GLM 5.3 Flash associe la compréhension du texte, des images, de la vidéo et des fichiers. Il produit une réponse textuelle et est destiné à la programmation avec retour visuel, au traitement de documents et aux tâches professionnelles. Les spécifications publiées indiquent une fenêtre de contexte allant jusqu’à un million de tokens et une sortie maximale de 128 000 tokens.
Le modèle contient 320 milliards de paramètres, dont 18 milliards actifs. L’attention hybride associe un traitement parcimonieux et linéaire, tandis que des connexions spécialisées entre couches aident à maintenir la stabilité lorsque l’échelle augmente. Les éléments multimodaux sont intégrés au préentraînement.
Les informations visuelles participent au processus : un assistant examine une interface ou un rendu, le compare à la tâche et propose des corrections. Cela explique l’accent mis par le fabricant sur la vérification du résultat visuel réel après l’écriture du code.
Le raisonnement est toujours activé. La profondeur se sélectionne au moyen de low, high et max ; aucun mode désactivé n’est proposé. L’historique de raisonnement peut être conservé entre les étapes de longs processus.
Pour un outil, le modèle produit un nom de fonction et des arguments ; l’application exécute l’action et renvoie le résultat. JSON convient au traitement programmatique des réponses : les champs attendus sont précisés dans les consignes, tandis que la syntaxe et le sens des valeurs sont vérifiés séparément. La diffusion continue permet de recevoir le texte progressivement.
La mise en cache d’une consigne ou d’un historique répétés aide à réutiliser le contexte traité. Selon Z.ai, elle réduit les traitements répétés dans les tâches adaptées ; la réutilisation réelle est déterminée par le résultat de la requête particulière.
Le modèle peut analyser plusieurs captures d’un même produit, les relations entre pages, les composants communs, les états d’interface et les animations. Dans un environnement d’agents doté d’outils, il écrit du code, lance une application, inspecte les captures du résultat et corrige les écarts. Dans le développement de jeux, ce cycle couvre les règles, les déplacements, les interactions, les scores et la fin d’une session de jeu.
Pour les présentations, rapports et feuilles de calcul, le modèle considère le contenu avec la mise en page : texte, images, schémas et placement des éléments. À l’aide d’outils, il peut créer et vérifier des contenus PPTX, PDF, DOCX et XLSX. Ces fichiers sont des résultats applicatifs ; la réponse directe du modèle reste textuelle.
L’analyse financière comprend le travail sur les rapports, les vérifications de cohérence des formules et l’examen séparé des données publiées, des hypothèses et des conclusions. Dans le processus décrit par le fabricant, les données proviennent des éléments de la tâche.
Dans un environnement d’agents, le modèle peut analyser la vidéo, la succession temporelle des événements, les caractéristiques visuelles des participants et les sous-titres. Les outils assurent le montage et l’enregistrement du résultat.
Lorsqu’il travaille sur une scène ou un dessin tridimensionnels, il relie les descriptions spatiales, les proportions et les résultats visibles. Le cycle d’outils comprend la construction, le rendu depuis un point de vue défini, la comparaison visuelle et la correction. De même, le modèle peut analyser un écran d’application et aider à effectuer un travail séquentiel sur l’interface.
Ces processus décrivent les propriétés du modèle dans un environnement doté des outils nécessaires. Les éléments acceptés dépendent de la méthode choisie ; la compréhension visuelle ne signifie pas que le traitement de vidéos ou de fichiers, ni la création des livrables cités, sont automatiquement disponibles dans chaque requête.
", "aboutText": "### Un modèle multimodal pour le travail\n\nGLM 5.3 Flash associe la compréhension du texte, des images, de la vidéo et des fichiers. Il produit une réponse textuelle et est destiné à la programmation avec retour visuel, au traitement de documents et aux tâches professionnelles. Les spécifications publiées indiquent une fenêtre de contexte allant jusqu’à un million de tokens et une sortie maximale de 128 000 tokens.\n\n### Architecture à contexte long\n\nLe modèle contient 320 milliards de paramètres, dont 18 milliards actifs. L’attention hybride associe un traitement parcimonieux et linéaire, tandis que des connexions spécialisées entre couches aident à maintenir la stabilité lorsque l’échelle augmente. Les éléments multimodaux sont intégrés au préentraînement.\n\nLes informations visuelles participent au processus : un assistant examine une interface ou un rendu, le compare à la tâche et propose des corrections. Cela explique l’accent mis par le fabricant sur la vérification du résultat visuel réel après l’écriture du code.\n\n### Raisonnement, outils et données\n\nLe raisonnement est toujours activé. La profondeur se sélectionne au moyen de `low`, `high` et `max` ; aucun mode désactivé n’est proposé. L’historique de raisonnement peut être conservé entre les étapes de longs processus.\n\nPour un outil, le modèle produit un nom de fonction et des arguments ; l’application exécute l’action et renvoie le résultat. JSON convient au traitement programmatique des réponses : les champs attendus sont précisés dans les consignes, tandis que la syntaxe et le sens des valeurs sont vérifiés séparément. La diffusion continue permet de recevoir le texte progressivement.\n\nLa mise en cache d’une consigne ou d’un historique répétés aide à réutiliser le contexte traité. Selon Z.ai, elle réduit les traitements répétés dans les tâches adaptées ; la réutilisation réelle est déterminée par le résultat de la requête particulière.\n\n### Développer à partir d’une consigne visuelle\n\nLe modèle peut analyser plusieurs captures d’un même produit, les relations entre pages, les composants communs, les états d’interface et les animations. Dans un environnement d’agents doté d’outils, il écrit du code, lance une application, inspecte les captures du résultat et corrige les écarts. Dans le développement de jeux, ce cycle couvre les règles, les déplacements, les interactions, les scores et la fin d’une session de jeu.\n\n### Documents et analyse professionnelle\n\nPour les présentations, rapports et feuilles de calcul, le modèle considère le contenu avec la mise en page : texte, images, schémas et placement des éléments. À l’aide d’outils, il peut créer et vérifier des contenus PPTX, PDF, DOCX et XLSX. Ces fichiers sont des résultats applicatifs ; la réponse directe du modèle reste textuelle.\n\nL’analyse financière comprend le travail sur les rapports, les vérifications de cohérence des formules et l’examen séparé des données publiées, des hypothèses et des conclusions. Dans le processus décrit par le fabricant, les données proviennent des éléments de la tâche.\n\n### Vidéo, scènes tridimensionnelles et interfaces\n\nDans un environnement d’agents, le modèle peut analyser la vidéo, la succession temporelle des événements, les caractéristiques visuelles des participants et les sous-titres. Les outils assurent le montage et l’enregistrement du résultat.\n\nLorsqu’il travaille sur une scène ou un dessin tridimensionnels, il relie les descriptions spatiales, les proportions et les résultats visibles. Le cycle d’outils comprend la construction, le rendu depuis un point de vue défini, la comparaison visuelle et la correction. De même, le modèle peut analyser un écran d’application et aider à effectuer un travail séquentiel sur l’interface.\n\nCes processus décrivent les propriétés du modèle dans un environnement doté des outils nécessaires. Les éléments acceptés dépendent de la méthode choisie ; la compréhension visuelle ne signifie pas que le traitement de vidéos ou de fichiers, ni la création des livrables cités, sont automatiquement disponibles dans chaque requête.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "5ff9a766109d2c8025b8732604b0628061caa310b42283000b83eb35d4c59014", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "fr-be", "methods": [ { "html": "z-ai/glm-5.3-flash:batchGLM 5.3 Flash est un modèle multimodal de Z.ai pour le développement visuel, l’analyse de documents et le travail d’agent avec un résultat textuel.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
GLM 5.3 Flash associe la compréhension du texte, des images, de la vidéo et des fichiers. Il produit une réponse textuelle et est destiné à la programmation avec retour visuel, au traitement de documents et aux tâches professionnelles. Les spécifications publiées indiquent une fenêtre de contexte allant jusqu’à un million de tokens et une sortie maximale de 128 000 tokens.
Le modèle contient 320 milliards de paramètres, dont 18 milliards actifs. L’attention hybride associe un traitement parcimonieux et linéaire, tandis que des connexions spécialisées entre couches aident à maintenir la stabilité lorsque l’échelle augmente. Les éléments multimodaux sont intégrés au préentraînement.
Les informations visuelles participent au processus : un assistant examine une interface ou un rendu, le compare à la tâche et propose des corrections. Cela explique l’accent mis par le fabricant sur la vérification du résultat visuel réel après l’écriture du code.
Le raisonnement est toujours activé. La profondeur se sélectionne au moyen de low, high et max ; aucun mode désactivé n’est proposé. L’historique de raisonnement peut être conservé entre les étapes de longs processus.
Pour un outil, le modèle produit un nom de fonction et des arguments ; l’application exécute l’action et renvoie le résultat. JSON convient au traitement programmatique des réponses : les champs attendus sont précisés dans les consignes, tandis que la syntaxe et le sens des valeurs sont vérifiés séparément. La diffusion continue permet de recevoir le texte progressivement.
La mise en cache d’une consigne ou d’un historique répétés aide à réutiliser le contexte traité. Selon Z.ai, elle réduit les traitements répétés dans les tâches adaptées ; la réutilisation réelle est déterminée par le résultat de la requête particulière.
Le modèle peut analyser plusieurs captures d’un même produit, les relations entre pages, les composants communs, les états d’interface et les animations. Dans un environnement d’agents doté d’outils, il écrit du code, lance une application, inspecte les captures du résultat et corrige les écarts. Dans le développement de jeux, ce cycle couvre les règles, les déplacements, les interactions, les scores et la fin d’une session de jeu.
Pour les présentations, rapports et feuilles de calcul, le modèle considère le contenu avec la mise en page : texte, images, schémas et placement des éléments. À l’aide d’outils, il peut créer et vérifier des contenus PPTX, PDF, DOCX et XLSX. Ces fichiers sont des résultats applicatifs ; la réponse directe du modèle reste textuelle.
L’analyse financière comprend le travail sur les rapports, les vérifications de cohérence des formules et l’examen séparé des données publiées, des hypothèses et des conclusions. Dans le processus décrit par le fabricant, les données proviennent des éléments de la tâche.
Dans un environnement d’agents, le modèle peut analyser la vidéo, la succession temporelle des événements, les caractéristiques visuelles des participants et les sous-titres. Les outils assurent le montage et l’enregistrement du résultat.
Lorsqu’il travaille sur une scène ou un dessin tridimensionnels, il relie les descriptions spatiales, les proportions et les résultats visibles. Le cycle d’outils comprend la construction, le rendu depuis un point de vue défini, la comparaison visuelle et la correction. De même, le modèle peut analyser un écran d’application et aider à effectuer un travail séquentiel sur l’interface.
Ces processus décrivent les propriétés du modèle dans un environnement doté des outils nécessaires. Les éléments acceptés dépendent de la méthode choisie ; la compréhension visuelle ne signifie pas que le traitement de vidéos ou de fichiers, ni la création des livrables cités, sont automatiquement disponibles dans chaque requête.
POST /v1/batchestexttext| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champendpoint | Typestring | ExigenceObligatoire | Valeurs et limites /v1/chat/completions | Par défaut— |
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites z-ai/glm-5.3-flash:batch | Par défaut— |
Champrequests | Typebatch_item[] | ExigenceObligatoire | Valeurs et limites Nombre minimal d’éléments: 1 | Par défaut— |
Champrequests[].custom_id | Typestring | ExigenceObligatoire | Valeurs et limites | Par défaut— |
Champrequests[].body.messages | Typemessage[] | ExigenceObligatoire | Valeurs et limites | Par défaut— |
Champcompletion_window | Typestring | ExigenceFacultatif | Valeurs et limites 24h | Par défaut— |
Champprovider | Typeobject|null | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champrequests[].body.model | Typestring | ExigenceFacultatif | Valeurs et limites z-ai/glm-5.3-flash:batch, z-ai/glm-5.3-flash | Par défaut— |
Champprovider.only | Typestring[] | ExigenceFacultatif | Valeurs et limites deepinfra/fp4 | Par défaut— |
Champprovider.allow_fallbacks | Typeboolean|null | ExigenceFacultatif | Valeurs et limites false, null | Par défaut— |
| Paramètre | Contrat |
|---|---|
Paramètrecontent_type | Contratapplication/json |
Paramètrerequired | Contratendpoint, model, requests |
Paramètrematerial_types | Contrattext |
Paramètrerepresentation | Contratrequests[] intégré ; chaque élément comporte custom_id et body |
Paramètrerequest_endpoint_profile | Contrat/v1/chat/completions |
Paramètrefile_material | ContratL’appelant peut charger localement le contenu JSONL UTF-8 effectif dans requests[]. Aucun paramètre purpose de téléversement, input_file_id ni référence à un fichier n’est utilisé. Si les données du client sont absentes ou vides, la préparation s’arrête avant le POST. |
Paramètreserialization_order | Contratendpoint, model, provider (si fourni), completion_window (si fourni), requests en dernier |
Paramètreoptional_controls | Contratprovider.only, provider.allow_fallbacks, completion_window |
Paramètreschema_scope | ContratCorps de requêtes Chat Completions textuelles dans l’enveloppe Batch intégrée documentée. |
Cycle de vie : asynchronous
GET /v1/batches/{operation_id} · response.id effectivement renvoyé lors de la création d’origine ; même utilisateur, même clé et même groupe
Les tarifs n’ajoutent pas d’options de requête. Les paramètres pris en charge figurent dans la méthode sélectionnée.
Associez chaque coût aux conditions indiquées. Utilisez un seul tarif pour chaque ensemble de configurations alternatives.
| Configuration | Barème tarifaire | Tokens de contexte, plus de | Tokens de contexte, jusqu’à la limite incluse | Coût |
|---|---|---|---|---|
| ConfigurationTarifs de base des tokens | Barème tarifaireTarif de base | Tokens de contexte, plus de— | Tokens de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Tokens en entrée $0.00012 / 1K tokens Sortie · Tokens en sortie $0.0004 / 1K tokens Entrée · Lecture du cache $0.000024 / 1K tokens Entrée · Écriture dans le cache — / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
| ConfigurationPalier 1 de longueur de requête | Barème tarifaire— | Tokens de contexte, plus de0 | Tokens de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Tokens en entrée $0.00012 / 1K tokens Sortie · Tokens en sortie $0.0004 / 1K tokens Entrée · Lecture du cache $0.000024 / 1K tokens Entrée · Écriture dans le cache — / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
set -eu\n: "${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-flash: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-flash:batch', 'z-ai/glm-5.3-flash']: 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-flash: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 results[].response.body intégré
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\nConservez chaque réponse, fichier et partie de contenu renvoyés dans leur intégralité.
Conservez l’intégralité du JSON de statut d’origine, chaque résultat/custom_id et le corps complet de la réponse ou de l’erreur. Enregistrez les results[] terminés au format JSONL sans filtrage.
Conservez l’identifiant de l’opération d’origine. La réponse 503 result_pending_check contient X-Should-Retry:false ; ne soumettez jamais à nouveau un lot d’origine dont l’issue est inconnue.
| Champ | Type |
|---|---|
Champresults[].custom_id | Typestring |
Champresults[].response.body.choices[].message.content | Typestring|null |
Champresults[].error | Typeobject|null |
Champusage | Typeobject|null |
Champid | Typestring |
Champmodel | Typestring |
Champendpoint | Typestring |
Champstatus | Typestring |
Champrequest_counts | Typeobject |
Champresults[].id | Typestring |
Champresults[].response.status_code | Typeinteger |
Champresults[].response.request_id | Typestring |
| Réponse | Condition | Étape suivante |
|---|---|---|
Réponse400 · invalid_request_error | ConditionEnveloppe intégrée documentée invalide, clés dupliquées, identité d’élément incorrecte ou conflit avec les capacités configurées du modèle. | Étape suivanteCorrigez les champs indiqués avant toute nouvelle soumission. |
Réponse401 · authentication_error | ConditionClé API invalide. | Étape suivanteUtilisez la clé Ailoot autorisée. |
Réponse403 · permission_error | ConditionGroupe de traitement par lots indisponible. | Étape suivanteVérifiez les droits d’accès de la clé/du groupe. |
Réponse422 · invalid_request_error | ConditionLe traitement par lots est facturé sur le solde ; la création via un abonnement est refusée. | Étape suivanteUtilisez le groupe autorisé dont la facturation est prélevée sur le solde. |
Réponse422 · price_unavailable | ConditionImpossible d’établir un devis pour les données d’entrée du traitement par lots. | Étape suivanteConservez la réponse ; utilisez les données d’entrée documentées pour cette famille. |
Réponse402 · billing_error | ConditionRéserve pour le traitement par lots indisponible. | Étape suivanteRéglez les conditions d’admission avant une nouvelle requête. |
Réponse503 · price_unavailable | ConditionPrix de la méthode Batch/tarifs natifs indisponibles. | Étape suivanteConservez la réponse ; ne substituez pas d’autres prix. |
Réponse503 · api_error | ConditionRoute exacte du fournisseur indisponible. | Étape suivanteConservez la réponse pour réparer la route. |
Réponse503 · result_pending_check | ConditionLe résultat d’origine nécessite une vérification ; X-Should-Retry:false. | Étape suivanteConservez l’operation_id/id d’origine et consultez son statut ; ne répétez jamais le POST d’origine. |
Réponse404 · not_found | ConditionOpération de suivi du traitement par lots absente ou appartenant à une autre identité. | Étape suivanteUtilisez l’id exact d’origine avec le même utilisateur, la même clé et le même groupe. |
Ailoot Ultra z-ai/glm-5.3-flash:batch
Utilisez les chemins de méthode indiqués ci-dessus.