Z.ai GLM 5.3 es un modelo de razonamiento textual a gran escala diseñado para ingeniería de software compleja y trabajo con agentes de largo recorrido. El fabricante afirma que utiliza el mismo modelo base que GLM 5.2 y que las nuevas mejoras proceden del entrenamiento posterior. La versión se centra en reforzar la programación, las operaciones de terminal y las tareas más amplias que implican varios pasos dependientes. Acepta texto y produce texto, incluido código, explicaciones, planes y solicitudes de llamadas a herramientas en una aplicación conectada a herramientas.
El modo de razonamiento documentado permanece siempre activado. GLM 5.3 ofrece tres niveles de esfuerzo: low, high y max, con max como valor predeterminado. El fabricante recomienda max para programación compleja; low ofrece una opción de razonamiento más ligera para pasos más sencillos. Utiliza el nivel seleccionado junto con un entregable final claro y criterios de finalización. Por ejemplo: «Inspecciona estos archivos y resultados fallidos, rastrea la causa en los módulos afectados, propón una corrección que conserve la interfaz pública y explica qué comprobaciones demuestran 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 deba investigar el modelo. Conserva los nombres de archivos, las definiciones pertinentes, 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 las dependencias entre módulos o una secuencia larga de observaciones del agente; no convierte un archivo desorganizado de material sin relación en una tarea bien definida.
Para trabajar con repositorios, proporciona el comportamiento esperado, el texto de origen pertinente, las versiones de las 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 los invariantes que deben conservarse intactos. Una respuesta útil contiene el código revisado, por qué el cambio aborda el problema observado y los casos necesarios para comprobar el resultado. Devuelve los resultados reales a un flujo conectado a herramientas para que el siguiente paso se base en el estado modificado, en lugar de en la propuesta anterior.
Para trabajar sobre el rendimiento, proporciona una carga de trabajo, una referencia inicial y mediciones como tiempos, perfiles o registros de asignación de memoria. Z.ai describe tareas de entrenamiento que implican diagnóstico de cuellos de botella, optimización, experimentos y resultados que preservan la corrección. Una solicitud práctica es: «Utiliza 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 pertinentes al inspeccionar un resultado.
La versión también desarrolla la capacidad de análisis de vulnerabilidades. Para una revisión defensiva del código fuente, proporciona el código pertinente, sus límites de confianza previstos y las condiciones en las que se ejecuta. Solicita un hallazgo que conecte un posible problema con la entrada y el comportamiento afectados y con una corrección concreta. Separa una posible debilidad de un fallo reproducido y conserva la observación utilizada para validarlo. Un informe resulta más útil cuando prioriza las evidencias concretas y las correcciones propuestas, en lugar de tratar cada patrón sospechoso como una vulnerabilidad confirmada.
Las llamadas a funciones permiten que una aplicación que rodea al modelo le exponga operaciones externas. Define la finalidad, los argumentos y el resultado esperado de cada herramienta; 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 diferenciadas las acciones propuestas, las operaciones ejecutadas y las comprobaciones sin resolver. El fabricante también documenta respuestas transmitidas en continuo, que devuelven por separado los fragmentos de razonamiento y respuesta; ensambla la respuesta completa antes de tratarla como informe final o explicación del código.
La ficha local del modelo proporciona un detalle específico sobre el ajuste del historial: su plantilla de chat conserva el pensamiento de forma predeterminada, mientras que el fabricante recomienda borrar explícitamente el pensamiento anterior para los escenarios de chat habituales. Aplica la estructura de conversación adecuada al caso de uso, conservando las respuestas realmente completadas y los resultados de herramientas necesarios para continuar. Evita tratar los ajustes de control del 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 origen esperados. Un artefacto útil puede 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 los utilice una aplicación. El resultado final debe identificar la respuesta o el artefacto revisado, las evidencias que lo respaldan y las suposiciones pendientes. Un mayor esfuerzo de razonamiento no demuestra que se haya ejecutado una herramienta, que un parche propuesto haya superado 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 textual a gran escala diseñado para ingeniería de software compleja y trabajo con agentes de largo recorrido. El fabricante afirma que utiliza el mismo modelo base que GLM 5.2 y que las nuevas mejoras proceden del entrenamiento posterior. La versión se centra en reforzar la programación, las operaciones de terminal y las tareas más amplias que implican varios pasos dependientes. Acepta texto y produce texto, incluido código, explicaciones, planes y solicitudes de llamadas a herramientas en una aplicación conectada a herramientas.\n\nEl modo de razonamiento documentado permanece siempre activado. GLM 5.3 ofrece tres niveles de esfuerzo: low, high y max, con max como valor predeterminado. El fabricante recomienda max para programación compleja; low ofrece una opción de razonamiento más ligera para pasos más sencillos. Utiliza el nivel seleccionado junto con un entregable final claro y criterios de finalización. Por ejemplo: «Inspecciona estos archivos y resultados fallidos, rastrea la causa en los módulos afectados, propón una corrección que conserve la interfaz pública y explica qué comprobaciones demuestran 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 deba investigar el modelo. Conserva los nombres de archivos, las definiciones pertinentes, 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 las dependencias entre módulos o una secuencia larga de observaciones del agente; no convierte un archivo desorganizado de material sin relación en una tarea bien definida.\n\nPara trabajar con repositorios, proporciona el comportamiento esperado, el texto de origen pertinente, las versiones de las 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 los invariantes que deben conservarse intactos. Una respuesta útil contiene el código revisado, por qué el cambio aborda el problema observado y los casos necesarios para comprobar el resultado. Devuelve los resultados reales a un flujo conectado a herramientas para que el siguiente paso se base en el estado modificado, en lugar de en la propuesta anterior.\n\nPara trabajar sobre el rendimiento, proporciona una carga de trabajo, una referencia inicial y mediciones como tiempos, perfiles o registros de asignación de memoria. Z.ai describe tareas de entrenamiento que implican diagnóstico de cuellos de botella, optimización, experimentos y resultados que preservan la corrección. Una solicitud práctica es: «Utiliza 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 pertinentes al inspeccionar un resultado.\n\nLa versión también desarrolla la capacidad de análisis de vulnerabilidades. Para una revisión defensiva del código fuente, proporciona el código pertinente, sus límites de confianza previstos y las condiciones en las que se ejecuta. Solicita un hallazgo que conecte un posible problema con la entrada y el comportamiento afectados y con una corrección concreta. Separa una posible debilidad de un fallo reproducido y conserva la observación utilizada para validarlo. Un informe resulta más útil cuando prioriza las evidencias concretas y las correcciones propuestas, en lugar de tratar cada patrón sospechoso como una vulnerabilidad confirmada.\n\nLas llamadas a funciones permiten que una aplicación que rodea al modelo le exponga operaciones externas. Define la finalidad, los argumentos y el resultado esperado de cada herramienta; 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 diferenciadas las acciones propuestas, las operaciones ejecutadas y las comprobaciones sin resolver. El fabricante también documenta respuestas transmitidas en continuo, que devuelven por separado los fragmentos de razonamiento y respuesta; ensambla la respuesta completa antes de tratarla como informe final o explicación del código.\n\nLa ficha local del modelo proporciona un detalle específico sobre el ajuste del historial: su plantilla de chat conserva el pensamiento de forma predeterminada, mientras que el fabricante recomienda borrar explícitamente el pensamiento anterior para los escenarios de chat habituales. Aplica la estructura de conversación adecuada al caso de uso, conservando las respuestas realmente completadas y los resultados de herramientas necesarios para continuar. Evita tratar los ajustes de control del 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 origen esperados. Un artefacto útil puede 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 los utilice una aplicación. El resultado final debe identificar la respuesta o el artefacto revisado, las evidencias que lo respaldan y las suposiciones pendientes. Un mayor esfuerzo de razonamiento no demuestra que se haya ejecutado una herramienta, que un parche propuesto haya superado sus comprobaciones ni que una afirmación factual tenga respaldo más allá del material proporcionado.", "editorialOverlay": { "copy_fields": { "practical_html": "Ejemplo técnico en inglés
Target a measured bottleneck\n\nProfile P1 for one import: parsing 0.4 s, per-row database lookups 8.1 s, writing 0.8 s. The import handles 10,000 rows, including repeated customer IDs. Propose one correctness-preserving optimization, describe what lookup behavior must remain identical and define a same-workload check before claiming an improvement.A bottleneck hypothesis, one proposed change and a correctness plus timing comparison plan.The proposal must use P1 without inventing an observed speedup or losing missing-customer behavior.glm-5.3Z.ai GLM 5.3 es un modelo de razonamiento textual para ingeniería de software compleja, trabajo en terminal y agentes de largo recorrido. Admite un contexto de 1M tokens documentado por el fabricante, hasta 128K tokens de salida, llamadas a funciones y niveles de 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 textual a gran escala diseñado para ingeniería de software compleja y trabajo con agentes de largo recorrido. El fabricante afirma que utiliza el mismo modelo base que GLM 5.2 y que las nuevas mejoras proceden del entrenamiento posterior. La versión se centra en reforzar la programación, las operaciones de terminal y las tareas más amplias que implican varios pasos dependientes. Acepta texto y produce texto, incluido código, explicaciones, planes y solicitudes de llamadas a herramientas en una aplicación conectada a herramientas.
El modo de razonamiento documentado permanece siempre activado. GLM 5.3 ofrece tres niveles de esfuerzo: low, high y max, con max como valor predeterminado. El fabricante recomienda max para programación compleja; low ofrece una opción de razonamiento más ligera para pasos más sencillos. Utiliza el nivel seleccionado junto con un entregable final claro y criterios de finalización. Por ejemplo: «Inspecciona estos archivos y resultados fallidos, rastrea la causa en los módulos afectados, propón una corrección que conserve la interfaz pública y explica qué comprobaciones demuestran 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 deba investigar el modelo. Conserva los nombres de archivos, las definiciones pertinentes, 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 las dependencias entre módulos o una secuencia larga de observaciones del agente; no convierte un archivo desorganizado de material sin relación en una tarea bien definida.
Para trabajar con repositorios, proporciona el comportamiento esperado, el texto de origen pertinente, las versiones de las 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 los invariantes que deben conservarse intactos. Una respuesta útil contiene el código revisado, por qué el cambio aborda el problema observado y los casos necesarios para comprobar el resultado. Devuelve los resultados reales a un flujo conectado a herramientas para que el siguiente paso se base en el estado modificado, en lugar de en la propuesta anterior.
Para trabajar sobre el rendimiento, proporciona una carga de trabajo, una referencia inicial y mediciones como tiempos, perfiles o registros de asignación de memoria. Z.ai describe tareas de entrenamiento que implican diagnóstico de cuellos de botella, optimización, experimentos y resultados que preservan la corrección. Una solicitud práctica es: «Utiliza 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 pertinentes al inspeccionar un resultado.
La versión también desarrolla la capacidad de análisis de vulnerabilidades. Para una revisión defensiva del código fuente, proporciona el código pertinente, sus límites de confianza previstos y las condiciones en las que se ejecuta. Solicita un hallazgo que conecte un posible problema con la entrada y el comportamiento afectados y con una corrección concreta. Separa una posible debilidad de un fallo reproducido y conserva la observación utilizada para validarlo. Un informe resulta más útil cuando prioriza las evidencias concretas y las correcciones propuestas, en lugar de tratar cada patrón sospechoso como una vulnerabilidad confirmada.
Las llamadas a funciones permiten que una aplicación que rodea al modelo le exponga operaciones externas. Define la finalidad, los argumentos y el resultado esperado de cada herramienta; 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 diferenciadas las acciones propuestas, las operaciones ejecutadas y las comprobaciones sin resolver. El fabricante también documenta respuestas transmitidas en continuo, que devuelven por separado los fragmentos de razonamiento y respuesta; ensambla la respuesta completa antes de tratarla como informe final o explicación del código.
La ficha local del modelo proporciona un detalle específico sobre el ajuste del historial: su plantilla de chat conserva el pensamiento de forma predeterminada, mientras que el fabricante recomienda borrar explícitamente el pensamiento anterior para los escenarios de chat habituales. Aplica la estructura de conversación adecuada al caso de uso, conservando las respuestas realmente completadas y los resultados de herramientas necesarios para continuar. Evita tratar los ajustes de control del 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 origen esperados. Un artefacto útil puede 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 los utilice una aplicación. El resultado final debe identificar la respuesta o el artefacto revisado, las evidencias que lo respaldan y las suposiciones pendientes. Un mayor esfuerzo de razonamiento no demuestra que se haya ejecutado una herramienta, que un parche propuesto haya superado sus comprobaciones ni que una afirmación factual tenga respaldo más allá del material proporcionado.
POST /v1/messagestexttext| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites glm-5.3 | Predeterminado— |
Campomessages | Tipomessage[] | RequisitoObligatorio | Valores y límites Número mínimo de elementos: 1 | Predeterminado— |
Campomessages[].role | Tipostring | RequisitoObligatorio | Valores y límites user, assistant | Predeterminado— |
Campomessages[].content | Tipostring|content_block[] | RequisitoObligatorio | Valores y límites | Predeterminado— |
Camposystem | Tipostring|content_block[] | RequisitoOpcional | Valores y límites | Predeterminado— |
Campomax_tokens | Tipointeger | RequisitoObligatorio | Valores y límites Mínimo: 1 El límite se aplica a: límite máximo exacto de la ficha del modelo seleccionado | Predeterminado— |
Campostream | Tipoboolean | RequisitoOpcional | Valores y límites | Predeterminadofalse |
Campotemperature | Tiponumber | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campotop_p | Tiponumber | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campostop_sequences | Tipostring[] | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campotools | Tipotool[] | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campotools[].name | Tipostring | RequisitoOpcional | Valores y límites Se aplica cuando: herramienta proporcionada | Predeterminado— |
Campotools[].description | Tipostring | RequisitoOpcional | Valores y límites | Predeterminado— |
Campotools[].input_schema | TipoJSON_schema | RequisitoOpcional | Valores y límites | Predeterminado— |
Campotool_choice | Tipoobject | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campothinking.type | Tipostring | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campothinking.budget_tokens | Tipointeger | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campooutput_config.effort | Tipostring | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campometadata | Tipoobject | RequisitoOpcional | Valores y límites | Predeterminado— |
Campocache_control | Tipoobject | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Texto · Texto UTF8
messages[].content o bloque type=text
| Parámetro | Contrato |
|---|---|
Parámetromaterial_types | Contratotext |
Parámetrorequired | Contratomodel, messages, max_tokens |
Parámetrooptional_controls | Contratonull |
Parámetrocontent_type | Contratoapplication/json |
Parámetrotext_file_material | Contratocontenido real en UTF-8 insertado como texto; los ID de archivo y las URLs requieren compatibilidad específica e independiente |
Ciclo de vida: exact retained published method
Las estructuras e ID de los métodos son exactos; la capacidad del proveedor y la admisión son conceptos distintos.
POST /v1/messagesAiloot 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 →
Las tablas de referencia del modelo no cambian la selección del método, las estimaciones de coste ni los cargos. Los cargos aplicados usan las tarifas del método Ailoot 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 |
|---|---|---|---|---|
| ConfiguraciónOpenAI Chat · Tarifas 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 $0.0088 / 1K tokens Entrada · Lectura de caché $0.00052 / 1K tokens Entrada · Escritura en caché — / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
| ConfiguraciónOpenAI Chat · Nivel 1 según la 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 $0.0088 / 1K tokens Entrada · Lectura de caché $0.00052 / 1K tokens Entrada · Escritura en caché — / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
| ConfiguraciónAnthropic Messages · Tarifas 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 $0.0088 / 1K tokens Entrada · Lectura de caché $0.00052 / 1K tokens Entrada · Escritura en caché — / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
| ConfiguraciónAnthropic Messages · Nivel 1 según la 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 $0.0088 / 1K tokens Entrada · Lectura de caché $0.00052 / 1K tokens Entrada · Escritura en caché — / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 source-material file}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "glm-5.3", "max_tokens": 1024, "messages": []}')\nf=Path(os.environ["AILOOT_TEXT_FILE"])\nif not f.is_file():raise SystemExit("Choose your actual UTF-8 source material")\ntext=f.read_text(encoding="utf-8")\nif not text.strip():raise SystemExit("Source material must contain text")\np["messages"]=[{"role":"user","content":"Summarize this material and quote supporting source passages.\\n\\n"+text}]\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/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\nprint(json.dumps(json.loads(Path("result.json").read_text()),ensure_ascii=False,indent=2))\nPY_RESULT\nimport anthropic\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient = anthropic.Anthropic(base_url="https://api.ailoot.ai", api_key=os.environ["AILOOT_API_KEY"], max_retries=0)\nmsg = client.messages.create(\n model="glm-5.3",\n max_tokens=1024,\n messages=[{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}],\n)\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(msg.to_dict(mode="json"))\nimport Anthropic from "@anthropic-ai/sdk";\n\nif (!process.env.AILOOT_API_KEY?.trim()) throw new Error("Set AILOOT_API_KEY before making a request");\nconst client = new Anthropic({ baseURL: "https://api.ailoot.ai", apiKey: process.env.AILOOT_API_KEY, maxRetries: 0 });\nconst msg = await client.messages.create({\n model: "glm-5.3",\n max_tokens: 1024,\n messages: [{ role: "user", content: "Explain the difference between an observation and a hypothesis in three sentences." }],\n});\nimport { writeFileSync } from "node:fs";\n\nfunction saveResult(data, stem = "result") {\n writeFileSync(stem + ".json", JSON.stringify(data, null, 2));\n console.log(JSON.stringify(data, null, 2));\n const saveBlob = (encoded, suffix, label) => {\n const raw = Buffer.from(encoded, "base64");\n const ext = raw.subarray(0,8).equals(Buffer.from([137,80,78,71,13,10,26,10])) ? "png" : raw[0]===255 && raw[1]===216 ? "jpg" : raw.subarray(0,4).toString()==="RIFF" && raw.subarray(8,12).toString()==="WEBP" ? "webp" : suffix;\n const file = `${stem}-${label}.${ext}`;\n writeFileSync(file, raw); console.log("Saved", file);\n };\n for (const [i, block] of (data.content || []).entries()) console.log("Content", i, JSON.stringify(block));\n for (const choice of data.choices || []) console.log("Choice", choice.index, JSON.stringify(choice.message || choice.delta || {}));\n for (const [i, item] of (data.output || []).entries()) {\n console.log("Output", i, JSON.stringify(item));\n if (item.type === "image_generation_call" && item.result) saveBlob(item.result, item.output_format || "bin", `output-${i}`);\n }\n for (const [ci, candidate] of (data.candidates || []).entries()) {\n for (const [pi, part] of (candidate.content?.parts || []).entries()) {\n console.log("Candidate/part", ci, pi, JSON.stringify(part));\n const blob = part.inlineData || part.inline_data;\n if (blob?.data) {\n const mime = blob.mimeType || blob.mime_type;\n const suffix = ({"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"})[mime] || "bin";\n saveBlob(blob.data, suffix, `candidate-${ci}-part-${pi}`);\n }\n }\n }\n}\n\nsaveResult(msg);\nimport anthropic,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=anthropic.Anthropic(base_url="https://api.ailoot.ai",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.messages.stream(model='glm-5.3',max_tokens=1024,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_message()\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 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 glm-5.3, glm, glm-5, glm-5.1, glm-5.2, glm-latest
Ailoot Ultra glm-5.3, z-ai/glm-5.3, ~z-ai/glm-latest
/chat/completions
z-ai/glm-5.3, glm, glm-5, glm-5.1, glm-5.2, glm-latest, ~z-ai/glm-latest, glm-5.3, glm-5.3
glm-5.3Z.ai GLM 5.3 es un modelo de razonamiento textual para ingeniería de software compleja, trabajo en terminal y agentes de largo recorrido. Admite un contexto de 1M tokens documentado por el fabricante, hasta 128K tokens de salida, llamadas a funciones y niveles de 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 textual a gran escala diseñado para ingeniería de software compleja y trabajo con agentes de largo recorrido. El fabricante afirma que utiliza el mismo modelo base que GLM 5.2 y que las nuevas mejoras proceden del entrenamiento posterior. La versión se centra en reforzar la programación, las operaciones de terminal y las tareas más amplias que implican varios pasos dependientes. Acepta texto y produce texto, incluido código, explicaciones, planes y solicitudes de llamadas a herramientas en una aplicación conectada a herramientas.
El modo de razonamiento documentado permanece siempre activado. GLM 5.3 ofrece tres niveles de esfuerzo: low, high y max, con max como valor predeterminado. El fabricante recomienda max para programación compleja; low ofrece una opción de razonamiento más ligera para pasos más sencillos. Utiliza el nivel seleccionado junto con un entregable final claro y criterios de finalización. Por ejemplo: «Inspecciona estos archivos y resultados fallidos, rastrea la causa en los módulos afectados, propón una corrección que conserve la interfaz pública y explica qué comprobaciones demuestran 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 deba investigar el modelo. Conserva los nombres de archivos, las definiciones pertinentes, 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 las dependencias entre módulos o una secuencia larga de observaciones del agente; no convierte un archivo desorganizado de material sin relación en una tarea bien definida.
Para trabajar con repositorios, proporciona el comportamiento esperado, el texto de origen pertinente, las versiones de las 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 los invariantes que deben conservarse intactos. Una respuesta útil contiene el código revisado, por qué el cambio aborda el problema observado y los casos necesarios para comprobar el resultado. Devuelve los resultados reales a un flujo conectado a herramientas para que el siguiente paso se base en el estado modificado, en lugar de en la propuesta anterior.
Para trabajar sobre el rendimiento, proporciona una carga de trabajo, una referencia inicial y mediciones como tiempos, perfiles o registros de asignación de memoria. Z.ai describe tareas de entrenamiento que implican diagnóstico de cuellos de botella, optimización, experimentos y resultados que preservan la corrección. Una solicitud práctica es: «Utiliza 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 pertinentes al inspeccionar un resultado.
La versión también desarrolla la capacidad de análisis de vulnerabilidades. Para una revisión defensiva del código fuente, proporciona el código pertinente, sus límites de confianza previstos y las condiciones en las que se ejecuta. Solicita un hallazgo que conecte un posible problema con la entrada y el comportamiento afectados y con una corrección concreta. Separa una posible debilidad de un fallo reproducido y conserva la observación utilizada para validarlo. Un informe resulta más útil cuando prioriza las evidencias concretas y las correcciones propuestas, en lugar de tratar cada patrón sospechoso como una vulnerabilidad confirmada.
Las llamadas a funciones permiten que una aplicación que rodea al modelo le exponga operaciones externas. Define la finalidad, los argumentos y el resultado esperado de cada herramienta; 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 diferenciadas las acciones propuestas, las operaciones ejecutadas y las comprobaciones sin resolver. El fabricante también documenta respuestas transmitidas en continuo, que devuelven por separado los fragmentos de razonamiento y respuesta; ensambla la respuesta completa antes de tratarla como informe final o explicación del código.
La ficha local del modelo proporciona un detalle específico sobre el ajuste del historial: su plantilla de chat conserva el pensamiento de forma predeterminada, mientras que el fabricante recomienda borrar explícitamente el pensamiento anterior para los escenarios de chat habituales. Aplica la estructura de conversación adecuada al caso de uso, conservando las respuestas realmente completadas y los resultados de herramientas necesarios para continuar. Evita tratar los ajustes de control del 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 origen esperados. Un artefacto útil puede 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 los utilice una aplicación. El resultado final debe identificar la respuesta o el artefacto revisado, las evidencias que lo respaldan y las suposiciones pendientes. Un mayor esfuerzo de razonamiento no demuestra que se haya ejecutado una herramienta, que un parche propuesto haya superado sus comprobaciones ni que una afirmación factual tenga respaldo más allá del material proporcionado.
POST /v1/responsestexttext| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites glm-5.3 | Predeterminado— |
Campoinput | Tipostring|input_item[] | RequisitoObligatorio | Valores y límites | Predeterminado— |
Campoinstructions | Tipostring | RequisitoOpcional | Valores y límites | Predeterminado— |
Campoinput[].type | Tipostring | RequisitoOpcional | Valores y límites message, reasoning, function_call, function_call_output | Predeterminado— |
Campoinput[].content | Tipostring|content_part[] | RequisitoOpcional | Valores y límites | Predeterminado— |
Campoinput[].call_id | Tipostring | RequisitoOpcional | Valores y límites Se aplica cuando: function_call_output; conserva el call_id real devuelto | Predeterminado— |
Campoinput[].output | Tipostring|content_part[] | RequisitoOpcional | Valores y límites Se aplica cuando: function_call_output | Predeterminado— |
Campomax_output_tokens | Tipointeger | RequisitoOpcional | Valores y límites Mínimo: 1 Depende del modelo | Predeterminado— |
Campostream | Tipoboolean | RequisitoOpcional | Valores y límites | Predeterminadofalse |
Campotemperature | Tiponumber | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campotop_p | Tiponumber | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campotools | Tipotool[] | RequisitoOpcional | Valores y límites Depende del modelo | 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— |
Camporeasoning.effort | Tipostring | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Camporeasoning.summary | Tipostring | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campotext.format | Tipoobject | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campotext.verbosity | Tipostring | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campoinclude | Tipostring[] | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campostore | Tipoboolean | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campoprevious_response_id | Tipostring | RequisitoOpcional | Valores y límites Requisito de ID: Solo un ID real de respuesta de una continuación compatible Depende del modelo | Predeterminado— |
Camposervice_tier | Tipostring | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campoprompt_cache_key | Tipostring | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campoprompt_cache_options | Tipoobject | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Texto · Texto UTF8
texto en input o parte input_text
| Parámetro | Contrato |
|---|---|
Parámetromaterial_types | Contratotext |
Parámetrorequired | Contratomodel, input |
Parámetrooptional_controls | Contratonull |
Parámetrocontent_type | Contratoapplication/json |
Parámetrotext_file_material | Contratocontenido real en UTF-8 insertado como texto; los ID de archivo y las URLs requieren compatibilidad específica e independiente |
Ciclo de vida: exact retained published method
Las estructuras e ID de los métodos son exactos; la capacidad del proveedor y la admisión son conceptos distintos.
POST /v1/responsesAiloot 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 →
Las tablas de referencia del modelo no cambian la selección del método, las estimaciones de coste ni los cargos. Los cargos aplicados usan las tarifas del método Ailoot 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 |
|---|---|---|---|---|
| ConfiguraciónOpenAI Chat · Tarifas 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 $0.0088 / 1K tokens Entrada · Lectura de caché $0.00052 / 1K tokens Entrada · Escritura en caché — / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
| ConfiguraciónOpenAI Chat · Nivel 1 según la 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 $0.0088 / 1K tokens Entrada · Lectura de caché $0.00052 / 1K tokens Entrada · Escritura en caché — / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
| ConfiguraciónAnthropic Messages · Tarifas 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 $0.0088 / 1K tokens Entrada · Lectura de caché $0.00052 / 1K tokens Entrada · Escritura en caché — / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
| ConfiguraciónAnthropic Messages · Nivel 1 según la 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 $0.0088 / 1K tokens Entrada · Lectura de caché $0.00052 / 1K tokens Entrada · Escritura en caché — / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 source-material file}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "glm-5.3", "input": ""}')\nf=Path(os.environ["AILOOT_TEXT_FILE"])\nif not f.is_file():raise SystemExit("Choose your actual UTF-8 source material")\ntext=f.read_text(encoding="utf-8")\nif not text.strip():raise SystemExit("Source material must contain text")\np["input"]="Summarize this material and quote supporting source passages.\\n\\n"+text\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/responses \\\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 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(json.loads(Path("result.json").read_text(encoding="utf-8")))\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)\nresp = client.responses.create(model="glm-5.3", input="Explain the difference between an observation and a hypothesis 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(resp.to_dict(mode="json"))\nimport OpenAI from "openai";\n\nif (!process.env.AILOOT_API_KEY?.trim()) throw new Error("Set AILOOT_API_KEY before making a request");\nconst client = new OpenAI({ baseURL: "https://api.ailoot.ai/v1", apiKey: process.env.AILOOT_API_KEY, maxRetries: 0 });\nconst resp = await client.responses.create({ model: "glm-5.3", input: "Explain the difference between an observation and a hypothesis in three sentences." });\nimport { writeFileSync } from "node:fs";\n\nfunction saveResult(data, stem = "result") {\n writeFileSync(stem + ".json", JSON.stringify(data, null, 2));\n console.log(JSON.stringify(data, null, 2));\n const saveBlob = (encoded, suffix, label) => {\n const raw = Buffer.from(encoded, "base64");\n const ext = raw.subarray(0,8).equals(Buffer.from([137,80,78,71,13,10,26,10])) ? "png" : raw[0]===255 && raw[1]===216 ? "jpg" : raw.subarray(0,4).toString()==="RIFF" && raw.subarray(8,12).toString()==="WEBP" ? "webp" : suffix;\n const file = `${stem}-${label}.${ext}`;\n writeFileSync(file, raw); console.log("Saved", file);\n };\n for (const [i, block] of (data.content || []).entries()) console.log("Content", i, JSON.stringify(block));\n for (const choice of data.choices || []) console.log("Choice", choice.index, JSON.stringify(choice.message || choice.delta || {}));\n for (const [i, item] of (data.output || []).entries()) {\n console.log("Output", i, JSON.stringify(item));\n if (item.type === "image_generation_call" && item.result) saveBlob(item.result, item.output_format || "bin", `output-${i}`);\n }\n for (const [ci, candidate] of (data.candidates || []).entries()) {\n for (const [pi, part] of (candidate.content?.parts || []).entries()) {\n console.log("Candidate/part", ci, pi, JSON.stringify(part));\n const blob = part.inlineData || part.inline_data;\n if (blob?.data) {\n const mime = blob.mimeType || blob.mime_type;\n const suffix = ({"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"})[mime] || "bin";\n saveBlob(blob.data, suffix, `candidate-${ci}-part-${pi}`);\n }\n }\n }\n}\n\nsaveResult(resp);\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\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\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)\nwith client.responses.stream(model="glm-5.3", input="Explain the difference between an observation and a hypothesis 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_response()\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 todos los elementos de salida y partes de contenido, el call_id real de la función, el razonamiento cifrado y el uso. Durante la transmisión en flujo, conserva la identidad completa de cada evento y elemento.
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 |
Campostatus | Tipostring |
Campooutput[] | Tipomessage|reasoning|function_call|other item |
Campooutput[].content[] | Tipocontent part |
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 glm-5.3, glm, glm-5, glm-5.1, glm-5.2, glm-latest
Ailoot Ultra glm-5.3, z-ai/glm-5.3, ~z-ai/glm-latest
/chat/completions
z-ai/glm-5.3, glm, glm-5, glm-5.1, glm-5.2, glm-latest, ~z-ai/glm-latest, glm-5.3, glm-5.3
glm-5.3Z.ai GLM 5.3 es un modelo de razonamiento textual para ingeniería de software compleja, trabajo en terminal y agentes de largo recorrido. Admite un contexto de 1M tokens documentado por el fabricante, hasta 128K tokens de salida, llamadas a funciones y niveles de 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 textual a gran escala diseñado para ingeniería de software compleja y trabajo con agentes de largo recorrido. El fabricante afirma que utiliza el mismo modelo base que GLM 5.2 y que las nuevas mejoras proceden del entrenamiento posterior. La versión se centra en reforzar la programación, las operaciones de terminal y las tareas más amplias que implican varios pasos dependientes. Acepta texto y produce texto, incluido código, explicaciones, planes y solicitudes de llamadas a herramientas en una aplicación conectada a herramientas.
El modo de razonamiento documentado permanece siempre activado. GLM 5.3 ofrece tres niveles de esfuerzo: low, high y max, con max como valor predeterminado. El fabricante recomienda max para programación compleja; low ofrece una opción de razonamiento más ligera para pasos más sencillos. Utiliza el nivel seleccionado junto con un entregable final claro y criterios de finalización. Por ejemplo: «Inspecciona estos archivos y resultados fallidos, rastrea la causa en los módulos afectados, propón una corrección que conserve la interfaz pública y explica qué comprobaciones demuestran 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 deba investigar el modelo. Conserva los nombres de archivos, las definiciones pertinentes, 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 las dependencias entre módulos o una secuencia larga de observaciones del agente; no convierte un archivo desorganizado de material sin relación en una tarea bien definida.
Para trabajar con repositorios, proporciona el comportamiento esperado, el texto de origen pertinente, las versiones de las 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 los invariantes que deben conservarse intactos. Una respuesta útil contiene el código revisado, por qué el cambio aborda el problema observado y los casos necesarios para comprobar el resultado. Devuelve los resultados reales a un flujo conectado a herramientas para que el siguiente paso se base en el estado modificado, en lugar de en la propuesta anterior.
Para trabajar sobre el rendimiento, proporciona una carga de trabajo, una referencia inicial y mediciones como tiempos, perfiles o registros de asignación de memoria. Z.ai describe tareas de entrenamiento que implican diagnóstico de cuellos de botella, optimización, experimentos y resultados que preservan la corrección. Una solicitud práctica es: «Utiliza 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 pertinentes al inspeccionar un resultado.
La versión también desarrolla la capacidad de análisis de vulnerabilidades. Para una revisión defensiva del código fuente, proporciona el código pertinente, sus límites de confianza previstos y las condiciones en las que se ejecuta. Solicita un hallazgo que conecte un posible problema con la entrada y el comportamiento afectados y con una corrección concreta. Separa una posible debilidad de un fallo reproducido y conserva la observación utilizada para validarlo. Un informe resulta más útil cuando prioriza las evidencias concretas y las correcciones propuestas, en lugar de tratar cada patrón sospechoso como una vulnerabilidad confirmada.
Las llamadas a funciones permiten que una aplicación que rodea al modelo le exponga operaciones externas. Define la finalidad, los argumentos y el resultado esperado de cada herramienta; 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 diferenciadas las acciones propuestas, las operaciones ejecutadas y las comprobaciones sin resolver. El fabricante también documenta respuestas transmitidas en continuo, que devuelven por separado los fragmentos de razonamiento y respuesta; ensambla la respuesta completa antes de tratarla como informe final o explicación del código.
La ficha local del modelo proporciona un detalle específico sobre el ajuste del historial: su plantilla de chat conserva el pensamiento de forma predeterminada, mientras que el fabricante recomienda borrar explícitamente el pensamiento anterior para los escenarios de chat habituales. Aplica la estructura de conversación adecuada al caso de uso, conservando las respuestas realmente completadas y los resultados de herramientas necesarios para continuar. Evita tratar los ajustes de control del 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 origen esperados. Un artefacto útil puede 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 los utilice una aplicación. El resultado final debe identificar la respuesta o el artefacto revisado, las evidencias que lo respaldan y las suposiciones pendientes. Un mayor esfuerzo de razonamiento no demuestra que se haya ejecutado una herramienta, que un parche propuesto haya superado sus comprobaciones ni que una afirmación factual tenga respaldo más allá del material proporcionado.
POST /v1/chat/completionstexttext| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites glm-5.3 | 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 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— |
Texto · Texto UTF8
messages[].content
| Parámetro | Contrato |
|---|---|
Parámetromaterial_types | Contratotext |
Parámetrorequired | Contratomodel, messages |
Parámetrooptional_controls | Contratonull |
Parámetrocontent_type | Contratoapplication/json |
Parámetrotext_file_material | Contratocontenido real en UTF-8 insertado como texto; los ID de archivo y las URLs requieren compatibilidad específica e independiente |
Ciclo de vida: exact retained published method
Las estructuras e ID de los métodos son exactos; la capacidad del proveedor y la admisión son conceptos distintos.
POST /v1/chat/completionsAiloot 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 →
Las tablas de referencia del modelo no cambian la selección del método, las estimaciones de coste ni los cargos. Los cargos aplicados usan las tarifas del método Ailoot 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 |
|---|---|---|---|---|
| ConfiguraciónOpenAI Chat · Tarifas 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 $0.0088 / 1K tokens Entrada · Lectura de caché $0.00052 / 1K tokens Entrada · Escritura en caché — / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
| ConfiguraciónOpenAI Chat · Nivel 1 según la 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 $0.0088 / 1K tokens Entrada · Lectura de caché $0.00052 / 1K tokens Entrada · Escritura en caché — / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
| ConfiguraciónAnthropic Messages · Tarifas 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 $0.0088 / 1K tokens Entrada · Lectura de caché $0.00052 / 1K tokens Entrada · Escritura en caché — / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
| ConfiguraciónAnthropic Messages · Nivel 1 según la 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 $0.0088 / 1K tokens Entrada · Lectura de caché $0.00052 / 1K tokens Entrada · Escritura en caché — / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 source-material file}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "glm-5.3", "messages": []}')\nf=Path(os.environ["AILOOT_TEXT_FILE"])\nif not f.is_file():raise SystemExit("Choose your actual UTF-8 source material")\ntext=f.read_text(encoding="utf-8")\nif not text.strip():raise SystemExit("Source material must contain text")\np["messages"]=[{"role":"user","content":"Summarize this material and quote supporting source passages.\\n\\n"+text}]\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\nprint(json.dumps(json.loads(Path("result.json").read_text()),ensure_ascii=False,indent=2))\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)\nresp = client.chat.completions.create(\n model="glm-5.3",\n messages=[{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}],\n)\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(resp.to_dict(mode="json"))\nimport OpenAI from "openai";\n\nif (!process.env.AILOOT_API_KEY?.trim()) throw new Error("Set AILOOT_API_KEY before making a request");\nconst client = new OpenAI({ baseURL: "https://api.ailoot.ai/v1", apiKey: process.env.AILOOT_API_KEY, maxRetries: 0 });\nconst resp = await client.chat.completions.create({\n model: "glm-5.3",\n messages: [{ role: "user", content: "Explain the difference between an observation and a hypothesis in three sentences." }],\n});\nimport { writeFileSync } from "node:fs";\n\nfunction saveResult(data, stem = "result") {\n writeFileSync(stem + ".json", JSON.stringify(data, null, 2));\n console.log(JSON.stringify(data, null, 2));\n const saveBlob = (encoded, suffix, label) => {\n const raw = Buffer.from(encoded, "base64");\n const ext = raw.subarray(0,8).equals(Buffer.from([137,80,78,71,13,10,26,10])) ? "png" : raw[0]===255 && raw[1]===216 ? "jpg" : raw.subarray(0,4).toString()==="RIFF" && raw.subarray(8,12).toString()==="WEBP" ? "webp" : suffix;\n const file = `${stem}-${label}.${ext}`;\n writeFileSync(file, raw); console.log("Saved", file);\n };\n for (const [i, block] of (data.content || []).entries()) console.log("Content", i, JSON.stringify(block));\n for (const choice of data.choices || []) console.log("Choice", choice.index, JSON.stringify(choice.message || choice.delta || {}));\n for (const [i, item] of (data.output || []).entries()) {\n console.log("Output", i, JSON.stringify(item));\n if (item.type === "image_generation_call" && item.result) saveBlob(item.result, item.output_format || "bin", `output-${i}`);\n }\n for (const [ci, candidate] of (data.candidates || []).entries()) {\n for (const [pi, part] of (candidate.content?.parts || []).entries()) {\n console.log("Candidate/part", ci, pi, JSON.stringify(part));\n const blob = part.inlineData || part.inline_data;\n if (blob?.data) {\n const mime = blob.mimeType || blob.mime_type;\n const suffix = ({"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"})[mime] || "bin";\n saveBlob(blob.data, suffix, `candidate-${ci}-part-${pi}`);\n }\n }\n }\n}\n\nsaveResult(resp);\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='glm-5.3',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 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 glm-5.3, glm, glm-5, glm-5.1, glm-5.2, glm-latest
Ailoot Ultra glm-5.3, z-ai/glm-5.3, ~z-ai/glm-latest
/chat/completions
z-ai/glm-5.3, glm, glm-5, glm-5.1, glm-5.2, glm-latest, ~z-ai/glm-latest, glm-5.3, glm-5.3
glm-5.3Z.ai GLM 5.3 es un modelo de razonamiento textual para ingeniería de software compleja, trabajo en terminal y agentes de largo recorrido. Admite un contexto de 1M tokens documentado por el fabricante, hasta 128K tokens de salida, llamadas a funciones y niveles de 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 textual a gran escala diseñado para ingeniería de software compleja y trabajo con agentes de largo recorrido. El fabricante afirma que utiliza el mismo modelo base que GLM 5.2 y que las nuevas mejoras proceden del entrenamiento posterior. La versión se centra en reforzar la programación, las operaciones de terminal y las tareas más amplias que implican varios pasos dependientes. Acepta texto y produce texto, incluido código, explicaciones, planes y solicitudes de llamadas a herramientas en una aplicación conectada a herramientas.
El modo de razonamiento documentado permanece siempre activado. GLM 5.3 ofrece tres niveles de esfuerzo: low, high y max, con max como valor predeterminado. El fabricante recomienda max para programación compleja; low ofrece una opción de razonamiento más ligera para pasos más sencillos. Utiliza el nivel seleccionado junto con un entregable final claro y criterios de finalización. Por ejemplo: «Inspecciona estos archivos y resultados fallidos, rastrea la causa en los módulos afectados, propón una corrección que conserve la interfaz pública y explica qué comprobaciones demuestran 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 deba investigar el modelo. Conserva los nombres de archivos, las definiciones pertinentes, 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 las dependencias entre módulos o una secuencia larga de observaciones del agente; no convierte un archivo desorganizado de material sin relación en una tarea bien definida.
Para trabajar con repositorios, proporciona el comportamiento esperado, el texto de origen pertinente, las versiones de las 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 los invariantes que deben conservarse intactos. Una respuesta útil contiene el código revisado, por qué el cambio aborda el problema observado y los casos necesarios para comprobar el resultado. Devuelve los resultados reales a un flujo conectado a herramientas para que el siguiente paso se base en el estado modificado, en lugar de en la propuesta anterior.
Para trabajar sobre el rendimiento, proporciona una carga de trabajo, una referencia inicial y mediciones como tiempos, perfiles o registros de asignación de memoria. Z.ai describe tareas de entrenamiento que implican diagnóstico de cuellos de botella, optimización, experimentos y resultados que preservan la corrección. Una solicitud práctica es: «Utiliza 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 pertinentes al inspeccionar un resultado.
La versión también desarrolla la capacidad de análisis de vulnerabilidades. Para una revisión defensiva del código fuente, proporciona el código pertinente, sus límites de confianza previstos y las condiciones en las que se ejecuta. Solicita un hallazgo que conecte un posible problema con la entrada y el comportamiento afectados y con una corrección concreta. Separa una posible debilidad de un fallo reproducido y conserva la observación utilizada para validarlo. Un informe resulta más útil cuando prioriza las evidencias concretas y las correcciones propuestas, en lugar de tratar cada patrón sospechoso como una vulnerabilidad confirmada.
Las llamadas a funciones permiten que una aplicación que rodea al modelo le exponga operaciones externas. Define la finalidad, los argumentos y el resultado esperado de cada herramienta; 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 diferenciadas las acciones propuestas, las operaciones ejecutadas y las comprobaciones sin resolver. El fabricante también documenta respuestas transmitidas en continuo, que devuelven por separado los fragmentos de razonamiento y respuesta; ensambla la respuesta completa antes de tratarla como informe final o explicación del código.
La ficha local del modelo proporciona un detalle específico sobre el ajuste del historial: su plantilla de chat conserva el pensamiento de forma predeterminada, mientras que el fabricante recomienda borrar explícitamente el pensamiento anterior para los escenarios de chat habituales. Aplica la estructura de conversación adecuada al caso de uso, conservando las respuestas realmente completadas y los resultados de herramientas necesarios para continuar. Evita tratar los ajustes de control del 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 origen esperados. Un artefacto útil puede 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 los utilice una aplicación. El resultado final debe identificar la respuesta o el artefacto revisado, las evidencias que lo respaldan y las suposiciones pendientes. Un mayor esfuerzo de razonamiento no demuestra que se haya ejecutado una herramienta, que un parche propuesto haya superado sus comprobaciones ni que una afirmación factual tenga respaldo más allá del material proporcionado.
POST /v1/chat/completionstexttext| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites glm-5.3 | 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 $0.0088 / 1K tokens Entrada · Lectura de caché $0.00052 / 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 $0.0088 / 1K tokens Entrada · Lectura de caché $0.00052 / 1K tokens Entrada · Escritura en caché — / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
Ailoot reserva un importe estimado antes de la solicitud. Tras obtener el resultado, liquida el cargo definitivo según el uso medido. En las respuestas en flujo, la liquidación usa el registro de uso final. Cómo funcionan la reserva y la liquidación →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model":"glm-5.3","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-5.3", 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 glm-5.3, glm, glm-5, glm-5.1, glm-5.2, glm-latest
Ailoot Ultra glm-5.3, z-ai/glm-5.3, ~z-ai/glm-latest
/chat/completions
z-ai/glm-5.3, glm, glm-5, glm-5.1, glm-5.2, glm-latest, ~z-ai/glm-latest, glm-5.3, glm-5.3
glm-5.3Z.ai GLM 5.3 es un modelo de razonamiento textual para ingeniería de software compleja, trabajo en terminal y agentes de largo recorrido. Admite un contexto de 1M tokens documentado por el fabricante, hasta 128K tokens de salida, llamadas a funciones y niveles de 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 textual a gran escala diseñado para ingeniería de software compleja y trabajo con agentes de largo recorrido. El fabricante afirma que utiliza el mismo modelo base que GLM 5.2 y que las nuevas mejoras proceden del entrenamiento posterior. La versión se centra en reforzar la programación, las operaciones de terminal y las tareas más amplias que implican varios pasos dependientes. Acepta texto y produce texto, incluido código, explicaciones, planes y solicitudes de llamadas a herramientas en una aplicación conectada a herramientas.
El modo de razonamiento documentado permanece siempre activado. GLM 5.3 ofrece tres niveles de esfuerzo: low, high y max, con max como valor predeterminado. El fabricante recomienda max para programación compleja; low ofrece una opción de razonamiento más ligera para pasos más sencillos. Utiliza el nivel seleccionado junto con un entregable final claro y criterios de finalización. Por ejemplo: «Inspecciona estos archivos y resultados fallidos, rastrea la causa en los módulos afectados, propón una corrección que conserve la interfaz pública y explica qué comprobaciones demuestran 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 deba investigar el modelo. Conserva los nombres de archivos, las definiciones pertinentes, 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 las dependencias entre módulos o una secuencia larga de observaciones del agente; no convierte un archivo desorganizado de material sin relación en una tarea bien definida.
Para trabajar con repositorios, proporciona el comportamiento esperado, el texto de origen pertinente, las versiones de las 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 los invariantes que deben conservarse intactos. Una respuesta útil contiene el código revisado, por qué el cambio aborda el problema observado y los casos necesarios para comprobar el resultado. Devuelve los resultados reales a un flujo conectado a herramientas para que el siguiente paso se base en el estado modificado, en lugar de en la propuesta anterior.
Para trabajar sobre el rendimiento, proporciona una carga de trabajo, una referencia inicial y mediciones como tiempos, perfiles o registros de asignación de memoria. Z.ai describe tareas de entrenamiento que implican diagnóstico de cuellos de botella, optimización, experimentos y resultados que preservan la corrección. Una solicitud práctica es: «Utiliza 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 pertinentes al inspeccionar un resultado.
La versión también desarrolla la capacidad de análisis de vulnerabilidades. Para una revisión defensiva del código fuente, proporciona el código pertinente, sus límites de confianza previstos y las condiciones en las que se ejecuta. Solicita un hallazgo que conecte un posible problema con la entrada y el comportamiento afectados y con una corrección concreta. Separa una posible debilidad de un fallo reproducido y conserva la observación utilizada para validarlo. Un informe resulta más útil cuando prioriza las evidencias concretas y las correcciones propuestas, en lugar de tratar cada patrón sospechoso como una vulnerabilidad confirmada.
Las llamadas a funciones permiten que una aplicación que rodea al modelo le exponga operaciones externas. Define la finalidad, los argumentos y el resultado esperado de cada herramienta; 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 diferenciadas las acciones propuestas, las operaciones ejecutadas y las comprobaciones sin resolver. El fabricante también documenta respuestas transmitidas en continuo, que devuelven por separado los fragmentos de razonamiento y respuesta; ensambla la respuesta completa antes de tratarla como informe final o explicación del código.
La ficha local del modelo proporciona un detalle específico sobre el ajuste del historial: su plantilla de chat conserva el pensamiento de forma predeterminada, mientras que el fabricante recomienda borrar explícitamente el pensamiento anterior para los escenarios de chat habituales. Aplica la estructura de conversación adecuada al caso de uso, conservando las respuestas realmente completadas y los resultados de herramientas necesarios para continuar. Evita tratar los ajustes de control del 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 origen esperados. Un artefacto útil puede 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 los utilice una aplicación. El resultado final debe identificar la respuesta o el artefacto revisado, las evidencias que lo respaldan y las suposiciones pendientes. Un mayor esfuerzo de razonamiento no demuestra que se haya ejecutado una herramienta, que un parche propuesto haya superado sus comprobaciones ni que una afirmación factual tenga respaldo más allá del material proporcionado.
POST /v1/messagestextjson, sse| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites glm-5.3 | 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 $0.0088 / 1K tokens Entrada · Lectura de caché $0.00052 / 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 $0.0088 / 1K tokens Entrada · Lectura de caché $0.00052 / 1K tokens Entrada · Escritura en caché — / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
Ailoot reserva un importe estimado antes de la solicitud. Tras obtener el resultado, liquida el cargo definitivo según el uso medido. En las respuestas en flujo, la liquidación usa el registro de uso final. Cómo funcionan la reserva y la liquidación →
{\n "model": "glm-5.3",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-5.3', '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-5.3', '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 glm-5.3, glm, glm-5, glm-5.1, glm-5.2, glm-latest
Ailoot Ultra glm-5.3, z-ai/glm-5.3, ~z-ai/glm-latest
/chat/completions
z-ai/glm-5.3, glm, glm-5, glm-5.1, glm-5.2, glm-latest, ~z-ai/glm-latest, glm-5.3, glm-5.3
glmZ.ai GLM 5.3 es un modelo de razonamiento textual para ingeniería de software compleja, trabajo en terminal y agentes de largo recorrido. Admite un contexto de 1M tokens documentado por el fabricante, hasta 128K tokens de salida, llamadas a funciones y niveles de 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 textual a gran escala diseñado para ingeniería de software compleja y trabajo con agentes de largo recorrido. El fabricante afirma que utiliza el mismo modelo base que GLM 5.2 y que las nuevas mejoras proceden del entrenamiento posterior. La versión se centra en reforzar la programación, las operaciones de terminal y las tareas más amplias que implican varios pasos dependientes. Acepta texto y produce texto, incluido código, explicaciones, planes y solicitudes de llamadas a herramientas en una aplicación conectada a herramientas.
El modo de razonamiento documentado permanece siempre activado. GLM 5.3 ofrece tres niveles de esfuerzo: low, high y max, con max como valor predeterminado. El fabricante recomienda max para programación compleja; low ofrece una opción de razonamiento más ligera para pasos más sencillos. Utiliza el nivel seleccionado junto con un entregable final claro y criterios de finalización. Por ejemplo: «Inspecciona estos archivos y resultados fallidos, rastrea la causa en los módulos afectados, propón una corrección que conserve la interfaz pública y explica qué comprobaciones demuestran 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 deba investigar el modelo. Conserva los nombres de archivos, las definiciones pertinentes, 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 las dependencias entre módulos o una secuencia larga de observaciones del agente; no convierte un archivo desorganizado de material sin relación en una tarea bien definida.
Para trabajar con repositorios, proporciona el comportamiento esperado, el texto de origen pertinente, las versiones de las 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 los invariantes que deben conservarse intactos. Una respuesta útil contiene el código revisado, por qué el cambio aborda el problema observado y los casos necesarios para comprobar el resultado. Devuelve los resultados reales a un flujo conectado a herramientas para que el siguiente paso se base en el estado modificado, en lugar de en la propuesta anterior.
Para trabajar sobre el rendimiento, proporciona una carga de trabajo, una referencia inicial y mediciones como tiempos, perfiles o registros de asignación de memoria. Z.ai describe tareas de entrenamiento que implican diagnóstico de cuellos de botella, optimización, experimentos y resultados que preservan la corrección. Una solicitud práctica es: «Utiliza 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 pertinentes al inspeccionar un resultado.
La versión también desarrolla la capacidad de análisis de vulnerabilidades. Para una revisión defensiva del código fuente, proporciona el código pertinente, sus límites de confianza previstos y las condiciones en las que se ejecuta. Solicita un hallazgo que conecte un posible problema con la entrada y el comportamiento afectados y con una corrección concreta. Separa una posible debilidad de un fallo reproducido y conserva la observación utilizada para validarlo. Un informe resulta más útil cuando prioriza las evidencias concretas y las correcciones propuestas, en lugar de tratar cada patrón sospechoso como una vulnerabilidad confirmada.
Las llamadas a funciones permiten que una aplicación que rodea al modelo le exponga operaciones externas. Define la finalidad, los argumentos y el resultado esperado de cada herramienta; 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 diferenciadas las acciones propuestas, las operaciones ejecutadas y las comprobaciones sin resolver. El fabricante también documenta respuestas transmitidas en continuo, que devuelven por separado los fragmentos de razonamiento y respuesta; ensambla la respuesta completa antes de tratarla como informe final o explicación del código.
La ficha local del modelo proporciona un detalle específico sobre el ajuste del historial: su plantilla de chat conserva el pensamiento de forma predeterminada, mientras que el fabricante recomienda borrar explícitamente el pensamiento anterior para los escenarios de chat habituales. Aplica la estructura de conversación adecuada al caso de uso, conservando las respuestas realmente completadas y los resultados de herramientas necesarios para continuar. Evita tratar los ajustes de control del 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 origen esperados. Un artefacto útil puede 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 los utilice una aplicación. El resultado final debe identificar la respuesta o el artefacto revisado, las evidencias que lo respaldan y las suposiciones pendientes. Un mayor esfuerzo de razonamiento no demuestra que se haya ejecutado una herramienta, que un parche propuesto haya superado sus comprobaciones ni que una afirmación factual tenga respaldo más allá del material proporcionado.
POST /v1/messagestexttext| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites glm | Predeterminado— |
Campomessages | Tipomessage[] | RequisitoObligatorio | Valores y límites Número mínimo de elementos: 1 | Predeterminado— |
Campomessages[].role | Tipostring | RequisitoObligatorio | Valores y límites user, assistant | Predeterminado— |
Campomessages[].content | Tipostring|content_block[] | RequisitoObligatorio | Valores y límites | Predeterminado— |
Camposystem | Tipostring|content_block[] | RequisitoOpcional | Valores y límites | Predeterminado— |
Campomax_tokens | Tipointeger | RequisitoObligatorio | Valores y límites Mínimo: 1 El límite se aplica a: límite máximo exacto de la ficha del modelo seleccionado | Predeterminado— |
Campostream | Tipoboolean | RequisitoOpcional | Valores y límites | Predeterminadofalse |
Campotemperature | Tiponumber | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campotop_p | Tiponumber | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campostop_sequences | Tipostring[] | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campotools | Tipotool[] | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campotools[].name | Tipostring | RequisitoOpcional | Valores y límites Se aplica cuando: herramienta proporcionada | Predeterminado— |
Campotools[].description | Tipostring | RequisitoOpcional | Valores y límites | Predeterminado— |
Campotools[].input_schema | TipoJSON_schema | RequisitoOpcional | Valores y límites | Predeterminado— |
Campotool_choice | Tipoobject | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campothinking.type | Tipostring | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campothinking.budget_tokens | Tipointeger | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campooutput_config.effort | Tipostring | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campometadata | Tipoobject | RequisitoOpcional | Valores y límites | Predeterminado— |
Campocache_control | Tipoobject | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Texto · Texto UTF8
messages[].content o bloque type=text
| Parámetro | Contrato |
|---|---|
Parámetromaterial_types | Contratotext |
Parámetrorequired | Contratomodel, messages, max_tokens |
Parámetrooptional_controls | Contratonull |
Parámetrocontent_type | Contratoapplication/json |
Parámetrotext_file_material | Contratocontenido real en UTF-8 insertado como texto; los ID de archivo y las URLs requieren compatibilidad específica e independiente |
Ciclo de vida: exact retained published method
Las estructuras e ID de los métodos son exactos; la capacidad del proveedor y la admisión son conceptos distintos.
POST /v1/messagesAiloot 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 →
Las tablas de referencia del modelo no cambian la selección del método, las estimaciones de coste ni los cargos. Los cargos aplicados usan las tarifas del método Ailoot 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 |
|---|---|---|---|---|
| ConfiguraciónOpenAI Chat · Tarifas 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 $0.0088 / 1K tokens Entrada · Lectura de caché $0.00052 / 1K tokens Entrada · Escritura en caché — / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
| ConfiguraciónOpenAI Chat · Nivel 1 según la 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 $0.0088 / 1K tokens Entrada · Lectura de caché $0.00052 / 1K tokens Entrada · Escritura en caché — / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
| ConfiguraciónAnthropic Messages · Tarifas 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 $0.0088 / 1K tokens Entrada · Lectura de caché $0.00052 / 1K tokens Entrada · Escritura en caché — / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
| ConfiguraciónAnthropic Messages · Nivel 1 según la 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 $0.0088 / 1K tokens Entrada · Lectura de caché $0.00052 / 1K tokens Entrada · Escritura en caché — / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 source-material file}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "glm", "max_tokens": 1024, "messages": []}')\nf=Path(os.environ["AILOOT_TEXT_FILE"])\nif not f.is_file():raise SystemExit("Choose your actual UTF-8 source material")\ntext=f.read_text(encoding="utf-8")\nif not text.strip():raise SystemExit("Source material must contain text")\np["messages"]=[{"role":"user","content":"Summarize this material and quote supporting source passages.\\n\\n"+text}]\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/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\nprint(json.dumps(json.loads(Path("result.json").read_text()),ensure_ascii=False,indent=2))\nPY_RESULT\nimport anthropic\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient = anthropic.Anthropic(base_url="https://api.ailoot.ai", api_key=os.environ["AILOOT_API_KEY"], max_retries=0)\nmsg = client.messages.create(\n model="glm",\n max_tokens=1024,\n messages=[{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}],\n)\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(msg.to_dict(mode="json"))\nimport Anthropic from "@anthropic-ai/sdk";\n\nif (!process.env.AILOOT_API_KEY?.trim()) throw new Error("Set AILOOT_API_KEY before making a request");\nconst client = new Anthropic({ baseURL: "https://api.ailoot.ai", apiKey: process.env.AILOOT_API_KEY, maxRetries: 0 });\nconst msg = await client.messages.create({\n model: "glm",\n max_tokens: 1024,\n messages: [{ role: "user", content: "Explain the difference between an observation and a hypothesis in three sentences." }],\n});\nimport { writeFileSync } from "node:fs";\n\nfunction saveResult(data, stem = "result") {\n writeFileSync(stem + ".json", JSON.stringify(data, null, 2));\n console.log(JSON.stringify(data, null, 2));\n const saveBlob = (encoded, suffix, label) => {\n const raw = Buffer.from(encoded, "base64");\n const ext = raw.subarray(0,8).equals(Buffer.from([137,80,78,71,13,10,26,10])) ? "png" : raw[0]===255 && raw[1]===216 ? "jpg" : raw.subarray(0,4).toString()==="RIFF" && raw.subarray(8,12).toString()==="WEBP" ? "webp" : suffix;\n const file = `${stem}-${label}.${ext}`;\n writeFileSync(file, raw); console.log("Saved", file);\n };\n for (const [i, block] of (data.content || []).entries()) console.log("Content", i, JSON.stringify(block));\n for (const choice of data.choices || []) console.log("Choice", choice.index, JSON.stringify(choice.message || choice.delta || {}));\n for (const [i, item] of (data.output || []).entries()) {\n console.log("Output", i, JSON.stringify(item));\n if (item.type === "image_generation_call" && item.result) saveBlob(item.result, item.output_format || "bin", `output-${i}`);\n }\n for (const [ci, candidate] of (data.candidates || []).entries()) {\n for (const [pi, part] of (candidate.content?.parts || []).entries()) {\n console.log("Candidate/part", ci, pi, JSON.stringify(part));\n const blob = part.inlineData || part.inline_data;\n if (blob?.data) {\n const mime = blob.mimeType || blob.mime_type;\n const suffix = ({"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"})[mime] || "bin";\n saveBlob(blob.data, suffix, `candidate-${ci}-part-${pi}`);\n }\n }\n }\n}\n\nsaveResult(msg);\nimport anthropic,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=anthropic.Anthropic(base_url="https://api.ailoot.ai",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.messages.stream(model='glm',max_tokens=1024,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_message()\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 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 glm-5.3, glm, glm-5, glm-5.1, glm-5.2, glm-latest
Ailoot Ultra glm-5.3, z-ai/glm-5.3, ~z-ai/glm-latest
/chat/completions
z-ai/glm-5.3, glm, glm-5, glm-5.1, glm-5.2, glm-latest, ~z-ai/glm-latest, glm-5.3, glm-5.3
glmZ.ai GLM 5.3 es un modelo de razonamiento textual para ingeniería de software compleja, trabajo en terminal y agentes de largo recorrido. Admite un contexto de 1M tokens documentado por el fabricante, hasta 128K tokens de salida, llamadas a funciones y niveles de 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 textual a gran escala diseñado para ingeniería de software compleja y trabajo con agentes de largo recorrido. El fabricante afirma que utiliza el mismo modelo base que GLM 5.2 y que las nuevas mejoras proceden del entrenamiento posterior. La versión se centra en reforzar la programación, las operaciones de terminal y las tareas más amplias que implican varios pasos dependientes. Acepta texto y produce texto, incluido código, explicaciones, planes y solicitudes de llamadas a herramientas en una aplicación conectada a herramientas.
El modo de razonamiento documentado permanece siempre activado. GLM 5.3 ofrece tres niveles de esfuerzo: low, high y max, con max como valor predeterminado. El fabricante recomienda max para programación compleja; low ofrece una opción de razonamiento más ligera para pasos más sencillos. Utiliza el nivel seleccionado junto con un entregable final claro y criterios de finalización. Por ejemplo: «Inspecciona estos archivos y resultados fallidos, rastrea la causa en los módulos afectados, propón una corrección que conserve la interfaz pública y explica qué comprobaciones demuestran 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 deba investigar el modelo. Conserva los nombres de archivos, las definiciones pertinentes, 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 las dependencias entre módulos o una secuencia larga de observaciones del agente; no convierte un archivo desorganizado de material sin relación en una tarea bien definida.
Para trabajar con repositorios, proporciona el comportamiento esperado, el texto de origen pertinente, las versiones de las 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 los invariantes que deben conservarse intactos. Una respuesta útil contiene el código revisado, por qué el cambio aborda el problema observado y los casos necesarios para comprobar el resultado. Devuelve los resultados reales a un flujo conectado a herramientas para que el siguiente paso se base en el estado modificado, en lugar de en la propuesta anterior.
Para trabajar sobre el rendimiento, proporciona una carga de trabajo, una referencia inicial y mediciones como tiempos, perfiles o registros de asignación de memoria. Z.ai describe tareas de entrenamiento que implican diagnóstico de cuellos de botella, optimización, experimentos y resultados que preservan la corrección. Una solicitud práctica es: «Utiliza 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 pertinentes al inspeccionar un resultado.
La versión también desarrolla la capacidad de análisis de vulnerabilidades. Para una revisión defensiva del código fuente, proporciona el código pertinente, sus límites de confianza previstos y las condiciones en las que se ejecuta. Solicita un hallazgo que conecte un posible problema con la entrada y el comportamiento afectados y con una corrección concreta. Separa una posible debilidad de un fallo reproducido y conserva la observación utilizada para validarlo. Un informe resulta más útil cuando prioriza las evidencias concretas y las correcciones propuestas, en lugar de tratar cada patrón sospechoso como una vulnerabilidad confirmada.
Las llamadas a funciones permiten que una aplicación que rodea al modelo le exponga operaciones externas. Define la finalidad, los argumentos y el resultado esperado de cada herramienta; 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 diferenciadas las acciones propuestas, las operaciones ejecutadas y las comprobaciones sin resolver. El fabricante también documenta respuestas transmitidas en continuo, que devuelven por separado los fragmentos de razonamiento y respuesta; ensambla la respuesta completa antes de tratarla como informe final o explicación del código.
La ficha local del modelo proporciona un detalle específico sobre el ajuste del historial: su plantilla de chat conserva el pensamiento de forma predeterminada, mientras que el fabricante recomienda borrar explícitamente el pensamiento anterior para los escenarios de chat habituales. Aplica la estructura de conversación adecuada al caso de uso, conservando las respuestas realmente completadas y los resultados de herramientas necesarios para continuar. Evita tratar los ajustes de control del 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 origen esperados. Un artefacto útil puede 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 los utilice una aplicación. El resultado final debe identificar la respuesta o el artefacto revisado, las evidencias que lo respaldan y las suposiciones pendientes. Un mayor esfuerzo de razonamiento no demuestra que se haya ejecutado una herramienta, que un parche propuesto haya superado sus comprobaciones ni que una afirmación factual tenga respaldo más allá del material proporcionado.
POST /v1/responsestexttext| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites glm | Predeterminado— |
Campoinput | Tipostring|input_item[] | RequisitoObligatorio | Valores y límites | Predeterminado— |
Campoinstructions | Tipostring | RequisitoOpcional | Valores y límites | Predeterminado— |
Campoinput[].type | Tipostring | RequisitoOpcional | Valores y límites message, reasoning, function_call, function_call_output | Predeterminado— |
Campoinput[].content | Tipostring|content_part[] | RequisitoOpcional | Valores y límites | Predeterminado— |
Campoinput[].call_id | Tipostring | RequisitoOpcional | Valores y límites Se aplica cuando: function_call_output; conserva el call_id real devuelto | Predeterminado— |
Campoinput[].output | Tipostring|content_part[] | RequisitoOpcional | Valores y límites Se aplica cuando: function_call_output | Predeterminado— |
Campomax_output_tokens | Tipointeger | RequisitoOpcional | Valores y límites Mínimo: 1 Depende del modelo | Predeterminado— |
Campostream | Tipoboolean | RequisitoOpcional | Valores y límites | Predeterminadofalse |
Campotemperature | Tiponumber | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campotop_p | Tiponumber | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campotools | Tipotool[] | RequisitoOpcional | Valores y límites Depende del modelo | 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— |
Camporeasoning.effort | Tipostring | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Camporeasoning.summary | Tipostring | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campotext.format | Tipoobject | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campotext.verbosity | Tipostring | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campoinclude | Tipostring[] | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campostore | Tipoboolean | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campoprevious_response_id | Tipostring | RequisitoOpcional | Valores y límites Requisito de ID: Solo un ID real de respuesta de una continuación compatible Depende del modelo | Predeterminado— |
Camposervice_tier | Tipostring | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campoprompt_cache_key | Tipostring | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campoprompt_cache_options | Tipoobject | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Texto · Texto UTF8
texto en input o parte input_text
| Parámetro | Contrato |
|---|---|
Parámetromaterial_types | Contratotext |
Parámetrorequired | Contratomodel, input |
Parámetrooptional_controls | Contratonull |
Parámetrocontent_type | Contratoapplication/json |
Parámetrotext_file_material | Contratocontenido real en UTF-8 insertado como texto; los ID de archivo y las URLs requieren compatibilidad específica e independiente |
Ciclo de vida: exact retained published method
Las estructuras e ID de los métodos son exactos; la capacidad del proveedor y la admisión son conceptos distintos.
POST /v1/responsesAiloot 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 →
Las tablas de referencia del modelo no cambian la selección del método, las estimaciones de coste ni los cargos. Los cargos aplicados usan las tarifas del método Ailoot 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 |
|---|---|---|---|---|
| ConfiguraciónOpenAI Chat · Tarifas 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 $0.0088 / 1K tokens Entrada · Lectura de caché $0.00052 / 1K tokens Entrada · Escritura en caché — / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
| ConfiguraciónOpenAI Chat · Nivel 1 según la 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 $0.0088 / 1K tokens Entrada · Lectura de caché $0.00052 / 1K tokens Entrada · Escritura en caché — / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
| ConfiguraciónAnthropic Messages · Tarifas 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 $0.0088 / 1K tokens Entrada · Lectura de caché $0.00052 / 1K tokens Entrada · Escritura en caché — / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
| ConfiguraciónAnthropic Messages · Nivel 1 según la 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 $0.0088 / 1K tokens Entrada · Lectura de caché $0.00052 / 1K tokens Entrada · Escritura en caché — / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 source-material file}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "glm", "input": ""}')\nf=Path(os.environ["AILOOT_TEXT_FILE"])\nif not f.is_file():raise SystemExit("Choose your actual UTF-8 source material")\ntext=f.read_text(encoding="utf-8")\nif not text.strip():raise SystemExit("Source material must contain text")\np["input"]="Summarize this material and quote supporting source passages.\\n\\n"+text\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/responses \\\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 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(json.loads(Path("result.json").read_text(encoding="utf-8")))\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)\nresp = client.responses.create(model="glm", input="Explain the difference between an observation and a hypothesis 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(resp.to_dict(mode="json"))\nimport OpenAI from "openai";\n\nif (!process.env.AILOOT_API_KEY?.trim()) throw new Error("Set AILOOT_API_KEY before making a request");\nconst client = new OpenAI({ baseURL: "https://api.ailoot.ai/v1", apiKey: process.env.AILOOT_API_KEY, maxRetries: 0 });\nconst resp = await client.responses.create({ model: "glm", input: "Explain the difference between an observation and a hypothesis in three sentences." });\nimport { writeFileSync } from "node:fs";\n\nfunction saveResult(data, stem = "result") {\n writeFileSync(stem + ".json", JSON.stringify(data, null, 2));\n console.log(JSON.stringify(data, null, 2));\n const saveBlob = (encoded, suffix, label) => {\n const raw = Buffer.from(encoded, "base64");\n const ext = raw.subarray(0,8).equals(Buffer.from([137,80,78,71,13,10,26,10])) ? "png" : raw[0]===255 && raw[1]===216 ? "jpg" : raw.subarray(0,4).toString()==="RIFF" && raw.subarray(8,12).toString()==="WEBP" ? "webp" : suffix;\n const file = `${stem}-${label}.${ext}`;\n writeFileSync(file, raw); console.log("Saved", file);\n };\n for (const [i, block] of (data.content || []).entries()) console.log("Content", i, JSON.stringify(block));\n for (const choice of data.choices || []) console.log("Choice", choice.index, JSON.stringify(choice.message || choice.delta || {}));\n for (const [i, item] of (data.output || []).entries()) {\n console.log("Output", i, JSON.stringify(item));\n if (item.type === "image_generation_call" && item.result) saveBlob(item.result, item.output_format || "bin", `output-${i}`);\n }\n for (const [ci, candidate] of (data.candidates || []).entries()) {\n for (const [pi, part] of (candidate.content?.parts || []).entries()) {\n console.log("Candidate/part", ci, pi, JSON.stringify(part));\n const blob = part.inlineData || part.inline_data;\n if (blob?.data) {\n const mime = blob.mimeType || blob.mime_type;\n const suffix = ({"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"})[mime] || "bin";\n saveBlob(blob.data, suffix, `candidate-${ci}-part-${pi}`);\n }\n }\n }\n}\n\nsaveResult(resp);\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\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\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)\nwith client.responses.stream(model="glm", input="Explain the difference between an observation and a hypothesis 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_response()\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 todos los elementos de salida y partes de contenido, el call_id real de la función, el razonamiento cifrado y el uso. Durante la transmisión en flujo, conserva la identidad completa de cada evento y elemento.
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 |
Campostatus | Tipostring |
Campooutput[] | Tipomessage|reasoning|function_call|other item |
Campooutput[].content[] | Tipocontent part |
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 glm-5.3, glm, glm-5, glm-5.1, glm-5.2, glm-latest
Ailoot Ultra glm-5.3, z-ai/glm-5.3, ~z-ai/glm-latest
/chat/completions
z-ai/glm-5.3, glm, glm-5, glm-5.1, glm-5.2, glm-latest, ~z-ai/glm-latest, glm-5.3, glm-5.3
glmZ.ai GLM 5.3 es un modelo de razonamiento textual para ingeniería de software compleja, trabajo en terminal y agentes de largo recorrido. Admite un contexto de 1M tokens documentado por el fabricante, hasta 128K tokens de salida, llamadas a funciones y niveles de 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 textual a gran escala diseñado para ingeniería de software compleja y trabajo con agentes de largo recorrido. El fabricante afirma que utiliza el mismo modelo base que GLM 5.2 y que las nuevas mejoras proceden del entrenamiento posterior. La versión se centra en reforzar la programación, las operaciones de terminal y las tareas más amplias que implican varios pasos dependientes. Acepta texto y produce texto, incluido código, explicaciones, planes y solicitudes de llamadas a herramientas en una aplicación conectada a herramientas.
El modo de razonamiento documentado permanece siempre activado. GLM 5.3 ofrece tres niveles de esfuerzo: low, high y max, con max como valor predeterminado. El fabricante recomienda max para programación compleja; low ofrece una opción de razonamiento más ligera para pasos más sencillos. Utiliza el nivel seleccionado junto con un entregable final claro y criterios de finalización. Por ejemplo: «Inspecciona estos archivos y resultados fallidos, rastrea la causa en los módulos afectados, propón una corrección que conserve la interfaz pública y explica qué comprobaciones demuestran 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 deba investigar el modelo. Conserva los nombres de archivos, las definiciones pertinentes, 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 las dependencias entre módulos o una secuencia larga de observaciones del agente; no convierte un archivo desorganizado de material sin relación en una tarea bien definida.
Para trabajar con repositorios, proporciona el comportamiento esperado, el texto de origen pertinente, las versiones de las 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 los invariantes que deben conservarse intactos. Una respuesta útil contiene el código revisado, por qué el cambio aborda el problema observado y los casos necesarios para comprobar el resultado. Devuelve los resultados reales a un flujo conectado a herramientas para que el siguiente paso se base en el estado modificado, en lugar de en la propuesta anterior.
Para trabajar sobre el rendimiento, proporciona una carga de trabajo, una referencia inicial y mediciones como tiempos, perfiles o registros de asignación de memoria. Z.ai describe tareas de entrenamiento que implican diagnóstico de cuellos de botella, optimización, experimentos y resultados que preservan la corrección. Una solicitud práctica es: «Utiliza 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 pertinentes al inspeccionar un resultado.
La versión también desarrolla la capacidad de análisis de vulnerabilidades. Para una revisión defensiva del código fuente, proporciona el código pertinente, sus límites de confianza previstos y las condiciones en las que se ejecuta. Solicita un hallazgo que conecte un posible problema con la entrada y el comportamiento afectados y con una corrección concreta. Separa una posible debilidad de un fallo reproducido y conserva la observación utilizada para validarlo. Un informe resulta más útil cuando prioriza las evidencias concretas y las correcciones propuestas, en lugar de tratar cada patrón sospechoso como una vulnerabilidad confirmada.
Las llamadas a funciones permiten que una aplicación que rodea al modelo le exponga operaciones externas. Define la finalidad, los argumentos y el resultado esperado de cada herramienta; 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 diferenciadas las acciones propuestas, las operaciones ejecutadas y las comprobaciones sin resolver. El fabricante también documenta respuestas transmitidas en continuo, que devuelven por separado los fragmentos de razonamiento y respuesta; ensambla la respuesta completa antes de tratarla como informe final o explicación del código.
La ficha local del modelo proporciona un detalle específico sobre el ajuste del historial: su plantilla de chat conserva el pensamiento de forma predeterminada, mientras que el fabricante recomienda borrar explícitamente el pensamiento anterior para los escenarios de chat habituales. Aplica la estructura de conversación adecuada al caso de uso, conservando las respuestas realmente completadas y los resultados de herramientas necesarios para continuar. Evita tratar los ajustes de control del 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 origen esperados. Un artefacto útil puede 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 los utilice una aplicación. El resultado final debe identificar la respuesta o el artefacto revisado, las evidencias que lo respaldan y las suposiciones pendientes. Un mayor esfuerzo de razonamiento no demuestra que se haya ejecutado una herramienta, que un parche propuesto haya superado sus comprobaciones ni que una afirmación factual tenga respaldo más allá del material proporcionado.
POST /v1/chat/completionstexttext| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites glm | 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 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— |
Texto · Texto UTF8
messages[].content
| Parámetro | Contrato |
|---|---|
Parámetromaterial_types | Contratotext |
Parámetrorequired | Contratomodel, messages |
Parámetrooptional_controls | Contratonull |
Parámetrocontent_type | Contratoapplication/json |
Parámetrotext_file_material | Contratocontenido real en UTF-8 insertado como texto; los ID de archivo y las URLs requieren compatibilidad específica e independiente |
Ciclo de vida: exact retained published method
Las estructuras e ID de los métodos son exactos; la capacidad del proveedor y la admisión son conceptos distintos.
POST /v1/chat/completionsAiloot 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 →
Las tablas de referencia del modelo no cambian la selección del método, las estimaciones de coste ni los cargos. Los cargos aplicados usan las tarifas del método Ailoot 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 |
|---|---|---|---|---|
| ConfiguraciónOpenAI Chat · Tarifas 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 $0.0088 / 1K tokens Entrada · Lectura de caché $0.00052 / 1K tokens Entrada · Escritura en caché — / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
| ConfiguraciónOpenAI Chat · Nivel 1 según la 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 $0.0088 / 1K tokens Entrada · Lectura de caché $0.00052 / 1K tokens Entrada · Escritura en caché — / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
| ConfiguraciónAnthropic Messages · Tarifas 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 $0.0088 / 1K tokens Entrada · Lectura de caché $0.00052 / 1K tokens Entrada · Escritura en caché — / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
| ConfiguraciónAnthropic Messages · Nivel 1 según la 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 $0.0088 / 1K tokens Entrada · Lectura de caché $0.00052 / 1K tokens Entrada · Escritura en caché — / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 source-material file}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "glm", "messages": []}')\nf=Path(os.environ["AILOOT_TEXT_FILE"])\nif not f.is_file():raise SystemExit("Choose your actual UTF-8 source material")\ntext=f.read_text(encoding="utf-8")\nif not text.strip():raise SystemExit("Source material must contain text")\np["messages"]=[{"role":"user","content":"Summarize this material and quote supporting source passages.\\n\\n"+text}]\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\nprint(json.dumps(json.loads(Path("result.json").read_text()),ensure_ascii=False,indent=2))\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)\nresp = client.chat.completions.create(\n model="glm",\n messages=[{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}],\n)\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(resp.to_dict(mode="json"))\nimport OpenAI from "openai";\n\nif (!process.env.AILOOT_API_KEY?.trim()) throw new Error("Set AILOOT_API_KEY before making a request");\nconst client = new OpenAI({ baseURL: "https://api.ailoot.ai/v1", apiKey: process.env.AILOOT_API_KEY, maxRetries: 0 });\nconst resp = await client.chat.completions.create({\n model: "glm",\n messages: [{ role: "user", content: "Explain the difference between an observation and a hypothesis in three sentences." }],\n});\nimport { writeFileSync } from "node:fs";\n\nfunction saveResult(data, stem = "result") {\n writeFileSync(stem + ".json", JSON.stringify(data, null, 2));\n console.log(JSON.stringify(data, null, 2));\n const saveBlob = (encoded, suffix, label) => {\n const raw = Buffer.from(encoded, "base64");\n const ext = raw.subarray(0,8).equals(Buffer.from([137,80,78,71,13,10,26,10])) ? "png" : raw[0]===255 && raw[1]===216 ? "jpg" : raw.subarray(0,4).toString()==="RIFF" && raw.subarray(8,12).toString()==="WEBP" ? "webp" : suffix;\n const file = `${stem}-${label}.${ext}`;\n writeFileSync(file, raw); console.log("Saved", file);\n };\n for (const [i, block] of (data.content || []).entries()) console.log("Content", i, JSON.stringify(block));\n for (const choice of data.choices || []) console.log("Choice", choice.index, JSON.stringify(choice.message || choice.delta || {}));\n for (const [i, item] of (data.output || []).entries()) {\n console.log("Output", i, JSON.stringify(item));\n if (item.type === "image_generation_call" && item.result) saveBlob(item.result, item.output_format || "bin", `output-${i}`);\n }\n for (const [ci, candidate] of (data.candidates || []).entries()) {\n for (const [pi, part] of (candidate.content?.parts || []).entries()) {\n console.log("Candidate/part", ci, pi, JSON.stringify(part));\n const blob = part.inlineData || part.inline_data;\n if (blob?.data) {\n const mime = blob.mimeType || blob.mime_type;\n const suffix = ({"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"})[mime] || "bin";\n saveBlob(blob.data, suffix, `candidate-${ci}-part-${pi}`);\n }\n }\n }\n}\n\nsaveResult(resp);\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='glm',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 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 glm-5.3, glm, glm-5, glm-5.1, glm-5.2, glm-latest
Ailoot Ultra glm-5.3, z-ai/glm-5.3, ~z-ai/glm-latest
/chat/completions
z-ai/glm-5.3, glm, glm-5, glm-5.1, glm-5.2, glm-latest, ~z-ai/glm-latest, glm-5.3, glm-5.3
glm-5Z.ai GLM 5.3 es un modelo de razonamiento textual para ingeniería de software compleja, trabajo en terminal y agentes de largo recorrido. Admite un contexto de 1M tokens documentado por el fabricante, hasta 128K tokens de salida, llamadas a funciones y niveles de 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 textual a gran escala diseñado para ingeniería de software compleja y trabajo con agentes de largo recorrido. El fabricante afirma que utiliza el mismo modelo base que GLM 5.2 y que las nuevas mejoras proceden del entrenamiento posterior. La versión se centra en reforzar la programación, las operaciones de terminal y las tareas más amplias que implican varios pasos dependientes. Acepta texto y produce texto, incluido código, explicaciones, planes y solicitudes de llamadas a herramientas en una aplicación conectada a herramientas.
El modo de razonamiento documentado permanece siempre activado. GLM 5.3 ofrece tres niveles de esfuerzo: low, high y max, con max como valor predeterminado. El fabricante recomienda max para programación compleja; low ofrece una opción de razonamiento más ligera para pasos más sencillos. Utiliza el nivel seleccionado junto con un entregable final claro y criterios de finalización. Por ejemplo: «Inspecciona estos archivos y resultados fallidos, rastrea la causa en los módulos afectados, propón una corrección que conserve la interfaz pública y explica qué comprobaciones demuestran 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 deba investigar el modelo. Conserva los nombres de archivos, las definiciones pertinentes, 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 las dependencias entre módulos o una secuencia larga de observaciones del agente; no convierte un archivo desorganizado de material sin relación en una tarea bien definida.
Para trabajar con repositorios, proporciona el comportamiento esperado, el texto de origen pertinente, las versiones de las 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 los invariantes que deben conservarse intactos. Una respuesta útil contiene el código revisado, por qué el cambio aborda el problema observado y los casos necesarios para comprobar el resultado. Devuelve los resultados reales a un flujo conectado a herramientas para que el siguiente paso se base en el estado modificado, en lugar de en la propuesta anterior.
Para trabajar sobre el rendimiento, proporciona una carga de trabajo, una referencia inicial y mediciones como tiempos, perfiles o registros de asignación de memoria. Z.ai describe tareas de entrenamiento que implican diagnóstico de cuellos de botella, optimización, experimentos y resultados que preservan la corrección. Una solicitud práctica es: «Utiliza 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 pertinentes al inspeccionar un resultado.
La versión también desarrolla la capacidad de análisis de vulnerabilidades. Para una revisión defensiva del código fuente, proporciona el código pertinente, sus límites de confianza previstos y las condiciones en las que se ejecuta. Solicita un hallazgo que conecte un posible problema con la entrada y el comportamiento afectados y con una corrección concreta. Separa una posible debilidad de un fallo reproducido y conserva la observación utilizada para validarlo. Un informe resulta más útil cuando prioriza las evidencias concretas y las correcciones propuestas, en lugar de tratar cada patrón sospechoso como una vulnerabilidad confirmada.
Las llamadas a funciones permiten que una aplicación que rodea al modelo le exponga operaciones externas. Define la finalidad, los argumentos y el resultado esperado de cada herramienta; 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 diferenciadas las acciones propuestas, las operaciones ejecutadas y las comprobaciones sin resolver. El fabricante también documenta respuestas transmitidas en continuo, que devuelven por separado los fragmentos de razonamiento y respuesta; ensambla la respuesta completa antes de tratarla como informe final o explicación del código.
La ficha local del modelo proporciona un detalle específico sobre el ajuste del historial: su plantilla de chat conserva el pensamiento de forma predeterminada, mientras que el fabricante recomienda borrar explícitamente el pensamiento anterior para los escenarios de chat habituales. Aplica la estructura de conversación adecuada al caso de uso, conservando las respuestas realmente completadas y los resultados de herramientas necesarios para continuar. Evita tratar los ajustes de control del 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 origen esperados. Un artefacto útil puede 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 los utilice una aplicación. El resultado final debe identificar la respuesta o el artefacto revisado, las evidencias que lo respaldan y las suposiciones pendientes. Un mayor esfuerzo de razonamiento no demuestra que se haya ejecutado una herramienta, que un parche propuesto haya superado sus comprobaciones ni que una afirmación factual tenga respaldo más allá del material proporcionado.
POST /v1/messagestexttext| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites glm-5 | Predeterminado— |
Campomessages | Tipomessage[] | RequisitoObligatorio | Valores y límites Número mínimo de elementos: 1 | Predeterminado— |
Campomessages[].role | Tipostring | RequisitoObligatorio | Valores y límites user, assistant | Predeterminado— |
Campomessages[].content | Tipostring|content_block[] | RequisitoObligatorio | Valores y límites | Predeterminado— |
Camposystem | Tipostring|content_block[] | RequisitoOpcional | Valores y límites | Predeterminado— |
Campomax_tokens | Tipointeger | RequisitoObligatorio | Valores y límites Mínimo: 1 El límite se aplica a: límite máximo exacto de la ficha del modelo seleccionado | Predeterminado— |
Campostream | Tipoboolean | RequisitoOpcional | Valores y límites | Predeterminadofalse |
Campotemperature | Tiponumber | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campotop_p | Tiponumber | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campostop_sequences | Tipostring[] | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campotools | Tipotool[] | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campotools[].name | Tipostring | RequisitoOpcional | Valores y límites Se aplica cuando: herramienta proporcionada | Predeterminado— |
Campotools[].description | Tipostring | RequisitoOpcional | Valores y límites | Predeterminado— |
Campotools[].input_schema | TipoJSON_schema | RequisitoOpcional | Valores y límites | Predeterminado— |
Campotool_choice | Tipoobject | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campothinking.type | Tipostring | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campothinking.budget_tokens | Tipointeger | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campooutput_config.effort | Tipostring | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campometadata | Tipoobject | RequisitoOpcional | Valores y límites | Predeterminado— |
Campocache_control | Tipoobject | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Texto · Texto UTF8
messages[].content o bloque type=text
| Parámetro | Contrato |
|---|---|
Parámetromaterial_types | Contratotext |
Parámetrorequired | Contratomodel, messages, max_tokens |
Parámetrooptional_controls | Contratonull |
Parámetrocontent_type | Contratoapplication/json |
Parámetrotext_file_material | Contratocontenido real en UTF-8 insertado como texto; los ID de archivo y las URLs requieren compatibilidad específica e independiente |
Ciclo de vida: exact retained published method
Las estructuras e ID de los métodos son exactos; la capacidad del proveedor y la admisión son conceptos distintos.
POST /v1/messagesAiloot 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 →
Las tablas de referencia del modelo no cambian la selección del método, las estimaciones de coste ni los cargos. Los cargos aplicados usan las tarifas del método Ailoot 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 |
|---|---|---|---|---|
| ConfiguraciónOpenAI Chat · Tarifas 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 $0.0088 / 1K tokens Entrada · Lectura de caché $0.00052 / 1K tokens Entrada · Escritura en caché — / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
| ConfiguraciónOpenAI Chat · Nivel 1 según la 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 $0.0088 / 1K tokens Entrada · Lectura de caché $0.00052 / 1K tokens Entrada · Escritura en caché — / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
| ConfiguraciónAnthropic Messages · Tarifas 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 $0.0088 / 1K tokens Entrada · Lectura de caché $0.00052 / 1K tokens Entrada · Escritura en caché — / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
| ConfiguraciónAnthropic Messages · Nivel 1 según la 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 $0.0088 / 1K tokens Entrada · Lectura de caché $0.00052 / 1K tokens Entrada · Escritura en caché — / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 source-material file}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "glm-5", "max_tokens": 1024, "messages": []}')\nf=Path(os.environ["AILOOT_TEXT_FILE"])\nif not f.is_file():raise SystemExit("Choose your actual UTF-8 source material")\ntext=f.read_text(encoding="utf-8")\nif not text.strip():raise SystemExit("Source material must contain text")\np["messages"]=[{"role":"user","content":"Summarize this material and quote supporting source passages.\\n\\n"+text}]\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/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\nprint(json.dumps(json.loads(Path("result.json").read_text()),ensure_ascii=False,indent=2))\nPY_RESULT\nimport anthropic\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient = anthropic.Anthropic(base_url="https://api.ailoot.ai", api_key=os.environ["AILOOT_API_KEY"], max_retries=0)\nmsg = client.messages.create(\n model="glm-5",\n max_tokens=1024,\n messages=[{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}],\n)\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(msg.to_dict(mode="json"))\nimport Anthropic from "@anthropic-ai/sdk";\n\nif (!process.env.AILOOT_API_KEY?.trim()) throw new Error("Set AILOOT_API_KEY before making a request");\nconst client = new Anthropic({ baseURL: "https://api.ailoot.ai", apiKey: process.env.AILOOT_API_KEY, maxRetries: 0 });\nconst msg = await client.messages.create({\n model: "glm-5",\n max_tokens: 1024,\n messages: [{ role: "user", content: "Explain the difference between an observation and a hypothesis in three sentences." }],\n});\nimport { writeFileSync } from "node:fs";\n\nfunction saveResult(data, stem = "result") {\n writeFileSync(stem + ".json", JSON.stringify(data, null, 2));\n console.log(JSON.stringify(data, null, 2));\n const saveBlob = (encoded, suffix, label) => {\n const raw = Buffer.from(encoded, "base64");\n const ext = raw.subarray(0,8).equals(Buffer.from([137,80,78,71,13,10,26,10])) ? "png" : raw[0]===255 && raw[1]===216 ? "jpg" : raw.subarray(0,4).toString()==="RIFF" && raw.subarray(8,12).toString()==="WEBP" ? "webp" : suffix;\n const file = `${stem}-${label}.${ext}`;\n writeFileSync(file, raw); console.log("Saved", file);\n };\n for (const [i, block] of (data.content || []).entries()) console.log("Content", i, JSON.stringify(block));\n for (const choice of data.choices || []) console.log("Choice", choice.index, JSON.stringify(choice.message || choice.delta || {}));\n for (const [i, item] of (data.output || []).entries()) {\n console.log("Output", i, JSON.stringify(item));\n if (item.type === "image_generation_call" && item.result) saveBlob(item.result, item.output_format || "bin", `output-${i}`);\n }\n for (const [ci, candidate] of (data.candidates || []).entries()) {\n for (const [pi, part] of (candidate.content?.parts || []).entries()) {\n console.log("Candidate/part", ci, pi, JSON.stringify(part));\n const blob = part.inlineData || part.inline_data;\n if (blob?.data) {\n const mime = blob.mimeType || blob.mime_type;\n const suffix = ({"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"})[mime] || "bin";\n saveBlob(blob.data, suffix, `candidate-${ci}-part-${pi}`);\n }\n }\n }\n}\n\nsaveResult(msg);\nimport anthropic,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=anthropic.Anthropic(base_url="https://api.ailoot.ai",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.messages.stream(model='glm-5',max_tokens=1024,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_message()\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 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 glm-5.3, glm, glm-5, glm-5.1, glm-5.2, glm-latest
Ailoot Ultra glm-5.3, z-ai/glm-5.3, ~z-ai/glm-latest
/chat/completions
z-ai/glm-5.3, glm, glm-5, glm-5.1, glm-5.2, glm-latest, ~z-ai/glm-latest, glm-5.3, glm-5.3
glm-5Z.ai GLM 5.3 es un modelo de razonamiento textual para ingeniería de software compleja, trabajo en terminal y agentes de largo recorrido. Admite un contexto de 1M tokens documentado por el fabricante, hasta 128K tokens de salida, llamadas a funciones y niveles de 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 textual a gran escala diseñado para ingeniería de software compleja y trabajo con agentes de largo recorrido. El fabricante afirma que utiliza el mismo modelo base que GLM 5.2 y que las nuevas mejoras proceden del entrenamiento posterior. La versión se centra en reforzar la programación, las operaciones de terminal y las tareas más amplias que implican varios pasos dependientes. Acepta texto y produce texto, incluido código, explicaciones, planes y solicitudes de llamadas a herramientas en una aplicación conectada a herramientas.
El modo de razonamiento documentado permanece siempre activado. GLM 5.3 ofrece tres niveles de esfuerzo: low, high y max, con max como valor predeterminado. El fabricante recomienda max para programación compleja; low ofrece una opción de razonamiento más ligera para pasos más sencillos. Utiliza el nivel seleccionado junto con un entregable final claro y criterios de finalización. Por ejemplo: «Inspecciona estos archivos y resultados fallidos, rastrea la causa en los módulos afectados, propón una corrección que conserve la interfaz pública y explica qué comprobaciones demuestran 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 deba investigar el modelo. Conserva los nombres de archivos, las definiciones pertinentes, 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 las dependencias entre módulos o una secuencia larga de observaciones del agente; no convierte un archivo desorganizado de material sin relación en una tarea bien definida.
Para trabajar con repositorios, proporciona el comportamiento esperado, el texto de origen pertinente, las versiones de las 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 los invariantes que deben conservarse intactos. Una respuesta útil contiene el código revisado, por qué el cambio aborda el problema observado y los casos necesarios para comprobar el resultado. Devuelve los resultados reales a un flujo conectado a herramientas para que el siguiente paso se base en el estado modificado, en lugar de en la propuesta anterior.
Para trabajar sobre el rendimiento, proporciona una carga de trabajo, una referencia inicial y mediciones como tiempos, perfiles o registros de asignación de memoria. Z.ai describe tareas de entrenamiento que implican diagnóstico de cuellos de botella, optimización, experimentos y resultados que preservan la corrección. Una solicitud práctica es: «Utiliza 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 pertinentes al inspeccionar un resultado.
La versión también desarrolla la capacidad de análisis de vulnerabilidades. Para una revisión defensiva del código fuente, proporciona el código pertinente, sus límites de confianza previstos y las condiciones en las que se ejecuta. Solicita un hallazgo que conecte un posible problema con la entrada y el comportamiento afectados y con una corrección concreta. Separa una posible debilidad de un fallo reproducido y conserva la observación utilizada para validarlo. Un informe resulta más útil cuando prioriza las evidencias concretas y las correcciones propuestas, en lugar de tratar cada patrón sospechoso como una vulnerabilidad confirmada.
Las llamadas a funciones permiten que una aplicación que rodea al modelo le exponga operaciones externas. Define la finalidad, los argumentos y el resultado esperado de cada herramienta; 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 diferenciadas las acciones propuestas, las operaciones ejecutadas y las comprobaciones sin resolver. El fabricante también documenta respuestas transmitidas en continuo, que devuelven por separado los fragmentos de razonamiento y respuesta; ensambla la respuesta completa antes de tratarla como informe final o explicación del código.
La ficha local del modelo proporciona un detalle específico sobre el ajuste del historial: su plantilla de chat conserva el pensamiento de forma predeterminada, mientras que el fabricante recomienda borrar explícitamente el pensamiento anterior para los escenarios de chat habituales. Aplica la estructura de conversación adecuada al caso de uso, conservando las respuestas realmente completadas y los resultados de herramientas necesarios para continuar. Evita tratar los ajustes de control del 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 origen esperados. Un artefacto útil puede 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 los utilice una aplicación. El resultado final debe identificar la respuesta o el artefacto revisado, las evidencias que lo respaldan y las suposiciones pendientes. Un mayor esfuerzo de razonamiento no demuestra que se haya ejecutado una herramienta, que un parche propuesto haya superado sus comprobaciones ni que una afirmación factual tenga respaldo más allá del material proporcionado.
POST /v1/responsestexttext| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites glm-5 | Predeterminado— |
Campoinput | Tipostring|input_item[] | RequisitoObligatorio | Valores y límites | Predeterminado— |
Campoinstructions | Tipostring | RequisitoOpcional | Valores y límites | Predeterminado— |
Campoinput[].type | Tipostring | RequisitoOpcional | Valores y límites message, reasoning, function_call, function_call_output | Predeterminado— |
Campoinput[].content | Tipostring|content_part[] | RequisitoOpcional | Valores y límites | Predeterminado— |
Campoinput[].call_id | Tipostring | RequisitoOpcional | Valores y límites Se aplica cuando: function_call_output; conserva el call_id real devuelto | Predeterminado— |
Campoinput[].output | Tipostring|content_part[] | RequisitoOpcional | Valores y límites Se aplica cuando: function_call_output | Predeterminado— |
Campomax_output_tokens | Tipointeger | RequisitoOpcional | Valores y límites Mínimo: 1 Depende del modelo | Predeterminado— |
Campostream | Tipoboolean | RequisitoOpcional | Valores y límites | Predeterminadofalse |
Campotemperature | Tiponumber | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campotop_p | Tiponumber | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campotools | Tipotool[] | RequisitoOpcional | Valores y límites Depende del modelo | 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— |
Camporeasoning.effort | Tipostring | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Camporeasoning.summary | Tipostring | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campotext.format | Tipoobject | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campotext.verbosity | Tipostring | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campoinclude | Tipostring[] | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campostore | Tipoboolean | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campoprevious_response_id | Tipostring | RequisitoOpcional | Valores y límites Requisito de ID: Solo un ID real de respuesta de una continuación compatible Depende del modelo | Predeterminado— |
Camposervice_tier | Tipostring | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campoprompt_cache_key | Tipostring | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campoprompt_cache_options | Tipoobject | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Texto · Texto UTF8
texto en input o parte input_text
| Parámetro | Contrato |
|---|---|
Parámetromaterial_types | Contratotext |
Parámetrorequired | Contratomodel, input |
Parámetrooptional_controls | Contratonull |
Parámetrocontent_type | Contratoapplication/json |
Parámetrotext_file_material | Contratocontenido real en UTF-8 insertado como texto; los ID de archivo y las URLs requieren compatibilidad específica e independiente |
Ciclo de vida: exact retained published method
Las estructuras e ID de los métodos son exactos; la capacidad del proveedor y la admisión son conceptos distintos.
POST /v1/responsesAiloot 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 →
Las tablas de referencia del modelo no cambian la selección del método, las estimaciones de coste ni los cargos. Los cargos aplicados usan las tarifas del método Ailoot 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 |
|---|---|---|---|---|
| ConfiguraciónOpenAI Chat · Tarifas 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 $0.0088 / 1K tokens Entrada · Lectura de caché $0.00052 / 1K tokens Entrada · Escritura en caché — / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
| ConfiguraciónOpenAI Chat · Nivel 1 según la 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 $0.0088 / 1K tokens Entrada · Lectura de caché $0.00052 / 1K tokens Entrada · Escritura en caché — / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
| ConfiguraciónAnthropic Messages · Tarifas 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 $0.0088 / 1K tokens Entrada · Lectura de caché $0.00052 / 1K tokens Entrada · Escritura en caché — / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
| ConfiguraciónAnthropic Messages · Nivel 1 según la 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 $0.0088 / 1K tokens Entrada · Lectura de caché $0.00052 / 1K tokens Entrada · Escritura en caché — / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 source-material file}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "glm-5", "input": ""}')\nf=Path(os.environ["AILOOT_TEXT_FILE"])\nif not f.is_file():raise SystemExit("Choose your actual UTF-8 source material")\ntext=f.read_text(encoding="utf-8")\nif not text.strip():raise SystemExit("Source material must contain text")\np["input"]="Summarize this material and quote supporting source passages.\\n\\n"+text\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/responses \\\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 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(json.loads(Path("result.json").read_text(encoding="utf-8")))\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)\nresp = client.responses.create(model="glm-5", input="Explain the difference between an observation and a hypothesis 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(resp.to_dict(mode="json"))\nimport OpenAI from "openai";\n\nif (!process.env.AILOOT_API_KEY?.trim()) throw new Error("Set AILOOT_API_KEY before making a request");\nconst client = new OpenAI({ baseURL: "https://api.ailoot.ai/v1", apiKey: process.env.AILOOT_API_KEY, maxRetries: 0 });\nconst resp = await client.responses.create({ model: "glm-5", input: "Explain the difference between an observation and a hypothesis in three sentences." });\nimport { writeFileSync } from "node:fs";\n\nfunction saveResult(data, stem = "result") {\n writeFileSync(stem + ".json", JSON.stringify(data, null, 2));\n console.log(JSON.stringify(data, null, 2));\n const saveBlob = (encoded, suffix, label) => {\n const raw = Buffer.from(encoded, "base64");\n const ext = raw.subarray(0,8).equals(Buffer.from([137,80,78,71,13,10,26,10])) ? "png" : raw[0]===255 && raw[1]===216 ? "jpg" : raw.subarray(0,4).toString()==="RIFF" && raw.subarray(8,12).toString()==="WEBP" ? "webp" : suffix;\n const file = `${stem}-${label}.${ext}`;\n writeFileSync(file, raw); console.log("Saved", file);\n };\n for (const [i, block] of (data.content || []).entries()) console.log("Content", i, JSON.stringify(block));\n for (const choice of data.choices || []) console.log("Choice", choice.index, JSON.stringify(choice.message || choice.delta || {}));\n for (const [i, item] of (data.output || []).entries()) {\n console.log("Output", i, JSON.stringify(item));\n if (item.type === "image_generation_call" && item.result) saveBlob(item.result, item.output_format || "bin", `output-${i}`);\n }\n for (const [ci, candidate] of (data.candidates || []).entries()) {\n for (const [pi, part] of (candidate.content?.parts || []).entries()) {\n console.log("Candidate/part", ci, pi, JSON.stringify(part));\n const blob = part.inlineData || part.inline_data;\n if (blob?.data) {\n const mime = blob.mimeType || blob.mime_type;\n const suffix = ({"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"})[mime] || "bin";\n saveBlob(blob.data, suffix, `candidate-${ci}-part-${pi}`);\n }\n }\n }\n}\n\nsaveResult(resp);\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\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\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)\nwith client.responses.stream(model="glm-5", input="Explain the difference between an observation and a hypothesis 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_response()\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 todos los elementos de salida y partes de contenido, el call_id real de la función, el razonamiento cifrado y el uso. Durante la transmisión en flujo, conserva la identidad completa de cada evento y elemento.
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 |
Campostatus | Tipostring |
Campooutput[] | Tipomessage|reasoning|function_call|other item |
Campooutput[].content[] | Tipocontent part |
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 glm-5.3, glm, glm-5, glm-5.1, glm-5.2, glm-latest
Ailoot Ultra glm-5.3, z-ai/glm-5.3, ~z-ai/glm-latest
/chat/completions
z-ai/glm-5.3, glm, glm-5, glm-5.1, glm-5.2, glm-latest, ~z-ai/glm-latest, glm-5.3, glm-5.3
glm-5Z.ai GLM 5.3 es un modelo de razonamiento textual para ingeniería de software compleja, trabajo en terminal y agentes de largo recorrido. Admite un contexto de 1M tokens documentado por el fabricante, hasta 128K tokens de salida, llamadas a funciones y niveles de 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 textual a gran escala diseñado para ingeniería de software compleja y trabajo con agentes de largo recorrido. El fabricante afirma que utiliza el mismo modelo base que GLM 5.2 y que las nuevas mejoras proceden del entrenamiento posterior. La versión se centra en reforzar la programación, las operaciones de terminal y las tareas más amplias que implican varios pasos dependientes. Acepta texto y produce texto, incluido código, explicaciones, planes y solicitudes de llamadas a herramientas en una aplicación conectada a herramientas.
El modo de razonamiento documentado permanece siempre activado. GLM 5.3 ofrece tres niveles de esfuerzo: low, high y max, con max como valor predeterminado. El fabricante recomienda max para programación compleja; low ofrece una opción de razonamiento más ligera para pasos más sencillos. Utiliza el nivel seleccionado junto con un entregable final claro y criterios de finalización. Por ejemplo: «Inspecciona estos archivos y resultados fallidos, rastrea la causa en los módulos afectados, propón una corrección que conserve la interfaz pública y explica qué comprobaciones demuestran 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 deba investigar el modelo. Conserva los nombres de archivos, las definiciones pertinentes, 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 las dependencias entre módulos o una secuencia larga de observaciones del agente; no convierte un archivo desorganizado de material sin relación en una tarea bien definida.
Para trabajar con repositorios, proporciona el comportamiento esperado, el texto de origen pertinente, las versiones de las 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 los invariantes que deben conservarse intactos. Una respuesta útil contiene el código revisado, por qué el cambio aborda el problema observado y los casos necesarios para comprobar el resultado. Devuelve los resultados reales a un flujo conectado a herramientas para que el siguiente paso se base en el estado modificado, en lugar de en la propuesta anterior.
Para trabajar sobre el rendimiento, proporciona una carga de trabajo, una referencia inicial y mediciones como tiempos, perfiles o registros de asignación de memoria. Z.ai describe tareas de entrenamiento que implican diagnóstico de cuellos de botella, optimización, experimentos y resultados que preservan la corrección. Una solicitud práctica es: «Utiliza 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 pertinentes al inspeccionar un resultado.
La versión también desarrolla la capacidad de análisis de vulnerabilidades. Para una revisión defensiva del código fuente, proporciona el código pertinente, sus límites de confianza previstos y las condiciones en las que se ejecuta. Solicita un hallazgo que conecte un posible problema con la entrada y el comportamiento afectados y con una corrección concreta. Separa una posible debilidad de un fallo reproducido y conserva la observación utilizada para validarlo. Un informe resulta más útil cuando prioriza las evidencias concretas y las correcciones propuestas, en lugar de tratar cada patrón sospechoso como una vulnerabilidad confirmada.
Las llamadas a funciones permiten que una aplicación que rodea al modelo le exponga operaciones externas. Define la finalidad, los argumentos y el resultado esperado de cada herramienta; 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 diferenciadas las acciones propuestas, las operaciones ejecutadas y las comprobaciones sin resolver. El fabricante también documenta respuestas transmitidas en continuo, que devuelven por separado los fragmentos de razonamiento y respuesta; ensambla la respuesta completa antes de tratarla como informe final o explicación del código.
La ficha local del modelo proporciona un detalle específico sobre el ajuste del historial: su plantilla de chat conserva el pensamiento de forma predeterminada, mientras que el fabricante recomienda borrar explícitamente el pensamiento anterior para los escenarios de chat habituales. Aplica la estructura de conversación adecuada al caso de uso, conservando las respuestas realmente completadas y los resultados de herramientas necesarios para continuar. Evita tratar los ajustes de control del 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 origen esperados. Un artefacto útil puede 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 los utilice una aplicación. El resultado final debe identificar la respuesta o el artefacto revisado, las evidencias que lo respaldan y las suposiciones pendientes. Un mayor esfuerzo de razonamiento no demuestra que se haya ejecutado una herramienta, que un parche propuesto haya superado sus comprobaciones ni que una afirmación factual tenga respaldo más allá del material proporcionado.
POST /v1/chat/completionstexttext| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites glm-5 | 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 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— |
Texto · Texto UTF8
messages[].content
| Parámetro | Contrato |
|---|---|
Parámetromaterial_types | Contratotext |
Parámetrorequired | Contratomodel, messages |
Parámetrooptional_controls | Contratonull |
Parámetrocontent_type | Contratoapplication/json |
Parámetrotext_file_material | Contratocontenido real en UTF-8 insertado como texto; los ID de archivo y las URLs requieren compatibilidad específica e independiente |
Ciclo de vida: exact retained published method
Las estructuras e ID de los métodos son exactos; la capacidad del proveedor y la admisión son conceptos distintos.
POST /v1/chat/completionsAiloot 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 →
Las tablas de referencia del modelo no cambian la selección del método, las estimaciones de coste ni los cargos. Los cargos aplicados usan las tarifas del método Ailoot 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 |
|---|---|---|---|---|
| ConfiguraciónOpenAI Chat · Tarifas 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 $0.0088 / 1K tokens Entrada · Lectura de caché $0.00052 / 1K tokens Entrada · Escritura en caché — / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
| ConfiguraciónOpenAI Chat · Nivel 1 según la 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 $0.0088 / 1K tokens Entrada · Lectura de caché $0.00052 / 1K tokens Entrada · Escritura en caché — / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
| ConfiguraciónAnthropic Messages · Tarifas 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 $0.0088 / 1K tokens Entrada · Lectura de caché $0.00052 / 1K tokens Entrada · Escritura en caché — / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
| ConfiguraciónAnthropic Messages · Nivel 1 según la 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 $0.0088 / 1K tokens Entrada · Lectura de caché $0.00052 / 1K tokens Entrada · Escritura en caché — / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 source-material file}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "glm-5", "messages": []}')\nf=Path(os.environ["AILOOT_TEXT_FILE"])\nif not f.is_file():raise SystemExit("Choose your actual UTF-8 source material")\ntext=f.read_text(encoding="utf-8")\nif not text.strip():raise SystemExit("Source material must contain text")\np["messages"]=[{"role":"user","content":"Summarize this material and quote supporting source passages.\\n\\n"+text}]\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\nprint(json.dumps(json.loads(Path("result.json").read_text()),ensure_ascii=False,indent=2))\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)\nresp = client.chat.completions.create(\n model="glm-5",\n messages=[{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}],\n)\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(resp.to_dict(mode="json"))\nimport OpenAI from "openai";\n\nif (!process.env.AILOOT_API_KEY?.trim()) throw new Error("Set AILOOT_API_KEY before making a request");\nconst client = new OpenAI({ baseURL: "https://api.ailoot.ai/v1", apiKey: process.env.AILOOT_API_KEY, maxRetries: 0 });\nconst resp = await client.chat.completions.create({\n model: "glm-5",\n messages: [{ role: "user", content: "Explain the difference between an observation and a hypothesis in three sentences." }],\n});\nimport { writeFileSync } from "node:fs";\n\nfunction saveResult(data, stem = "result") {\n writeFileSync(stem + ".json", JSON.stringify(data, null, 2));\n console.log(JSON.stringify(data, null, 2));\n const saveBlob = (encoded, suffix, label) => {\n const raw = Buffer.from(encoded, "base64");\n const ext = raw.subarray(0,8).equals(Buffer.from([137,80,78,71,13,10,26,10])) ? "png" : raw[0]===255 && raw[1]===216 ? "jpg" : raw.subarray(0,4).toString()==="RIFF" && raw.subarray(8,12).toString()==="WEBP" ? "webp" : suffix;\n const file = `${stem}-${label}.${ext}`;\n writeFileSync(file, raw); console.log("Saved", file);\n };\n for (const [i, block] of (data.content || []).entries()) console.log("Content", i, JSON.stringify(block));\n for (const choice of data.choices || []) console.log("Choice", choice.index, JSON.stringify(choice.message || choice.delta || {}));\n for (const [i, item] of (data.output || []).entries()) {\n console.log("Output", i, JSON.stringify(item));\n if (item.type === "image_generation_call" && item.result) saveBlob(item.result, item.output_format || "bin", `output-${i}`);\n }\n for (const [ci, candidate] of (data.candidates || []).entries()) {\n for (const [pi, part] of (candidate.content?.parts || []).entries()) {\n console.log("Candidate/part", ci, pi, JSON.stringify(part));\n const blob = part.inlineData || part.inline_data;\n if (blob?.data) {\n const mime = blob.mimeType || blob.mime_type;\n const suffix = ({"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"})[mime] || "bin";\n saveBlob(blob.data, suffix, `candidate-${ci}-part-${pi}`);\n }\n }\n }\n}\n\nsaveResult(resp);\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='glm-5',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 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 glm-5.3, glm, glm-5, glm-5.1, glm-5.2, glm-latest
Ailoot Ultra glm-5.3, z-ai/glm-5.3, ~z-ai/glm-latest
/chat/completions
z-ai/glm-5.3, glm, glm-5, glm-5.1, glm-5.2, glm-latest, ~z-ai/glm-latest, glm-5.3, glm-5.3
glm-5.1Z.ai GLM 5.3 es un modelo de razonamiento textual para ingeniería de software compleja, trabajo en terminal y agentes de largo recorrido. Admite un contexto de 1M tokens documentado por el fabricante, hasta 128K tokens de salida, llamadas a funciones y niveles de 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 textual a gran escala diseñado para ingeniería de software compleja y trabajo con agentes de largo recorrido. El fabricante afirma que utiliza el mismo modelo base que GLM 5.2 y que las nuevas mejoras proceden del entrenamiento posterior. La versión se centra en reforzar la programación, las operaciones de terminal y las tareas más amplias que implican varios pasos dependientes. Acepta texto y produce texto, incluido código, explicaciones, planes y solicitudes de llamadas a herramientas en una aplicación conectada a herramientas.
El modo de razonamiento documentado permanece siempre activado. GLM 5.3 ofrece tres niveles de esfuerzo: low, high y max, con max como valor predeterminado. El fabricante recomienda max para programación compleja; low ofrece una opción de razonamiento más ligera para pasos más sencillos. Utiliza el nivel seleccionado junto con un entregable final claro y criterios de finalización. Por ejemplo: «Inspecciona estos archivos y resultados fallidos, rastrea la causa en los módulos afectados, propón una corrección que conserve la interfaz pública y explica qué comprobaciones demuestran 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 deba investigar el modelo. Conserva los nombres de archivos, las definiciones pertinentes, 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 las dependencias entre módulos o una secuencia larga de observaciones del agente; no convierte un archivo desorganizado de material sin relación en una tarea bien definida.
Para trabajar con repositorios, proporciona el comportamiento esperado, el texto de origen pertinente, las versiones de las 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 los invariantes que deben conservarse intactos. Una respuesta útil contiene el código revisado, por qué el cambio aborda el problema observado y los casos necesarios para comprobar el resultado. Devuelve los resultados reales a un flujo conectado a herramientas para que el siguiente paso se base en el estado modificado, en lugar de en la propuesta anterior.
Para trabajar sobre el rendimiento, proporciona una carga de trabajo, una referencia inicial y mediciones como tiempos, perfiles o registros de asignación de memoria. Z.ai describe tareas de entrenamiento que implican diagnóstico de cuellos de botella, optimización, experimentos y resultados que preservan la corrección. Una solicitud práctica es: «Utiliza 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 pertinentes al inspeccionar un resultado.
La versión también desarrolla la capacidad de análisis de vulnerabilidades. Para una revisión defensiva del código fuente, proporciona el código pertinente, sus límites de confianza previstos y las condiciones en las que se ejecuta. Solicita un hallazgo que conecte un posible problema con la entrada y el comportamiento afectados y con una corrección concreta. Separa una posible debilidad de un fallo reproducido y conserva la observación utilizada para validarlo. Un informe resulta más útil cuando prioriza las evidencias concretas y las correcciones propuestas, en lugar de tratar cada patrón sospechoso como una vulnerabilidad confirmada.
Las llamadas a funciones permiten que una aplicación que rodea al modelo le exponga operaciones externas. Define la finalidad, los argumentos y el resultado esperado de cada herramienta; 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 diferenciadas las acciones propuestas, las operaciones ejecutadas y las comprobaciones sin resolver. El fabricante también documenta respuestas transmitidas en continuo, que devuelven por separado los fragmentos de razonamiento y respuesta; ensambla la respuesta completa antes de tratarla como informe final o explicación del código.
La ficha local del modelo proporciona un detalle específico sobre el ajuste del historial: su plantilla de chat conserva el pensamiento de forma predeterminada, mientras que el fabricante recomienda borrar explícitamente el pensamiento anterior para los escenarios de chat habituales. Aplica la estructura de conversación adecuada al caso de uso, conservando las respuestas realmente completadas y los resultados de herramientas necesarios para continuar. Evita tratar los ajustes de control del 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 origen esperados. Un artefacto útil puede 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 los utilice una aplicación. El resultado final debe identificar la respuesta o el artefacto revisado, las evidencias que lo respaldan y las suposiciones pendientes. Un mayor esfuerzo de razonamiento no demuestra que se haya ejecutado una herramienta, que un parche propuesto haya superado sus comprobaciones ni que una afirmación factual tenga respaldo más allá del material proporcionado.
POST /v1/messagestexttext| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites glm-5.1 | Predeterminado— |
Campomessages | Tipomessage[] | RequisitoObligatorio | Valores y límites Número mínimo de elementos: 1 | Predeterminado— |
Campomessages[].role | Tipostring | RequisitoObligatorio | Valores y límites user, assistant | Predeterminado— |
Campomessages[].content | Tipostring|content_block[] | RequisitoObligatorio | Valores y límites | Predeterminado— |
Camposystem | Tipostring|content_block[] | RequisitoOpcional | Valores y límites | Predeterminado— |
Campomax_tokens | Tipointeger | RequisitoObligatorio | Valores y límites Mínimo: 1 El límite se aplica a: límite máximo exacto de la ficha del modelo seleccionado | Predeterminado— |
Campostream | Tipoboolean | RequisitoOpcional | Valores y límites | Predeterminadofalse |
Campotemperature | Tiponumber | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campotop_p | Tiponumber | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campostop_sequences | Tipostring[] | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campotools | Tipotool[] | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campotools[].name | Tipostring | RequisitoOpcional | Valores y límites Se aplica cuando: herramienta proporcionada | Predeterminado— |
Campotools[].description | Tipostring | RequisitoOpcional | Valores y límites | Predeterminado— |
Campotools[].input_schema | TipoJSON_schema | RequisitoOpcional | Valores y límites | Predeterminado— |
Campotool_choice | Tipoobject | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campothinking.type | Tipostring | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campothinking.budget_tokens | Tipointeger | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campooutput_config.effort | Tipostring | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campometadata | Tipoobject | RequisitoOpcional | Valores y límites | Predeterminado— |
Campocache_control | Tipoobject | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Texto · Texto UTF8
messages[].content o bloque type=text
| Parámetro | Contrato |
|---|---|
Parámetromaterial_types | Contratotext |
Parámetrorequired | Contratomodel, messages, max_tokens |
Parámetrooptional_controls | Contratonull |
Parámetrocontent_type | Contratoapplication/json |
Parámetrotext_file_material | Contratocontenido real en UTF-8 insertado como texto; los ID de archivo y las URLs requieren compatibilidad específica e independiente |
Ciclo de vida: exact retained published method
Las estructuras e ID de los métodos son exactos; la capacidad del proveedor y la admisión son conceptos distintos.
POST /v1/messagesAiloot 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 →
Las tablas de referencia del modelo no cambian la selección del método, las estimaciones de coste ni los cargos. Los cargos aplicados usan las tarifas del método Ailoot 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 |
|---|---|---|---|---|
| ConfiguraciónOpenAI Chat · Tarifas 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 $0.0088 / 1K tokens Entrada · Lectura de caché $0.00052 / 1K tokens Entrada · Escritura en caché — / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
| ConfiguraciónOpenAI Chat · Nivel 1 según la 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 $0.0088 / 1K tokens Entrada · Lectura de caché $0.00052 / 1K tokens Entrada · Escritura en caché — / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
| ConfiguraciónAnthropic Messages · Tarifas 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 $0.0088 / 1K tokens Entrada · Lectura de caché $0.00052 / 1K tokens Entrada · Escritura en caché — / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
| ConfiguraciónAnthropic Messages · Nivel 1 según la 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 $0.0088 / 1K tokens Entrada · Lectura de caché $0.00052 / 1K tokens Entrada · Escritura en caché — / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 source-material file}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "glm-5.1", "max_tokens": 1024, "messages": []}')\nf=Path(os.environ["AILOOT_TEXT_FILE"])\nif not f.is_file():raise SystemExit("Choose your actual UTF-8 source material")\ntext=f.read_text(encoding="utf-8")\nif not text.strip():raise SystemExit("Source material must contain text")\np["messages"]=[{"role":"user","content":"Summarize this material and quote supporting source passages.\\n\\n"+text}]\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/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\nprint(json.dumps(json.loads(Path("result.json").read_text()),ensure_ascii=False,indent=2))\nPY_RESULT\nimport anthropic\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient = anthropic.Anthropic(base_url="https://api.ailoot.ai", api_key=os.environ["AILOOT_API_KEY"], max_retries=0)\nmsg = client.messages.create(\n model="glm-5.1",\n max_tokens=1024,\n messages=[{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}],\n)\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(msg.to_dict(mode="json"))\nimport Anthropic from "@anthropic-ai/sdk";\n\nif (!process.env.AILOOT_API_KEY?.trim()) throw new Error("Set AILOOT_API_KEY before making a request");\nconst client = new Anthropic({ baseURL: "https://api.ailoot.ai", apiKey: process.env.AILOOT_API_KEY, maxRetries: 0 });\nconst msg = await client.messages.create({\n model: "glm-5.1",\n max_tokens: 1024,\n messages: [{ role: "user", content: "Explain the difference between an observation and a hypothesis in three sentences." }],\n});\nimport { writeFileSync } from "node:fs";\n\nfunction saveResult(data, stem = "result") {\n writeFileSync(stem + ".json", JSON.stringify(data, null, 2));\n console.log(JSON.stringify(data, null, 2));\n const saveBlob = (encoded, suffix, label) => {\n const raw = Buffer.from(encoded, "base64");\n const ext = raw.subarray(0,8).equals(Buffer.from([137,80,78,71,13,10,26,10])) ? "png" : raw[0]===255 && raw[1]===216 ? "jpg" : raw.subarray(0,4).toString()==="RIFF" && raw.subarray(8,12).toString()==="WEBP" ? "webp" : suffix;\n const file = `${stem}-${label}.${ext}`;\n writeFileSync(file, raw); console.log("Saved", file);\n };\n for (const [i, block] of (data.content || []).entries()) console.log("Content", i, JSON.stringify(block));\n for (const choice of data.choices || []) console.log("Choice", choice.index, JSON.stringify(choice.message || choice.delta || {}));\n for (const [i, item] of (data.output || []).entries()) {\n console.log("Output", i, JSON.stringify(item));\n if (item.type === "image_generation_call" && item.result) saveBlob(item.result, item.output_format || "bin", `output-${i}`);\n }\n for (const [ci, candidate] of (data.candidates || []).entries()) {\n for (const [pi, part] of (candidate.content?.parts || []).entries()) {\n console.log("Candidate/part", ci, pi, JSON.stringify(part));\n const blob = part.inlineData || part.inline_data;\n if (blob?.data) {\n const mime = blob.mimeType || blob.mime_type;\n const suffix = ({"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"})[mime] || "bin";\n saveBlob(blob.data, suffix, `candidate-${ci}-part-${pi}`);\n }\n }\n }\n}\n\nsaveResult(msg);\nimport anthropic,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=anthropic.Anthropic(base_url="https://api.ailoot.ai",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.messages.stream(model='glm-5.1',max_tokens=1024,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_message()\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 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 glm-5.3, glm, glm-5, glm-5.1, glm-5.2, glm-latest
Ailoot Ultra glm-5.3, z-ai/glm-5.3, ~z-ai/glm-latest
/chat/completions
z-ai/glm-5.3, glm, glm-5, glm-5.1, glm-5.2, glm-latest, ~z-ai/glm-latest, glm-5.3, glm-5.3
glm-5.1Z.ai GLM 5.3 es un modelo de razonamiento textual para ingeniería de software compleja, trabajo en terminal y agentes de largo recorrido. Admite un contexto de 1M tokens documentado por el fabricante, hasta 128K tokens de salida, llamadas a funciones y niveles de 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 textual a gran escala diseñado para ingeniería de software compleja y trabajo con agentes de largo recorrido. El fabricante afirma que utiliza el mismo modelo base que GLM 5.2 y que las nuevas mejoras proceden del entrenamiento posterior. La versión se centra en reforzar la programación, las operaciones de terminal y las tareas más amplias que implican varios pasos dependientes. Acepta texto y produce texto, incluido código, explicaciones, planes y solicitudes de llamadas a herramientas en una aplicación conectada a herramientas.
El modo de razonamiento documentado permanece siempre activado. GLM 5.3 ofrece tres niveles de esfuerzo: low, high y max, con max como valor predeterminado. El fabricante recomienda max para programación compleja; low ofrece una opción de razonamiento más ligera para pasos más sencillos. Utiliza el nivel seleccionado junto con un entregable final claro y criterios de finalización. Por ejemplo: «Inspecciona estos archivos y resultados fallidos, rastrea la causa en los módulos afectados, propón una corrección que conserve la interfaz pública y explica qué comprobaciones demuestran 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 deba investigar el modelo. Conserva los nombres de archivos, las definiciones pertinentes, 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 las dependencias entre módulos o una secuencia larga de observaciones del agente; no convierte un archivo desorganizado de material sin relación en una tarea bien definida.
Para trabajar con repositorios, proporciona el comportamiento esperado, el texto de origen pertinente, las versiones de las 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 los invariantes que deben conservarse intactos. Una respuesta útil contiene el código revisado, por qué el cambio aborda el problema observado y los casos necesarios para comprobar el resultado. Devuelve los resultados reales a un flujo conectado a herramientas para que el siguiente paso se base en el estado modificado, en lugar de en la propuesta anterior.
Para trabajar sobre el rendimiento, proporciona una carga de trabajo, una referencia inicial y mediciones como tiempos, perfiles o registros de asignación de memoria. Z.ai describe tareas de entrenamiento que implican diagnóstico de cuellos de botella, optimización, experimentos y resultados que preservan la corrección. Una solicitud práctica es: «Utiliza 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 pertinentes al inspeccionar un resultado.
La versión también desarrolla la capacidad de análisis de vulnerabilidades. Para una revisión defensiva del código fuente, proporciona el código pertinente, sus límites de confianza previstos y las condiciones en las que se ejecuta. Solicita un hallazgo que conecte un posible problema con la entrada y el comportamiento afectados y con una corrección concreta. Separa una posible debilidad de un fallo reproducido y conserva la observación utilizada para validarlo. Un informe resulta más útil cuando prioriza las evidencias concretas y las correcciones propuestas, en lugar de tratar cada patrón sospechoso como una vulnerabilidad confirmada.
Las llamadas a funciones permiten que una aplicación que rodea al modelo le exponga operaciones externas. Define la finalidad, los argumentos y el resultado esperado de cada herramienta; 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 diferenciadas las acciones propuestas, las operaciones ejecutadas y las comprobaciones sin resolver. El fabricante también documenta respuestas transmitidas en continuo, que devuelven por separado los fragmentos de razonamiento y respuesta; ensambla la respuesta completa antes de tratarla como informe final o explicación del código.
La ficha local del modelo proporciona un detalle específico sobre el ajuste del historial: su plantilla de chat conserva el pensamiento de forma predeterminada, mientras que el fabricante recomienda borrar explícitamente el pensamiento anterior para los escenarios de chat habituales. Aplica la estructura de conversación adecuada al caso de uso, conservando las respuestas realmente completadas y los resultados de herramientas necesarios para continuar. Evita tratar los ajustes de control del 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 origen esperados. Un artefacto útil puede 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 los utilice una aplicación. El resultado final debe identificar la respuesta o el artefacto revisado, las evidencias que lo respaldan y las suposiciones pendientes. Un mayor esfuerzo de razonamiento no demuestra que se haya ejecutado una herramienta, que un parche propuesto haya superado sus comprobaciones ni que una afirmación factual tenga respaldo más allá del material proporcionado.
POST /v1/responsestexttext| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites glm-5.1 | Predeterminado— |
Campoinput | Tipostring|input_item[] | RequisitoObligatorio | Valores y límites | Predeterminado— |
Campoinstructions | Tipostring | RequisitoOpcional | Valores y límites | Predeterminado— |
Campoinput[].type | Tipostring | RequisitoOpcional | Valores y límites message, reasoning, function_call, function_call_output | Predeterminado— |
Campoinput[].content | Tipostring|content_part[] | RequisitoOpcional | Valores y límites | Predeterminado— |
Campoinput[].call_id | Tipostring | RequisitoOpcional | Valores y límites Se aplica cuando: function_call_output; conserva el call_id real devuelto | Predeterminado— |
Campoinput[].output | Tipostring|content_part[] | RequisitoOpcional | Valores y límites Se aplica cuando: function_call_output | Predeterminado— |
Campomax_output_tokens | Tipointeger | RequisitoOpcional | Valores y límites Mínimo: 1 Depende del modelo | Predeterminado— |
Campostream | Tipoboolean | RequisitoOpcional | Valores y límites | Predeterminadofalse |
Campotemperature | Tiponumber | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campotop_p | Tiponumber | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campotools | Tipotool[] | RequisitoOpcional | Valores y límites Depende del modelo | 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— |
Camporeasoning.effort | Tipostring | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Camporeasoning.summary | Tipostring | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campotext.format | Tipoobject | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campotext.verbosity | Tipostring | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campoinclude | Tipostring[] | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campostore | Tipoboolean | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campoprevious_response_id | Tipostring | RequisitoOpcional | Valores y límites Requisito de ID: Solo un ID real de respuesta de una continuación compatible Depende del modelo | Predeterminado— |
Camposervice_tier | Tipostring | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campoprompt_cache_key | Tipostring | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campoprompt_cache_options | Tipoobject | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Texto · Texto UTF8
texto en input o parte input_text
| Parámetro | Contrato |
|---|---|
Parámetromaterial_types | Contratotext |
Parámetrorequired | Contratomodel, input |
Parámetrooptional_controls | Contratonull |
Parámetrocontent_type | Contratoapplication/json |
Parámetrotext_file_material | Contratocontenido real en UTF-8 insertado como texto; los ID de archivo y las URLs requieren compatibilidad específica e independiente |
Ciclo de vida: exact retained published method
Las estructuras e ID de los métodos son exactos; la capacidad del proveedor y la admisión son conceptos distintos.
POST /v1/responsesAiloot 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 →
Las tablas de referencia del modelo no cambian la selección del método, las estimaciones de coste ni los cargos. Los cargos aplicados usan las tarifas del método Ailoot 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 |
|---|---|---|---|---|
| ConfiguraciónOpenAI Chat · Tarifas 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 $0.0088 / 1K tokens Entrada · Lectura de caché $0.00052 / 1K tokens Entrada · Escritura en caché — / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
| ConfiguraciónOpenAI Chat · Nivel 1 según la 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 $0.0088 / 1K tokens Entrada · Lectura de caché $0.00052 / 1K tokens Entrada · Escritura en caché — / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
| ConfiguraciónAnthropic Messages · Tarifas 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 $0.0088 / 1K tokens Entrada · Lectura de caché $0.00052 / 1K tokens Entrada · Escritura en caché — / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
| ConfiguraciónAnthropic Messages · Nivel 1 según la 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 $0.0088 / 1K tokens Entrada · Lectura de caché $0.00052 / 1K tokens Entrada · Escritura en caché — / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 source-material file}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "glm-5.1", "input": ""}')\nf=Path(os.environ["AILOOT_TEXT_FILE"])\nif not f.is_file():raise SystemExit("Choose your actual UTF-8 source material")\ntext=f.read_text(encoding="utf-8")\nif not text.strip():raise SystemExit("Source material must contain text")\np["input"]="Summarize this material and quote supporting source passages.\\n\\n"+text\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/responses \\\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 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(json.loads(Path("result.json").read_text(encoding="utf-8")))\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)\nresp = client.responses.create(model="glm-5.1", input="Explain the difference between an observation and a hypothesis 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(resp.to_dict(mode="json"))\nimport OpenAI from "openai";\n\nif (!process.env.AILOOT_API_KEY?.trim()) throw new Error("Set AILOOT_API_KEY before making a request");\nconst client = new OpenAI({ baseURL: "https://api.ailoot.ai/v1", apiKey: process.env.AILOOT_API_KEY, maxRetries: 0 });\nconst resp = await client.responses.create({ model: "glm-5.1", input: "Explain the difference between an observation and a hypothesis in three sentences." });\nimport { writeFileSync } from "node:fs";\n\nfunction saveResult(data, stem = "result") {\n writeFileSync(stem + ".json", JSON.stringify(data, null, 2));\n console.log(JSON.stringify(data, null, 2));\n const saveBlob = (encoded, suffix, label) => {\n const raw = Buffer.from(encoded, "base64");\n const ext = raw.subarray(0,8).equals(Buffer.from([137,80,78,71,13,10,26,10])) ? "png" : raw[0]===255 && raw[1]===216 ? "jpg" : raw.subarray(0,4).toString()==="RIFF" && raw.subarray(8,12).toString()==="WEBP" ? "webp" : suffix;\n const file = `${stem}-${label}.${ext}`;\n writeFileSync(file, raw); console.log("Saved", file);\n };\n for (const [i, block] of (data.content || []).entries()) console.log("Content", i, JSON.stringify(block));\n for (const choice of data.choices || []) console.log("Choice", choice.index, JSON.stringify(choice.message || choice.delta || {}));\n for (const [i, item] of (data.output || []).entries()) {\n console.log("Output", i, JSON.stringify(item));\n if (item.type === "image_generation_call" && item.result) saveBlob(item.result, item.output_format || "bin", `output-${i}`);\n }\n for (const [ci, candidate] of (data.candidates || []).entries()) {\n for (const [pi, part] of (candidate.content?.parts || []).entries()) {\n console.log("Candidate/part", ci, pi, JSON.stringify(part));\n const blob = part.inlineData || part.inline_data;\n if (blob?.data) {\n const mime = blob.mimeType || blob.mime_type;\n const suffix = ({"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"})[mime] || "bin";\n saveBlob(blob.data, suffix, `candidate-${ci}-part-${pi}`);\n }\n }\n }\n}\n\nsaveResult(resp);\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\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\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)\nwith client.responses.stream(model="glm-5.1", input="Explain the difference between an observation and a hypothesis 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_response()\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 todos los elementos de salida y partes de contenido, el call_id real de la función, el razonamiento cifrado y el uso. Durante la transmisión en flujo, conserva la identidad completa de cada evento y elemento.
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 |
Campostatus | Tipostring |
Campooutput[] | Tipomessage|reasoning|function_call|other item |
Campooutput[].content[] | Tipocontent part |
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 glm-5.3, glm, glm-5, glm-5.1, glm-5.2, glm-latest
Ailoot Ultra glm-5.3, z-ai/glm-5.3, ~z-ai/glm-latest
/chat/completions
z-ai/glm-5.3, glm, glm-5, glm-5.1, glm-5.2, glm-latest, ~z-ai/glm-latest, glm-5.3, glm-5.3
glm-5.1Z.ai GLM 5.3 es un modelo de razonamiento textual para ingeniería de software compleja, trabajo en terminal y agentes de largo recorrido. Admite un contexto de 1M tokens documentado por el fabricante, hasta 128K tokens de salida, llamadas a funciones y niveles de 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 textual a gran escala diseñado para ingeniería de software compleja y trabajo con agentes de largo recorrido. El fabricante afirma que utiliza el mismo modelo base que GLM 5.2 y que las nuevas mejoras proceden del entrenamiento posterior. La versión se centra en reforzar la programación, las operaciones de terminal y las tareas más amplias que implican varios pasos dependientes. Acepta texto y produce texto, incluido código, explicaciones, planes y solicitudes de llamadas a herramientas en una aplicación conectada a herramientas.
El modo de razonamiento documentado permanece siempre activado. GLM 5.3 ofrece tres niveles de esfuerzo: low, high y max, con max como valor predeterminado. El fabricante recomienda max para programación compleja; low ofrece una opción de razonamiento más ligera para pasos más sencillos. Utiliza el nivel seleccionado junto con un entregable final claro y criterios de finalización. Por ejemplo: «Inspecciona estos archivos y resultados fallidos, rastrea la causa en los módulos afectados, propón una corrección que conserve la interfaz pública y explica qué comprobaciones demuestran 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 deba investigar el modelo. Conserva los nombres de archivos, las definiciones pertinentes, 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 las dependencias entre módulos o una secuencia larga de observaciones del agente; no convierte un archivo desorganizado de material sin relación en una tarea bien definida.
Para trabajar con repositorios, proporciona el comportamiento esperado, el texto de origen pertinente, las versiones de las 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 los invariantes que deben conservarse intactos. Una respuesta útil contiene el código revisado, por qué el cambio aborda el problema observado y los casos necesarios para comprobar el resultado. Devuelve los resultados reales a un flujo conectado a herramientas para que el siguiente paso se base en el estado modificado, en lugar de en la propuesta anterior.
Para trabajar sobre el rendimiento, proporciona una carga de trabajo, una referencia inicial y mediciones como tiempos, perfiles o registros de asignación de memoria. Z.ai describe tareas de entrenamiento que implican diagnóstico de cuellos de botella, optimización, experimentos y resultados que preservan la corrección. Una solicitud práctica es: «Utiliza 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 pertinentes al inspeccionar un resultado.
La versión también desarrolla la capacidad de análisis de vulnerabilidades. Para una revisión defensiva del código fuente, proporciona el código pertinente, sus límites de confianza previstos y las condiciones en las que se ejecuta. Solicita un hallazgo que conecte un posible problema con la entrada y el comportamiento afectados y con una corrección concreta. Separa una posible debilidad de un fallo reproducido y conserva la observación utilizada para validarlo. Un informe resulta más útil cuando prioriza las evidencias concretas y las correcciones propuestas, en lugar de tratar cada patrón sospechoso como una vulnerabilidad confirmada.
Las llamadas a funciones permiten que una aplicación que rodea al modelo le exponga operaciones externas. Define la finalidad, los argumentos y el resultado esperado de cada herramienta; 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 diferenciadas las acciones propuestas, las operaciones ejecutadas y las comprobaciones sin resolver. El fabricante también documenta respuestas transmitidas en continuo, que devuelven por separado los fragmentos de razonamiento y respuesta; ensambla la respuesta completa antes de tratarla como informe final o explicación del código.
La ficha local del modelo proporciona un detalle específico sobre el ajuste del historial: su plantilla de chat conserva el pensamiento de forma predeterminada, mientras que el fabricante recomienda borrar explícitamente el pensamiento anterior para los escenarios de chat habituales. Aplica la estructura de conversación adecuada al caso de uso, conservando las respuestas realmente completadas y los resultados de herramientas necesarios para continuar. Evita tratar los ajustes de control del 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 origen esperados. Un artefacto útil puede 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 los utilice una aplicación. El resultado final debe identificar la respuesta o el artefacto revisado, las evidencias que lo respaldan y las suposiciones pendientes. Un mayor esfuerzo de razonamiento no demuestra que se haya ejecutado una herramienta, que un parche propuesto haya superado sus comprobaciones ni que una afirmación factual tenga respaldo más allá del material proporcionado.
POST /v1/chat/completionstexttext| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites glm-5.1 | 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 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— |
Texto · Texto UTF8
messages[].content
| Parámetro | Contrato |
|---|---|
Parámetromaterial_types | Contratotext |
Parámetrorequired | Contratomodel, messages |
Parámetrooptional_controls | Contratonull |
Parámetrocontent_type | Contratoapplication/json |
Parámetrotext_file_material | Contratocontenido real en UTF-8 insertado como texto; los ID de archivo y las URLs requieren compatibilidad específica e independiente |
Ciclo de vida: exact retained published method
Las estructuras e ID de los métodos son exactos; la capacidad del proveedor y la admisión son conceptos distintos.
POST /v1/chat/completionsAiloot 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 →
Las tablas de referencia del modelo no cambian la selección del método, las estimaciones de coste ni los cargos. Los cargos aplicados usan las tarifas del método Ailoot 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 |
|---|---|---|---|---|
| ConfiguraciónOpenAI Chat · Tarifas 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 $0.0088 / 1K tokens Entrada · Lectura de caché $0.00052 / 1K tokens Entrada · Escritura en caché — / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
| ConfiguraciónOpenAI Chat · Nivel 1 según la 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 $0.0088 / 1K tokens Entrada · Lectura de caché $0.00052 / 1K tokens Entrada · Escritura en caché — / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
| ConfiguraciónAnthropic Messages · Tarifas 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 $0.0088 / 1K tokens Entrada · Lectura de caché $0.00052 / 1K tokens Entrada · Escritura en caché — / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
| ConfiguraciónAnthropic Messages · Nivel 1 según la 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 $0.0088 / 1K tokens Entrada · Lectura de caché $0.00052 / 1K tokens Entrada · Escritura en caché — / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 source-material file}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "glm-5.1", "messages": []}')\nf=Path(os.environ["AILOOT_TEXT_FILE"])\nif not f.is_file():raise SystemExit("Choose your actual UTF-8 source material")\ntext=f.read_text(encoding="utf-8")\nif not text.strip():raise SystemExit("Source material must contain text")\np["messages"]=[{"role":"user","content":"Summarize this material and quote supporting source passages.\\n\\n"+text}]\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\nprint(json.dumps(json.loads(Path("result.json").read_text()),ensure_ascii=False,indent=2))\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)\nresp = client.chat.completions.create(\n model="glm-5.1",\n messages=[{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}],\n)\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(resp.to_dict(mode="json"))\nimport OpenAI from "openai";\n\nif (!process.env.AILOOT_API_KEY?.trim()) throw new Error("Set AILOOT_API_KEY before making a request");\nconst client = new OpenAI({ baseURL: "https://api.ailoot.ai/v1", apiKey: process.env.AILOOT_API_KEY, maxRetries: 0 });\nconst resp = await client.chat.completions.create({\n model: "glm-5.1",\n messages: [{ role: "user", content: "Explain the difference between an observation and a hypothesis in three sentences." }],\n});\nimport { writeFileSync } from "node:fs";\n\nfunction saveResult(data, stem = "result") {\n writeFileSync(stem + ".json", JSON.stringify(data, null, 2));\n console.log(JSON.stringify(data, null, 2));\n const saveBlob = (encoded, suffix, label) => {\n const raw = Buffer.from(encoded, "base64");\n const ext = raw.subarray(0,8).equals(Buffer.from([137,80,78,71,13,10,26,10])) ? "png" : raw[0]===255 && raw[1]===216 ? "jpg" : raw.subarray(0,4).toString()==="RIFF" && raw.subarray(8,12).toString()==="WEBP" ? "webp" : suffix;\n const file = `${stem}-${label}.${ext}`;\n writeFileSync(file, raw); console.log("Saved", file);\n };\n for (const [i, block] of (data.content || []).entries()) console.log("Content", i, JSON.stringify(block));\n for (const choice of data.choices || []) console.log("Choice", choice.index, JSON.stringify(choice.message || choice.delta || {}));\n for (const [i, item] of (data.output || []).entries()) {\n console.log("Output", i, JSON.stringify(item));\n if (item.type === "image_generation_call" && item.result) saveBlob(item.result, item.output_format || "bin", `output-${i}`);\n }\n for (const [ci, candidate] of (data.candidates || []).entries()) {\n for (const [pi, part] of (candidate.content?.parts || []).entries()) {\n console.log("Candidate/part", ci, pi, JSON.stringify(part));\n const blob = part.inlineData || part.inline_data;\n if (blob?.data) {\n const mime = blob.mimeType || blob.mime_type;\n const suffix = ({"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"})[mime] || "bin";\n saveBlob(blob.data, suffix, `candidate-${ci}-part-${pi}`);\n }\n }\n }\n}\n\nsaveResult(resp);\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='glm-5.1',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 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 glm-5.3, glm, glm-5, glm-5.1, glm-5.2, glm-latest
Ailoot Ultra glm-5.3, z-ai/glm-5.3, ~z-ai/glm-latest
/chat/completions
z-ai/glm-5.3, glm, glm-5, glm-5.1, glm-5.2, glm-latest, ~z-ai/glm-latest, glm-5.3, glm-5.3
glm-5.2Z.ai GLM 5.3 es un modelo de razonamiento textual para ingeniería de software compleja, trabajo en terminal y agentes de largo recorrido. Admite un contexto de 1M tokens documentado por el fabricante, hasta 128K tokens de salida, llamadas a funciones y niveles de 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 textual a gran escala diseñado para ingeniería de software compleja y trabajo con agentes de largo recorrido. El fabricante afirma que utiliza el mismo modelo base que GLM 5.2 y que las nuevas mejoras proceden del entrenamiento posterior. La versión se centra en reforzar la programación, las operaciones de terminal y las tareas más amplias que implican varios pasos dependientes. Acepta texto y produce texto, incluido código, explicaciones, planes y solicitudes de llamadas a herramientas en una aplicación conectada a herramientas.
El modo de razonamiento documentado permanece siempre activado. GLM 5.3 ofrece tres niveles de esfuerzo: low, high y max, con max como valor predeterminado. El fabricante recomienda max para programación compleja; low ofrece una opción de razonamiento más ligera para pasos más sencillos. Utiliza el nivel seleccionado junto con un entregable final claro y criterios de finalización. Por ejemplo: «Inspecciona estos archivos y resultados fallidos, rastrea la causa en los módulos afectados, propón una corrección que conserve la interfaz pública y explica qué comprobaciones demuestran 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 deba investigar el modelo. Conserva los nombres de archivos, las definiciones pertinentes, 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 las dependencias entre módulos o una secuencia larga de observaciones del agente; no convierte un archivo desorganizado de material sin relación en una tarea bien definida.
Para trabajar con repositorios, proporciona el comportamiento esperado, el texto de origen pertinente, las versiones de las 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 los invariantes que deben conservarse intactos. Una respuesta útil contiene el código revisado, por qué el cambio aborda el problema observado y los casos necesarios para comprobar el resultado. Devuelve los resultados reales a un flujo conectado a herramientas para que el siguiente paso se base en el estado modificado, en lugar de en la propuesta anterior.
Para trabajar sobre el rendimiento, proporciona una carga de trabajo, una referencia inicial y mediciones como tiempos, perfiles o registros de asignación de memoria. Z.ai describe tareas de entrenamiento que implican diagnóstico de cuellos de botella, optimización, experimentos y resultados que preservan la corrección. Una solicitud práctica es: «Utiliza 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 pertinentes al inspeccionar un resultado.
La versión también desarrolla la capacidad de análisis de vulnerabilidades. Para una revisión defensiva del código fuente, proporciona el código pertinente, sus límites de confianza previstos y las condiciones en las que se ejecuta. Solicita un hallazgo que conecte un posible problema con la entrada y el comportamiento afectados y con una corrección concreta. Separa una posible debilidad de un fallo reproducido y conserva la observación utilizada para validarlo. Un informe resulta más útil cuando prioriza las evidencias concretas y las correcciones propuestas, en lugar de tratar cada patrón sospechoso como una vulnerabilidad confirmada.
Las llamadas a funciones permiten que una aplicación que rodea al modelo le exponga operaciones externas. Define la finalidad, los argumentos y el resultado esperado de cada herramienta; 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 diferenciadas las acciones propuestas, las operaciones ejecutadas y las comprobaciones sin resolver. El fabricante también documenta respuestas transmitidas en continuo, que devuelven por separado los fragmentos de razonamiento y respuesta; ensambla la respuesta completa antes de tratarla como informe final o explicación del código.
La ficha local del modelo proporciona un detalle específico sobre el ajuste del historial: su plantilla de chat conserva el pensamiento de forma predeterminada, mientras que el fabricante recomienda borrar explícitamente el pensamiento anterior para los escenarios de chat habituales. Aplica la estructura de conversación adecuada al caso de uso, conservando las respuestas realmente completadas y los resultados de herramientas necesarios para continuar. Evita tratar los ajustes de control del 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 origen esperados. Un artefacto útil puede 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 los utilice una aplicación. El resultado final debe identificar la respuesta o el artefacto revisado, las evidencias que lo respaldan y las suposiciones pendientes. Un mayor esfuerzo de razonamiento no demuestra que se haya ejecutado una herramienta, que un parche propuesto haya superado sus comprobaciones ni que una afirmación factual tenga respaldo más allá del material proporcionado.
POST /v1/messagestexttext| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites glm-5.2 | Predeterminado— |
Campomessages | Tipomessage[] | RequisitoObligatorio | Valores y límites Número mínimo de elementos: 1 | Predeterminado— |
Campomessages[].role | Tipostring | RequisitoObligatorio | Valores y límites user, assistant | Predeterminado— |
Campomessages[].content | Tipostring|content_block[] | RequisitoObligatorio | Valores y límites | Predeterminado— |
Camposystem | Tipostring|content_block[] | RequisitoOpcional | Valores y límites | Predeterminado— |
Campomax_tokens | Tipointeger | RequisitoObligatorio | Valores y límites Mínimo: 1 El límite se aplica a: límite máximo exacto de la ficha del modelo seleccionado | Predeterminado— |
Campostream | Tipoboolean | RequisitoOpcional | Valores y límites | Predeterminadofalse |
Campotemperature | Tiponumber | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campotop_p | Tiponumber | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campostop_sequences | Tipostring[] | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campotools | Tipotool[] | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campotools[].name | Tipostring | RequisitoOpcional | Valores y límites Se aplica cuando: herramienta proporcionada | Predeterminado— |
Campotools[].description | Tipostring | RequisitoOpcional | Valores y límites | Predeterminado— |
Campotools[].input_schema | TipoJSON_schema | RequisitoOpcional | Valores y límites | Predeterminado— |
Campotool_choice | Tipoobject | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campothinking.type | Tipostring | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campothinking.budget_tokens | Tipointeger | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campooutput_config.effort | Tipostring | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campometadata | Tipoobject | RequisitoOpcional | Valores y límites | Predeterminado— |
Campocache_control | Tipoobject | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Texto · Texto UTF8
messages[].content o bloque type=text
| Parámetro | Contrato |
|---|---|
Parámetromaterial_types | Contratotext |
Parámetrorequired | Contratomodel, messages, max_tokens |
Parámetrooptional_controls | Contratonull |
Parámetrocontent_type | Contratoapplication/json |
Parámetrotext_file_material | Contratocontenido real en UTF-8 insertado como texto; los ID de archivo y las URLs requieren compatibilidad específica e independiente |
Ciclo de vida: exact retained published method
Las estructuras e ID de los métodos son exactos; la capacidad del proveedor y la admisión son conceptos distintos.
POST /v1/messagesAiloot 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 →
Las tablas de referencia del modelo no cambian la selección del método, las estimaciones de coste ni los cargos. Los cargos aplicados usan las tarifas del método Ailoot 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 |
|---|---|---|---|---|
| ConfiguraciónOpenAI Chat · Tarifas 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 $0.0088 / 1K tokens Entrada · Lectura de caché $0.00052 / 1K tokens Entrada · Escritura en caché — / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
| ConfiguraciónOpenAI Chat · Nivel 1 según la 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 $0.0088 / 1K tokens Entrada · Lectura de caché $0.00052 / 1K tokens Entrada · Escritura en caché — / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
| ConfiguraciónAnthropic Messages · Tarifas 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 $0.0088 / 1K tokens Entrada · Lectura de caché $0.00052 / 1K tokens Entrada · Escritura en caché — / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
| ConfiguraciónAnthropic Messages · Nivel 1 según la 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 $0.0088 / 1K tokens Entrada · Lectura de caché $0.00052 / 1K tokens Entrada · Escritura en caché — / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 source-material file}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "glm-5.2", "max_tokens": 1024, "messages": []}')\nf=Path(os.environ["AILOOT_TEXT_FILE"])\nif not f.is_file():raise SystemExit("Choose your actual UTF-8 source material")\ntext=f.read_text(encoding="utf-8")\nif not text.strip():raise SystemExit("Source material must contain text")\np["messages"]=[{"role":"user","content":"Summarize this material and quote supporting source passages.\\n\\n"+text}]\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/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\nprint(json.dumps(json.loads(Path("result.json").read_text()),ensure_ascii=False,indent=2))\nPY_RESULT\nimport anthropic\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient = anthropic.Anthropic(base_url="https://api.ailoot.ai", api_key=os.environ["AILOOT_API_KEY"], max_retries=0)\nmsg = client.messages.create(\n model="glm-5.2",\n max_tokens=1024,\n messages=[{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}],\n)\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(msg.to_dict(mode="json"))\nimport Anthropic from "@anthropic-ai/sdk";\n\nif (!process.env.AILOOT_API_KEY?.trim()) throw new Error("Set AILOOT_API_KEY before making a request");\nconst client = new Anthropic({ baseURL: "https://api.ailoot.ai", apiKey: process.env.AILOOT_API_KEY, maxRetries: 0 });\nconst msg = await client.messages.create({\n model: "glm-5.2",\n max_tokens: 1024,\n messages: [{ role: "user", content: "Explain the difference between an observation and a hypothesis in three sentences." }],\n});\nimport { writeFileSync } from "node:fs";\n\nfunction saveResult(data, stem = "result") {\n writeFileSync(stem + ".json", JSON.stringify(data, null, 2));\n console.log(JSON.stringify(data, null, 2));\n const saveBlob = (encoded, suffix, label) => {\n const raw = Buffer.from(encoded, "base64");\n const ext = raw.subarray(0,8).equals(Buffer.from([137,80,78,71,13,10,26,10])) ? "png" : raw[0]===255 && raw[1]===216 ? "jpg" : raw.subarray(0,4).toString()==="RIFF" && raw.subarray(8,12).toString()==="WEBP" ? "webp" : suffix;\n const file = `${stem}-${label}.${ext}`;\n writeFileSync(file, raw); console.log("Saved", file);\n };\n for (const [i, block] of (data.content || []).entries()) console.log("Content", i, JSON.stringify(block));\n for (const choice of data.choices || []) console.log("Choice", choice.index, JSON.stringify(choice.message || choice.delta || {}));\n for (const [i, item] of (data.output || []).entries()) {\n console.log("Output", i, JSON.stringify(item));\n if (item.type === "image_generation_call" && item.result) saveBlob(item.result, item.output_format || "bin", `output-${i}`);\n }\n for (const [ci, candidate] of (data.candidates || []).entries()) {\n for (const [pi, part] of (candidate.content?.parts || []).entries()) {\n console.log("Candidate/part", ci, pi, JSON.stringify(part));\n const blob = part.inlineData || part.inline_data;\n if (blob?.data) {\n const mime = blob.mimeType || blob.mime_type;\n const suffix = ({"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"})[mime] || "bin";\n saveBlob(blob.data, suffix, `candidate-${ci}-part-${pi}`);\n }\n }\n }\n}\n\nsaveResult(msg);\nimport anthropic,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=anthropic.Anthropic(base_url="https://api.ailoot.ai",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.messages.stream(model='glm-5.2',max_tokens=1024,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_message()\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 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 glm-5.3, glm, glm-5, glm-5.1, glm-5.2, glm-latest
Ailoot Ultra glm-5.3, z-ai/glm-5.3, ~z-ai/glm-latest
/chat/completions
z-ai/glm-5.3, glm, glm-5, glm-5.1, glm-5.2, glm-latest, ~z-ai/glm-latest, glm-5.3, glm-5.3
glm-5.2Z.ai GLM 5.3 es un modelo de razonamiento textual para ingeniería de software compleja, trabajo en terminal y agentes de largo recorrido. Admite un contexto de 1M tokens documentado por el fabricante, hasta 128K tokens de salida, llamadas a funciones y niveles de 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 textual a gran escala diseñado para ingeniería de software compleja y trabajo con agentes de largo recorrido. El fabricante afirma que utiliza el mismo modelo base que GLM 5.2 y que las nuevas mejoras proceden del entrenamiento posterior. La versión se centra en reforzar la programación, las operaciones de terminal y las tareas más amplias que implican varios pasos dependientes. Acepta texto y produce texto, incluido código, explicaciones, planes y solicitudes de llamadas a herramientas en una aplicación conectada a herramientas.
El modo de razonamiento documentado permanece siempre activado. GLM 5.3 ofrece tres niveles de esfuerzo: low, high y max, con max como valor predeterminado. El fabricante recomienda max para programación compleja; low ofrece una opción de razonamiento más ligera para pasos más sencillos. Utiliza el nivel seleccionado junto con un entregable final claro y criterios de finalización. Por ejemplo: «Inspecciona estos archivos y resultados fallidos, rastrea la causa en los módulos afectados, propón una corrección que conserve la interfaz pública y explica qué comprobaciones demuestran 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 deba investigar el modelo. Conserva los nombres de archivos, las definiciones pertinentes, 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 las dependencias entre módulos o una secuencia larga de observaciones del agente; no convierte un archivo desorganizado de material sin relación en una tarea bien definida.
Para trabajar con repositorios, proporciona el comportamiento esperado, el texto de origen pertinente, las versiones de las 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 los invariantes que deben conservarse intactos. Una respuesta útil contiene el código revisado, por qué el cambio aborda el problema observado y los casos necesarios para comprobar el resultado. Devuelve los resultados reales a un flujo conectado a herramientas para que el siguiente paso se base en el estado modificado, en lugar de en la propuesta anterior.
Para trabajar sobre el rendimiento, proporciona una carga de trabajo, una referencia inicial y mediciones como tiempos, perfiles o registros de asignación de memoria. Z.ai describe tareas de entrenamiento que implican diagnóstico de cuellos de botella, optimización, experimentos y resultados que preservan la corrección. Una solicitud práctica es: «Utiliza 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 pertinentes al inspeccionar un resultado.
La versión también desarrolla la capacidad de análisis de vulnerabilidades. Para una revisión defensiva del código fuente, proporciona el código pertinente, sus límites de confianza previstos y las condiciones en las que se ejecuta. Solicita un hallazgo que conecte un posible problema con la entrada y el comportamiento afectados y con una corrección concreta. Separa una posible debilidad de un fallo reproducido y conserva la observación utilizada para validarlo. Un informe resulta más útil cuando prioriza las evidencias concretas y las correcciones propuestas, en lugar de tratar cada patrón sospechoso como una vulnerabilidad confirmada.
Las llamadas a funciones permiten que una aplicación que rodea al modelo le exponga operaciones externas. Define la finalidad, los argumentos y el resultado esperado de cada herramienta; 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 diferenciadas las acciones propuestas, las operaciones ejecutadas y las comprobaciones sin resolver. El fabricante también documenta respuestas transmitidas en continuo, que devuelven por separado los fragmentos de razonamiento y respuesta; ensambla la respuesta completa antes de tratarla como informe final o explicación del código.
La ficha local del modelo proporciona un detalle específico sobre el ajuste del historial: su plantilla de chat conserva el pensamiento de forma predeterminada, mientras que el fabricante recomienda borrar explícitamente el pensamiento anterior para los escenarios de chat habituales. Aplica la estructura de conversación adecuada al caso de uso, conservando las respuestas realmente completadas y los resultados de herramientas necesarios para continuar. Evita tratar los ajustes de control del 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 origen esperados. Un artefacto útil puede 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 los utilice una aplicación. El resultado final debe identificar la respuesta o el artefacto revisado, las evidencias que lo respaldan y las suposiciones pendientes. Un mayor esfuerzo de razonamiento no demuestra que se haya ejecutado una herramienta, que un parche propuesto haya superado sus comprobaciones ni que una afirmación factual tenga respaldo más allá del material proporcionado.
POST /v1/responsestexttext| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites glm-5.2 | Predeterminado— |
Campoinput | Tipostring|input_item[] | RequisitoObligatorio | Valores y límites | Predeterminado— |
Campoinstructions | Tipostring | RequisitoOpcional | Valores y límites | Predeterminado— |
Campoinput[].type | Tipostring | RequisitoOpcional | Valores y límites message, reasoning, function_call, function_call_output | Predeterminado— |
Campoinput[].content | Tipostring|content_part[] | RequisitoOpcional | Valores y límites | Predeterminado— |
Campoinput[].call_id | Tipostring | RequisitoOpcional | Valores y límites Se aplica cuando: function_call_output; conserva el call_id real devuelto | Predeterminado— |
Campoinput[].output | Tipostring|content_part[] | RequisitoOpcional | Valores y límites Se aplica cuando: function_call_output | Predeterminado— |
Campomax_output_tokens | Tipointeger | RequisitoOpcional | Valores y límites Mínimo: 1 Depende del modelo | Predeterminado— |
Campostream | Tipoboolean | RequisitoOpcional | Valores y límites | Predeterminadofalse |
Campotemperature | Tiponumber | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campotop_p | Tiponumber | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campotools | Tipotool[] | RequisitoOpcional | Valores y límites Depende del modelo | 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— |
Camporeasoning.effort | Tipostring | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Camporeasoning.summary | Tipostring | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campotext.format | Tipoobject | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campotext.verbosity | Tipostring | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campoinclude | Tipostring[] | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campostore | Tipoboolean | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campoprevious_response_id | Tipostring | RequisitoOpcional | Valores y límites Requisito de ID: Solo un ID real de respuesta de una continuación compatible Depende del modelo | Predeterminado— |
Camposervice_tier | Tipostring | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campoprompt_cache_key | Tipostring | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campoprompt_cache_options | Tipoobject | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Texto · Texto UTF8
texto en input o parte input_text
| Parámetro | Contrato |
|---|---|
Parámetromaterial_types | Contratotext |
Parámetrorequired | Contratomodel, input |
Parámetrooptional_controls | Contratonull |
Parámetrocontent_type | Contratoapplication/json |
Parámetrotext_file_material | Contratocontenido real en UTF-8 insertado como texto; los ID de archivo y las URLs requieren compatibilidad específica e independiente |
Ciclo de vida: exact retained published method
Las estructuras e ID de los métodos son exactos; la capacidad del proveedor y la admisión son conceptos distintos.
POST /v1/responsesAiloot 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 →
Las tablas de referencia del modelo no cambian la selección del método, las estimaciones de coste ni los cargos. Los cargos aplicados usan las tarifas del método Ailoot 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 |
|---|---|---|---|---|
| ConfiguraciónOpenAI Chat · Tarifas 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 $0.0088 / 1K tokens Entrada · Lectura de caché $0.00052 / 1K tokens Entrada · Escritura en caché — / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
| ConfiguraciónOpenAI Chat · Nivel 1 según la 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 $0.0088 / 1K tokens Entrada · Lectura de caché $0.00052 / 1K tokens Entrada · Escritura en caché — / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
| ConfiguraciónAnthropic Messages · Tarifas 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 $0.0088 / 1K tokens Entrada · Lectura de caché $0.00052 / 1K tokens Entrada · Escritura en caché — / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
| ConfiguraciónAnthropic Messages · Nivel 1 según la 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 $0.0088 / 1K tokens Entrada · Lectura de caché $0.00052 / 1K tokens Entrada · Escritura en caché — / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 source-material file}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "glm-5.2", "input": ""}')\nf=Path(os.environ["AILOOT_TEXT_FILE"])\nif not f.is_file():raise SystemExit("Choose your actual UTF-8 source material")\ntext=f.read_text(encoding="utf-8")\nif not text.strip():raise SystemExit("Source material must contain text")\np["input"]="Summarize this material and quote supporting source passages.\\n\\n"+text\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/responses \\\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 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(json.loads(Path("result.json").read_text(encoding="utf-8")))\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)\nresp = client.responses.create(model="glm-5.2", input="Explain the difference between an observation and a hypothesis 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(resp.to_dict(mode="json"))\nimport OpenAI from "openai";\n\nif (!process.env.AILOOT_API_KEY?.trim()) throw new Error("Set AILOOT_API_KEY before making a request");\nconst client = new OpenAI({ baseURL: "https://api.ailoot.ai/v1", apiKey: process.env.AILOOT_API_KEY, maxRetries: 0 });\nconst resp = await client.responses.create({ model: "glm-5.2", input: "Explain the difference between an observation and a hypothesis in three sentences." });\nimport { writeFileSync } from "node:fs";\n\nfunction saveResult(data, stem = "result") {\n writeFileSync(stem + ".json", JSON.stringify(data, null, 2));\n console.log(JSON.stringify(data, null, 2));\n const saveBlob = (encoded, suffix, label) => {\n const raw = Buffer.from(encoded, "base64");\n const ext = raw.subarray(0,8).equals(Buffer.from([137,80,78,71,13,10,26,10])) ? "png" : raw[0]===255 && raw[1]===216 ? "jpg" : raw.subarray(0,4).toString()==="RIFF" && raw.subarray(8,12).toString()==="WEBP" ? "webp" : suffix;\n const file = `${stem}-${label}.${ext}`;\n writeFileSync(file, raw); console.log("Saved", file);\n };\n for (const [i, block] of (data.content || []).entries()) console.log("Content", i, JSON.stringify(block));\n for (const choice of data.choices || []) console.log("Choice", choice.index, JSON.stringify(choice.message || choice.delta || {}));\n for (const [i, item] of (data.output || []).entries()) {\n console.log("Output", i, JSON.stringify(item));\n if (item.type === "image_generation_call" && item.result) saveBlob(item.result, item.output_format || "bin", `output-${i}`);\n }\n for (const [ci, candidate] of (data.candidates || []).entries()) {\n for (const [pi, part] of (candidate.content?.parts || []).entries()) {\n console.log("Candidate/part", ci, pi, JSON.stringify(part));\n const blob = part.inlineData || part.inline_data;\n if (blob?.data) {\n const mime = blob.mimeType || blob.mime_type;\n const suffix = ({"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"})[mime] || "bin";\n saveBlob(blob.data, suffix, `candidate-${ci}-part-${pi}`);\n }\n }\n }\n}\n\nsaveResult(resp);\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\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\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)\nwith client.responses.stream(model="glm-5.2", input="Explain the difference between an observation and a hypothesis 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_response()\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 todos los elementos de salida y partes de contenido, el call_id real de la función, el razonamiento cifrado y el uso. Durante la transmisión en flujo, conserva la identidad completa de cada evento y elemento.
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 |
Campostatus | Tipostring |
Campooutput[] | Tipomessage|reasoning|function_call|other item |
Campooutput[].content[] | Tipocontent part |
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 glm-5.3, glm, glm-5, glm-5.1, glm-5.2, glm-latest
Ailoot Ultra glm-5.3, z-ai/glm-5.3, ~z-ai/glm-latest
/chat/completions
z-ai/glm-5.3, glm, glm-5, glm-5.1, glm-5.2, glm-latest, ~z-ai/glm-latest, glm-5.3, glm-5.3
glm-5.2Z.ai GLM 5.3 es un modelo de razonamiento textual para ingeniería de software compleja, trabajo en terminal y agentes de largo recorrido. Admite un contexto de 1M tokens documentado por el fabricante, hasta 128K tokens de salida, llamadas a funciones y niveles de 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 textual a gran escala diseñado para ingeniería de software compleja y trabajo con agentes de largo recorrido. El fabricante afirma que utiliza el mismo modelo base que GLM 5.2 y que las nuevas mejoras proceden del entrenamiento posterior. La versión se centra en reforzar la programación, las operaciones de terminal y las tareas más amplias que implican varios pasos dependientes. Acepta texto y produce texto, incluido código, explicaciones, planes y solicitudes de llamadas a herramientas en una aplicación conectada a herramientas.
El modo de razonamiento documentado permanece siempre activado. GLM 5.3 ofrece tres niveles de esfuerzo: low, high y max, con max como valor predeterminado. El fabricante recomienda max para programación compleja; low ofrece una opción de razonamiento más ligera para pasos más sencillos. Utiliza el nivel seleccionado junto con un entregable final claro y criterios de finalización. Por ejemplo: «Inspecciona estos archivos y resultados fallidos, rastrea la causa en los módulos afectados, propón una corrección que conserve la interfaz pública y explica qué comprobaciones demuestran 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 deba investigar el modelo. Conserva los nombres de archivos, las definiciones pertinentes, 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 las dependencias entre módulos o una secuencia larga de observaciones del agente; no convierte un archivo desorganizado de material sin relación en una tarea bien definida.
Para trabajar con repositorios, proporciona el comportamiento esperado, el texto de origen pertinente, las versiones de las 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 los invariantes que deben conservarse intactos. Una respuesta útil contiene el código revisado, por qué el cambio aborda el problema observado y los casos necesarios para comprobar el resultado. Devuelve los resultados reales a un flujo conectado a herramientas para que el siguiente paso se base en el estado modificado, en lugar de en la propuesta anterior.
Para trabajar sobre el rendimiento, proporciona una carga de trabajo, una referencia inicial y mediciones como tiempos, perfiles o registros de asignación de memoria. Z.ai describe tareas de entrenamiento que implican diagnóstico de cuellos de botella, optimización, experimentos y resultados que preservan la corrección. Una solicitud práctica es: «Utiliza 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 pertinentes al inspeccionar un resultado.
La versión también desarrolla la capacidad de análisis de vulnerabilidades. Para una revisión defensiva del código fuente, proporciona el código pertinente, sus límites de confianza previstos y las condiciones en las que se ejecuta. Solicita un hallazgo que conecte un posible problema con la entrada y el comportamiento afectados y con una corrección concreta. Separa una posible debilidad de un fallo reproducido y conserva la observación utilizada para validarlo. Un informe resulta más útil cuando prioriza las evidencias concretas y las correcciones propuestas, en lugar de tratar cada patrón sospechoso como una vulnerabilidad confirmada.
Las llamadas a funciones permiten que una aplicación que rodea al modelo le exponga operaciones externas. Define la finalidad, los argumentos y el resultado esperado de cada herramienta; 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 diferenciadas las acciones propuestas, las operaciones ejecutadas y las comprobaciones sin resolver. El fabricante también documenta respuestas transmitidas en continuo, que devuelven por separado los fragmentos de razonamiento y respuesta; ensambla la respuesta completa antes de tratarla como informe final o explicación del código.
La ficha local del modelo proporciona un detalle específico sobre el ajuste del historial: su plantilla de chat conserva el pensamiento de forma predeterminada, mientras que el fabricante recomienda borrar explícitamente el pensamiento anterior para los escenarios de chat habituales. Aplica la estructura de conversación adecuada al caso de uso, conservando las respuestas realmente completadas y los resultados de herramientas necesarios para continuar. Evita tratar los ajustes de control del 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 origen esperados. Un artefacto útil puede 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 los utilice una aplicación. El resultado final debe identificar la respuesta o el artefacto revisado, las evidencias que lo respaldan y las suposiciones pendientes. Un mayor esfuerzo de razonamiento no demuestra que se haya ejecutado una herramienta, que un parche propuesto haya superado sus comprobaciones ni que una afirmación factual tenga respaldo más allá del material proporcionado.
POST /v1/chat/completionstexttext| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites glm-5.2 | 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 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— |
Texto · Texto UTF8
messages[].content
| Parámetro | Contrato |
|---|---|
Parámetromaterial_types | Contratotext |
Parámetrorequired | Contratomodel, messages |
Parámetrooptional_controls | Contratonull |
Parámetrocontent_type | Contratoapplication/json |
Parámetrotext_file_material | Contratocontenido real en UTF-8 insertado como texto; los ID de archivo y las URLs requieren compatibilidad específica e independiente |
Ciclo de vida: exact retained published method
Las estructuras e ID de los métodos son exactos; la capacidad del proveedor y la admisión son conceptos distintos.
POST /v1/chat/completionsAiloot 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 →
Las tablas de referencia del modelo no cambian la selección del método, las estimaciones de coste ni los cargos. Los cargos aplicados usan las tarifas del método Ailoot 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 |
|---|---|---|---|---|
| ConfiguraciónOpenAI Chat · Tarifas 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 $0.0088 / 1K tokens Entrada · Lectura de caché $0.00052 / 1K tokens Entrada · Escritura en caché — / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
| ConfiguraciónOpenAI Chat · Nivel 1 según la 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 $0.0088 / 1K tokens Entrada · Lectura de caché $0.00052 / 1K tokens Entrada · Escritura en caché — / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
| ConfiguraciónAnthropic Messages · Tarifas 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 $0.0088 / 1K tokens Entrada · Lectura de caché $0.00052 / 1K tokens Entrada · Escritura en caché — / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
| ConfiguraciónAnthropic Messages · Nivel 1 según la 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 $0.0088 / 1K tokens Entrada · Lectura de caché $0.00052 / 1K tokens Entrada · Escritura en caché — / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 source-material file}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "glm-5.2", "messages": []}')\nf=Path(os.environ["AILOOT_TEXT_FILE"])\nif not f.is_file():raise SystemExit("Choose your actual UTF-8 source material")\ntext=f.read_text(encoding="utf-8")\nif not text.strip():raise SystemExit("Source material must contain text")\np["messages"]=[{"role":"user","content":"Summarize this material and quote supporting source passages.\\n\\n"+text}]\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\nprint(json.dumps(json.loads(Path("result.json").read_text()),ensure_ascii=False,indent=2))\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)\nresp = client.chat.completions.create(\n model="glm-5.2",\n messages=[{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}],\n)\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(resp.to_dict(mode="json"))\nimport OpenAI from "openai";\n\nif (!process.env.AILOOT_API_KEY?.trim()) throw new Error("Set AILOOT_API_KEY before making a request");\nconst client = new OpenAI({ baseURL: "https://api.ailoot.ai/v1", apiKey: process.env.AILOOT_API_KEY, maxRetries: 0 });\nconst resp = await client.chat.completions.create({\n model: "glm-5.2",\n messages: [{ role: "user", content: "Explain the difference between an observation and a hypothesis in three sentences." }],\n});\nimport { writeFileSync } from "node:fs";\n\nfunction saveResult(data, stem = "result") {\n writeFileSync(stem + ".json", JSON.stringify(data, null, 2));\n console.log(JSON.stringify(data, null, 2));\n const saveBlob = (encoded, suffix, label) => {\n const raw = Buffer.from(encoded, "base64");\n const ext = raw.subarray(0,8).equals(Buffer.from([137,80,78,71,13,10,26,10])) ? "png" : raw[0]===255 && raw[1]===216 ? "jpg" : raw.subarray(0,4).toString()==="RIFF" && raw.subarray(8,12).toString()==="WEBP" ? "webp" : suffix;\n const file = `${stem}-${label}.${ext}`;\n writeFileSync(file, raw); console.log("Saved", file);\n };\n for (const [i, block] of (data.content || []).entries()) console.log("Content", i, JSON.stringify(block));\n for (const choice of data.choices || []) console.log("Choice", choice.index, JSON.stringify(choice.message || choice.delta || {}));\n for (const [i, item] of (data.output || []).entries()) {\n console.log("Output", i, JSON.stringify(item));\n if (item.type === "image_generation_call" && item.result) saveBlob(item.result, item.output_format || "bin", `output-${i}`);\n }\n for (const [ci, candidate] of (data.candidates || []).entries()) {\n for (const [pi, part] of (candidate.content?.parts || []).entries()) {\n console.log("Candidate/part", ci, pi, JSON.stringify(part));\n const blob = part.inlineData || part.inline_data;\n if (blob?.data) {\n const mime = blob.mimeType || blob.mime_type;\n const suffix = ({"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"})[mime] || "bin";\n saveBlob(blob.data, suffix, `candidate-${ci}-part-${pi}`);\n }\n }\n }\n}\n\nsaveResult(resp);\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='glm-5.2',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 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 glm-5.3, glm, glm-5, glm-5.1, glm-5.2, glm-latest
Ailoot Ultra glm-5.3, z-ai/glm-5.3, ~z-ai/glm-latest
/chat/completions
z-ai/glm-5.3, glm, glm-5, glm-5.1, glm-5.2, glm-latest, ~z-ai/glm-latest, glm-5.3, glm-5.3
glm-latestZ.ai GLM 5.3 es un modelo de razonamiento textual para ingeniería de software compleja, trabajo en terminal y agentes de largo recorrido. Admite un contexto de 1M tokens documentado por el fabricante, hasta 128K tokens de salida, llamadas a funciones y niveles de 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 textual a gran escala diseñado para ingeniería de software compleja y trabajo con agentes de largo recorrido. El fabricante afirma que utiliza el mismo modelo base que GLM 5.2 y que las nuevas mejoras proceden del entrenamiento posterior. La versión se centra en reforzar la programación, las operaciones de terminal y las tareas más amplias que implican varios pasos dependientes. Acepta texto y produce texto, incluido código, explicaciones, planes y solicitudes de llamadas a herramientas en una aplicación conectada a herramientas.
El modo de razonamiento documentado permanece siempre activado. GLM 5.3 ofrece tres niveles de esfuerzo: low, high y max, con max como valor predeterminado. El fabricante recomienda max para programación compleja; low ofrece una opción de razonamiento más ligera para pasos más sencillos. Utiliza el nivel seleccionado junto con un entregable final claro y criterios de finalización. Por ejemplo: «Inspecciona estos archivos y resultados fallidos, rastrea la causa en los módulos afectados, propón una corrección que conserve la interfaz pública y explica qué comprobaciones demuestran 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 deba investigar el modelo. Conserva los nombres de archivos, las definiciones pertinentes, 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 las dependencias entre módulos o una secuencia larga de observaciones del agente; no convierte un archivo desorganizado de material sin relación en una tarea bien definida.
Para trabajar con repositorios, proporciona el comportamiento esperado, el texto de origen pertinente, las versiones de las 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 los invariantes que deben conservarse intactos. Una respuesta útil contiene el código revisado, por qué el cambio aborda el problema observado y los casos necesarios para comprobar el resultado. Devuelve los resultados reales a un flujo conectado a herramientas para que el siguiente paso se base en el estado modificado, en lugar de en la propuesta anterior.
Para trabajar sobre el rendimiento, proporciona una carga de trabajo, una referencia inicial y mediciones como tiempos, perfiles o registros de asignación de memoria. Z.ai describe tareas de entrenamiento que implican diagnóstico de cuellos de botella, optimización, experimentos y resultados que preservan la corrección. Una solicitud práctica es: «Utiliza 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 pertinentes al inspeccionar un resultado.
La versión también desarrolla la capacidad de análisis de vulnerabilidades. Para una revisión defensiva del código fuente, proporciona el código pertinente, sus límites de confianza previstos y las condiciones en las que se ejecuta. Solicita un hallazgo que conecte un posible problema con la entrada y el comportamiento afectados y con una corrección concreta. Separa una posible debilidad de un fallo reproducido y conserva la observación utilizada para validarlo. Un informe resulta más útil cuando prioriza las evidencias concretas y las correcciones propuestas, en lugar de tratar cada patrón sospechoso como una vulnerabilidad confirmada.
Las llamadas a funciones permiten que una aplicación que rodea al modelo le exponga operaciones externas. Define la finalidad, los argumentos y el resultado esperado de cada herramienta; 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 diferenciadas las acciones propuestas, las operaciones ejecutadas y las comprobaciones sin resolver. El fabricante también documenta respuestas transmitidas en continuo, que devuelven por separado los fragmentos de razonamiento y respuesta; ensambla la respuesta completa antes de tratarla como informe final o explicación del código.
La ficha local del modelo proporciona un detalle específico sobre el ajuste del historial: su plantilla de chat conserva el pensamiento de forma predeterminada, mientras que el fabricante recomienda borrar explícitamente el pensamiento anterior para los escenarios de chat habituales. Aplica la estructura de conversación adecuada al caso de uso, conservando las respuestas realmente completadas y los resultados de herramientas necesarios para continuar. Evita tratar los ajustes de control del 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 origen esperados. Un artefacto útil puede 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 los utilice una aplicación. El resultado final debe identificar la respuesta o el artefacto revisado, las evidencias que lo respaldan y las suposiciones pendientes. Un mayor esfuerzo de razonamiento no demuestra que se haya ejecutado una herramienta, que un parche propuesto haya superado sus comprobaciones ni que una afirmación factual tenga respaldo más allá del material proporcionado.
POST /v1/messagestexttext| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites glm-latest | Predeterminado— |
Campomessages | Tipomessage[] | RequisitoObligatorio | Valores y límites Número mínimo de elementos: 1 | Predeterminado— |
Campomessages[].role | Tipostring | RequisitoObligatorio | Valores y límites user, assistant | Predeterminado— |
Campomessages[].content | Tipostring|content_block[] | RequisitoObligatorio | Valores y límites | Predeterminado— |
Camposystem | Tipostring|content_block[] | RequisitoOpcional | Valores y límites | Predeterminado— |
Campomax_tokens | Tipointeger | RequisitoObligatorio | Valores y límites Mínimo: 1 El límite se aplica a: límite máximo exacto de la ficha del modelo seleccionado | Predeterminado— |
Campostream | Tipoboolean | RequisitoOpcional | Valores y límites | Predeterminadofalse |
Campotemperature | Tiponumber | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campotop_p | Tiponumber | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campostop_sequences | Tipostring[] | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campotools | Tipotool[] | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campotools[].name | Tipostring | RequisitoOpcional | Valores y límites Se aplica cuando: herramienta proporcionada | Predeterminado— |
Campotools[].description | Tipostring | RequisitoOpcional | Valores y límites | Predeterminado— |
Campotools[].input_schema | TipoJSON_schema | RequisitoOpcional | Valores y límites | Predeterminado— |
Campotool_choice | Tipoobject | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campothinking.type | Tipostring | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campothinking.budget_tokens | Tipointeger | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campooutput_config.effort | Tipostring | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campometadata | Tipoobject | RequisitoOpcional | Valores y límites | Predeterminado— |
Campocache_control | Tipoobject | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Texto · Texto UTF8
messages[].content o bloque type=text
| Parámetro | Contrato |
|---|---|
Parámetromaterial_types | Contratotext |
Parámetrorequired | Contratomodel, messages, max_tokens |
Parámetrooptional_controls | Contratonull |
Parámetrocontent_type | Contratoapplication/json |
Parámetrotext_file_material | Contratocontenido real en UTF-8 insertado como texto; los ID de archivo y las URLs requieren compatibilidad específica e independiente |
Ciclo de vida: exact retained published method
Las estructuras e ID de los métodos son exactos; la capacidad del proveedor y la admisión son conceptos distintos.
POST /v1/messagesAiloot 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 →
Las tablas de referencia del modelo no cambian la selección del método, las estimaciones de coste ni los cargos. Los cargos aplicados usan las tarifas del método Ailoot 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 |
|---|---|---|---|---|
| ConfiguraciónOpenAI Chat · Tarifas 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 $0.0088 / 1K tokens Entrada · Lectura de caché $0.00052 / 1K tokens Entrada · Escritura en caché — / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
| ConfiguraciónOpenAI Chat · Nivel 1 según la 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 $0.0088 / 1K tokens Entrada · Lectura de caché $0.00052 / 1K tokens Entrada · Escritura en caché — / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
| ConfiguraciónAnthropic Messages · Tarifas 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 $0.0088 / 1K tokens Entrada · Lectura de caché $0.00052 / 1K tokens Entrada · Escritura en caché — / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
| ConfiguraciónAnthropic Messages · Nivel 1 según la 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 $0.0088 / 1K tokens Entrada · Lectura de caché $0.00052 / 1K tokens Entrada · Escritura en caché — / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 source-material file}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "glm-latest", "max_tokens": 1024, "messages": []}')\nf=Path(os.environ["AILOOT_TEXT_FILE"])\nif not f.is_file():raise SystemExit("Choose your actual UTF-8 source material")\ntext=f.read_text(encoding="utf-8")\nif not text.strip():raise SystemExit("Source material must contain text")\np["messages"]=[{"role":"user","content":"Summarize this material and quote supporting source passages.\\n\\n"+text}]\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/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\nprint(json.dumps(json.loads(Path("result.json").read_text()),ensure_ascii=False,indent=2))\nPY_RESULT\nimport anthropic\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient = anthropic.Anthropic(base_url="https://api.ailoot.ai", api_key=os.environ["AILOOT_API_KEY"], max_retries=0)\nmsg = client.messages.create(\n model="glm-latest",\n max_tokens=1024,\n messages=[{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}],\n)\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(msg.to_dict(mode="json"))\nimport Anthropic from "@anthropic-ai/sdk";\n\nif (!process.env.AILOOT_API_KEY?.trim()) throw new Error("Set AILOOT_API_KEY before making a request");\nconst client = new Anthropic({ baseURL: "https://api.ailoot.ai", apiKey: process.env.AILOOT_API_KEY, maxRetries: 0 });\nconst msg = await client.messages.create({\n model: "glm-latest",\n max_tokens: 1024,\n messages: [{ role: "user", content: "Explain the difference between an observation and a hypothesis in three sentences." }],\n});\nimport { writeFileSync } from "node:fs";\n\nfunction saveResult(data, stem = "result") {\n writeFileSync(stem + ".json", JSON.stringify(data, null, 2));\n console.log(JSON.stringify(data, null, 2));\n const saveBlob = (encoded, suffix, label) => {\n const raw = Buffer.from(encoded, "base64");\n const ext = raw.subarray(0,8).equals(Buffer.from([137,80,78,71,13,10,26,10])) ? "png" : raw[0]===255 && raw[1]===216 ? "jpg" : raw.subarray(0,4).toString()==="RIFF" && raw.subarray(8,12).toString()==="WEBP" ? "webp" : suffix;\n const file = `${stem}-${label}.${ext}`;\n writeFileSync(file, raw); console.log("Saved", file);\n };\n for (const [i, block] of (data.content || []).entries()) console.log("Content", i, JSON.stringify(block));\n for (const choice of data.choices || []) console.log("Choice", choice.index, JSON.stringify(choice.message || choice.delta || {}));\n for (const [i, item] of (data.output || []).entries()) {\n console.log("Output", i, JSON.stringify(item));\n if (item.type === "image_generation_call" && item.result) saveBlob(item.result, item.output_format || "bin", `output-${i}`);\n }\n for (const [ci, candidate] of (data.candidates || []).entries()) {\n for (const [pi, part] of (candidate.content?.parts || []).entries()) {\n console.log("Candidate/part", ci, pi, JSON.stringify(part));\n const blob = part.inlineData || part.inline_data;\n if (blob?.data) {\n const mime = blob.mimeType || blob.mime_type;\n const suffix = ({"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"})[mime] || "bin";\n saveBlob(blob.data, suffix, `candidate-${ci}-part-${pi}`);\n }\n }\n }\n}\n\nsaveResult(msg);\nimport anthropic,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=anthropic.Anthropic(base_url="https://api.ailoot.ai",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.messages.stream(model='glm-latest',max_tokens=1024,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_message()\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 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 glm-5.3, glm, glm-5, glm-5.1, glm-5.2, glm-latest
Ailoot Ultra glm-5.3, z-ai/glm-5.3, ~z-ai/glm-latest
/chat/completions
z-ai/glm-5.3, glm, glm-5, glm-5.1, glm-5.2, glm-latest, ~z-ai/glm-latest, glm-5.3, glm-5.3
glm-latestZ.ai GLM 5.3 es un modelo de razonamiento textual para ingeniería de software compleja, trabajo en terminal y agentes de largo recorrido. Admite un contexto de 1M tokens documentado por el fabricante, hasta 128K tokens de salida, llamadas a funciones y niveles de 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 textual a gran escala diseñado para ingeniería de software compleja y trabajo con agentes de largo recorrido. El fabricante afirma que utiliza el mismo modelo base que GLM 5.2 y que las nuevas mejoras proceden del entrenamiento posterior. La versión se centra en reforzar la programación, las operaciones de terminal y las tareas más amplias que implican varios pasos dependientes. Acepta texto y produce texto, incluido código, explicaciones, planes y solicitudes de llamadas a herramientas en una aplicación conectada a herramientas.
El modo de razonamiento documentado permanece siempre activado. GLM 5.3 ofrece tres niveles de esfuerzo: low, high y max, con max como valor predeterminado. El fabricante recomienda max para programación compleja; low ofrece una opción de razonamiento más ligera para pasos más sencillos. Utiliza el nivel seleccionado junto con un entregable final claro y criterios de finalización. Por ejemplo: «Inspecciona estos archivos y resultados fallidos, rastrea la causa en los módulos afectados, propón una corrección que conserve la interfaz pública y explica qué comprobaciones demuestran 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 deba investigar el modelo. Conserva los nombres de archivos, las definiciones pertinentes, 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 las dependencias entre módulos o una secuencia larga de observaciones del agente; no convierte un archivo desorganizado de material sin relación en una tarea bien definida.
Para trabajar con repositorios, proporciona el comportamiento esperado, el texto de origen pertinente, las versiones de las 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 los invariantes que deben conservarse intactos. Una respuesta útil contiene el código revisado, por qué el cambio aborda el problema observado y los casos necesarios para comprobar el resultado. Devuelve los resultados reales a un flujo conectado a herramientas para que el siguiente paso se base en el estado modificado, en lugar de en la propuesta anterior.
Para trabajar sobre el rendimiento, proporciona una carga de trabajo, una referencia inicial y mediciones como tiempos, perfiles o registros de asignación de memoria. Z.ai describe tareas de entrenamiento que implican diagnóstico de cuellos de botella, optimización, experimentos y resultados que preservan la corrección. Una solicitud práctica es: «Utiliza 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 pertinentes al inspeccionar un resultado.
La versión también desarrolla la capacidad de análisis de vulnerabilidades. Para una revisión defensiva del código fuente, proporciona el código pertinente, sus límites de confianza previstos y las condiciones en las que se ejecuta. Solicita un hallazgo que conecte un posible problema con la entrada y el comportamiento afectados y con una corrección concreta. Separa una posible debilidad de un fallo reproducido y conserva la observación utilizada para validarlo. Un informe resulta más útil cuando prioriza las evidencias concretas y las correcciones propuestas, en lugar de tratar cada patrón sospechoso como una vulnerabilidad confirmada.
Las llamadas a funciones permiten que una aplicación que rodea al modelo le exponga operaciones externas. Define la finalidad, los argumentos y el resultado esperado de cada herramienta; 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 diferenciadas las acciones propuestas, las operaciones ejecutadas y las comprobaciones sin resolver. El fabricante también documenta respuestas transmitidas en continuo, que devuelven por separado los fragmentos de razonamiento y respuesta; ensambla la respuesta completa antes de tratarla como informe final o explicación del código.
La ficha local del modelo proporciona un detalle específico sobre el ajuste del historial: su plantilla de chat conserva el pensamiento de forma predeterminada, mientras que el fabricante recomienda borrar explícitamente el pensamiento anterior para los escenarios de chat habituales. Aplica la estructura de conversación adecuada al caso de uso, conservando las respuestas realmente completadas y los resultados de herramientas necesarios para continuar. Evita tratar los ajustes de control del 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 origen esperados. Un artefacto útil puede 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 los utilice una aplicación. El resultado final debe identificar la respuesta o el artefacto revisado, las evidencias que lo respaldan y las suposiciones pendientes. Un mayor esfuerzo de razonamiento no demuestra que se haya ejecutado una herramienta, que un parche propuesto haya superado sus comprobaciones ni que una afirmación factual tenga respaldo más allá del material proporcionado.
POST /v1/responsestexttext| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites glm-latest | Predeterminado— |
Campoinput | Tipostring|input_item[] | RequisitoObligatorio | Valores y límites | Predeterminado— |
Campoinstructions | Tipostring | RequisitoOpcional | Valores y límites | Predeterminado— |
Campoinput[].type | Tipostring | RequisitoOpcional | Valores y límites message, reasoning, function_call, function_call_output | Predeterminado— |
Campoinput[].content | Tipostring|content_part[] | RequisitoOpcional | Valores y límites | Predeterminado— |
Campoinput[].call_id | Tipostring | RequisitoOpcional | Valores y límites Se aplica cuando: function_call_output; conserva el call_id real devuelto | Predeterminado— |
Campoinput[].output | Tipostring|content_part[] | RequisitoOpcional | Valores y límites Se aplica cuando: function_call_output | Predeterminado— |
Campomax_output_tokens | Tipointeger | RequisitoOpcional | Valores y límites Mínimo: 1 Depende del modelo | Predeterminado— |
Campostream | Tipoboolean | RequisitoOpcional | Valores y límites | Predeterminadofalse |
Campotemperature | Tiponumber | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campotop_p | Tiponumber | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campotools | Tipotool[] | RequisitoOpcional | Valores y límites Depende del modelo | 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— |
Camporeasoning.effort | Tipostring | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Camporeasoning.summary | Tipostring | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campotext.format | Tipoobject | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campotext.verbosity | Tipostring | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campoinclude | Tipostring[] | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campostore | Tipoboolean | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campoprevious_response_id | Tipostring | RequisitoOpcional | Valores y límites Requisito de ID: Solo un ID real de respuesta de una continuación compatible Depende del modelo | Predeterminado— |
Camposervice_tier | Tipostring | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campoprompt_cache_key | Tipostring | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campoprompt_cache_options | Tipoobject | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Texto · Texto UTF8
texto en input o parte input_text
| Parámetro | Contrato |
|---|---|
Parámetromaterial_types | Contratotext |
Parámetrorequired | Contratomodel, input |
Parámetrooptional_controls | Contratonull |
Parámetrocontent_type | Contratoapplication/json |
Parámetrotext_file_material | Contratocontenido real en UTF-8 insertado como texto; los ID de archivo y las URLs requieren compatibilidad específica e independiente |
Ciclo de vida: exact retained published method
Las estructuras e ID de los métodos son exactos; la capacidad del proveedor y la admisión son conceptos distintos.
POST /v1/responsesAiloot 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 →
Las tablas de referencia del modelo no cambian la selección del método, las estimaciones de coste ni los cargos. Los cargos aplicados usan las tarifas del método Ailoot 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 |
|---|---|---|---|---|
| ConfiguraciónOpenAI Chat · Tarifas 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 $0.0088 / 1K tokens Entrada · Lectura de caché $0.00052 / 1K tokens Entrada · Escritura en caché — / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
| ConfiguraciónOpenAI Chat · Nivel 1 según la 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 $0.0088 / 1K tokens Entrada · Lectura de caché $0.00052 / 1K tokens Entrada · Escritura en caché — / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
| ConfiguraciónAnthropic Messages · Tarifas 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 $0.0088 / 1K tokens Entrada · Lectura de caché $0.00052 / 1K tokens Entrada · Escritura en caché — / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
| ConfiguraciónAnthropic Messages · Nivel 1 según la 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 $0.0088 / 1K tokens Entrada · Lectura de caché $0.00052 / 1K tokens Entrada · Escritura en caché — / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 source-material file}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "glm-latest", "input": ""}')\nf=Path(os.environ["AILOOT_TEXT_FILE"])\nif not f.is_file():raise SystemExit("Choose your actual UTF-8 source material")\ntext=f.read_text(encoding="utf-8")\nif not text.strip():raise SystemExit("Source material must contain text")\np["input"]="Summarize this material and quote supporting source passages.\\n\\n"+text\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/responses \\\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 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(json.loads(Path("result.json").read_text(encoding="utf-8")))\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)\nresp = client.responses.create(model="glm-latest", input="Explain the difference between an observation and a hypothesis 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(resp.to_dict(mode="json"))\nimport OpenAI from "openai";\n\nif (!process.env.AILOOT_API_KEY?.trim()) throw new Error("Set AILOOT_API_KEY before making a request");\nconst client = new OpenAI({ baseURL: "https://api.ailoot.ai/v1", apiKey: process.env.AILOOT_API_KEY, maxRetries: 0 });\nconst resp = await client.responses.create({ model: "glm-latest", input: "Explain the difference between an observation and a hypothesis in three sentences." });\nimport { writeFileSync } from "node:fs";\n\nfunction saveResult(data, stem = "result") {\n writeFileSync(stem + ".json", JSON.stringify(data, null, 2));\n console.log(JSON.stringify(data, null, 2));\n const saveBlob = (encoded, suffix, label) => {\n const raw = Buffer.from(encoded, "base64");\n const ext = raw.subarray(0,8).equals(Buffer.from([137,80,78,71,13,10,26,10])) ? "png" : raw[0]===255 && raw[1]===216 ? "jpg" : raw.subarray(0,4).toString()==="RIFF" && raw.subarray(8,12).toString()==="WEBP" ? "webp" : suffix;\n const file = `${stem}-${label}.${ext}`;\n writeFileSync(file, raw); console.log("Saved", file);\n };\n for (const [i, block] of (data.content || []).entries()) console.log("Content", i, JSON.stringify(block));\n for (const choice of data.choices || []) console.log("Choice", choice.index, JSON.stringify(choice.message || choice.delta || {}));\n for (const [i, item] of (data.output || []).entries()) {\n console.log("Output", i, JSON.stringify(item));\n if (item.type === "image_generation_call" && item.result) saveBlob(item.result, item.output_format || "bin", `output-${i}`);\n }\n for (const [ci, candidate] of (data.candidates || []).entries()) {\n for (const [pi, part] of (candidate.content?.parts || []).entries()) {\n console.log("Candidate/part", ci, pi, JSON.stringify(part));\n const blob = part.inlineData || part.inline_data;\n if (blob?.data) {\n const mime = blob.mimeType || blob.mime_type;\n const suffix = ({"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"})[mime] || "bin";\n saveBlob(blob.data, suffix, `candidate-${ci}-part-${pi}`);\n }\n }\n }\n}\n\nsaveResult(resp);\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\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\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)\nwith client.responses.stream(model="glm-latest", input="Explain the difference between an observation and a hypothesis 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_response()\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 todos los elementos de salida y partes de contenido, el call_id real de la función, el razonamiento cifrado y el uso. Durante la transmisión en flujo, conserva la identidad completa de cada evento y elemento.
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 |
Campostatus | Tipostring |
Campooutput[] | Tipomessage|reasoning|function_call|other item |
Campooutput[].content[] | Tipocontent part |
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 glm-5.3, glm, glm-5, glm-5.1, glm-5.2, glm-latest
Ailoot Ultra glm-5.3, z-ai/glm-5.3, ~z-ai/glm-latest
/chat/completions
z-ai/glm-5.3, glm, glm-5, glm-5.1, glm-5.2, glm-latest, ~z-ai/glm-latest, glm-5.3, glm-5.3
glm-latestZ.ai GLM 5.3 es un modelo de razonamiento textual para ingeniería de software compleja, trabajo en terminal y agentes de largo recorrido. Admite un contexto de 1M tokens documentado por el fabricante, hasta 128K tokens de salida, llamadas a funciones y niveles de 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 textual a gran escala diseñado para ingeniería de software compleja y trabajo con agentes de largo recorrido. El fabricante afirma que utiliza el mismo modelo base que GLM 5.2 y que las nuevas mejoras proceden del entrenamiento posterior. La versión se centra en reforzar la programación, las operaciones de terminal y las tareas más amplias que implican varios pasos dependientes. Acepta texto y produce texto, incluido código, explicaciones, planes y solicitudes de llamadas a herramientas en una aplicación conectada a herramientas.
El modo de razonamiento documentado permanece siempre activado. GLM 5.3 ofrece tres niveles de esfuerzo: low, high y max, con max como valor predeterminado. El fabricante recomienda max para programación compleja; low ofrece una opción de razonamiento más ligera para pasos más sencillos. Utiliza el nivel seleccionado junto con un entregable final claro y criterios de finalización. Por ejemplo: «Inspecciona estos archivos y resultados fallidos, rastrea la causa en los módulos afectados, propón una corrección que conserve la interfaz pública y explica qué comprobaciones demuestran 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 deba investigar el modelo. Conserva los nombres de archivos, las definiciones pertinentes, 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 las dependencias entre módulos o una secuencia larga de observaciones del agente; no convierte un archivo desorganizado de material sin relación en una tarea bien definida.
Para trabajar con repositorios, proporciona el comportamiento esperado, el texto de origen pertinente, las versiones de las 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 los invariantes que deben conservarse intactos. Una respuesta útil contiene el código revisado, por qué el cambio aborda el problema observado y los casos necesarios para comprobar el resultado. Devuelve los resultados reales a un flujo conectado a herramientas para que el siguiente paso se base en el estado modificado, en lugar de en la propuesta anterior.
Para trabajar sobre el rendimiento, proporciona una carga de trabajo, una referencia inicial y mediciones como tiempos, perfiles o registros de asignación de memoria. Z.ai describe tareas de entrenamiento que implican diagnóstico de cuellos de botella, optimización, experimentos y resultados que preservan la corrección. Una solicitud práctica es: «Utiliza 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 pertinentes al inspeccionar un resultado.
La versión también desarrolla la capacidad de análisis de vulnerabilidades. Para una revisión defensiva del código fuente, proporciona el código pertinente, sus límites de confianza previstos y las condiciones en las que se ejecuta. Solicita un hallazgo que conecte un posible problema con la entrada y el comportamiento afectados y con una corrección concreta. Separa una posible debilidad de un fallo reproducido y conserva la observación utilizada para validarlo. Un informe resulta más útil cuando prioriza las evidencias concretas y las correcciones propuestas, en lugar de tratar cada patrón sospechoso como una vulnerabilidad confirmada.
Las llamadas a funciones permiten que una aplicación que rodea al modelo le exponga operaciones externas. Define la finalidad, los argumentos y el resultado esperado de cada herramienta; 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 diferenciadas las acciones propuestas, las operaciones ejecutadas y las comprobaciones sin resolver. El fabricante también documenta respuestas transmitidas en continuo, que devuelven por separado los fragmentos de razonamiento y respuesta; ensambla la respuesta completa antes de tratarla como informe final o explicación del código.
La ficha local del modelo proporciona un detalle específico sobre el ajuste del historial: su plantilla de chat conserva el pensamiento de forma predeterminada, mientras que el fabricante recomienda borrar explícitamente el pensamiento anterior para los escenarios de chat habituales. Aplica la estructura de conversación adecuada al caso de uso, conservando las respuestas realmente completadas y los resultados de herramientas necesarios para continuar. Evita tratar los ajustes de control del 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 origen esperados. Un artefacto útil puede 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 los utilice una aplicación. El resultado final debe identificar la respuesta o el artefacto revisado, las evidencias que lo respaldan y las suposiciones pendientes. Un mayor esfuerzo de razonamiento no demuestra que se haya ejecutado una herramienta, que un parche propuesto haya superado sus comprobaciones ni que una afirmación factual tenga respaldo más allá del material proporcionado.
POST /v1/chat/completionstexttext| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites glm-latest | 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 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— |
Texto · Texto UTF8
messages[].content
| Parámetro | Contrato |
|---|---|
Parámetromaterial_types | Contratotext |
Parámetrorequired | Contratomodel, messages |
Parámetrooptional_controls | Contratonull |
Parámetrocontent_type | Contratoapplication/json |
Parámetrotext_file_material | Contratocontenido real en UTF-8 insertado como texto; los ID de archivo y las URLs requieren compatibilidad específica e independiente |
Ciclo de vida: exact retained published method
Las estructuras e ID de los métodos son exactos; la capacidad del proveedor y la admisión son conceptos distintos.
POST /v1/chat/completionsAiloot 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 →
Las tablas de referencia del modelo no cambian la selección del método, las estimaciones de coste ni los cargos. Los cargos aplicados usan las tarifas del método Ailoot 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 |
|---|---|---|---|---|
| ConfiguraciónOpenAI Chat · Tarifas 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 $0.0088 / 1K tokens Entrada · Lectura de caché $0.00052 / 1K tokens Entrada · Escritura en caché — / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
| ConfiguraciónOpenAI Chat · Nivel 1 según la 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 $0.0088 / 1K tokens Entrada · Lectura de caché $0.00052 / 1K tokens Entrada · Escritura en caché — / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
| ConfiguraciónAnthropic Messages · Tarifas 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 $0.0088 / 1K tokens Entrada · Lectura de caché $0.00052 / 1K tokens Entrada · Escritura en caché — / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
| ConfiguraciónAnthropic Messages · Nivel 1 según la 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 $0.0088 / 1K tokens Entrada · Lectura de caché $0.00052 / 1K tokens Entrada · Escritura en caché — / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 source-material file}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "glm-latest", "messages": []}')\nf=Path(os.environ["AILOOT_TEXT_FILE"])\nif not f.is_file():raise SystemExit("Choose your actual UTF-8 source material")\ntext=f.read_text(encoding="utf-8")\nif not text.strip():raise SystemExit("Source material must contain text")\np["messages"]=[{"role":"user","content":"Summarize this material and quote supporting source passages.\\n\\n"+text}]\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\nprint(json.dumps(json.loads(Path("result.json").read_text()),ensure_ascii=False,indent=2))\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)\nresp = client.chat.completions.create(\n model="glm-latest",\n messages=[{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}],\n)\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(resp.to_dict(mode="json"))\nimport OpenAI from "openai";\n\nif (!process.env.AILOOT_API_KEY?.trim()) throw new Error("Set AILOOT_API_KEY before making a request");\nconst client = new OpenAI({ baseURL: "https://api.ailoot.ai/v1", apiKey: process.env.AILOOT_API_KEY, maxRetries: 0 });\nconst resp = await client.chat.completions.create({\n model: "glm-latest",\n messages: [{ role: "user", content: "Explain the difference between an observation and a hypothesis in three sentences." }],\n});\nimport { writeFileSync } from "node:fs";\n\nfunction saveResult(data, stem = "result") {\n writeFileSync(stem + ".json", JSON.stringify(data, null, 2));\n console.log(JSON.stringify(data, null, 2));\n const saveBlob = (encoded, suffix, label) => {\n const raw = Buffer.from(encoded, "base64");\n const ext = raw.subarray(0,8).equals(Buffer.from([137,80,78,71,13,10,26,10])) ? "png" : raw[0]===255 && raw[1]===216 ? "jpg" : raw.subarray(0,4).toString()==="RIFF" && raw.subarray(8,12).toString()==="WEBP" ? "webp" : suffix;\n const file = `${stem}-${label}.${ext}`;\n writeFileSync(file, raw); console.log("Saved", file);\n };\n for (const [i, block] of (data.content || []).entries()) console.log("Content", i, JSON.stringify(block));\n for (const choice of data.choices || []) console.log("Choice", choice.index, JSON.stringify(choice.message || choice.delta || {}));\n for (const [i, item] of (data.output || []).entries()) {\n console.log("Output", i, JSON.stringify(item));\n if (item.type === "image_generation_call" && item.result) saveBlob(item.result, item.output_format || "bin", `output-${i}`);\n }\n for (const [ci, candidate] of (data.candidates || []).entries()) {\n for (const [pi, part] of (candidate.content?.parts || []).entries()) {\n console.log("Candidate/part", ci, pi, JSON.stringify(part));\n const blob = part.inlineData || part.inline_data;\n if (blob?.data) {\n const mime = blob.mimeType || blob.mime_type;\n const suffix = ({"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"})[mime] || "bin";\n saveBlob(blob.data, suffix, `candidate-${ci}-part-${pi}`);\n }\n }\n }\n}\n\nsaveResult(resp);\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='glm-latest',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 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 glm-5.3, glm, glm-5, glm-5.1, glm-5.2, glm-latest
Ailoot Ultra glm-5.3, z-ai/glm-5.3, ~z-ai/glm-latest
/chat/completions
z-ai/glm-5.3, glm, glm-5, glm-5.1, glm-5.2, glm-latest, ~z-ai/glm-latest, glm-5.3, glm-5.3
z-ai/glm-5.3Z.ai GLM 5.3 es un modelo de razonamiento textual para ingeniería de software compleja, trabajo en terminal y agentes de largo recorrido. Admite un contexto de 1M tokens documentado por el fabricante, hasta 128K tokens de salida, llamadas a funciones y niveles de 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 textual a gran escala diseñado para ingeniería de software compleja y trabajo con agentes de largo recorrido. El fabricante afirma que utiliza el mismo modelo base que GLM 5.2 y que las nuevas mejoras proceden del entrenamiento posterior. La versión se centra en reforzar la programación, las operaciones de terminal y las tareas más amplias que implican varios pasos dependientes. Acepta texto y produce texto, incluido código, explicaciones, planes y solicitudes de llamadas a herramientas en una aplicación conectada a herramientas.
El modo de razonamiento documentado permanece siempre activado. GLM 5.3 ofrece tres niveles de esfuerzo: low, high y max, con max como valor predeterminado. El fabricante recomienda max para programación compleja; low ofrece una opción de razonamiento más ligera para pasos más sencillos. Utiliza el nivel seleccionado junto con un entregable final claro y criterios de finalización. Por ejemplo: «Inspecciona estos archivos y resultados fallidos, rastrea la causa en los módulos afectados, propón una corrección que conserve la interfaz pública y explica qué comprobaciones demuestran 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 deba investigar el modelo. Conserva los nombres de archivos, las definiciones pertinentes, 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 las dependencias entre módulos o una secuencia larga de observaciones del agente; no convierte un archivo desorganizado de material sin relación en una tarea bien definida.
Para trabajar con repositorios, proporciona el comportamiento esperado, el texto de origen pertinente, las versiones de las 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 los invariantes que deben conservarse intactos. Una respuesta útil contiene el código revisado, por qué el cambio aborda el problema observado y los casos necesarios para comprobar el resultado. Devuelve los resultados reales a un flujo conectado a herramientas para que el siguiente paso se base en el estado modificado, en lugar de en la propuesta anterior.
Para trabajar sobre el rendimiento, proporciona una carga de trabajo, una referencia inicial y mediciones como tiempos, perfiles o registros de asignación de memoria. Z.ai describe tareas de entrenamiento que implican diagnóstico de cuellos de botella, optimización, experimentos y resultados que preservan la corrección. Una solicitud práctica es: «Utiliza 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 pertinentes al inspeccionar un resultado.
La versión también desarrolla la capacidad de análisis de vulnerabilidades. Para una revisión defensiva del código fuente, proporciona el código pertinente, sus límites de confianza previstos y las condiciones en las que se ejecuta. Solicita un hallazgo que conecte un posible problema con la entrada y el comportamiento afectados y con una corrección concreta. Separa una posible debilidad de un fallo reproducido y conserva la observación utilizada para validarlo. Un informe resulta más útil cuando prioriza las evidencias concretas y las correcciones propuestas, en lugar de tratar cada patrón sospechoso como una vulnerabilidad confirmada.
Las llamadas a funciones permiten que una aplicación que rodea al modelo le exponga operaciones externas. Define la finalidad, los argumentos y el resultado esperado de cada herramienta; 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 diferenciadas las acciones propuestas, las operaciones ejecutadas y las comprobaciones sin resolver. El fabricante también documenta respuestas transmitidas en continuo, que devuelven por separado los fragmentos de razonamiento y respuesta; ensambla la respuesta completa antes de tratarla como informe final o explicación del código.
La ficha local del modelo proporciona un detalle específico sobre el ajuste del historial: su plantilla de chat conserva el pensamiento de forma predeterminada, mientras que el fabricante recomienda borrar explícitamente el pensamiento anterior para los escenarios de chat habituales. Aplica la estructura de conversación adecuada al caso de uso, conservando las respuestas realmente completadas y los resultados de herramientas necesarios para continuar. Evita tratar los ajustes de control del 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 origen esperados. Un artefacto útil puede 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 los utilice una aplicación. El resultado final debe identificar la respuesta o el artefacto revisado, las evidencias que lo respaldan y las suposiciones pendientes. Un mayor esfuerzo de razonamiento no demuestra que se haya ejecutado una herramienta, que un parche propuesto haya superado sus comprobaciones ni que una afirmación factual tenga respaldo más allá del material proporcionado.
POST /v1/chat/completionstexttext| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites z-ai/glm-5.3 | 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.
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 $0.0088 / 1K tokens Entrada · Lectura de caché $0.00052 / 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 $0.0088 / 1K tokens Entrada · Lectura de caché $0.00052 / 1K tokens Entrada · Escritura en caché — / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
Ailoot reserva un importe estimado antes de la solicitud. Tras obtener el resultado, liquida el cargo definitivo según el uso medido. En las respuestas en flujo, la liquidación usa el registro de uso final. Cómo funcionan la reserva y la liquidación →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "z-ai/glm-5.3", "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='z-ai/glm-5.3',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='z-ai/glm-5.3',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 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 glm-5.3, glm, glm-5, glm-5.1, glm-5.2, glm-latest
Ailoot Ultra glm-5.3, z-ai/glm-5.3, ~z-ai/glm-latest
/chat/completions
z-ai/glm-5.3, glm, glm-5, glm-5.1, glm-5.2, glm-latest, ~z-ai/glm-latest, glm-5.3, glm-5.3
z-ai/glm-5.3Z.ai GLM 5.3 es un modelo de razonamiento textual para ingeniería de software compleja, trabajo en terminal y agentes de largo recorrido. Admite un contexto de 1M tokens documentado por el fabricante, hasta 128K tokens de salida, llamadas a funciones y niveles de 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 textual a gran escala diseñado para ingeniería de software compleja y trabajo con agentes de largo recorrido. El fabricante afirma que utiliza el mismo modelo base que GLM 5.2 y que las nuevas mejoras proceden del entrenamiento posterior. La versión se centra en reforzar la programación, las operaciones de terminal y las tareas más amplias que implican varios pasos dependientes. Acepta texto y produce texto, incluido código, explicaciones, planes y solicitudes de llamadas a herramientas en una aplicación conectada a herramientas.
El modo de razonamiento documentado permanece siempre activado. GLM 5.3 ofrece tres niveles de esfuerzo: low, high y max, con max como valor predeterminado. El fabricante recomienda max para programación compleja; low ofrece una opción de razonamiento más ligera para pasos más sencillos. Utiliza el nivel seleccionado junto con un entregable final claro y criterios de finalización. Por ejemplo: «Inspecciona estos archivos y resultados fallidos, rastrea la causa en los módulos afectados, propón una corrección que conserve la interfaz pública y explica qué comprobaciones demuestran 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 deba investigar el modelo. Conserva los nombres de archivos, las definiciones pertinentes, 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 las dependencias entre módulos o una secuencia larga de observaciones del agente; no convierte un archivo desorganizado de material sin relación en una tarea bien definida.
Para trabajar con repositorios, proporciona el comportamiento esperado, el texto de origen pertinente, las versiones de las 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 los invariantes que deben conservarse intactos. Una respuesta útil contiene el código revisado, por qué el cambio aborda el problema observado y los casos necesarios para comprobar el resultado. Devuelve los resultados reales a un flujo conectado a herramientas para que el siguiente paso se base en el estado modificado, en lugar de en la propuesta anterior.
Para trabajar sobre el rendimiento, proporciona una carga de trabajo, una referencia inicial y mediciones como tiempos, perfiles o registros de asignación de memoria. Z.ai describe tareas de entrenamiento que implican diagnóstico de cuellos de botella, optimización, experimentos y resultados que preservan la corrección. Una solicitud práctica es: «Utiliza 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 pertinentes al inspeccionar un resultado.
La versión también desarrolla la capacidad de análisis de vulnerabilidades. Para una revisión defensiva del código fuente, proporciona el código pertinente, sus límites de confianza previstos y las condiciones en las que se ejecuta. Solicita un hallazgo que conecte un posible problema con la entrada y el comportamiento afectados y con una corrección concreta. Separa una posible debilidad de un fallo reproducido y conserva la observación utilizada para validarlo. Un informe resulta más útil cuando prioriza las evidencias concretas y las correcciones propuestas, en lugar de tratar cada patrón sospechoso como una vulnerabilidad confirmada.
Las llamadas a funciones permiten que una aplicación que rodea al modelo le exponga operaciones externas. Define la finalidad, los argumentos y el resultado esperado de cada herramienta; 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 diferenciadas las acciones propuestas, las operaciones ejecutadas y las comprobaciones sin resolver. El fabricante también documenta respuestas transmitidas en continuo, que devuelven por separado los fragmentos de razonamiento y respuesta; ensambla la respuesta completa antes de tratarla como informe final o explicación del código.
La ficha local del modelo proporciona un detalle específico sobre el ajuste del historial: su plantilla de chat conserva el pensamiento de forma predeterminada, mientras que el fabricante recomienda borrar explícitamente el pensamiento anterior para los escenarios de chat habituales. Aplica la estructura de conversación adecuada al caso de uso, conservando las respuestas realmente completadas y los resultados de herramientas necesarios para continuar. Evita tratar los ajustes de control del 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 origen esperados. Un artefacto útil puede 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 los utilice una aplicación. El resultado final debe identificar la respuesta o el artefacto revisado, las evidencias que lo respaldan y las suposiciones pendientes. Un mayor esfuerzo de razonamiento no demuestra que se haya ejecutado una herramienta, que un parche propuesto haya superado sus comprobaciones ni que una afirmación factual tenga respaldo más allá del material proporcionado.
POST /v1/messagestextjson, sse| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites z-ai/glm-5.3 | 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 $0.0088 / 1K tokens Entrada · Lectura de caché $0.00052 / 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 $0.0088 / 1K tokens Entrada · Lectura de caché $0.00052 / 1K tokens Entrada · Escritura en caché — / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
Ailoot reserva un importe estimado antes de la solicitud. Tras obtener el resultado, liquida el cargo definitivo según el uso medido. En las respuestas en flujo, la liquidación usa el registro de uso final. Cómo funcionan la reserva y la liquidación →
{\n "model": "z-ai/glm-5.3",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'z-ai/glm-5.3', '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': 'z-ai/glm-5.3', '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 glm-5.3, glm, glm-5, glm-5.1, glm-5.2, glm-latest
Ailoot Ultra glm-5.3, z-ai/glm-5.3, ~z-ai/glm-latest
/chat/completions
z-ai/glm-5.3, glm, glm-5, glm-5.1, glm-5.2, glm-latest, ~z-ai/glm-latest, glm-5.3, glm-5.3
~z-ai/glm-latestZ.ai GLM 5.3 es un modelo de razonamiento textual para ingeniería de software compleja, trabajo en terminal y agentes de largo recorrido. Admite un contexto de 1M tokens documentado por el fabricante, hasta 128K tokens de salida, llamadas a funciones y niveles de 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 textual a gran escala diseñado para ingeniería de software compleja y trabajo con agentes de largo recorrido. El fabricante afirma que utiliza el mismo modelo base que GLM 5.2 y que las nuevas mejoras proceden del entrenamiento posterior. La versión se centra en reforzar la programación, las operaciones de terminal y las tareas más amplias que implican varios pasos dependientes. Acepta texto y produce texto, incluido código, explicaciones, planes y solicitudes de llamadas a herramientas en una aplicación conectada a herramientas.
El modo de razonamiento documentado permanece siempre activado. GLM 5.3 ofrece tres niveles de esfuerzo: low, high y max, con max como valor predeterminado. El fabricante recomienda max para programación compleja; low ofrece una opción de razonamiento más ligera para pasos más sencillos. Utiliza el nivel seleccionado junto con un entregable final claro y criterios de finalización. Por ejemplo: «Inspecciona estos archivos y resultados fallidos, rastrea la causa en los módulos afectados, propón una corrección que conserve la interfaz pública y explica qué comprobaciones demuestran 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 deba investigar el modelo. Conserva los nombres de archivos, las definiciones pertinentes, 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 las dependencias entre módulos o una secuencia larga de observaciones del agente; no convierte un archivo desorganizado de material sin relación en una tarea bien definida.
Para trabajar con repositorios, proporciona el comportamiento esperado, el texto de origen pertinente, las versiones de las 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 los invariantes que deben conservarse intactos. Una respuesta útil contiene el código revisado, por qué el cambio aborda el problema observado y los casos necesarios para comprobar el resultado. Devuelve los resultados reales a un flujo conectado a herramientas para que el siguiente paso se base en el estado modificado, en lugar de en la propuesta anterior.
Para trabajar sobre el rendimiento, proporciona una carga de trabajo, una referencia inicial y mediciones como tiempos, perfiles o registros de asignación de memoria. Z.ai describe tareas de entrenamiento que implican diagnóstico de cuellos de botella, optimización, experimentos y resultados que preservan la corrección. Una solicitud práctica es: «Utiliza 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 pertinentes al inspeccionar un resultado.
La versión también desarrolla la capacidad de análisis de vulnerabilidades. Para una revisión defensiva del código fuente, proporciona el código pertinente, sus límites de confianza previstos y las condiciones en las que se ejecuta. Solicita un hallazgo que conecte un posible problema con la entrada y el comportamiento afectados y con una corrección concreta. Separa una posible debilidad de un fallo reproducido y conserva la observación utilizada para validarlo. Un informe resulta más útil cuando prioriza las evidencias concretas y las correcciones propuestas, en lugar de tratar cada patrón sospechoso como una vulnerabilidad confirmada.
Las llamadas a funciones permiten que una aplicación que rodea al modelo le exponga operaciones externas. Define la finalidad, los argumentos y el resultado esperado de cada herramienta; 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 diferenciadas las acciones propuestas, las operaciones ejecutadas y las comprobaciones sin resolver. El fabricante también documenta respuestas transmitidas en continuo, que devuelven por separado los fragmentos de razonamiento y respuesta; ensambla la respuesta completa antes de tratarla como informe final o explicación del código.
La ficha local del modelo proporciona un detalle específico sobre el ajuste del historial: su plantilla de chat conserva el pensamiento de forma predeterminada, mientras que el fabricante recomienda borrar explícitamente el pensamiento anterior para los escenarios de chat habituales. Aplica la estructura de conversación adecuada al caso de uso, conservando las respuestas realmente completadas y los resultados de herramientas necesarios para continuar. Evita tratar los ajustes de control del 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 origen esperados. Un artefacto útil puede 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 los utilice una aplicación. El resultado final debe identificar la respuesta o el artefacto revisado, las evidencias que lo respaldan y las suposiciones pendientes. Un mayor esfuerzo de razonamiento no demuestra que se haya ejecutado una herramienta, que un parche propuesto haya superado sus comprobaciones ni que una afirmación factual tenga respaldo más allá del material proporcionado.
POST /v1/chat/completionstexttext| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites ~z-ai/glm-latest | 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.
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 $0.0088 / 1K tokens Entrada · Lectura de caché $0.00052 / 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 $0.0088 / 1K tokens Entrada · Lectura de caché $0.00052 / 1K tokens Entrada · Escritura en caché — / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
Ailoot reserva un importe estimado antes de la solicitud. Tras obtener el resultado, liquida el cargo definitivo según el uso medido. En las respuestas en flujo, la liquidación usa el registro de uso final. Cómo funcionan la reserva y la liquidación →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "~z-ai/glm-latest", "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='~z-ai/glm-latest',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='~z-ai/glm-latest',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 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 glm-5.3, glm, glm-5, glm-5.1, glm-5.2, glm-latest
Ailoot Ultra glm-5.3, z-ai/glm-5.3, ~z-ai/glm-latest
/chat/completions
z-ai/glm-5.3, glm, glm-5, glm-5.1, glm-5.2, glm-latest, ~z-ai/glm-latest, glm-5.3, glm-5.3
~z-ai/glm-latestZ.ai GLM 5.3 es un modelo de razonamiento textual para ingeniería de software compleja, trabajo en terminal y agentes de largo recorrido. Admite un contexto de 1M tokens documentado por el fabricante, hasta 128K tokens de salida, llamadas a funciones y niveles de 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 textual a gran escala diseñado para ingeniería de software compleja y trabajo con agentes de largo recorrido. El fabricante afirma que utiliza el mismo modelo base que GLM 5.2 y que las nuevas mejoras proceden del entrenamiento posterior. La versión se centra en reforzar la programación, las operaciones de terminal y las tareas más amplias que implican varios pasos dependientes. Acepta texto y produce texto, incluido código, explicaciones, planes y solicitudes de llamadas a herramientas en una aplicación conectada a herramientas.
El modo de razonamiento documentado permanece siempre activado. GLM 5.3 ofrece tres niveles de esfuerzo: low, high y max, con max como valor predeterminado. El fabricante recomienda max para programación compleja; low ofrece una opción de razonamiento más ligera para pasos más sencillos. Utiliza el nivel seleccionado junto con un entregable final claro y criterios de finalización. Por ejemplo: «Inspecciona estos archivos y resultados fallidos, rastrea la causa en los módulos afectados, propón una corrección que conserve la interfaz pública y explica qué comprobaciones demuestran 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 deba investigar el modelo. Conserva los nombres de archivos, las definiciones pertinentes, 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 las dependencias entre módulos o una secuencia larga de observaciones del agente; no convierte un archivo desorganizado de material sin relación en una tarea bien definida.
Para trabajar con repositorios, proporciona el comportamiento esperado, el texto de origen pertinente, las versiones de las 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 los invariantes que deben conservarse intactos. Una respuesta útil contiene el código revisado, por qué el cambio aborda el problema observado y los casos necesarios para comprobar el resultado. Devuelve los resultados reales a un flujo conectado a herramientas para que el siguiente paso se base en el estado modificado, en lugar de en la propuesta anterior.
Para trabajar sobre el rendimiento, proporciona una carga de trabajo, una referencia inicial y mediciones como tiempos, perfiles o registros de asignación de memoria. Z.ai describe tareas de entrenamiento que implican diagnóstico de cuellos de botella, optimización, experimentos y resultados que preservan la corrección. Una solicitud práctica es: «Utiliza 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 pertinentes al inspeccionar un resultado.
La versión también desarrolla la capacidad de análisis de vulnerabilidades. Para una revisión defensiva del código fuente, proporciona el código pertinente, sus límites de confianza previstos y las condiciones en las que se ejecuta. Solicita un hallazgo que conecte un posible problema con la entrada y el comportamiento afectados y con una corrección concreta. Separa una posible debilidad de un fallo reproducido y conserva la observación utilizada para validarlo. Un informe resulta más útil cuando prioriza las evidencias concretas y las correcciones propuestas, en lugar de tratar cada patrón sospechoso como una vulnerabilidad confirmada.
Las llamadas a funciones permiten que una aplicación que rodea al modelo le exponga operaciones externas. Define la finalidad, los argumentos y el resultado esperado de cada herramienta; 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 diferenciadas las acciones propuestas, las operaciones ejecutadas y las comprobaciones sin resolver. El fabricante también documenta respuestas transmitidas en continuo, que devuelven por separado los fragmentos de razonamiento y respuesta; ensambla la respuesta completa antes de tratarla como informe final o explicación del código.
La ficha local del modelo proporciona un detalle específico sobre el ajuste del historial: su plantilla de chat conserva el pensamiento de forma predeterminada, mientras que el fabricante recomienda borrar explícitamente el pensamiento anterior para los escenarios de chat habituales. Aplica la estructura de conversación adecuada al caso de uso, conservando las respuestas realmente completadas y los resultados de herramientas necesarios para continuar. Evita tratar los ajustes de control del 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 origen esperados. Un artefacto útil puede 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 los utilice una aplicación. El resultado final debe identificar la respuesta o el artefacto revisado, las evidencias que lo respaldan y las suposiciones pendientes. Un mayor esfuerzo de razonamiento no demuestra que se haya ejecutado una herramienta, que un parche propuesto haya superado sus comprobaciones ni que una afirmación factual tenga respaldo más allá del material proporcionado.
POST /v1/messagestextjson, sse| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites ~z-ai/glm-latest | 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 $0.0088 / 1K tokens Entrada · Lectura de caché $0.00052 / 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 $0.0088 / 1K tokens Entrada · Lectura de caché $0.00052 / 1K tokens Entrada · Escritura en caché — / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
Ailoot reserva un importe estimado antes de la solicitud. Tras obtener el resultado, liquida el cargo definitivo según el uso medido. En las respuestas en flujo, la liquidación usa el registro de uso final. Cómo funcionan la reserva y la liquidación →
{\n "model": "~z-ai/glm-latest",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': '~z-ai/glm-latest', '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': '~z-ai/glm-latest', '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 glm-5.3, glm, glm-5, glm-5.1, glm-5.2, glm-latest
Ailoot Ultra glm-5.3, z-ai/glm-5.3, ~z-ai/glm-latest
/chat/completions
z-ai/glm-5.3, glm, glm-5, glm-5.1, glm-5.2, glm-latest, ~z-ai/glm-latest, glm-5.3, glm-5.3
Ejemplo técnico en inglés
Target a measured bottleneck\n\nProfile P1 for one import: parsing 0.4 s, per-row database lookups 8.1 s, writing 0.8 s. The import handles 10,000 rows, including repeated customer IDs. Propose one correctness-preserving optimization, describe what lookup behavior must remain identical and define a same-workload check before claiming an improvement.A bottleneck hypothesis, one proposed change and a correctness plus timing comparison plan.The proposal must use P1 without inventing an observed speedup or losing missing-customer behavior.