producir después un análisis conciso vinculado a esas secciones. Defina el público y la decisión antes de solicitar la respuesta: por ejemplo, comparar dos procedimientos, enumerar las condiciones aplicables a un caso o identificar requisitos contradictorios. Mantenga los pasajes originales separados de sus instrucciones para que la respuesta pueda distinguir las pruebas del análisis solicitado.\n\n### Funciones compatibles\n\nLa descripción de GLM-4 incluye transmisión progresiva, llamadas a funciones, caché de contexto, formatos estructurados como JSON e interacción con herramientas y fuentes de datos MCP. La transmisión progresiva permite disponer del texto generado de forma incremental. La salida estructurada ayuda cuando el resultado debe contener campos con nombre en lugar de un ensayo abierto: un resumen, identificadores extraídos, etiquetas de las secciones originales y preguntas que siguen sin resolverse.\n\nEl uso de herramientas conecta el modelo de lenguaje con acciones proporcionadas por la aplicación. La aplicación describe las funciones, ejecuta la llamada seleccionada y devuelve su resultado para el siguiente paso. Esto puede facilitar una consulta seguida de un informe, o un resultado de búsqueda que se convierte en prueba para una respuesta. El texto del modelo se distingue de la ejecución de la acción externa. Las instrucciones o los prefijos documentales repetidos pueden participar en el mecanismo de caché de contexto del fabricante; la reutilización de la caché no demuestra por sí sola que una petición concreta haya obtenido un acierto de caché.\n\n### Escenarios recomendados\n\nLa traducción se describe como algo más que convertir palabras aisladas: el fabricante incluye textos con varios idiomas, tono, jerga, emojis y términos especializados, considerando las diferencias culturales. Aporte el pasaje original, el público destinatario y la terminología que debe mantenerse intacta. Para editar, solicite un documento concreto —una carta revisada, una descripción de producto o una explicación concisa— e indique qué hechos deben conservarse.\n\nLa clasificación semántica y la extracción de campos se basan en el material proporcionado. Defina primero las categorías o los campos requeridos y después aporte los documentos. Por ejemplo, una aplicación puede solicitar identificadores de proyecto y categorías de cláusulas junto con las etiquetas de las secciones pertinentes. Una regla explícita para los valores ausentes impide que el esquema de salida se convierta en un motivo para inventar datos que faltan.\n\nEl fabricante también describe material de marketing, informes analíticos de riesgos y planificación de itinerarios. Para escribir, aporte los hechos reales del producto o la campaña y el formato previsto. Para el trabajo analítico, facilite los informes pertinentes y los criterios de comparación; la información actual debe llegar mediante una herramienta de búsqueda o de datos proporcionada por la aplicación. Para un itinerario, especifique las preferencias y las restricciones de tiempo, de modo que la salida sea un plan para la situación descrita en lugar de un ensayo de viajes genérico.\n\n### Preparación detallada del modelo\n\nGLM-4-Plus utiliza datos sintéticos asistidos por modelos y un entrenamiento posterior basado en PPO para desarrollar razonamiento matemático y de programación y reflejar mejor las preferencias humanas. Para textos largos, su preparación ajusta la mezcla de material corto y largo para reforzar el razonamiento sobre entradas extensas. Estas son decisiones de preparación de este modelo Plus concreto. No convierten su perfil exclusivamente textual en la comprensión de imágenes de una edición GLM-4V con nombre independiente.\n\n### Preparación de la petición y la salida\n\nUtilice el contexto más amplio para aportar el material que realmente respalda la pregunta, con nombres de sección estables y un contrato de salida claro. Una petición práctica consiste en comparar dos documentos, enumerar coincidencias y conflictos e identificar los pasajes que respaldan cada conclusión. Mantenga el documento final dentro del perfil de salida de 4K: solicite un informe para decidir o una comparación estructurada y después continúe con una petición definida si una sección concreta necesita ampliarse. Una estructura JSON válida y unos valores de campo correctos en los hechos son comprobaciones independientes.", "editorialOverlay": { "copy_fields": { "practical_html": "Ejemplo técnico en inglés
Find contradictions between two procedures\n\nCompare procedure P: approve a supplier before issuing an order; emergency orders need the same approval. Procedure Q: emergency orders may be issued immediately and reviewed the next day. Prepare a decision brief identifying the conflict, the passages involved and the exact policy question an owner must resolve before the procedures can agree.A concise conflict statement, two supporting passages and one decision question.Check that the answer exposes the approval-timing conflict without silently choosing a governing procedure.glm-4-plusGLM-4-Plus es el modelo textual de Z.ai para comprensión del lenguaje, análisis lógico, seguimiento de instrucciones y documentos largos. Su perfil de contexto de 128K y salida de 4K es adecuado para resúmenes basados en pruebas, edición multilingüe, extracción de campos e informes asistidos por herramientas.
Esta descripción cubre las capacidades del modelo. Las entradas, salidas y opciones disponibles en Ailoot se indican a continuación para el método seleccionado.
GLM-4-Plus es el modelo textual de alta capacidad de la línea GLM-4 de Z.ai. Combina comprensión del lenguaje, razonamiento lógico, seguimiento de instrucciones y procesamiento de textos largos. El fabricante indica texto tanto como entrada como salida, una ventana de contexto de 128K tokens y una salida máxima de 4K tokens. Por tanto, una entrada larga y un resultado compacto son partes diferenciadas de su perfil: un conjunto amplio de documentos puede servir de base para un resumen, una comparación o una extracción centrados en una cuestión.
Un asistente documental puede recibir secciones identificadas por su nombre y una pregunta, y producir después un análisis conciso vinculado a esas secciones. Defina el público y la decisión antes de solicitar la respuesta: por ejemplo, comparar dos procedimientos, enumerar las condiciones aplicables a un caso o identificar requisitos contradictorios. Mantenga los pasajes originales separados de sus instrucciones para que la respuesta pueda distinguir las pruebas del análisis solicitado.
La descripción de GLM-4 incluye transmisión progresiva, llamadas a funciones, caché de contexto, formatos estructurados como JSON e interacción con herramientas y fuentes de datos MCP. La transmisión progresiva permite disponer del texto generado de forma incremental. La salida estructurada ayuda cuando el resultado debe contener campos con nombre en lugar de un ensayo abierto: un resumen, identificadores extraídos, etiquetas de las secciones originales y preguntas que siguen sin resolverse.
El uso de herramientas conecta el modelo de lenguaje con acciones proporcionadas por la aplicación. La aplicación describe las funciones, ejecuta la llamada seleccionada y devuelve su resultado para el siguiente paso. Esto puede facilitar una consulta seguida de un informe, o un resultado de búsqueda que se convierte en prueba para una respuesta. El texto del modelo se distingue de la ejecución de la acción externa. Las instrucciones o los prefijos documentales repetidos pueden participar en el mecanismo de caché de contexto del fabricante; la reutilización de la caché no demuestra por sí sola que una petición concreta haya obtenido un acierto de caché.
La traducción se describe como algo más que convertir palabras aisladas: el fabricante incluye textos con varios idiomas, tono, jerga, emojis y términos especializados, considerando las diferencias culturales. Aporte el pasaje original, el público destinatario y la terminología que debe mantenerse intacta. Para editar, solicite un documento concreto —una carta revisada, una descripción de producto o una explicación concisa— e indique qué hechos deben conservarse.
La clasificación semántica y la extracción de campos se basan en el material proporcionado. Defina primero las categorías o los campos requeridos y después aporte los documentos. Por ejemplo, una aplicación puede solicitar identificadores de proyecto y categorías de cláusulas junto con las etiquetas de las secciones pertinentes. Una regla explícita para los valores ausentes impide que el esquema de salida se convierta en un motivo para inventar datos que faltan.
El fabricante también describe material de marketing, informes analíticos de riesgos y planificación de itinerarios. Para escribir, aporte los hechos reales del producto o la campaña y el formato previsto. Para el trabajo analítico, facilite los informes pertinentes y los criterios de comparación; la información actual debe llegar mediante una herramienta de búsqueda o de datos proporcionada por la aplicación. Para un itinerario, especifique las preferencias y las restricciones de tiempo, de modo que la salida sea un plan para la situación descrita en lugar de un ensayo de viajes genérico.
GLM-4-Plus utiliza datos sintéticos asistidos por modelos y un entrenamiento posterior basado en PPO para desarrollar razonamiento matemático y de programación y reflejar mejor las preferencias humanas. Para textos largos, su preparación ajusta la mezcla de material corto y largo para reforzar el razonamiento sobre entradas extensas. Estas son decisiones de preparación de este modelo Plus concreto. No convierten su perfil exclusivamente textual en la comprensión de imágenes de una edición GLM-4V con nombre independiente.
Utilice el contexto más amplio para aportar el material que realmente respalda la pregunta, con nombres de sección estables y un contrato de salida claro. Una petición práctica consiste en comparar dos documentos, enumerar coincidencias y conflictos e identificar los pasajes que respaldan cada conclusión. Mantenga el documento final dentro del perfil de salida de 4K: solicite un informe para decidir o una comparación estructurada y después continúe con una petición definida si una sección concreta necesita ampliarse. Una estructura JSON válida y unos valores de campo correctos en los hechos son comprobaciones independientes.
POST /v1/chat/completionstexttext| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites glm-4-plus | Predeterminado— |
Campomessages | Tipomessage[] | RequisitoObligatorio | Valores y límites Número mínimo de elementos: 1 | Predeterminado— |
Campomessages[].role | Tipostring | RequisitoObligatorio | Valores y límites Ejemplos: system, user, assistant, tool, function Condiciones: Estos roles están representados explícitamente por los tipos de compatibilidad del código fuente; el conjunto exacto de roles depende del modelo. Depende del modelo | Predeterminado— |
Campomessages[].content | Tipostring|content_part[]|null | RequisitoOpcional | Valores y límites | Predeterminado— |
Campomessages[].tool_calls | Tipotool_call[] | RequisitoOpcional | Valores y límites | Predeterminado— |
Campomessages[].tool_call_id | Tipostring | RequisitoOpcional | Valores y límites Se aplica cuando: role=tool; utiliza el ID real devuelto | Predeterminado— |
Campomessages[].name | Tipostring | RequisitoOpcional | Valores y límites | Predeterminado— |
Campomessages[].reasoning_content | Tipostring | RequisitoOpcional | Valores y límites Se aplica cuando: Devuelve en los turnos siguientes el razonamiento realmente recibido cuando este modelo lo utilice | Predeterminado— |
Campomessages[].reasoning_details | Tipoobject|array | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campomax_tokens | Tipointeger | RequisitoOpcional | Valores y límites Mínimo: 1 Depende del modelo | Predeterminado— |
Campomax_completion_tokens | Tipointeger | RequisitoOpcional | Valores y límites Mínimo: 1 Depende del modelo | Predeterminado— |
Campostream | Tipoboolean | RequisitoOpcional | Valores y límites | Predeterminadofalse |
Campostream_options.include_usage | Tipoboolean | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campotemperature | Tiponumber | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campotop_p | Tiponumber | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campostop | Tipostring|string[] | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campotools | Tipofunction_tool[] | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campotools[].type | Tipostring | RequisitoOpcional | Valores y límites function Depende del modelo | Predeterminado— |
Campotools[].function.name | Tipostring | RequisitoObligatorio | Valores y límites Se aplica cuando: herramienta de función proporcionada | Predeterminado— |
Campotools[].function.description | Tipostring | RequisitoOpcional | Valores y límites | Predeterminado— |
Campotools[].function.parameters | TipoJSON_schema | RequisitoOpcional | Valores y límites | Predeterminado— |
Campotool_choice | Tipostring|object | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campoparallel_tool_calls | Tipoboolean | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Camporesponse_format | Tipoobject | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Camporeasoning_effort | Tipostring | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Camporeasoning | Tipoobject | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Camposervice_tier | Tipostring | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campoinstructions | Tipostring | RequisitoOpcional | Valores y límites Campo de compatibilidad | Predeterminado— |
Campofunctions | Tipofunction[] | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campofunction_call | Tipostring|object | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campoprompt_cache_options | Tipoobject | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campomodalities | Tipostring[] | RequisitoOpcional | Valores y límites text | Predeterminado— |
Campoprovider | Tipoobject | RequisitoOpcional | Valores y límites Condiciones: provider.options se rechaza en esta ruta de texto Ultra | Predeterminado— |
Campocache_control.ttl | Tipostring | RequisitoOpcional | Valores y límites Condiciones: 1h se rechaza en los campos reales de caché de instrucciones | Predeterminado— |
Texto · Texto UTF8
messages[].content
| Parámetro | Contrato |
|---|---|
Parámetrocontent_type | Contratoapplication/json |
Parámetrorequired | Contratomodel, messages |
Parámetromaterial_types | Contratotext |
Parámetromessages | Contratomatriz de mensajes con estructura role/content |
Parámetrofile_material | Contratodocumento real en UTF-8 insertado como texto literal; no se deduce ningún ID de archivo |
Parámetrooptional_controls | Contratostream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parámetrocontrol_scope | Contratodepende del modelo; las herramientas de funciones del usuario difieren de las herramientas alojadas |
Parámetrooutput_modalities | Contratotext |
Parámetrohosted_operations | Contratofalse |
Parámetromultimodal_input_binding | Contratonull |
Ciclo de vida: synchronous_or_streamed
Envía el ID exacto del modelo junto con messages.
La longitud del contexto no es un límite máximo de salida.
Un archivo de texto puede aportar texto literal; las entradas de imagen, audio u objetos de archivo requieren una vinculación exacta.
Las referencias tarifarias no añaden opciones a la solicitud. Los parámetros admitidos se indican en el método seleccionado.
| Configuración | Tabla de tarifas | Cargo |
|---|---|---|
| ConfiguraciónTarifas base por token | Tabla de tarifasTarifa base | Cargo Entrada · Tokens de entrada $0.014 / 1K tokens Salida · Tokens de salida $0.014 / 1K tokens Entrada · Lectura de caché $0 / 1K tokens Entrada · Escritura en caché $0 / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
Ailoot reserva un monto estimado antes de la solicitud. Tras obtener el resultado, liquida el cargo definitivo según el uso medido. En las respuestas en flujo, la liquidación usa el registro de uso final. Cómo funcionan la reserva y la liquidación →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "glm-4-plus", "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='glm-4-plus',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='glm-4-plus',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 o SSE
Conserva todas las respuestas, archivos y partes de contenido completos recibidos.
Conserva cada alternativa y su contenido, llamadas de herramientas y razonamiento. En SSE, ensambla los fragmentos incrementales por índice de alternativa/herramienta y conserva el motivo final de terminación y el uso.
Conserva los ID de solicitud y respuesta y los encabezados. No se proporciona una URL genérica para recuperar tareas de texto.
| Campo | Tipo |
|---|---|
Campochoices[].index | Tipointeger |
Campochoices[].message.content | Tipostring|null |
Campochoices[].message.tool_calls | Tipotool_call[] |
Campochoices[].message.reasoning_content | Tipostring |
Campochoices[].message.reasoning_details | Tipoobject|array |
Campochoices[].finish_reason | Tipostring|null |
Campousage | Tipoobject |
| Respuesta | Condición | Siguiente paso |
|---|---|---|
Respuesta400 · invalid_request_error | CondiciónCampos obligatorios, representación del material o valor del parámetro no válidos | Siguiente pasoCorrige los campos indicados antes de una nueva solicitud de creación. |
Ailoot Ultra glm-4-plus
Usa las rutas de método indicadas arriba.
glm-4-plusGLM-4-Plus es el modelo textual de Z.ai para comprensión del lenguaje, análisis lógico, seguimiento de instrucciones y documentos largos. Su perfil de contexto de 128K y salida de 4K es adecuado para resúmenes basados en pruebas, edición multilingüe, extracción de campos e informes asistidos por herramientas.
Esta descripción cubre las capacidades del modelo. Las entradas, salidas y opciones disponibles en Ailoot se indican a continuación para el método seleccionado.
GLM-4-Plus es el modelo textual de alta capacidad de la línea GLM-4 de Z.ai. Combina comprensión del lenguaje, razonamiento lógico, seguimiento de instrucciones y procesamiento de textos largos. El fabricante indica texto tanto como entrada como salida, una ventana de contexto de 128K tokens y una salida máxima de 4K tokens. Por tanto, una entrada larga y un resultado compacto son partes diferenciadas de su perfil: un conjunto amplio de documentos puede servir de base para un resumen, una comparación o una extracción centrados en una cuestión.
Un asistente documental puede recibir secciones identificadas por su nombre y una pregunta, y producir después un análisis conciso vinculado a esas secciones. Defina el público y la decisión antes de solicitar la respuesta: por ejemplo, comparar dos procedimientos, enumerar las condiciones aplicables a un caso o identificar requisitos contradictorios. Mantenga los pasajes originales separados de sus instrucciones para que la respuesta pueda distinguir las pruebas del análisis solicitado.
La descripción de GLM-4 incluye transmisión progresiva, llamadas a funciones, caché de contexto, formatos estructurados como JSON e interacción con herramientas y fuentes de datos MCP. La transmisión progresiva permite disponer del texto generado de forma incremental. La salida estructurada ayuda cuando el resultado debe contener campos con nombre en lugar de un ensayo abierto: un resumen, identificadores extraídos, etiquetas de las secciones originales y preguntas que siguen sin resolverse.
El uso de herramientas conecta el modelo de lenguaje con acciones proporcionadas por la aplicación. La aplicación describe las funciones, ejecuta la llamada seleccionada y devuelve su resultado para el siguiente paso. Esto puede facilitar una consulta seguida de un informe, o un resultado de búsqueda que se convierte en prueba para una respuesta. El texto del modelo se distingue de la ejecución de la acción externa. Las instrucciones o los prefijos documentales repetidos pueden participar en el mecanismo de caché de contexto del fabricante; la reutilización de la caché no demuestra por sí sola que una petición concreta haya obtenido un acierto de caché.
La traducción se describe como algo más que convertir palabras aisladas: el fabricante incluye textos con varios idiomas, tono, jerga, emojis y términos especializados, considerando las diferencias culturales. Aporte el pasaje original, el público destinatario y la terminología que debe mantenerse intacta. Para editar, solicite un documento concreto —una carta revisada, una descripción de producto o una explicación concisa— e indique qué hechos deben conservarse.
La clasificación semántica y la extracción de campos se basan en el material proporcionado. Defina primero las categorías o los campos requeridos y después aporte los documentos. Por ejemplo, una aplicación puede solicitar identificadores de proyecto y categorías de cláusulas junto con las etiquetas de las secciones pertinentes. Una regla explícita para los valores ausentes impide que el esquema de salida se convierta en un motivo para inventar datos que faltan.
El fabricante también describe material de marketing, informes analíticos de riesgos y planificación de itinerarios. Para escribir, aporte los hechos reales del producto o la campaña y el formato previsto. Para el trabajo analítico, facilite los informes pertinentes y los criterios de comparación; la información actual debe llegar mediante una herramienta de búsqueda o de datos proporcionada por la aplicación. Para un itinerario, especifique las preferencias y las restricciones de tiempo, de modo que la salida sea un plan para la situación descrita en lugar de un ensayo de viajes genérico.
GLM-4-Plus utiliza datos sintéticos asistidos por modelos y un entrenamiento posterior basado en PPO para desarrollar razonamiento matemático y de programación y reflejar mejor las preferencias humanas. Para textos largos, su preparación ajusta la mezcla de material corto y largo para reforzar el razonamiento sobre entradas extensas. Estas son decisiones de preparación de este modelo Plus concreto. No convierten su perfil exclusivamente textual en la comprensión de imágenes de una edición GLM-4V con nombre independiente.
Utilice el contexto más amplio para aportar el material que realmente respalda la pregunta, con nombres de sección estables y un contrato de salida claro. Una petición práctica consiste en comparar dos documentos, enumerar coincidencias y conflictos e identificar los pasajes que respaldan cada conclusión. Mantenga el documento final dentro del perfil de salida de 4K: solicite un informe para decidir o una comparación estructurada y después continúe con una petición definida si una sección concreta necesita ampliarse. Una estructura JSON válida y unos valores de campo correctos en los hechos son comprobaciones independientes.
POST /v1/messagestextjson, sse| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites glm-4-plus | Predeterminado— |
Campomessages | Tipomessage[] | RequisitoObligatorio | Valores y límites | Predeterminado— |
Campomessages[].role | Tipostring | RequisitoObligatorio | Valores y límites user, assistant | Predeterminado— |
Campomessages[].content | Tipostring | RequisitoObligatorio | Valores y límites | Predeterminado— |
Campomax_tokens | Tipointeger | RequisitoObligatorio | Valores y límites | Predeterminado— |
Campostream | Tipoboolean | RequisitoOpcional | Valores y límites | Predeterminadofalse |
Texto · Texto UTF-8
cadena messages[].content
| Parámetro | Contrato |
|---|---|
Parámetrocontent_type | Contratoapplication/json |
Parámetrorequired | Contratomodel, messages, max_tokens |
Parámetrooptional_controls | Contratostream |
Parámetromaterial_types | Contratotext |
Parámetrotext_file_material | ContratoLee el documento real en UTF-8 y coloca su texto en el campo input indicado o en la cadena de contenido del mensaje. |
Ciclo de vida: synchronous_or_streamed
Las referencias tarifarias no añaden opciones a la solicitud. Los parámetros admitidos se indican en el método seleccionado.
| Configuración | Tabla de tarifas | Cargo |
|---|---|---|
| ConfiguraciónTarifas base por token | Tabla de tarifasTarifa base | Cargo Entrada · Tokens de entrada $0.014 / 1K tokens Salida · Tokens de salida $0.014 / 1K tokens Entrada · Lectura de caché $0 / 1K tokens Entrada · Escritura en caché $0 / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
Ailoot reserva un monto estimado antes de la solicitud. Tras obtener el resultado, liquida el cargo definitivo según el uso medido. En las respuestas en flujo, la liquidación usa el registro de uso final. Cómo funcionan la reserva y la liquidación →
{\n "model": "glm-4-plus",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'glm-4-plus', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'glm-4-plus', '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 o SSE
Conserva todas las respuestas, archivos y partes de contenido completos recibidos.
Conserva todos los bloques de contenido, las firmas de razonamiento y los ID reales de uso de herramientas. Ensambla todos los fragmentos incrementales de los bloques SSE; el primer bloque de texto no constituye la salida completa.
Conserva los ID de solicitud y respuesta y los encabezados. No se proporciona una URL genérica para recuperar tareas de texto.
| Campo | Tipo |
|---|---|
Campoid | Tipostring |
Campomodel | Tipostring |
Campocontent[] | Tipotext|thinking|tool_use|other content block |
Campostop_reason | Tipostring|null |
Campousage | Tipoobject |
| Respuesta | Condición | Siguiente paso |
|---|---|---|
Respuesta400 · invalid_request_error | CondiciónCampos obligatorios, representación del material o valor del parámetro no válidos | Siguiente pasoCorrige los campos indicados antes de una nueva solicitud de creación. |
Ailoot Ultra glm-4-plus
Usa las rutas de método indicadas arriba.
Ejemplo técnico en inglés
Find contradictions between two procedures\n\nCompare procedure P: approve a supplier before issuing an order; emergency orders need the same approval. Procedure Q: emergency orders may be issued immediately and reviewed the next day. Prepare a decision brief identifying the conflict, the passages involved and the exact policy question an owner must resolve before the procedures can agree.A concise conflict statement, two supporting passages and one decision question.Check that the answer exposes the approval-timing conflict without silently choosing a governing procedure.