Z.ai GLM 5.3 es un modelo de razonamiento de texto a gran escala diseñado para ingeniería de software compleja y trabajo de agentes de larga duración. El fabricante afirma que usa el mismo modelo base que GLM 5.2, y que las nuevas mejoras provienen del entrenamiento posterior. La versión se centra en una mayor capacidad de programación, operaciones de terminal y tareas más amplias que implican varios pasos dependientes. Acepta texto y produce texto, incluidos código, explicaciones, planes y solicitudes de llamadas a herramientas en una aplicación conectada con herramientas.
El modo de razonamiento documentado está siempre activado. GLM 5.3 ofrece tres niveles de esfuerzo: low, high y max, con max como predeterminado. El fabricante recomienda max para trabajo de programación complejo; low ofrece una opción de razonamiento más ligera para pasos sencillos. Usa el nivel seleccionado junto con un entregable final claro y criterios de terminación. Por ejemplo: “Examina estos archivos y resultados fallidos, rastrea la causa entre los módulos afectados, propón una corrección que conserve la interfaz pública y explica qué comprobaciones establecen que la regresión está resuelta”.
El fabricante especifica una ventana de contexto de 1M tokens y una longitud máxima de salida de 128K tokens. Organiza el material extenso en torno a la relación que el modelo necesita investigar. Conserva los nombres de archivo, las definiciones relevantes, las etiquetas de las fuentes y el orden de las observaciones, y deja espacio para el razonamiento y la respuesta final dentro del contexto de trabajo aplicable. Una ventana amplia resulta útil para dependencias entre módulos o una secuencia larga de observaciones de agentes; no convierte un archivo indiscriminado de material sin relación en una tarea bien definida.
Para trabajo en repositorios, proporciona el comportamiento esperado, el texto fuente relevante, las versiones de dependencias y la salida real del error. Pide al modelo que identifique el comportamiento afectado antes de proponer un parche. Para una refactorización, indica la interfaz y las invariantes que deben permanecer intactas. Una respuesta útil contiene el código revisado, la razón por la que el cambio resuelve el problema observado y los casos necesarios para comprobar el resultado. Devuelve los resultados reales al flujo conectado con herramientas para que el siguiente paso se base en el estado modificado, en lugar de la propuesta anterior.
Para trabajo de rendimiento, proporciona una carga de trabajo, una referencia inicial y mediciones como tiempos, perfiles o registros de asignación. Z.ai describe tareas de entrenamiento que implican diagnóstico de cuellos de botella, optimización, experimentos y resultados que conservan la corrección. Una solicitud práctica es: “Usa este perfil para identificar el cuello de botella de mayor impacto, propón un cambio medible y explica qué resultado justificaría conservarlo”. Distingue una hipótesis de rendimiento de una mejora registrada. Conserva la misma carga de trabajo y las condiciones relevantes al examinar un resultado.
La versión también desarrolla capacidades de análisis de vulnerabilidades. Para una revisión defensiva del código fuente, proporciona el código relevante, sus límites de confianza previstos y las condiciones en las que se ejecuta. Solicita un hallazgo que conecte un problema sospechado con la entrada afectada, el comportamiento y una corrección enfocada. Separa una debilidad potencial de un fallo reproducido y conserva la observación usada para validarlo. Un informe es más útil cuando prioriza evidencia concreta y correcciones propuestas, en lugar de tratar cada patrón sospechoso como una vulnerabilidad confirmada.
Las llamadas a funciones permiten que la aplicación que integra el modelo le ofrezca operaciones externas. Define el propósito, los argumentos y el resultado esperado de cada herramienta, y después devuelve la observación real de la herramienta para el siguiente paso. El modelo puede razonar sobre ese resultado y decidir cómo modifica la tarea. Mantén distinguibles las acciones propuestas, las operaciones ejecutadas y las comprobaciones pendientes. El fabricante también documenta respuestas por transmisión progresiva, que devuelven los fragmentos de razonamiento y respuesta por separado; ensambla la respuesta terminada antes de tratarla como informe final o explicación de código.
La ficha local del modelo aporta un detalle específico de configuración del historial: su plantilla de chat conserva el razonamiento de forma predeterminada, mientras que el fabricante recomienda borrar explícitamente el razonamiento anterior en escenarios de chat habituales. Aplica la estructura de conversación apropiada para el caso de uso, conservando las respuestas realmente terminadas y los resultados de herramientas necesarios para continuar. Evita tratar los controles de razonamiento de GLM 5.2 o de las ediciones independientes GLM 5.3 Flash como intercambiables con los controles low/high/max de este modelo.
Para resultados estructurados, especifica los campos, los tipos y las reglas de fuentes esperados. Un entregable útil podría ser una tabla de defectos, un plan de cambios o un objeto JSON que resuma observaciones. Valida tanto la estructura como los valores antes de que una aplicación los use. El resultado final debe identificar la respuesta o el entregable revisado, la evidencia que lo respalda y los supuestos pendientes. Un mayor esfuerzo de razonamiento no establece que se haya ejecutado una herramienta, que un parche propuesto haya pasado sus comprobaciones ni que una afirmación factual tenga respaldo más allá del material proporcionado.
", "aboutText": "Z.ai GLM 5.3 es un modelo de razonamiento de texto a gran escala diseñado para ingeniería de software compleja y trabajo de agentes de larga duración. El fabricante afirma que usa el mismo modelo base que GLM 5.2, y que las nuevas mejoras provienen del entrenamiento posterior. La versión se centra en una mayor capacidad de programación, operaciones de terminal y tareas más amplias que implican varios pasos dependientes. Acepta texto y produce texto, incluidos código, explicaciones, planes y solicitudes de llamadas a herramientas en una aplicación conectada con herramientas.\n\nEl modo de razonamiento documentado está siempre activado. GLM 5.3 ofrece tres niveles de esfuerzo: low, high y max, con max como predeterminado. El fabricante recomienda max para trabajo de programación complejo; low ofrece una opción de razonamiento más ligera para pasos sencillos. Usa el nivel seleccionado junto con un entregable final claro y criterios de terminación. Por ejemplo: “Examina estos archivos y resultados fallidos, rastrea la causa entre los módulos afectados, propón una corrección que conserve la interfaz pública y explica qué comprobaciones establecen que la regresión está resuelta”.\n\nEl fabricante especifica una ventana de contexto de 1M tokens y una longitud máxima de salida de 128K tokens. Organiza el material extenso en torno a la relación que el modelo necesita investigar. Conserva los nombres de archivo, las definiciones relevantes, las etiquetas de las fuentes y el orden de las observaciones, y deja espacio para el razonamiento y la respuesta final dentro del contexto de trabajo aplicable. Una ventana amplia resulta útil para dependencias entre módulos o una secuencia larga de observaciones de agentes; no convierte un archivo indiscriminado de material sin relación en una tarea bien definida.\n\nPara trabajo en repositorios, proporciona el comportamiento esperado, el texto fuente relevante, las versiones de dependencias y la salida real del error. Pide al modelo que identifique el comportamiento afectado antes de proponer un parche. Para una refactorización, indica la interfaz y las invariantes que deben permanecer intactas. Una respuesta útil contiene el código revisado, la razón por la que el cambio resuelve el problema observado y los casos necesarios para comprobar el resultado. Devuelve los resultados reales al flujo conectado con herramientas para que el siguiente paso se base en el estado modificado, en lugar de la propuesta anterior.\n\nPara trabajo de rendimiento, proporciona una carga de trabajo, una referencia inicial y mediciones como tiempos, perfiles o registros de asignación. Z.ai describe tareas de entrenamiento que implican diagnóstico de cuellos de botella, optimización, experimentos y resultados que conservan la corrección. Una solicitud práctica es: “Usa este perfil para identificar el cuello de botella de mayor impacto, propón un cambio medible y explica qué resultado justificaría conservarlo”. Distingue una hipótesis de rendimiento de una mejora registrada. Conserva la misma carga de trabajo y las condiciones relevantes al examinar un resultado.\n\nLa versión también desarrolla capacidades de análisis de vulnerabilidades. Para una revisión defensiva del código fuente, proporciona el código relevante, sus límites de confianza previstos y las condiciones en las que se ejecuta. Solicita un hallazgo que conecte un problema sospechado con la entrada afectada, el comportamiento y una corrección enfocada. Separa una debilidad potencial de un fallo reproducido y conserva la observación usada para validarlo. Un informe es más útil cuando prioriza evidencia concreta y correcciones propuestas, en lugar de tratar cada patrón sospechoso como una vulnerabilidad confirmada.\n\nLas llamadas a funciones permiten que la aplicación que integra el modelo le ofrezca operaciones externas. Define el propósito, los argumentos y el resultado esperado de cada herramienta, y después devuelve la observación real de la herramienta para el siguiente paso. El modelo puede razonar sobre ese resultado y decidir cómo modifica la tarea. Mantén distinguibles las acciones propuestas, las operaciones ejecutadas y las comprobaciones pendientes. El fabricante también documenta respuestas por transmisión progresiva, que devuelven los fragmentos de razonamiento y respuesta por separado; ensambla la respuesta terminada antes de tratarla como informe final o explicación de código.\n\nLa ficha local del modelo aporta un detalle específico de configuración del historial: su plantilla de chat conserva el razonamiento de forma predeterminada, mientras que el fabricante recomienda borrar explícitamente el razonamiento anterior en escenarios de chat habituales. Aplica la estructura de conversación apropiada para el caso de uso, conservando las respuestas realmente terminadas y los resultados de herramientas necesarios para continuar. Evita tratar los controles de razonamiento de GLM 5.2 o de las ediciones independientes GLM 5.3 Flash como intercambiables con los controles low/high/max de este modelo.\n\nPara resultados estructurados, especifica los campos, los tipos y las reglas de fuentes esperados. Un entregable útil podría ser una tabla de defectos, un plan de cambios o un objeto JSON que resuma observaciones. Valida tanto la estructura como los valores antes de que una aplicación los use. El resultado final debe identificar la respuesta o el entregable revisado, la evidencia que lo respalda y los supuestos pendientes. Un mayor esfuerzo de razonamiento no establece que se haya ejecutado una herramienta, que un parche propuesto haya pasado sus comprobaciones ni que una afirmación factual tenga respaldo más allá del material proporcionado.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "d742ebcf02b2a5f9483f23c3ccd96dc865cb6b84d08d610b5a8a8e0d69e77349", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "es-mx", "methods": [ { "html": "z-ai/glm-5.3:batchZ.ai GLM 5.3 es un modelo de razonamiento de texto para ingeniería de software compleja, trabajo en terminal y agentes de larga duración. Admite un contexto de 1M tokens documentado por el fabricante, hasta 128K tokens de salida, llamadas a funciones y esfuerzo de razonamiento low/high/max, con el razonamiento activado en todo momento.
Esta descripción cubre las capacidades del modelo. Las entradas, salidas y opciones disponibles en Ailoot se indican a continuación para el método seleccionado.
Z.ai GLM 5.3 es un modelo de razonamiento de texto a gran escala diseñado para ingeniería de software compleja y trabajo de agentes de larga duración. El fabricante afirma que usa el mismo modelo base que GLM 5.2, y que las nuevas mejoras provienen del entrenamiento posterior. La versión se centra en una mayor capacidad de programación, operaciones de terminal y tareas más amplias que implican varios pasos dependientes. Acepta texto y produce texto, incluidos código, explicaciones, planes y solicitudes de llamadas a herramientas en una aplicación conectada con herramientas.
El modo de razonamiento documentado está siempre activado. GLM 5.3 ofrece tres niveles de esfuerzo: low, high y max, con max como predeterminado. El fabricante recomienda max para trabajo de programación complejo; low ofrece una opción de razonamiento más ligera para pasos sencillos. Usa el nivel seleccionado junto con un entregable final claro y criterios de terminación. Por ejemplo: “Examina estos archivos y resultados fallidos, rastrea la causa entre los módulos afectados, propón una corrección que conserve la interfaz pública y explica qué comprobaciones establecen que la regresión está resuelta”.
El fabricante especifica una ventana de contexto de 1M tokens y una longitud máxima de salida de 128K tokens. Organiza el material extenso en torno a la relación que el modelo necesita investigar. Conserva los nombres de archivo, las definiciones relevantes, las etiquetas de las fuentes y el orden de las observaciones, y deja espacio para el razonamiento y la respuesta final dentro del contexto de trabajo aplicable. Una ventana amplia resulta útil para dependencias entre módulos o una secuencia larga de observaciones de agentes; no convierte un archivo indiscriminado de material sin relación en una tarea bien definida.
Para trabajo en repositorios, proporciona el comportamiento esperado, el texto fuente relevante, las versiones de dependencias y la salida real del error. Pide al modelo que identifique el comportamiento afectado antes de proponer un parche. Para una refactorización, indica la interfaz y las invariantes que deben permanecer intactas. Una respuesta útil contiene el código revisado, la razón por la que el cambio resuelve el problema observado y los casos necesarios para comprobar el resultado. Devuelve los resultados reales al flujo conectado con herramientas para que el siguiente paso se base en el estado modificado, en lugar de la propuesta anterior.
Para trabajo de rendimiento, proporciona una carga de trabajo, una referencia inicial y mediciones como tiempos, perfiles o registros de asignación. Z.ai describe tareas de entrenamiento que implican diagnóstico de cuellos de botella, optimización, experimentos y resultados que conservan la corrección. Una solicitud práctica es: “Usa este perfil para identificar el cuello de botella de mayor impacto, propón un cambio medible y explica qué resultado justificaría conservarlo”. Distingue una hipótesis de rendimiento de una mejora registrada. Conserva la misma carga de trabajo y las condiciones relevantes al examinar un resultado.
La versión también desarrolla capacidades de análisis de vulnerabilidades. Para una revisión defensiva del código fuente, proporciona el código relevante, sus límites de confianza previstos y las condiciones en las que se ejecuta. Solicita un hallazgo que conecte un problema sospechado con la entrada afectada, el comportamiento y una corrección enfocada. Separa una debilidad potencial de un fallo reproducido y conserva la observación usada para validarlo. Un informe es más útil cuando prioriza evidencia concreta y correcciones propuestas, en lugar de tratar cada patrón sospechoso como una vulnerabilidad confirmada.
Las llamadas a funciones permiten que la aplicación que integra el modelo le ofrezca operaciones externas. Define el propósito, los argumentos y el resultado esperado de cada herramienta, y después devuelve la observación real de la herramienta para el siguiente paso. El modelo puede razonar sobre ese resultado y decidir cómo modifica la tarea. Mantén distinguibles las acciones propuestas, las operaciones ejecutadas y las comprobaciones pendientes. El fabricante también documenta respuestas por transmisión progresiva, que devuelven los fragmentos de razonamiento y respuesta por separado; ensambla la respuesta terminada antes de tratarla como informe final o explicación de código.
La ficha local del modelo aporta un detalle específico de configuración del historial: su plantilla de chat conserva el razonamiento de forma predeterminada, mientras que el fabricante recomienda borrar explícitamente el razonamiento anterior en escenarios de chat habituales. Aplica la estructura de conversación apropiada para el caso de uso, conservando las respuestas realmente terminadas y los resultados de herramientas necesarios para continuar. Evita tratar los controles de razonamiento de GLM 5.2 o de las ediciones independientes GLM 5.3 Flash como intercambiables con los controles low/high/max de este modelo.
Para resultados estructurados, especifica los campos, los tipos y las reglas de fuentes esperados. Un entregable útil podría ser una tabla de defectos, un plan de cambios o un objeto JSON que resuma observaciones. Valida tanto la estructura como los valores antes de que una aplicación los use. El resultado final debe identificar la respuesta o el entregable revisado, la evidencia que lo respalda y los supuestos pendientes. Un mayor esfuerzo de razonamiento no establece que se haya ejecutado una herramienta, que un parche propuesto haya pasado sus comprobaciones ni que una afirmación factual tenga respaldo más allá del material proporcionado.
POST /v1/batchestexttext| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campoendpoint | Tipostring | RequisitoObligatorio | Valores y límites /v1/chat/completions | Predeterminado— |
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites z-ai/glm-5.3:batch | Predeterminado— |
Camporequests | Tipobatch_item[] | RequisitoObligatorio | Valores y límites Número mínimo de elementos: 1 | Predeterminado— |
Camporequests[].custom_id | Tipostring | RequisitoObligatorio | Valores y límites | Predeterminado— |
Camporequests[].body.messages | Tipomessage[] | RequisitoObligatorio | Valores y límites | Predeterminado— |
Campocompletion_window | Tipostring | RequisitoOpcional | Valores y límites 24h | Predeterminado— |
Campoprovider | Tipoobject|null | RequisitoOpcional | Valores y límites | Predeterminado— |
Camporequests[].body.model | Tipostring | RequisitoOpcional | Valores y límites z-ai/glm-5.3:batch, z-ai/glm-5.3 | Predeterminado— |
Campoprovider.only | Tipostring[] | RequisitoOpcional | Valores y límites deepinfra/fp4 | Predeterminado— |
Campoprovider.allow_fallbacks | Tipoboolean|null | RequisitoOpcional | Valores y límites false, null | Predeterminado— |
| Parámetro | Contrato |
|---|---|
Parámetrocontent_type | Contratoapplication/json |
Parámetrorequired | Contratoendpoint, model, requests |
Parámetromaterial_types | Contratotext |
Parámetrorepresentation | Contratorequests[] en línea; cada elemento tiene custom_id y body |
Parámetrorequest_endpoint_profile | Contrato/v1/chat/completions |
Parámetrofile_material | ContratoQuien realiza la llamada puede leer localmente el JSONL UTF-8 real e incorporarlo a requests[]. No se utiliza el campo purpose para cargas, ni input_file_id ni referencias a archivos. Si falta el material del cliente o está vacío, la preparación se detiene antes del POST. |
Parámetroserialization_order | Contratoendpoint, model, provider (si se proporciona), completion_window (si se proporciona), requests al final |
Parámetrooptional_controls | Contratoprovider.only, provider.allow_fallbacks, completion_window |
Parámetroschema_scope | ContratoCuerpos de solicitudes de texto de Chat Completions dentro de la estructura Batch en línea documentada. |
Ciclo de vida: asynchronous
GET /v1/batches/{operation_id} · El response.id real de la respuesta de creación original; el mismo usuario, clave y grupo
Las referencias tarifarias no añaden opciones a la solicitud. Los parámetros admitidos se indican en el método seleccionado.
Relaciona cada cargo con las condiciones mostradas. Usa una tarifa para cada conjunto de configuraciones alternativas.
| Configuración | Tabla de tarifas | Tokens de contexto, más de | Tokens de contexto, hasta inclusive | Cargo |
|---|---|---|---|---|
| ConfiguraciónTarifas base por token | Tabla de tarifasTarifa base | Tokens de contexto, más de— | Tokens de contexto, hasta inclusiveSin límite superior | Cargo Entrada · Tokens de entrada $0.0009 / 1K tokens Salida · Tokens de salida $0.004 / 1K tokens Entrada · Lectura de caché $0.0002 / 1K tokens Entrada · Escritura en caché — / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
| ConfiguraciónNivel 1 por longitud de la solicitud | Tabla de tarifas— | Tokens de contexto, más de0 | Tokens de contexto, hasta inclusiveSin límite superior | Cargo Entrada · Tokens de entrada $0.0009 / 1K tokens Salida · Tokens de salida $0.004 / 1K tokens Entrada · Lectura de caché $0.0002 / 1K tokens Entrada · Escritura en caché — / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
Ailoot reserva un monto estimado antes de la solicitud. Tras obtener el resultado, liquida el cargo definitivo según el uso medido. En las respuestas en flujo, la liquidación usa el registro de uso final. Cómo funcionan la reserva y la liquidación →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json\nfrom pathlib import Path\nbody=json.loads('{"endpoint":"/v1/chat/completions","model":"z-ai/glm-5.3:batch","requests":[{"custom_id":"req-0001","body":{"messages":[{"role":"user","content":"Hello!"}],"max_tokens":16}}]}')\nPath("batch-request.json").write_text(json.dumps(body,ensure_ascii=False),encoding="utf-8")\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/batches \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @batch-request.json -D batch-response-headers.txt -o batch-create-response.json\nimport json, os\nfrom pathlib import Path\nfrom urllib.request import Request, urlopen\n\ndef prepare_requests(customer_path):\n path = Path(customer_path)\n if not path.is_file(): raise ValueError("Customer JSONL file is missing")\n items = [json.loads(line) for line in path.read_text(encoding="utf-8").splitlines() if line.strip()]\n if not items: raise ValueError("Customer JSONL contains no requests")\n ids = set()\n for item in items:\n if set(item) != {"custom_id", "body"}: raise ValueError("Each item needs custom_id and body")\n cid = item["custom_id"]\n if not isinstance(cid, str) or not cid.strip() or cid in ids: raise ValueError("custom_id must be nonempty and unique")\n ids.add(cid)\n if not isinstance(item["body"], dict) or not item["body"].get("messages"): raise ValueError("Supply actual text messages")\n supplied_model = item["body"].get("model")\n if supplied_model is not None and supplied_model not in ['z-ai/glm-5.3:batch', 'z-ai/glm-5.3']: raise ValueError("body.model must be an exact documented caller or wire ID")\n return {"endpoint":"/v1/chat/completions", "model":"z-ai/glm-5.3:batch", "requests":items}\n\nif __name__ == "__main__":\n material = os.environ.get("AILOOT_BATCH_REQUESTS_JSONL", "")\n if not material: raise SystemExit("Set AILOOT_BATCH_REQUESTS_JSONL to your actual customer file")\n body = prepare_requests(material)\n key = os.environ.get("AILOOT_API_KEY", "")\n if not key: raise SystemExit("Set AILOOT_API_KEY")\n request = Request("https://api.ailoot.ai/v1/batches", data=json.dumps(body, ensure_ascii=False).encode("utf-8"), headers={"Authorization":"Bearer " + key, "Content-Type":"application/json"}, method="POST")\n with urlopen(request) as response:\n raw = response.read()\n Path("batch-create-response.json").write_bytes(raw)\n print(raw.decode("utf-8"))\nimport json\nfrom pathlib import Path\nraw = Path("batch-status-response.json").read_bytes()\nresponse = json.loads(raw)\nif response.get("status") != "completed":\n raise SystemExit("Keep the original operation; read its status without resubmitting")\nresults = response.get("results")\nif not isinstance(results, list) or not results:\n raise SystemExit("Preserve the original response; completed results are missing")\nPath("batch-results.jsonl").write_text("".join(json.dumps(item, ensure_ascii=False) + "\\n" for item in results), encoding="utf-8")\n# Preserve batch-status-response.json with aggregate usage and every result/error.\nJSON de results[].response.body en línea
GET /v1/batches/{operation_id}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\nBATCH_OPERATION_ID="$(python3 - <<'PY_ID'\nimport json\nfrom pathlib import Path\nfrom urllib.parse import quote\nresponse = json.loads(Path("batch-create-response.json").read_text(encoding="utf-8"))\noperation = response.get("id")\nif not isinstance(operation, str) or not operation: raise SystemExit("No actual original operation ID; preserve the response and do not resubmit")\nprint(quote(operation, safe=""))\nPY_ID\n)"\ncurl --fail-with-body --silent --show-error "https://api.ailoot.ai/v1/batches/$BATCH_OPERATION_ID" \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -o batch-status-response.json\nConserva todas las respuestas, archivos y partes de contenido completos recibidos.
Conserva el JSON completo del estado original, cada result/custom_id y el cuerpo completo de la respuesta o del error. Guarda results[] completados como JSONL sin filtrar.
Conserva el ID de la operación original. La respuesta 503 result_pending_check incluye X-Should-Retry:false; nunca vuelvas a enviar un lote original cuyo resultado sea desconocido.
| Campo | Tipo |
|---|---|
Camporesults[].custom_id | Tipostring |
Camporesults[].response.body.choices[].message.content | Tipostring|null |
Camporesults[].error | Tipoobject|null |
Campousage | Tipoobject|null |
Campoid | Tipostring |
Campomodel | Tipostring |
Campoendpoint | Tipostring |
Campostatus | Tipostring |
Camporequest_counts | Tipoobject |
Camporesults[].id | Tipostring |
Camporesults[].response.status_code | Tipointeger |
Camporesults[].response.request_id | Tipostring |
| Respuesta | Condición | Siguiente paso |
|---|---|---|
Respuesta400 · invalid_request_error | CondiciónLa estructura en línea documentada no es válida, hay claves duplicadas, existe un problema con la identidad de los elementos o hay un conflicto entre las capacidades configuradas del modelo. | Siguiente pasoCorrige los campos indicados antes de realizar cualquier nuevo envío. |
Respuesta401 · authentication_error | CondiciónClave de API no válida. | Siguiente pasoUsa la clave de Ailoot autorizada. |
Respuesta403 · permission_error | CondiciónGrupo de Batch no disponible. | Siguiente pasoVerifica los permisos de la clave y el grupo. |
Respuesta422 · invalid_request_error | CondiciónBatch usa facturación contra saldo; se rechazan las solicitudes de creación con una suscripción. | Siguiente pasoUsa el grupo autorizado con facturación contra saldo. |
Respuesta422 · price_unavailable | CondiciónNo se puede cotizar la entrada de Batch. | Siguiente pasoConserva la respuesta; usa la entrada documentada para la familia. |
Respuesta402 · billing_error | CondiciónReserva de Batch no disponible. | Siguiente pasoResuelve los requisitos de admisión antes de realizar una nueva solicitud. |
Respuesta503 · price_unavailable | CondiciónPrecio del método Batch o tarifas nativas no disponibles. | Siguiente pasoConserva la respuesta; no sustituyas los precios. |
Respuesta503 · api_error | CondiciónLa ruta exacta del proveedor no está disponible. | Siguiente pasoConserva la respuesta para reparar la ruta. |
Respuesta503 · result_pending_check | CondiciónEl resultado original requiere una revisión; X-Should-Retry:false. | Siguiente pasoConserva el operation_id/id original y consulta su estado; nunca repitas el POST original. |
Respuesta404 · not_found | CondiciónLa operación de consulta de estado de Batch no existe o pertenece a otra identidad. | Siguiente pasoUsa el id original exacto y el mismo usuario, clave y grupo. |
Ailoot Ultra z-ai/glm-5.3:batch
Usa las rutas de método indicadas arriba.