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": null, "copy_sha256": null, "copy_source": null, "html_sha256": "c909f905f0fa77663f81178a0dbbb52ea3b8a2b1e8cf72f844935bf80e4a0e81", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "es", "methods": [ { "html": "z-ai/glm-5.3:batchZ.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/batchestexttext| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campoendpoint | Tipostring | RequisitoObligatorio | Valores y límites /v1/chat/completions | Predeterminado— |
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites z-ai/glm-5.3:batch | Predeterminado— |
Camporequests | Tipobatch_item[] | RequisitoObligatorio | Valores y límites Número mínimo de elementos: 1 | Predeterminado— |
Camporequests[].custom_id | Tipostring | RequisitoObligatorio | Valores y límites | Predeterminado— |
Camporequests[].body.messages | Tipomessage[] | RequisitoObligatorio | Valores y límites | Predeterminado— |
Campocompletion_window | Tipostring | RequisitoOpcional | Valores y límites 24h | Predeterminado— |
Campoprovider | Tipoobject|null | RequisitoOpcional | Valores y límites | Predeterminado— |
Camporequests[].body.model | Tipostring | RequisitoOpcional | Valores y límites z-ai/glm-5.3:batch, z-ai/glm-5.3 | Predeterminado— |
Campoprovider.only | Tipostring[] | RequisitoOpcional | Valores y límites deepinfra/fp4 | Predeterminado— |
Campoprovider.allow_fallbacks | Tipoboolean|null | RequisitoOpcional | Valores y límites false, null | Predeterminado— |
| Parámetro | Contrato |
|---|---|
Parámetrocontent_type | Contratoapplication/json |
Parámetrorequired | Contratoendpoint, model, requests |
Parámetromaterial_types | Contratotext |
Parámetrorepresentation | Contratorequests[] en la propia solicitud; cada elemento tiene custom_id y body |
Parámetrorequest_endpoint_profile | Contrato/v1/chat/completions |
Parámetrofile_material | ContratoEl cliente puede leer localmente el JSONL real en UTF-8 e incorporarlo a requests[]. No se utiliza purpose de carga, input_file_id ni ninguna referencia a archivos. Si falta el material del cliente o está vacío, la preparación se detiene antes del POST. |
Parámetroserialization_order | Contratoendpoint, model, provider (si se proporciona), completion_window (si se proporciona), requests al final |
Parámetrooptional_controls | Contratoprovider.only, provider.allow_fallbacks, completion_window |
Parámetroschema_scope | ContratoCuerpos de Chat Completions de texto incluidos directamente en el contenedor Batch documentado. |
Ciclo de vida: asynchronous
GET /v1/batches/{operation_id} · response.id real de la respuesta de creación original; mismo usuario, clave y grupo
Las referencias tarifarias no añaden opciones a la solicitud. Los parámetros admitidos se indican en el método seleccionado.
Relaciona cada cargo con las condiciones mostradas. Usa una tarifa para cada conjunto de configuraciones alternativas.
| Configuración | Tabla de tarifas | Tokens de contexto, más de | Tokens de contexto, hasta inclusive | Cargo |
|---|---|---|---|---|
| ConfiguraciónTarifas base por token | Tabla de tarifasTarifa base | Tokens de contexto, más de— | Tokens de contexto, hasta inclusiveSin límite superior | Cargo Entrada · Tokens de entrada $0.0009 / 1K tokens Salida · Tokens de salida $0.004 / 1K tokens Entrada · Lectura de caché $0.0002 / 1K tokens Entrada · Escritura en caché — / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
| 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 $0.0009 / 1K tokens Salida · Tokens de salida $0.004 / 1K tokens Entrada · Lectura de caché $0.0002 / 1K tokens Entrada · Escritura en caché — / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
Ailoot reserva un importe estimado antes de la solicitud. Tras obtener el resultado, liquida el cargo definitivo según el uso medido. En las respuestas en flujo, la liquidación usa el registro de uso final. Cómo funcionan la reserva y la liquidación →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json\nfrom pathlib import Path\nbody=json.loads('{"endpoint":"/v1/chat/completions","model":"z-ai/glm-5.3:batch","requests":[{"custom_id":"req-0001","body":{"messages":[{"role":"user","content":"Hello!"}],"max_tokens":16}}]}')\nPath("batch-request.json").write_text(json.dumps(body,ensure_ascii=False),encoding="utf-8")\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/batches \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @batch-request.json -D batch-response-headers.txt -o batch-create-response.json\nimport json, os\nfrom pathlib import Path\nfrom urllib.request import Request, urlopen\n\ndef prepare_requests(customer_path):\n path = Path(customer_path)\n if not path.is_file(): raise ValueError("Customer JSONL file is missing")\n items = [json.loads(line) for line in path.read_text(encoding="utf-8").splitlines() if line.strip()]\n if not items: raise ValueError("Customer JSONL contains no requests")\n ids = set()\n for item in items:\n if set(item) != {"custom_id", "body"}: raise ValueError("Each item needs custom_id and body")\n cid = item["custom_id"]\n if not isinstance(cid, str) or not cid.strip() or cid in ids: raise ValueError("custom_id must be nonempty and unique")\n ids.add(cid)\n if not isinstance(item["body"], dict) or not item["body"].get("messages"): raise ValueError("Supply actual text messages")\n supplied_model = item["body"].get("model")\n if supplied_model is not None and supplied_model not in ['z-ai/glm-5.3:batch', 'z-ai/glm-5.3']: raise ValueError("body.model must be an exact documented caller or wire ID")\n return {"endpoint":"/v1/chat/completions", "model":"z-ai/glm-5.3:batch", "requests":items}\n\nif __name__ == "__main__":\n material = os.environ.get("AILOOT_BATCH_REQUESTS_JSONL", "")\n if not material: raise SystemExit("Set AILOOT_BATCH_REQUESTS_JSONL to your actual customer file")\n body = prepare_requests(material)\n key = os.environ.get("AILOOT_API_KEY", "")\n if not key: raise SystemExit("Set AILOOT_API_KEY")\n request = Request("https://api.ailoot.ai/v1/batches", data=json.dumps(body, ensure_ascii=False).encode("utf-8"), headers={"Authorization":"Bearer " + key, "Content-Type":"application/json"}, method="POST")\n with urlopen(request) as response:\n raw = response.read()\n Path("batch-create-response.json").write_bytes(raw)\n print(raw.decode("utf-8"))\nimport json\nfrom pathlib import Path\nraw = Path("batch-status-response.json").read_bytes()\nresponse = json.loads(raw)\nif response.get("status") != "completed":\n raise SystemExit("Keep the original operation; read its status without resubmitting")\nresults = response.get("results")\nif not isinstance(results, list) or not results:\n raise SystemExit("Preserve the original response; completed results are missing")\nPath("batch-results.jsonl").write_text("".join(json.dumps(item, ensure_ascii=False) + "\\n" for item in results), encoding="utf-8")\n# Preserve batch-status-response.json with aggregate usage and every result/error.\nJSON de results[].response.body incluido directamente
GET /v1/batches/{operation_id}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\nBATCH_OPERATION_ID="$(python3 - <<'PY_ID'\nimport json\nfrom pathlib import Path\nfrom urllib.parse import quote\nresponse = json.loads(Path("batch-create-response.json").read_text(encoding="utf-8"))\noperation = response.get("id")\nif not isinstance(operation, str) or not operation: raise SystemExit("No actual original operation ID; preserve the response and do not resubmit")\nprint(quote(operation, safe=""))\nPY_ID\n)"\ncurl --fail-with-body --silent --show-error "https://api.ailoot.ai/v1/batches/$BATCH_OPERATION_ID" \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -o batch-status-response.json\nConserva todas las respuestas, archivos y partes de contenido completos recibidos.
Conserva el JSON completo del estado original, cada resultado y su custom_id, y el cuerpo completo de la respuesta o del error. Guarda los results[] completados como JSONL sin filtrarlos.
Conserva el ID de la operación original. 503 result_pending_check incluye X-Should-Retry:false; nunca vuelvas a enviar un lote original cuyo resultado se desconoce.
| Campo | Tipo |
|---|---|
Camporesults[].custom_id | Tipostring |
Camporesults[].response.body.choices[].message.content | Tipostring|null |
Camporesults[].error | Tipoobject|null |
Campousage | Tipoobject|null |
Campoid | Tipostring |
Campomodel | Tipostring |
Campoendpoint | Tipostring |
Campostatus | Tipostring |
Camporequest_counts | Tipoobject |
Camporesults[].id | Tipostring |
Camporesults[].response.status_code | Tipointeger |
Camporesults[].response.request_id | Tipostring |
| Respuesta | Condición | Siguiente paso |
|---|---|---|
Respuesta400 · invalid_request_error | CondiciónEl contenedor documentado con contenido incluido directamente no es válido, hay claves duplicadas, la identidad de un elemento no es válida o existe un conflicto con las capacidades configuradas del modelo. | Siguiente pasoCorrige los campos indicados antes de cualquier nuevo envío. |
Respuesta401 · authentication_error | CondiciónClave API no válida. | Siguiente pasoUsa la clave Ailoot autorizada. |
Respuesta403 · permission_error | CondiciónGrupo de Batch no disponible. | Siguiente pasoComprueba los permisos de la clave y del grupo. |
Respuesta422 · invalid_request_error | CondiciónBatch se factura con cargo al saldo; se rechaza su creación con una suscripción. | Siguiente pasoUsa el grupo autorizado que se factura con cargo al saldo. |
Respuesta422 · price_unavailable | CondiciónNo se puede calcular el presupuesto de la entrada de Batch. | Siguiente pasoConserva la respuesta; usa la entrada documentada para la familia. |
Respuesta402 · billing_error | CondiciónReserva de Batch no disponible. | Siguiente pasoResuelve la admisión antes de enviar una nueva solicitud. |
Respuesta503 · price_unavailable | CondiciónPrecio del método Batch o tarifas nativas no disponibles. | Siguiente pasoConserva la respuesta; no sustituyas los precios. |
Respuesta503 · api_error | CondiciónLa ruta exacta del proveedor no está disponible. | Siguiente pasoConserva la respuesta para reparar la ruta. |
Respuesta503 · result_pending_check | CondiciónEl resultado original requiere comprobación; X-Should-Retry:false. | Siguiente pasoConserva el operation_id/id original y consulta su estado; nunca repitas el POST original. |
Respuesta404 · not_found | CondiciónLa operación de consulta de estado de Batch no existe o pertenece a otra identidad. | Siguiente pasoUsa el id original exacto y el mismo usuario, clave y grupo. |
Ailoot Ultra z-ai/glm-5.3:batch
Usa las rutas de método indicadas arriba.