AutoGLM Phone 9B Multilingual es el modelo de Z.ai para un asistente que trabaja a través de la interfaz de un teléfono inteligente. Combina una tarea en lenguaje natural con la comprensión visual de la pantalla actual, planifica el siguiente paso y produce la información que utiliza un entorno de agente conectado al teléfono para actuar. Su arquitectura es idéntica a la de GLM 4.1V 9B Thinking; la edición denominada Phone Multilingual sigue siendo una opción de modelo distinta.
Descripción general del proyecto. Phone Agent del fabricante combina la percepción de la pantalla con un bucle de ejecución. El entorno captura la interfaz, el modelo razona sobre la tarea y un componente de control del dispositivo realiza la operación seleccionada. Una nueva pantalla aporta después información para el siguiente paso. El marco publicado utiliza Android Debug Bridge para dispositivos Android y ofrece una vía de control independiente para HarmonyOS. El modelo aporta la percepción y la planificación; el entorno conectado aporta la interacción real con el dispositivo.
Distinción multilingüe. El AutoGLM Phone 9B original está optimizado para aplicaciones móviles chinas. La edición Multilingual añade compatibilidad con escenarios en inglés y está pensada para aplicaciones que contienen inglés u otros idiomas. El proyecto también proporciona prompts de instrucciones en chino e inglés. Conserva los nombres de aplicaciones, los términos de búsqueda y el texto visible de la interfaz al describir la tarea; estos detalles ayudan a vincular la acción solicitada con la pantalla en lugar de con una traducción supuesta de ella.
Planificación de acciones. El vocabulario de acciones del marco publicado incluye iniciar una aplicación, tocar, escribir, deslizar, retroceder, volver a la pantalla de inicio, mantener pulsado, tocar dos veces y esperar a que se cargue una página. También incluye una acción para ceder el control manualmente. Utilízalas como vocabulario de un flujo basado en pantallas: abre la aplicación pertinente, localiza el control necesario, introduce el texto solicitado y examina la nueva página. La siguiente acción debe basarse en la interfaz más reciente, porque un estado de carga o un cambio de diseño puede invalidar una observación anterior.
Prepara una tarea concreta. Indica la aplicación, la información o el resultado que se busca y las condiciones importantes. Para una búsqueda, proporciona la consulta exacta, los criterios de selección y el resultado deseado, como una lista de elementos coincidentes con sus atributos visibles. Para un flujo de oficina, especifica qué información de la pantalla se debe recopilar y cómo se debe presentar el resumen final. Incluye la captura de pantalla actual y suficientes pasos anteriores para explicar en qué punto del proceso se encuentra el asistente. La salida puede entonces proponer la siguiente operación o explicar qué detalle visible impide avanzar.
Participación humana. El marco oficial ofrece callbacks para confirmar operaciones sensibles y ceder el control manualmente durante los pasos de inicio de sesión o de código de verificación. Una aplicación puede devolver el teléfono al usuario y continuar desde una nueva captura de pantalla cuando la persona haya completado ese paso. Define una condición clara de finalización para que el asistente pueda distinguir entre encontrar información, preparar una acción y alcanzar el resultado deseado.
La configuración práctica afecta al flujo de trabajo. El entorno que rodea al modelo proporciona los permisos del dispositivo, una vía funcional de captura de pantalla y la entrada de texto. La configuración Android del productor utiliza un componente de teclado dedicado para introducir texto, mientras que su vía HarmonyOS utiliza la entrada nativa. Algunas pantallas protegidas pueden devolver una captura negra. Cuando una pantalla no esté disponible o un control sea ambiguo, obtén una vista utilizable u orientación humana antes de formular la siguiente acción. Una respuesta del modelo por sí sola no demuestra que se haya ejecutado una operación en el teléfono; examina la pantalla resultante para confirmar el progreso.
", "aboutText": "AutoGLM Phone 9B Multilingual es el modelo de Z.ai para un asistente que trabaja a través de la interfaz de un teléfono inteligente. Combina una tarea en lenguaje natural con la comprensión visual de la pantalla actual, planifica el siguiente paso y produce la información que utiliza un entorno de agente conectado al teléfono para actuar. Su arquitectura es idéntica a la de GLM 4.1V 9B Thinking; la edición denominada Phone Multilingual sigue siendo una opción de modelo distinta.\n\nDescripción general del proyecto. Phone Agent del fabricante combina la percepción de la pantalla con un bucle de ejecución. El entorno captura la interfaz, el modelo razona sobre la tarea y un componente de control del dispositivo realiza la operación seleccionada. Una nueva pantalla aporta después información para el siguiente paso. El marco publicado utiliza Android Debug Bridge para dispositivos Android y ofrece una vía de control independiente para HarmonyOS. El modelo aporta la percepción y la planificación; el entorno conectado aporta la interacción real con el dispositivo.\n\nDistinción multilingüe. El AutoGLM Phone 9B original está optimizado para aplicaciones móviles chinas. La edición Multilingual añade compatibilidad con escenarios en inglés y está pensada para aplicaciones que contienen inglés u otros idiomas. El proyecto también proporciona prompts de instrucciones en chino e inglés. Conserva los nombres de aplicaciones, los términos de búsqueda y el texto visible de la interfaz al describir la tarea; estos detalles ayudan a vincular la acción solicitada con la pantalla en lugar de con una traducción supuesta de ella.\n\nPlanificación de acciones. El vocabulario de acciones del marco publicado incluye iniciar una aplicación, tocar, escribir, deslizar, retroceder, volver a la pantalla de inicio, mantener pulsado, tocar dos veces y esperar a que se cargue una página. También incluye una acción para ceder el control manualmente. Utilízalas como vocabulario de un flujo basado en pantallas: abre la aplicación pertinente, localiza el control necesario, introduce el texto solicitado y examina la nueva página. La siguiente acción debe basarse en la interfaz más reciente, porque un estado de carga o un cambio de diseño puede invalidar una observación anterior.\n\nPrepara una tarea concreta. Indica la aplicación, la información o el resultado que se busca y las condiciones importantes. Para una búsqueda, proporciona la consulta exacta, los criterios de selección y el resultado deseado, como una lista de elementos coincidentes con sus atributos visibles. Para un flujo de oficina, especifica qué información de la pantalla se debe recopilar y cómo se debe presentar el resumen final. Incluye la captura de pantalla actual y suficientes pasos anteriores para explicar en qué punto del proceso se encuentra el asistente. La salida puede entonces proponer la siguiente operación o explicar qué detalle visible impide avanzar.\n\nParticipación humana. El marco oficial ofrece callbacks para confirmar operaciones sensibles y ceder el control manualmente durante los pasos de inicio de sesión o de código de verificación. Una aplicación puede devolver el teléfono al usuario y continuar desde una nueva captura de pantalla cuando la persona haya completado ese paso. Define una condición clara de finalización para que el asistente pueda distinguir entre encontrar información, preparar una acción y alcanzar el resultado deseado.\n\nLa configuración práctica afecta al flujo de trabajo. El entorno que rodea al modelo proporciona los permisos del dispositivo, una vía funcional de captura de pantalla y la entrada de texto. La configuración Android del productor utiliza un componente de teclado dedicado para introducir texto, mientras que su vía HarmonyOS utiliza la entrada nativa. Algunas pantallas protegidas pueden devolver una captura negra. Cuando una pantalla no esté disponible o un control sea ambiguo, obtén una vista utilizable u orientación humana antes de formular la siguiente acción. Una respuesta del modelo por sí sola no demuestra que se haya ejecutado una operación en el teléfono; examina la pantalla resultante para confirmar el progreso.", "editorialOverlay": { "copy_fields": { "practical_html": "Ejemplo técnico en inglés
Plan the next phone-search step\n\nUse this text transcription of the current phone screen: app 'City Library'; search field 'Search catalog'; button 'Search'; no results shown. Goal: find books matching the exact title 'The Glass Harbor'. Propose only the next input action and the screen evidence needed afterward. Preserve the title and do not claim that a search has already run.One next-action proposal and a short description of the resulting screen evidence to inspect.The response uses the exact title and distinguishes proposed text entry from an executed search or a found book.zai-org/autoglm-phone-9b-multilingualModelo de visión y lenguaje de Z.ai para comprender pantallas de teléfonos inteligentes y planificar acciones en la interfaz. La edición Multilingual admite escenarios en inglés e interfaces con contenido en otros idiomas; un entorno de agente conectado al teléfono ejecuta las operaciones propuestas.
Esta descripción cubre las capacidades del modelo. Las entradas, salidas y opciones disponibles en Ailoot se indican a continuación para el método seleccionado.
AutoGLM Phone 9B Multilingual es el modelo de Z.ai para un asistente que trabaja a través de la interfaz de un teléfono inteligente. Combina una tarea en lenguaje natural con la comprensión visual de la pantalla actual, planifica el siguiente paso y produce la información que utiliza un entorno de agente conectado al teléfono para actuar. Su arquitectura es idéntica a la de GLM 4.1V 9B Thinking; la edición denominada Phone Multilingual sigue siendo una opción de modelo distinta.
Descripción general del proyecto. Phone Agent del fabricante combina la percepción de la pantalla con un bucle de ejecución. El entorno captura la interfaz, el modelo razona sobre la tarea y un componente de control del dispositivo realiza la operación seleccionada. Una nueva pantalla aporta después información para el siguiente paso. El marco publicado utiliza Android Debug Bridge para dispositivos Android y ofrece una vía de control independiente para HarmonyOS. El modelo aporta la percepción y la planificación; el entorno conectado aporta la interacción real con el dispositivo.
Distinción multilingüe. El AutoGLM Phone 9B original está optimizado para aplicaciones móviles chinas. La edición Multilingual añade compatibilidad con escenarios en inglés y está pensada para aplicaciones que contienen inglés u otros idiomas. El proyecto también proporciona prompts de instrucciones en chino e inglés. Conserva los nombres de aplicaciones, los términos de búsqueda y el texto visible de la interfaz al describir la tarea; estos detalles ayudan a vincular la acción solicitada con la pantalla en lugar de con una traducción supuesta de ella.
Planificación de acciones. El vocabulario de acciones del marco publicado incluye iniciar una aplicación, tocar, escribir, deslizar, retroceder, volver a la pantalla de inicio, mantener pulsado, tocar dos veces y esperar a que se cargue una página. También incluye una acción para ceder el control manualmente. Utilízalas como vocabulario de un flujo basado en pantallas: abre la aplicación pertinente, localiza el control necesario, introduce el texto solicitado y examina la nueva página. La siguiente acción debe basarse en la interfaz más reciente, porque un estado de carga o un cambio de diseño puede invalidar una observación anterior.
Prepara una tarea concreta. Indica la aplicación, la información o el resultado que se busca y las condiciones importantes. Para una búsqueda, proporciona la consulta exacta, los criterios de selección y el resultado deseado, como una lista de elementos coincidentes con sus atributos visibles. Para un flujo de oficina, especifica qué información de la pantalla se debe recopilar y cómo se debe presentar el resumen final. Incluye la captura de pantalla actual y suficientes pasos anteriores para explicar en qué punto del proceso se encuentra el asistente. La salida puede entonces proponer la siguiente operación o explicar qué detalle visible impide avanzar.
Participación humana. El marco oficial ofrece callbacks para confirmar operaciones sensibles y ceder el control manualmente durante los pasos de inicio de sesión o de código de verificación. Una aplicación puede devolver el teléfono al usuario y continuar desde una nueva captura de pantalla cuando la persona haya completado ese paso. Define una condición clara de finalización para que el asistente pueda distinguir entre encontrar información, preparar una acción y alcanzar el resultado deseado.
La configuración práctica afecta al flujo de trabajo. El entorno que rodea al modelo proporciona los permisos del dispositivo, una vía funcional de captura de pantalla y la entrada de texto. La configuración Android del productor utiliza un componente de teclado dedicado para introducir texto, mientras que su vía HarmonyOS utiliza la entrada nativa. Algunas pantallas protegidas pueden devolver una captura negra. Cuando una pantalla no esté disponible o un control sea ambiguo, obtén una vista utilizable u orientación humana antes de formular la siguiente acción. Una respuesta del modelo por sí sola no demuestra que se haya ejecutado una operación en el teléfono; examina la pantalla resultante para confirmar el progreso.
POST /v1/chat/completionstexttext| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites zai-org/autoglm-phone-9b-multilingual | Predeterminado— |
Campomessages | Tipomessage[] | RequisitoObligatorio | Valores y límites Número mínimo de elementos: 1 | Predeterminado— |
Campomessages[].role | Tipostring | RequisitoObligatorio | Valores y límites Ejemplos: system, user, assistant, tool, function Condiciones: Estos roles están representados explícitamente por los tipos de compatibilidad del código fuente; el conjunto exacto de roles depende del modelo. Depende del modelo | Predeterminado— |
Campomessages[].content | Tipostring|content_part[]|null | RequisitoOpcional | Valores y límites | Predeterminado— |
Campomessages[].tool_calls | Tipotool_call[] | RequisitoOpcional | Valores y límites | Predeterminado— |
Campomessages[].tool_call_id | Tipostring | RequisitoOpcional | Valores y límites Se aplica cuando: role=tool; utiliza el ID real devuelto | Predeterminado— |
Campomessages[].name | Tipostring | RequisitoOpcional | Valores y límites | Predeterminado— |
Campomessages[].reasoning_content | Tipostring | RequisitoOpcional | Valores y límites Se aplica cuando: Devuelve en los turnos siguientes el razonamiento realmente recibido cuando este modelo lo utilice | Predeterminado— |
Campomessages[].reasoning_details | Tipoobject|array | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campomax_tokens | Tipointeger | RequisitoOpcional | Valores y límites Mínimo: 1 Depende del modelo | Predeterminado— |
Campomax_completion_tokens | Tipointeger | RequisitoOpcional | Valores y límites Mínimo: 1 Depende del modelo | Predeterminado— |
Campostream | Tipoboolean | RequisitoOpcional | Valores y límites | Predeterminadofalse |
Campostream_options.include_usage | Tipoboolean | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campotemperature | Tiponumber | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campotop_p | Tiponumber | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campostop | Tipostring|string[] | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campotools | Tipofunction_tool[] | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campotools[].type | Tipostring | RequisitoOpcional | Valores y límites function Depende del modelo | Predeterminado— |
Campotools[].function.name | Tipostring | RequisitoObligatorio | Valores y límites Se aplica cuando: herramienta de función proporcionada | Predeterminado— |
Campotools[].function.description | Tipostring | RequisitoOpcional | Valores y límites | Predeterminado— |
Campotools[].function.parameters | TipoJSON_schema | RequisitoOpcional | Valores y límites | Predeterminado— |
Campotool_choice | Tipostring|object | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campoparallel_tool_calls | Tipoboolean | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Camporesponse_format | Tipoobject | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Camporeasoning_effort | Tipostring | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Camporeasoning | Tipoobject | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Camposervice_tier | Tipostring | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campoinstructions | Tipostring | RequisitoOpcional | Valores y límites Campo de compatibilidad | Predeterminado— |
Campofunctions | Tipofunction[] | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campofunction_call | Tipostring|object | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campoprompt_cache_options | Tipoobject | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campomodalities | Tipostring[] | RequisitoOpcional | Valores y límites text | Predeterminado— |
Campoprovider | Tipoobject | RequisitoOpcional | Valores y límites Condiciones: provider.options se rechaza en esta ruta de texto Ultra | Predeterminado— |
Campocache_control.ttl | Tipostring | RequisitoOpcional | Valores y límites Condiciones: 1h se rechaza en los campos reales de caché de instrucciones | Predeterminado— |
Texto · Texto UTF8
messages[].content
| Parámetro | Contrato |
|---|---|
Parámetrocontent_type | Contratoapplication/json |
Parámetrorequired | Contratomodel, messages |
Parámetromaterial_types | Contratotext |
Parámetromessages | Contratomatriz de mensajes con estructura role/content |
Parámetrofile_material | Contratodocumento real en UTF-8 insertado como texto literal; no se deduce ningún ID de archivo |
Parámetrooptional_controls | Contratostream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parámetrocontrol_scope | Contratodepende del modelo; las herramientas de funciones del usuario difieren de las herramientas alojadas |
Parámetrooutput_modalities | Contratotext |
Parámetrohosted_operations | Contratofalse |
Parámetromultimodal_input_binding | Contratonull |
Ciclo de vida: synchronous_or_streamed
Envía el ID exacto del modelo junto con messages.
La longitud del contexto no es un límite máximo de salida.
Un archivo de texto puede aportar texto literal; las entradas de imagen, audio u objetos de archivo requieren una vinculación exacta.
Las referencias tarifarias no añaden opciones a la solicitud. Los parámetros admitidos se indican en el método seleccionado.
| Configuración | Tabla de tarifas | Cargo |
|---|---|---|
| ConfiguraciónTarifas base por token | Tabla de tarifasTarifa base | Cargo Entrada · Tokens de entrada $0.000072 / 1K tokens Salida · Tokens de salida $0.000286 / 1K tokens Entrada · Lectura de caché $0 / 1K tokens Entrada · Escritura en caché $0 / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
Ailoot reserva un importe estimado antes de la solicitud. Tras obtener el resultado, liquida el cargo definitivo según el uso medido. En las respuestas en flujo, la liquidación usa el registro de uso final. Cómo funcionan la reserva y la liquidación →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "zai-org/autoglm-phone-9b-multilingual", "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='zai-org/autoglm-phone-9b-multilingual',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='zai-org/autoglm-phone-9b-multilingual',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 Ultra zai-org/autoglm-phone-9b-multilingual
Usa las rutas de método indicadas arriba.
zai-org/autoglm-phone-9b-multilingualModelo de visión y lenguaje de Z.ai para comprender pantallas de teléfonos inteligentes y planificar acciones en la interfaz. La edición Multilingual admite escenarios en inglés e interfaces con contenido en otros idiomas; un entorno de agente conectado al teléfono ejecuta las operaciones propuestas.
Esta descripción cubre las capacidades del modelo. Las entradas, salidas y opciones disponibles en Ailoot se indican a continuación para el método seleccionado.
AutoGLM Phone 9B Multilingual es el modelo de Z.ai para un asistente que trabaja a través de la interfaz de un teléfono inteligente. Combina una tarea en lenguaje natural con la comprensión visual de la pantalla actual, planifica el siguiente paso y produce la información que utiliza un entorno de agente conectado al teléfono para actuar. Su arquitectura es idéntica a la de GLM 4.1V 9B Thinking; la edición denominada Phone Multilingual sigue siendo una opción de modelo distinta.
Descripción general del proyecto. Phone Agent del fabricante combina la percepción de la pantalla con un bucle de ejecución. El entorno captura la interfaz, el modelo razona sobre la tarea y un componente de control del dispositivo realiza la operación seleccionada. Una nueva pantalla aporta después información para el siguiente paso. El marco publicado utiliza Android Debug Bridge para dispositivos Android y ofrece una vía de control independiente para HarmonyOS. El modelo aporta la percepción y la planificación; el entorno conectado aporta la interacción real con el dispositivo.
Distinción multilingüe. El AutoGLM Phone 9B original está optimizado para aplicaciones móviles chinas. La edición Multilingual añade compatibilidad con escenarios en inglés y está pensada para aplicaciones que contienen inglés u otros idiomas. El proyecto también proporciona prompts de instrucciones en chino e inglés. Conserva los nombres de aplicaciones, los términos de búsqueda y el texto visible de la interfaz al describir la tarea; estos detalles ayudan a vincular la acción solicitada con la pantalla en lugar de con una traducción supuesta de ella.
Planificación de acciones. El vocabulario de acciones del marco publicado incluye iniciar una aplicación, tocar, escribir, deslizar, retroceder, volver a la pantalla de inicio, mantener pulsado, tocar dos veces y esperar a que se cargue una página. También incluye una acción para ceder el control manualmente. Utilízalas como vocabulario de un flujo basado en pantallas: abre la aplicación pertinente, localiza el control necesario, introduce el texto solicitado y examina la nueva página. La siguiente acción debe basarse en la interfaz más reciente, porque un estado de carga o un cambio de diseño puede invalidar una observación anterior.
Prepara una tarea concreta. Indica la aplicación, la información o el resultado que se busca y las condiciones importantes. Para una búsqueda, proporciona la consulta exacta, los criterios de selección y el resultado deseado, como una lista de elementos coincidentes con sus atributos visibles. Para un flujo de oficina, especifica qué información de la pantalla se debe recopilar y cómo se debe presentar el resumen final. Incluye la captura de pantalla actual y suficientes pasos anteriores para explicar en qué punto del proceso se encuentra el asistente. La salida puede entonces proponer la siguiente operación o explicar qué detalle visible impide avanzar.
Participación humana. El marco oficial ofrece callbacks para confirmar operaciones sensibles y ceder el control manualmente durante los pasos de inicio de sesión o de código de verificación. Una aplicación puede devolver el teléfono al usuario y continuar desde una nueva captura de pantalla cuando la persona haya completado ese paso. Define una condición clara de finalización para que el asistente pueda distinguir entre encontrar información, preparar una acción y alcanzar el resultado deseado.
La configuración práctica afecta al flujo de trabajo. El entorno que rodea al modelo proporciona los permisos del dispositivo, una vía funcional de captura de pantalla y la entrada de texto. La configuración Android del productor utiliza un componente de teclado dedicado para introducir texto, mientras que su vía HarmonyOS utiliza la entrada nativa. Algunas pantallas protegidas pueden devolver una captura negra. Cuando una pantalla no esté disponible o un control sea ambiguo, obtén una vista utilizable u orientación humana antes de formular la siguiente acción. Una respuesta del modelo por sí sola no demuestra que se haya ejecutado una operación en el teléfono; examina la pantalla resultante para confirmar el progreso.
POST /v1/messagestextjson, sse| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites zai-org/autoglm-phone-9b-multilingual | Predeterminado— |
Campomessages | Tipomessage[] | RequisitoObligatorio | Valores y límites | Predeterminado— |
Campomessages[].role | Tipostring | RequisitoObligatorio | Valores y límites user, assistant | Predeterminado— |
Campomessages[].content | Tipostring | RequisitoObligatorio | Valores y límites | Predeterminado— |
Campomax_tokens | Tipointeger | RequisitoObligatorio | Valores y límites | Predeterminado— |
Campostream | Tipoboolean | RequisitoOpcional | Valores y límites | Predeterminadofalse |
Texto · Texto UTF-8
cadena messages[].content
| Parámetro | Contrato |
|---|---|
Parámetrocontent_type | Contratoapplication/json |
Parámetrorequired | Contratomodel, messages, max_tokens |
Parámetrooptional_controls | Contratostream |
Parámetromaterial_types | Contratotext |
Parámetrotext_file_material | ContratoLee el documento real en UTF-8 y coloca su texto en el campo input indicado o en la cadena de contenido del mensaje. |
Ciclo de vida: synchronous_or_streamed
Las referencias tarifarias no añaden opciones a la solicitud. Los parámetros admitidos se indican en el método seleccionado.
| Configuración | Tabla de tarifas | Cargo |
|---|---|---|
| ConfiguraciónTarifas base por token | Tabla de tarifasTarifa base | Cargo Entrada · Tokens de entrada $0.000072 / 1K tokens Salida · Tokens de salida $0.000286 / 1K tokens Entrada · Lectura de caché $0 / 1K tokens Entrada · Escritura en caché $0 / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
Ailoot reserva un importe estimado antes de la solicitud. Tras obtener el resultado, liquida el cargo definitivo según el uso medido. En las respuestas en flujo, la liquidación usa el registro de uso final. Cómo funcionan la reserva y la liquidación →
{\n "model": "zai-org/autoglm-phone-9b-multilingual",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'zai-org/autoglm-phone-9b-multilingual', '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': 'zai-org/autoglm-phone-9b-multilingual', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON o SSE
Conserva todas las respuestas, archivos y partes de contenido completos recibidos.
Conserva todos los bloques de contenido, las firmas de razonamiento y los ID reales de uso de herramientas. Ensambla todos los fragmentos incrementales de los bloques SSE; el primer bloque de texto no constituye la salida completa.
Conserva los ID de solicitud y respuesta y las cabeceras. No se proporciona una URL genérica para recuperar tareas de texto.
| Campo | Tipo |
|---|---|
Campoid | Tipostring |
Campomodel | Tipostring |
Campocontent[] | Tipotext|thinking|tool_use|other content block |
Campostop_reason | Tipostring|null |
Campousage | Tipoobject |
| Respuesta | Condición | Siguiente paso |
|---|---|---|
Respuesta400 · invalid_request_error | CondiciónCampos obligatorios, representación del material o valor del parámetro no válidos | Siguiente pasoCorrige los campos indicados antes de una nueva solicitud de creación. |
Ailoot Ultra zai-org/autoglm-phone-9b-multilingual
Usa las rutas de método indicadas arriba.
Ejemplo técnico en inglés
Plan the next phone-search step\n\nUse this text transcription of the current phone screen: app 'City Library'; search field 'Search catalog'; button 'Search'; no results shown. Goal: find books matching the exact title 'The Glass Harbor'. Propose only the next input action and the screen evidence needed afterward. Preserve the title and do not claim that a search has already run.One next-action proposal and a short description of the resulting screen evidence to inspect.The response uses the exact title and distinguishes proposed text entry from an executed search or a found book.