GLM-Z1-Rumination-32B-0414 es la edición de razonamiento orientada a investigación de la serie GLM-4-0414 de Z.ai. Está diseñada para dedicar más tiempo a preguntas abiertas y usar información recuperada durante el proceso de razonamiento. El fabricante describe la escritura de investigación comparativa y la recuperación compleja de información como tareas características. El artefacto final es texto, como un informe analítico que conecta una pregunta con la evidencia reunida para responderla.
Proporciona el tema, el alcance y los criterios de comparación antes de reunir material. Para un informe que compare planes de desarrollo de dos ciudades, especifica las ciudades, el periodo y los aspectos que se deben comparar. Pide la evidencia pertinente, los puntos de comparación y una conclusión diferenciada. Una tarea abierta resulta más fácil de revisar cuando las secciones esperadas y los requisitos de fuentes son explícitos.
Proporciona documentos o fragmentos existentes con títulos e identificadores claros. Separa el material de origen de las instrucciones e indica cómo debe tratar la respuesta la evidencia incompleta o contradictoria. Un informe puede distinguir un hecho documentado de una interpretación y explicar qué fuente respalda cada punto sustancial.
El ciclo de herramientas desarrollado por el fabricante incluye buscar por palabra clave, abrir un resultado de búsqueda, abrir una URL específica y terminar de reunir información antes de escribir. El modelo selecciona una acción y sus argumentos; la aplicación que lo integra ejecuta la recuperación y proporciona la observación. Es un flujo de investigación construido alrededor del modelo, no una suposición de que una respuesta de texto ya navegó por la web.
Para una aplicación que use ese patrón, devuelve el contenido pertinente de la página recuperada junto con su título y URL. Mantén consistentes los identificadores de las fuentes entre turnos para que una comparación posterior se refiera a los mismos documentos. Pide al modelo que afine una búsqueda cuando la observación no responda la pregunta de investigación y que produzca el informe final una vez reunida la evidencia solicitada.
El ejemplo publicado usa funciones simuladas de recuperación para ilustrar el flujo de control. Una aplicación funcional proporciona sus propias implementaciones de recuperación y decide cuándo el ciclo ha reunido suficiente información. El límite de turnos y el presupuesto de generación del ejemplo describen ese ejemplo; no son límites universales de esta edición.
Pide una respuesta organizada en torno al problema real de investigación: hallazgos, comparación, incertidumbre y conclusión. Para comparar documentos, pide al modelo que identifique qué condiciones difieren antes de proponer una interpretación. Para un informe breve de investigación, define el público y las preguntas que debe responder para que el texto devuelto siga vinculado con la tarea.
Revisa el informe junto con las observaciones de sus fuentes. Verifica las citas textuales, las fechas y las afirmaciones causales contra el material proporcionado al ciclo. Conserva juntos la pregunta, los pasajes recuperados y el resultado final cuando el informe se vaya a revisar después. Así se preserva la evidencia necesaria para entender cómo se llegó a la conclusión.
Esta entrada conserva la identidad Rumination 32B 0414. La edición normal de razonamiento GLM-Z1-32B-0414 y la edición Z1 más pequeña son versiones con nombres separados. La tarjeta Rumination del fabricante establece el patrón de herramientas orientado a investigación y el ejemplo de inferencia; su escasa información sobre límites se debe complementar con el contrato real de la interfaz al preparar una solicitud larga.
", "aboutText": "GLM-Z1-Rumination-32B-0414 es la edición de razonamiento orientada a investigación de la serie GLM-4-0414 de Z.ai. Está diseñada para dedicar más tiempo a preguntas abiertas y usar información recuperada durante el proceso de razonamiento. El fabricante describe la escritura de investigación comparativa y la recuperación compleja de información como tareas características. El artefacto final es texto, como un informe analítico que conecta una pregunta con la evidencia reunida para responderla.\n\n### Define la pregunta de investigación\n\nProporciona el tema, el alcance y los criterios de comparación antes de reunir material. Para un informe que compare planes de desarrollo de dos ciudades, especifica las ciudades, el periodo y los aspectos que se deben comparar. Pide la evidencia pertinente, los puntos de comparación y una conclusión diferenciada. Una tarea abierta resulta más fácil de revisar cuando las secciones esperadas y los requisitos de fuentes son explícitos.\n\nProporciona documentos o fragmentos existentes con títulos e identificadores claros. Separa el material de origen de las instrucciones e indica cómo debe tratar la respuesta la evidencia incompleta o contradictoria. Un informe puede distinguir un hecho documentado de una interpretación y explicar qué fuente respalda cada punto sustancial.\n\n### Busca, lee y devuelve observaciones\n\nEl ciclo de herramientas desarrollado por el fabricante incluye buscar por palabra clave, abrir un resultado de búsqueda, abrir una URL específica y terminar de reunir información antes de escribir. El modelo selecciona una acción y sus argumentos; la aplicación que lo integra ejecuta la recuperación y proporciona la observación. Es un flujo de investigación construido alrededor del modelo, no una suposición de que una respuesta de texto ya navegó por la web.\n\nPara una aplicación que use ese patrón, devuelve el contenido pertinente de la página recuperada junto con su título y URL. Mantén consistentes los identificadores de las fuentes entre turnos para que una comparación posterior se refiera a los mismos documentos. Pide al modelo que afine una búsqueda cuando la observación no responda la pregunta de investigación y que produzca el informe final una vez reunida la evidencia solicitada.\n\nEl ejemplo publicado usa funciones simuladas de recuperación para ilustrar el flujo de control. Una aplicación funcional proporciona sus propias implementaciones de recuperación y decide cuándo el ciclo ha reunido suficiente información. El límite de turnos y el presupuesto de generación del ejemplo describen ese ejemplo; no son límites universales de esta edición.\n\n### Prepara y revisa el informe\n\nPide una respuesta organizada en torno al problema real de investigación: hallazgos, comparación, incertidumbre y conclusión. Para comparar documentos, pide al modelo que identifique qué condiciones difieren antes de proponer una interpretación. Para un informe breve de investigación, define el público y las preguntas que debe responder para que el texto devuelto siga vinculado con la tarea.\n\nRevisa el informe junto con las observaciones de sus fuentes. Verifica las citas textuales, las fechas y las afirmaciones causales contra el material proporcionado al ciclo. Conserva juntos la pregunta, los pasajes recuperados y el resultado final cuando el informe se vaya a revisar después. Así se preserva la evidencia necesaria para entender cómo se llegó a la conclusión.\n\n### Conserva la edición fija\n\nEsta entrada conserva la identidad Rumination 32B 0414. La edición normal de razonamiento GLM-Z1-32B-0414 y la edición Z1 más pequeña son versiones con nombres separados. La tarjeta Rumination del fabricante establece el patrón de herramientas orientado a investigación y el ejemplo de inferencia; su escasa información sobre límites se debe complementar con el contrato real de la interfaz al preparar una solicitud larga.", "editorialOverlay": { "copy_fields": { "practical_html": "Ejemplo técnico en inglés
Synthesize a source-bounded pilot comparison\n\nWrite a short research comparison from these supplied excerpts. Pilot A: staff reported faster intake, but no timing measurement was collected. Pilot B: median intake fell from 12 to 9 minutes; error counts were not recorded. Compare evidence for speed and quality, cite A or B, and state what follow-up measurement is needed before a broad conclusion.A concise comparison with findings, evidence gaps and a limited conclusion grounded in the excerpts.The report distinguishes reported impressions from measured timing and does not claim improved quality without error data.THUDM/GLM-Z1-Rumination-32B-0414GLM-Z1-Rumination-32B-0414 es una edición fija de razonamiento con texto para investigación abierta e informes comparativos. Su fabricante documenta un ciclo de búsqueda y lectura en el que la aplicación recupera fuentes y devuelve observaciones antes de que el modelo escriba su resultado.
Esta descripción cubre las capacidades del modelo. Las entradas, salidas y opciones disponibles en Ailoot se indican a continuación para el método seleccionado.
GLM-Z1-Rumination-32B-0414 es la edición de razonamiento orientada a investigación de la serie GLM-4-0414 de Z.ai. Está diseñada para dedicar más tiempo a preguntas abiertas y usar información recuperada durante el proceso de razonamiento. El fabricante describe la escritura de investigación comparativa y la recuperación compleja de información como tareas características. El artefacto final es texto, como un informe analítico que conecta una pregunta con la evidencia reunida para responderla.
Proporciona el tema, el alcance y los criterios de comparación antes de reunir material. Para un informe que compare planes de desarrollo de dos ciudades, especifica las ciudades, el periodo y los aspectos que se deben comparar. Pide la evidencia pertinente, los puntos de comparación y una conclusión diferenciada. Una tarea abierta resulta más fácil de revisar cuando las secciones esperadas y los requisitos de fuentes son explícitos.
Proporciona documentos o fragmentos existentes con títulos e identificadores claros. Separa el material de origen de las instrucciones e indica cómo debe tratar la respuesta la evidencia incompleta o contradictoria. Un informe puede distinguir un hecho documentado de una interpretación y explicar qué fuente respalda cada punto sustancial.
El ciclo de herramientas desarrollado por el fabricante incluye buscar por palabra clave, abrir un resultado de búsqueda, abrir una URL específica y terminar de reunir información antes de escribir. El modelo selecciona una acción y sus argumentos; la aplicación que lo integra ejecuta la recuperación y proporciona la observación. Es un flujo de investigación construido alrededor del modelo, no una suposición de que una respuesta de texto ya navegó por la web.
Para una aplicación que use ese patrón, devuelve el contenido pertinente de la página recuperada junto con su título y URL. Mantén consistentes los identificadores de las fuentes entre turnos para que una comparación posterior se refiera a los mismos documentos. Pide al modelo que afine una búsqueda cuando la observación no responda la pregunta de investigación y que produzca el informe final una vez reunida la evidencia solicitada.
El ejemplo publicado usa funciones simuladas de recuperación para ilustrar el flujo de control. Una aplicación funcional proporciona sus propias implementaciones de recuperación y decide cuándo el ciclo ha reunido suficiente información. El límite de turnos y el presupuesto de generación del ejemplo describen ese ejemplo; no son límites universales de esta edición.
Pide una respuesta organizada en torno al problema real de investigación: hallazgos, comparación, incertidumbre y conclusión. Para comparar documentos, pide al modelo que identifique qué condiciones difieren antes de proponer una interpretación. Para un informe breve de investigación, define el público y las preguntas que debe responder para que el texto devuelto siga vinculado con la tarea.
Revisa el informe junto con las observaciones de sus fuentes. Verifica las citas textuales, las fechas y las afirmaciones causales contra el material proporcionado al ciclo. Conserva juntos la pregunta, los pasajes recuperados y el resultado final cuando el informe se vaya a revisar después. Así se preserva la evidencia necesaria para entender cómo se llegó a la conclusión.
Esta entrada conserva la identidad Rumination 32B 0414. La edición normal de razonamiento GLM-Z1-32B-0414 y la edición Z1 más pequeña son versiones con nombres separados. La tarjeta Rumination del fabricante establece el patrón de herramientas orientado a investigación y el ejemplo de inferencia; su escasa información sobre límites se debe complementar con el contrato real de la interfaz al preparar una solicitud larga.
POST /v1/chat/completionstexttext| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites THUDM/GLM-Z1-Rumination-32B-0414 | 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 $0.00014 / 1K tokens Salida · Tokens de salida $0.00014 / 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": "THUDM/GLM-Z1-Rumination-32B-0414", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='THUDM/GLM-Z1-Rumination-32B-0414',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='THUDM/GLM-Z1-Rumination-32B-0414',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson 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 THUDM/GLM-Z1-Rumination-32B-0414
Usa las rutas de método indicadas arriba.
THUDM/GLM-Z1-Rumination-32B-0414GLM-Z1-Rumination-32B-0414 es una edición fija de razonamiento con texto para investigación abierta e informes comparativos. Su fabricante documenta un ciclo de búsqueda y lectura en el que la aplicación recupera fuentes y devuelve observaciones antes de que el modelo escriba su resultado.
Esta descripción cubre las capacidades del modelo. Las entradas, salidas y opciones disponibles en Ailoot se indican a continuación para el método seleccionado.
GLM-Z1-Rumination-32B-0414 es la edición de razonamiento orientada a investigación de la serie GLM-4-0414 de Z.ai. Está diseñada para dedicar más tiempo a preguntas abiertas y usar información recuperada durante el proceso de razonamiento. El fabricante describe la escritura de investigación comparativa y la recuperación compleja de información como tareas características. El artefacto final es texto, como un informe analítico que conecta una pregunta con la evidencia reunida para responderla.
Proporciona el tema, el alcance y los criterios de comparación antes de reunir material. Para un informe que compare planes de desarrollo de dos ciudades, especifica las ciudades, el periodo y los aspectos que se deben comparar. Pide la evidencia pertinente, los puntos de comparación y una conclusión diferenciada. Una tarea abierta resulta más fácil de revisar cuando las secciones esperadas y los requisitos de fuentes son explícitos.
Proporciona documentos o fragmentos existentes con títulos e identificadores claros. Separa el material de origen de las instrucciones e indica cómo debe tratar la respuesta la evidencia incompleta o contradictoria. Un informe puede distinguir un hecho documentado de una interpretación y explicar qué fuente respalda cada punto sustancial.
El ciclo de herramientas desarrollado por el fabricante incluye buscar por palabra clave, abrir un resultado de búsqueda, abrir una URL específica y terminar de reunir información antes de escribir. El modelo selecciona una acción y sus argumentos; la aplicación que lo integra ejecuta la recuperación y proporciona la observación. Es un flujo de investigación construido alrededor del modelo, no una suposición de que una respuesta de texto ya navegó por la web.
Para una aplicación que use ese patrón, devuelve el contenido pertinente de la página recuperada junto con su título y URL. Mantén consistentes los identificadores de las fuentes entre turnos para que una comparación posterior se refiera a los mismos documentos. Pide al modelo que afine una búsqueda cuando la observación no responda la pregunta de investigación y que produzca el informe final una vez reunida la evidencia solicitada.
El ejemplo publicado usa funciones simuladas de recuperación para ilustrar el flujo de control. Una aplicación funcional proporciona sus propias implementaciones de recuperación y decide cuándo el ciclo ha reunido suficiente información. El límite de turnos y el presupuesto de generación del ejemplo describen ese ejemplo; no son límites universales de esta edición.
Pide una respuesta organizada en torno al problema real de investigación: hallazgos, comparación, incertidumbre y conclusión. Para comparar documentos, pide al modelo que identifique qué condiciones difieren antes de proponer una interpretación. Para un informe breve de investigación, define el público y las preguntas que debe responder para que el texto devuelto siga vinculado con la tarea.
Revisa el informe junto con las observaciones de sus fuentes. Verifica las citas textuales, las fechas y las afirmaciones causales contra el material proporcionado al ciclo. Conserva juntos la pregunta, los pasajes recuperados y el resultado final cuando el informe se vaya a revisar después. Así se preserva la evidencia necesaria para entender cómo se llegó a la conclusión.
Esta entrada conserva la identidad Rumination 32B 0414. La edición normal de razonamiento GLM-Z1-32B-0414 y la edición Z1 más pequeña son versiones con nombres separados. La tarjeta Rumination del fabricante establece el patrón de herramientas orientado a investigación y el ejemplo de inferencia; su escasa información sobre límites se debe complementar con el contrato real de la interfaz al preparar una solicitud larga.
POST /v1/messagestextjson, sse| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites THUDM/GLM-Z1-Rumination-32B-0414 | 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 $0.00014 / 1K tokens Salida · Tokens de salida $0.00014 / 1K tokens Entrada · Lectura de caché $0 / 1K tokens Entrada · Escritura en caché $0 / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
Ailoot reserva un monto estimado antes de la solicitud. Tras obtener el resultado, liquida el cargo definitivo según el uso medido. En las respuestas en flujo, la liquidación usa el registro de uso final. Cómo funcionan la reserva y la liquidación →
{\n "model": "THUDM/GLM-Z1-Rumination-32B-0414",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'THUDM/GLM-Z1-Rumination-32B-0414', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'THUDM/GLM-Z1-Rumination-32B-0414', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON 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 THUDM/GLM-Z1-Rumination-32B-0414
Usa las rutas de método indicadas arriba.
Ejemplo técnico en inglés
Synthesize a source-bounded pilot comparison\n\nWrite a short research comparison from these supplied excerpts. Pilot A: staff reported faster intake, but no timing measurement was collected. Pilot B: median intake fell from 12 to 9 minutes; error counts were not recorded. Compare evidence for speed and quality, cite A or B, and state what follow-up measurement is needed before a broad conclusion.A concise comparison with findings, evidence gaps and a limited conclusion grounded in the excerpts.The report distinguishes reported impressions from measured timing and does not claim improved quality without error data.