GLM-4-AirX es el integrante de alta velocidad de la línea GLM-4 Air de Z.ai. El fabricante lo orienta a la baja latencia y a tareas concurrentes de aplicaciones, con especial atención al seguimiento de instrucciones, el código de ingeniería y las llamadas a funciones. El modelo acepta texto y devuelve texto. Su propio perfil indica una ventana de contexto de 8K tokens y una salida máxima de 4K tokens. Estas cifras son distintas del contexto más amplio anunciado para GLM-4-Air-250414; AirX conserva su propio perfil publicado.
Para un asistente interactivo, esto apunta a peticiones centradas: explicar una función, clasificar un mensaje, extraer los campos de un párrafo proporcionado o convertir una instrucción técnica en una respuesta concisa. Aporte juntos el fragmento pertinente, la pregunta actual y el resultado deseado. Mantenga la conversación completa y cualquier observación de herramientas dentro del contexto activo, en lugar de suponer que cabrá un gran corpus de referencia.
La descripción de GLM-4 incluye texto transmitido progresivamente, llamadas a funciones, caché de contexto, formatos estructurados como JSON e integración con herramientas y fuentes de datos MCP. La transmisión progresiva presenta la respuesta a medida que se genera, de modo que una aplicación puede mostrar texto útil antes de recibir la contestación completa. Cambia la entrega, no la modalidad de entrada o salida del modelo.
Las llamadas a funciones permiten al modelo proponer una acción entre las funciones descritas por la aplicación. La aplicación realiza esa acción y devuelve la observación. Un ciclo adecuado es una consulta pequeña seguida de una explicación concisa de los datos recibidos. La integración MCP depende igualmente de las herramientas y los datos que proporciona la aplicación. La caché de contexto se refiere a la reutilización de entradas repetidas; no implica que cada conversación repetida haya producido un acierto de caché.
Para un resultado JSON, indique los campos y su significado antes de aportar el material. Por ejemplo, facilite una petición técnica y solicite su categoría, la acción requerida y las preguntas sin respuesta. La estructura resultante es útil para el siguiente paso de la aplicación, mientras que los valores siguen necesitando una comprobación frente al texto proporcionado.
El fabricante incluye traducción, clasificación semántica, extracción de campos documentales, redacción de marketing, informes analíticos y planificación de itinerarios entre las aplicaciones de GLM-4. El perfil más corto de AirX favorece el paso inmediato dentro de ese flujo. Una petición de traducción puede aportar un pasaje breve, el público y la terminología; la salida es un pasaje reescrito que conserva los nombres requeridos. Una petición de clasificación puede aportar las etiquetas permitidas y sus definiciones, en lugar de pedir un juicio sin especificar.
Para extraer, defina los identificadores y demás campos solicitados e incluya únicamente el pasaje original pertinente. Para redactar, aporte los hechos del producto y una entrega, como un párrafo de producto o una frase de campaña. Para un informe o itinerario, transmita los hechos y restricciones relevantes del paso actual. Si se necesita información reciente, la herramienta de búsqueda o de datos de la aplicación la proporciona; el modelo trabaja después con ese material recibido.
AirX se describe como preentrenado con 15 billones de tokens, incluido un volumen considerable de material sintético de razonamiento. Su entrenamiento posterior utiliza alineación con preferencias de diálogo, muestreo por rechazo y aprendizaje por refuerzo para reforzar las instrucciones, el código de ingeniería y el uso de funciones. El fabricante lo presenta como una variante más rápida de GLM-4-Air-250414, con cambios en componentes subyacentes que abarcan el procesamiento inicial de la instrucción y la decodificación autorregresiva. Esto describe el diseño del fabricante, no una garantía medida de latencia o concurrencia para una implementación concreta.
Asigne a AirX una tarea acotada y un resultado esperado compacto. Para código, incluya la función, los valores de entrada pertinentes y el comportamiento requerido, y solicite después un fragmento corregido junto con su explicación. Para extracción estructurada, coloque las definiciones de los campos antes del pasaje y pida que se indique expresamente la información ausente. Ajuste el presupuesto del resultado al perfil publicado de salida de 4K; divida un informe amplio en tareas centradas en lugar de esperar un documento sin restricciones en una sola respuesta.
", "aboutText": "### Descripción general y perfil del modelo\n\nGLM-4-AirX es el integrante de alta velocidad de la línea GLM-4 Air de Z.ai. El fabricante lo orienta a la baja latencia y a tareas concurrentes de aplicaciones, con especial atención al seguimiento de instrucciones, el código de ingeniería y las llamadas a funciones. El modelo acepta texto y devuelve texto. Su propio perfil indica una ventana de contexto de 8K tokens y una salida máxima de 4K tokens. Estas cifras son distintas del contexto más amplio anunciado para GLM-4-Air-250414; AirX conserva su propio perfil publicado.\n\nPara un asistente interactivo, esto apunta a peticiones centradas: explicar una función, clasificar un mensaje, extraer los campos de un párrafo proporcionado o convertir una instrucción técnica en una respuesta concisa. Aporte juntos el fragmento pertinente, la pregunta actual y el resultado deseado. Mantenga la conversación completa y cualquier observación de herramientas dentro del contexto activo, en lugar de suponer que cabrá un gran corpus de referencia.\n\n### Funciones compatibles\n\nLa descripción de GLM-4 incluye texto transmitido progresivamente, llamadas a funciones, caché de contexto, formatos estructurados como JSON e integración con herramientas y fuentes de datos MCP. La transmisión progresiva presenta la respuesta a medida que se genera, de modo que una aplicación puede mostrar texto útil antes de recibir la contestación completa. Cambia la entrega, no la modalidad de entrada o salida del modelo.\n\nLas llamadas a funciones permiten al modelo proponer una acción entre las funciones descritas por la aplicación. La aplicación realiza esa acción y devuelve la observación. Un ciclo adecuado es una consulta pequeña seguida de una explicación concisa de los datos recibidos. La integración MCP depende igualmente de las herramientas y los datos que proporciona la aplicación. La caché de contexto se refiere a la reutilización de entradas repetidas; no implica que cada conversación repetida haya producido un acierto de caché.\n\nPara un resultado JSON, indique los campos y su significado antes de aportar el material. Por ejemplo, facilite una petición técnica y solicite su categoría, la acción requerida y las preguntas sin respuesta. La estructura resultante es útil para el siguiente paso de la aplicación, mientras que los valores siguen necesitando una comprobación frente al texto proporcionado.\n\n### Escenarios recomendados\n\nEl fabricante incluye traducción, clasificación semántica, extracción de campos documentales, redacción de marketing, informes analíticos y planificación de itinerarios entre las aplicaciones de GLM-4. El perfil más corto de AirX favorece el paso inmediato dentro de ese flujo. Una petición de traducción puede aportar un pasaje breve, el público y la terminología; la salida es un pasaje reescrito que conserva los nombres requeridos. Una petición de clasificación puede aportar las etiquetas permitidas y sus definiciones, en lugar de pedir un juicio sin especificar.\n\nPara extraer, defina los identificadores y demás campos solicitados e incluya únicamente el pasaje original pertinente. Para redactar, aporte los hechos del producto y una entrega, como un párrafo de producto o una frase de campaña. Para un informe o itinerario, transmita los hechos y restricciones relevantes del paso actual. Si se necesita información reciente, la herramienta de búsqueda o de datos de la aplicación la proporciona; el modelo trabaja después con ese material recibido.\n\n### Preparación detallada y enfoque en la velocidad\n\nAirX se describe como preentrenado con 15 billones de tokens, incluido un volumen considerable de material sintético de razonamiento. Su entrenamiento posterior utiliza alineación con preferencias de diálogo, muestreo por rechazo y aprendizaje por refuerzo para reforzar las instrucciones, el código de ingeniería y el uso de funciones. El fabricante lo presenta como una variante más rápida de GLM-4-Air-250414, con cambios en componentes subyacentes que abarcan el procesamiento inicial de la instrucción y la decodificación autorregresiva. Esto describe el diseño del fabricante, no una garantía medida de latencia o concurrencia para una implementación concreta.\n\n### Prepare una petición útil\n\nAsigne a AirX una tarea acotada y un resultado esperado compacto. Para código, incluya la función, los valores de entrada pertinentes y el comportamiento requerido, y solicite después un fragmento corregido junto con su explicación. Para extracción estructurada, coloque las definiciones de los campos antes del pasaje y pida que se indique expresamente la información ausente. Ajuste el presupuesto del resultado al perfil publicado de salida de 4K; divida un informe amplio en tareas centradas en lugar de esperar un documento sin restricciones en una sola respuesta.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "e9af0cb3fded5921193dab9e45560b6e08cafc8d9ebb4e2ea17576006f907e37", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "es", "methods": [ { "html": "glm-4-airxGLM-4-AirX es el modelo textual de Z.ai orientado a la velocidad para diálogos de baja latencia, programación y flujos asistidos por herramientas. Su ficha publicada especifica un contexto de 8K y hasta 4K de salida, adecuado para tareas centradas con resultados concisos y estructurados.
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-AirX es el integrante de alta velocidad de la línea GLM-4 Air de Z.ai. El fabricante lo orienta a la baja latencia y a tareas concurrentes de aplicaciones, con especial atención al seguimiento de instrucciones, el código de ingeniería y las llamadas a funciones. El modelo acepta texto y devuelve texto. Su propio perfil indica una ventana de contexto de 8K tokens y una salida máxima de 4K tokens. Estas cifras son distintas del contexto más amplio anunciado para GLM-4-Air-250414; AirX conserva su propio perfil publicado.
Para un asistente interactivo, esto apunta a peticiones centradas: explicar una función, clasificar un mensaje, extraer los campos de un párrafo proporcionado o convertir una instrucción técnica en una respuesta concisa. Aporte juntos el fragmento pertinente, la pregunta actual y el resultado deseado. Mantenga la conversación completa y cualquier observación de herramientas dentro del contexto activo, en lugar de suponer que cabrá un gran corpus de referencia.
La descripción de GLM-4 incluye texto transmitido progresivamente, llamadas a funciones, caché de contexto, formatos estructurados como JSON e integración con herramientas y fuentes de datos MCP. La transmisión progresiva presenta la respuesta a medida que se genera, de modo que una aplicación puede mostrar texto útil antes de recibir la contestación completa. Cambia la entrega, no la modalidad de entrada o salida del modelo.
Las llamadas a funciones permiten al modelo proponer una acción entre las funciones descritas por la aplicación. La aplicación realiza esa acción y devuelve la observación. Un ciclo adecuado es una consulta pequeña seguida de una explicación concisa de los datos recibidos. La integración MCP depende igualmente de las herramientas y los datos que proporciona la aplicación. La caché de contexto se refiere a la reutilización de entradas repetidas; no implica que cada conversación repetida haya producido un acierto de caché.
Para un resultado JSON, indique los campos y su significado antes de aportar el material. Por ejemplo, facilite una petición técnica y solicite su categoría, la acción requerida y las preguntas sin respuesta. La estructura resultante es útil para el siguiente paso de la aplicación, mientras que los valores siguen necesitando una comprobación frente al texto proporcionado.
El fabricante incluye traducción, clasificación semántica, extracción de campos documentales, redacción de marketing, informes analíticos y planificación de itinerarios entre las aplicaciones de GLM-4. El perfil más corto de AirX favorece el paso inmediato dentro de ese flujo. Una petición de traducción puede aportar un pasaje breve, el público y la terminología; la salida es un pasaje reescrito que conserva los nombres requeridos. Una petición de clasificación puede aportar las etiquetas permitidas y sus definiciones, en lugar de pedir un juicio sin especificar.
Para extraer, defina los identificadores y demás campos solicitados e incluya únicamente el pasaje original pertinente. Para redactar, aporte los hechos del producto y una entrega, como un párrafo de producto o una frase de campaña. Para un informe o itinerario, transmita los hechos y restricciones relevantes del paso actual. Si se necesita información reciente, la herramienta de búsqueda o de datos de la aplicación la proporciona; el modelo trabaja después con ese material recibido.
AirX se describe como preentrenado con 15 billones de tokens, incluido un volumen considerable de material sintético de razonamiento. Su entrenamiento posterior utiliza alineación con preferencias de diálogo, muestreo por rechazo y aprendizaje por refuerzo para reforzar las instrucciones, el código de ingeniería y el uso de funciones. El fabricante lo presenta como una variante más rápida de GLM-4-Air-250414, con cambios en componentes subyacentes que abarcan el procesamiento inicial de la instrucción y la decodificación autorregresiva. Esto describe el diseño del fabricante, no una garantía medida de latencia o concurrencia para una implementación concreta.
Asigne a AirX una tarea acotada y un resultado esperado compacto. Para código, incluya la función, los valores de entrada pertinentes y el comportamiento requerido, y solicite después un fragmento corregido junto con su explicación. Para extracción estructurada, coloque las definiciones de los campos antes del pasaje y pida que se indique expresamente la información ausente. Ajuste el presupuesto del resultado al perfil publicado de salida de 4K; divida un informe amplio en tareas centradas en lugar de esperar un documento sin restricciones en una sola respuesta.
POST /v1/chat/completionstexttext| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites glm-4-airx | Predeterminado— |
Campomessages | Tipomessage[] | RequisitoObligatorio | Valores y límites Número mínimo de elementos: 1 | Predeterminado— |
Campomessages[].role | Tipostring | RequisitoObligatorio | Valores y límites Depende del modelo | Predeterminado— |
Campomessages[].content | Tipostring | RequisitoOpcional | Valores y límites Se aplica cuando: Conversación textual | Predeterminado— |
Campostream | Tipoboolean | RequisitoOpcional | Valores y límites | Predeterminadofalse |
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 |
Parámetrocontrol_scope | ContratoConversación textual; stream es un booleano y su valor predeterminado es false. |
Parámetrooutput_modalities | Contratotext |
Parámetrohosted_operations | Contratofalse |
Parámetromultimodal_input_binding | Contratonull |
Alias de método: /chat/completions
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.
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 $0.0028 / 1K tokens Salida · Tokens de salida $0.0028 / 1K tokens Entrada · Lectura de caché — / 1K tokens Entrada · Escritura en caché — / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
| ConfiguraciónTramo 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 $0.0028 / 1K tokens Salida · Tokens de salida $0.0028 / 1K tokens Entrada · Lectura de caché — / 1K tokens Entrada · Escritura en caché — / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
Ailoot reserva un importe estimado antes de la solicitud. Tras obtener el resultado, liquida el cargo definitivo según el uso medido. En las respuestas en flujo, la liquidación usa el registro de uso final. Cómo funcionan la reserva y la liquidación →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model":"glm-4-airx","messages":[{"role":"user","content":"hello"}],"stream":false}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model="glm-4-airx", messages=[{"role":"user","content":"hello"}], stream=False)\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"))\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 las cabeceras. No se proporciona una URL genérica para recuperar tareas de texto.
| Campo | Tipo |
|---|---|
Campochoices[].index | Tipointeger |
Campochoices[].message.content | Tipostring|null |
Campochoices[].message.tool_calls | Tipotool_call[] |
Campochoices[].message.reasoning_content | Tipostring |
Campochoices[].message.reasoning_details | Tipoobject|array |
Campochoices[].finish_reason | Tipostring|null |
Campousage | Tipoobject |
| Respuesta | Condición | Siguiente paso |
|---|---|---|
Respuesta400 · invalid_request_error | CondiciónCampos obligatorios, representación del material o valor del parámetro no válidos | Siguiente pasoCorrige los campos indicados antes de una nueva solicitud de creación. |
Ailoot Ultra glm-4-airx
/chat/completions
glm-4-airxGLM-4-AirX es el modelo textual de Z.ai orientado a la velocidad para diálogos de baja latencia, programación y flujos asistidos por herramientas. Su ficha publicada especifica un contexto de 8K y hasta 4K de salida, adecuado para tareas centradas con resultados concisos y estructurados.
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-AirX es el integrante de alta velocidad de la línea GLM-4 Air de Z.ai. El fabricante lo orienta a la baja latencia y a tareas concurrentes de aplicaciones, con especial atención al seguimiento de instrucciones, el código de ingeniería y las llamadas a funciones. El modelo acepta texto y devuelve texto. Su propio perfil indica una ventana de contexto de 8K tokens y una salida máxima de 4K tokens. Estas cifras son distintas del contexto más amplio anunciado para GLM-4-Air-250414; AirX conserva su propio perfil publicado.
Para un asistente interactivo, esto apunta a peticiones centradas: explicar una función, clasificar un mensaje, extraer los campos de un párrafo proporcionado o convertir una instrucción técnica en una respuesta concisa. Aporte juntos el fragmento pertinente, la pregunta actual y el resultado deseado. Mantenga la conversación completa y cualquier observación de herramientas dentro del contexto activo, en lugar de suponer que cabrá un gran corpus de referencia.
La descripción de GLM-4 incluye texto transmitido progresivamente, llamadas a funciones, caché de contexto, formatos estructurados como JSON e integración con herramientas y fuentes de datos MCP. La transmisión progresiva presenta la respuesta a medida que se genera, de modo que una aplicación puede mostrar texto útil antes de recibir la contestación completa. Cambia la entrega, no la modalidad de entrada o salida del modelo.
Las llamadas a funciones permiten al modelo proponer una acción entre las funciones descritas por la aplicación. La aplicación realiza esa acción y devuelve la observación. Un ciclo adecuado es una consulta pequeña seguida de una explicación concisa de los datos recibidos. La integración MCP depende igualmente de las herramientas y los datos que proporciona la aplicación. La caché de contexto se refiere a la reutilización de entradas repetidas; no implica que cada conversación repetida haya producido un acierto de caché.
Para un resultado JSON, indique los campos y su significado antes de aportar el material. Por ejemplo, facilite una petición técnica y solicite su categoría, la acción requerida y las preguntas sin respuesta. La estructura resultante es útil para el siguiente paso de la aplicación, mientras que los valores siguen necesitando una comprobación frente al texto proporcionado.
El fabricante incluye traducción, clasificación semántica, extracción de campos documentales, redacción de marketing, informes analíticos y planificación de itinerarios entre las aplicaciones de GLM-4. El perfil más corto de AirX favorece el paso inmediato dentro de ese flujo. Una petición de traducción puede aportar un pasaje breve, el público y la terminología; la salida es un pasaje reescrito que conserva los nombres requeridos. Una petición de clasificación puede aportar las etiquetas permitidas y sus definiciones, en lugar de pedir un juicio sin especificar.
Para extraer, defina los identificadores y demás campos solicitados e incluya únicamente el pasaje original pertinente. Para redactar, aporte los hechos del producto y una entrega, como un párrafo de producto o una frase de campaña. Para un informe o itinerario, transmita los hechos y restricciones relevantes del paso actual. Si se necesita información reciente, la herramienta de búsqueda o de datos de la aplicación la proporciona; el modelo trabaja después con ese material recibido.
AirX se describe como preentrenado con 15 billones de tokens, incluido un volumen considerable de material sintético de razonamiento. Su entrenamiento posterior utiliza alineación con preferencias de diálogo, muestreo por rechazo y aprendizaje por refuerzo para reforzar las instrucciones, el código de ingeniería y el uso de funciones. El fabricante lo presenta como una variante más rápida de GLM-4-Air-250414, con cambios en componentes subyacentes que abarcan el procesamiento inicial de la instrucción y la decodificación autorregresiva. Esto describe el diseño del fabricante, no una garantía medida de latencia o concurrencia para una implementación concreta.
Asigne a AirX una tarea acotada y un resultado esperado compacto. Para código, incluya la función, los valores de entrada pertinentes y el comportamiento requerido, y solicite después un fragmento corregido junto con su explicación. Para extracción estructurada, coloque las definiciones de los campos antes del pasaje y pida que se indique expresamente la información ausente. Ajuste el presupuesto del resultado al perfil publicado de salida de 4K; divida un informe amplio en tareas centradas en lugar de esperar un documento sin restricciones en una sola respuesta.
POST /v1/messagestextjson, sse| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites glm-4-airx | 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.
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 $0.0028 / 1K tokens Salida · Tokens de salida $0.0028 / 1K tokens Entrada · Lectura de caché — / 1K tokens Entrada · Escritura en caché — / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
| ConfiguraciónTramo 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 $0.0028 / 1K tokens Salida · Tokens de salida $0.0028 / 1K tokens Entrada · Lectura de caché — / 1K tokens Entrada · Escritura en caché — / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
Ailoot reserva un importe estimado antes de la solicitud. Tras obtener el resultado, liquida el cargo definitivo según el uso medido. En las respuestas en flujo, la liquidación usa el registro de uso final. Cómo funcionan la reserva y la liquidación →
{\n "model": "glm-4-airx",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'glm-4-airx', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'glm-4-airx', '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 las cabeceras. No se proporciona una URL genérica para recuperar tareas de texto.
| Campo | Tipo |
|---|---|
Campoid | Tipostring |
Campomodel | Tipostring |
Campocontent[] | Tipotext|thinking|tool_use|other content block |
Campostop_reason | Tipostring|null |
Campousage | Tipoobject |
| Respuesta | Condición | Siguiente paso |
|---|---|---|
Respuesta400 · invalid_request_error | CondiciónCampos obligatorios, representación del material o valor del parámetro no válidos | Siguiente pasoCorrige los campos indicados antes de una nueva solicitud de creación. |
Ailoot Ultra glm-4-airx
/chat/completions