GLM 4.1V 9B Thinking es el modelo de visión y lenguaje de Z.ai enfocado en razonamiento, construido a partir de la base GLM 4 9B 0414. El fabricante describe un enfoque orientado al pensamiento con aprendizaje por refuerzo para conectar la percepción visual con razonamiento más complejo. Su ficha publicada admite un contexto de 64K y procesamiento de imágenes con relaciones de aspecto arbitrarias y hasta 4K de resolución.
Proporciona una imagen y una tarea escrita que identifique la información que se debe devolver. Un diagrama puede dar lugar a una explicación de relaciones específicas; una fotografía puede preguntar qué detalles visibles respaldan una conclusión. Mantén separadas la observación y la interpretación para poder revisar la respuesta contra la fuente.
El ejemplo de inferencia del fabricante combina una imagen con una pregunta que pide describirla. Para una tarea más concreta, nombra la región, el objeto o la relación pertinente. Proporciona como hechos escritos independientes las condiciones que no sean visibles en la imagen.
Utiliza una fuente legible que conserve las etiquetas y los detalles pertinentes. El soporte para relaciones de aspecto arbitrarias ayuda a conservar la composición original, mientras que la interfaz exacta determina el formato de entrada y el preprocesamiento disponibles para una solicitud. Una capacidad de resolución no vuelve visible la información oculta o faltante.
Pide el resultado final requerido, como una descripción, una comparación o una respuesta justificada. Si parte de la fuente no está clara, solicita que esa incertidumbre se incluya junto con el resultado. Un seguimiento puede identificar un detalle en disputa sin cambiar la pregunta de fondo.
La variante alojada exacta indica un contexto de 64,000 tokens y una capacidad de finalización de 32,000 tokens; el fabricante describe su contexto como 64K. Utiliza los límites de entrada y respuesta documentados de la interfaz seleccionada para la tarea real.
Conserva la identidad 9B Thinking junto con las fuentes visuales y la respuesta. El modelo Base y las variantes Flash con nombres independientes tienen sus propias identidades. El presupuesto de generación de muestra del fabricante ilustra una tarea de inferencia y no es un límite universal de salida.
", "aboutText": "GLM 4.1V 9B Thinking es el modelo de visión y lenguaje de Z.ai enfocado en razonamiento, construido a partir de la base GLM 4 9B 0414. El fabricante describe un enfoque orientado al pensamiento con aprendizaje por refuerzo para conectar la percepción visual con razonamiento más complejo. Su ficha publicada admite un contexto de 64K y procesamiento de imágenes con relaciones de aspecto arbitrarias y hasta 4K de resolución.\n\n### Conecta los detalles visibles con la pregunta\n\nProporciona una imagen y una tarea escrita que identifique la información que se debe devolver. Un diagrama puede dar lugar a una explicación de relaciones específicas; una fotografía puede preguntar qué detalles visibles respaldan una conclusión. Mantén separadas la observación y la interpretación para poder revisar la respuesta contra la fuente.\n\nEl ejemplo de inferencia del fabricante combina una imagen con una pregunta que pide describirla. Para una tarea más concreta, nombra la región, el objeto o la relación pertinente. Proporciona como hechos escritos independientes las condiciones que no sean visibles en la imagen.\n\n### Prepara la imagen y la tarea de razonamiento\n\nUtiliza una fuente legible que conserve las etiquetas y los detalles pertinentes. El soporte para relaciones de aspecto arbitrarias ayuda a conservar la composición original, mientras que la interfaz exacta determina el formato de entrada y el preprocesamiento disponibles para una solicitud. Una capacidad de resolución no vuelve visible la información oculta o faltante.\n\nPide el resultado final requerido, como una descripción, una comparación o una respuesta justificada. Si parte de la fuente no está clara, solicita que esa incertidumbre se incluya junto con el resultado. Un seguimiento puede identificar un detalle en disputa sin cambiar la pregunta de fondo.\n\n### Contexto y edición\n\nLa variante alojada exacta indica un contexto de 64,000 tokens y una capacidad de finalización de 32,000 tokens; el fabricante describe su contexto como 64K. Utiliza los límites de entrada y respuesta documentados de la interfaz seleccionada para la tarea real.\n\nConserva la identidad 9B Thinking junto con las fuentes visuales y la respuesta. El modelo Base y las variantes Flash con nombres independientes tienen sus propias identidades. El presupuesto de generación de muestra del fabricante ilustra una tarea de inferencia y no es un límite universal de salida.", "editorialOverlay": { "copy_fields": { "practical_html": "Ejemplo técnico en inglés
Reason from a written diagram description\n\nUse this written description of diagram D1: tank A feeds filter F; filter F feeds valve V; valve V feeds tank B. A bypass pipe runs from A directly to B. If V is closed, explain which described route could still reach B and what information is missing before concluding liquid actually flows. No image is attached.A diagram-linked route explanation separating connectivity from unknown operating conditions.The bypass route is identified, while pressure, bypass state and actual flow remain unasserted.Pro/THUDM/GLM-4.1V-9B-ThinkingGLM 4.1V 9B Thinking es un modelo de razonamiento de visión y lenguaje para preguntas centradas en imágenes y respuestas de texto. Su fabricante documenta un contexto de 64K y manejo de imágenes de hasta 4K de resolución con relaciones de aspecto arbitrarias.
Esta descripción cubre las capacidades del modelo. Las entradas, salidas y opciones disponibles en Ailoot se indican a continuación para el método seleccionado.
GLM 4.1V 9B Thinking es el modelo de visión y lenguaje de Z.ai enfocado en razonamiento, construido a partir de la base GLM 4 9B 0414. El fabricante describe un enfoque orientado al pensamiento con aprendizaje por refuerzo para conectar la percepción visual con razonamiento más complejo. Su ficha publicada admite un contexto de 64K y procesamiento de imágenes con relaciones de aspecto arbitrarias y hasta 4K de resolución.
Proporciona una imagen y una tarea escrita que identifique la información que se debe devolver. Un diagrama puede dar lugar a una explicación de relaciones específicas; una fotografía puede preguntar qué detalles visibles respaldan una conclusión. Mantén separadas la observación y la interpretación para poder revisar la respuesta contra la fuente.
El ejemplo de inferencia del fabricante combina una imagen con una pregunta que pide describirla. Para una tarea más concreta, nombra la región, el objeto o la relación pertinente. Proporciona como hechos escritos independientes las condiciones que no sean visibles en la imagen.
Utiliza una fuente legible que conserve las etiquetas y los detalles pertinentes. El soporte para relaciones de aspecto arbitrarias ayuda a conservar la composición original, mientras que la interfaz exacta determina el formato de entrada y el preprocesamiento disponibles para una solicitud. Una capacidad de resolución no vuelve visible la información oculta o faltante.
Pide el resultado final requerido, como una descripción, una comparación o una respuesta justificada. Si parte de la fuente no está clara, solicita que esa incertidumbre se incluya junto con el resultado. Un seguimiento puede identificar un detalle en disputa sin cambiar la pregunta de fondo.
La variante alojada exacta indica un contexto de 64,000 tokens y una capacidad de finalización de 32,000 tokens; el fabricante describe su contexto como 64K. Utiliza los límites de entrada y respuesta documentados de la interfaz seleccionada para la tarea real.
Conserva la identidad 9B Thinking junto con las fuentes visuales y la respuesta. El modelo Base y las variantes Flash con nombres independientes tienen sus propias identidades. El presupuesto de generación de muestra del fabricante ilustra una tarea de inferencia y no es un límite universal de salida.
POST /v1/chat/completionstexttext| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites Pro/THUDM/GLM-4.1V-9B-Thinking | 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 $0.000072 / 1K tokens Salida · Tokens de salida $0.000286 / 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": "Pro/THUDM/GLM-4.1V-9B-Thinking", "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='Pro/THUDM/GLM-4.1V-9B-Thinking',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='Pro/THUDM/GLM-4.1V-9B-Thinking',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 Pro/THUDM/GLM-4.1V-9B-Thinking
Usa las rutas de método indicadas arriba.
Pro/THUDM/GLM-4.1V-9B-ThinkingGLM 4.1V 9B Thinking es un modelo de razonamiento de visión y lenguaje para preguntas centradas en imágenes y respuestas de texto. Su fabricante documenta un contexto de 64K y manejo de imágenes de hasta 4K de resolución con relaciones de aspecto arbitrarias.
Esta descripción cubre las capacidades del modelo. Las entradas, salidas y opciones disponibles en Ailoot se indican a continuación para el método seleccionado.
GLM 4.1V 9B Thinking es el modelo de visión y lenguaje de Z.ai enfocado en razonamiento, construido a partir de la base GLM 4 9B 0414. El fabricante describe un enfoque orientado al pensamiento con aprendizaje por refuerzo para conectar la percepción visual con razonamiento más complejo. Su ficha publicada admite un contexto de 64K y procesamiento de imágenes con relaciones de aspecto arbitrarias y hasta 4K de resolución.
Proporciona una imagen y una tarea escrita que identifique la información que se debe devolver. Un diagrama puede dar lugar a una explicación de relaciones específicas; una fotografía puede preguntar qué detalles visibles respaldan una conclusión. Mantén separadas la observación y la interpretación para poder revisar la respuesta contra la fuente.
El ejemplo de inferencia del fabricante combina una imagen con una pregunta que pide describirla. Para una tarea más concreta, nombra la región, el objeto o la relación pertinente. Proporciona como hechos escritos independientes las condiciones que no sean visibles en la imagen.
Utiliza una fuente legible que conserve las etiquetas y los detalles pertinentes. El soporte para relaciones de aspecto arbitrarias ayuda a conservar la composición original, mientras que la interfaz exacta determina el formato de entrada y el preprocesamiento disponibles para una solicitud. Una capacidad de resolución no vuelve visible la información oculta o faltante.
Pide el resultado final requerido, como una descripción, una comparación o una respuesta justificada. Si parte de la fuente no está clara, solicita que esa incertidumbre se incluya junto con el resultado. Un seguimiento puede identificar un detalle en disputa sin cambiar la pregunta de fondo.
La variante alojada exacta indica un contexto de 64,000 tokens y una capacidad de finalización de 32,000 tokens; el fabricante describe su contexto como 64K. Utiliza los límites de entrada y respuesta documentados de la interfaz seleccionada para la tarea real.
Conserva la identidad 9B Thinking junto con las fuentes visuales y la respuesta. El modelo Base y las variantes Flash con nombres independientes tienen sus propias identidades. El presupuesto de generación de muestra del fabricante ilustra una tarea de inferencia y no es un límite universal de salida.
POST /v1/messagestextjson, sse| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites Pro/THUDM/GLM-4.1V-9B-Thinking | 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 $0.000072 / 1K tokens Salida · Tokens de salida $0.000286 / 1K tokens Entrada · Lectura de caché $0 / 1K tokens Entrada · Escritura en caché $0 / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
Ailoot reserva un monto estimado antes de la solicitud. Tras obtener el resultado, liquida el cargo definitivo según el uso medido. En las respuestas en flujo, la liquidación usa el registro de uso final. Cómo funcionan la reserva y la liquidación →
{\n "model": "Pro/THUDM/GLM-4.1V-9B-Thinking",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'Pro/THUDM/GLM-4.1V-9B-Thinking', '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': 'Pro/THUDM/GLM-4.1V-9B-Thinking', '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 Pro/THUDM/GLM-4.1V-9B-Thinking
Usa las rutas de método indicadas arriba.
Ejemplo técnico en inglés
Reason from a written diagram description\n\nUse this written description of diagram D1: tank A feeds filter F; filter F feeds valve V; valve V feeds tank B. A bypass pipe runs from A directly to B. If V is closed, explain which described route could still reach B and what information is missing before concluding liquid actually flows. No image is attached.A diagram-linked route explanation separating connectivity from unknown operating conditions.The bypass route is identified, while pressure, bypass state and actual flow remain unasserted.