GLM-5.3-FlashX est l’édition FlashX de la famille multimodale native GLM-5.3-Flash de Z.ai. Le fabricant présente cette paire pour la programmation visuelle et le travail professionnel, associant le texte à des images, des vidéos et des fichiers, avec une sortie textuelle. FlashX porte un nom distinct pour une inférence plus rapide dans le service du fabricant. Un brief utile peut demander une implémentation fondée sur une capture d’écran, une analyse documentaire ou un plan exécuté par une application à l’aide d’outils. La source répertorie les deux codes de modèle ; leurs identités de service restent distinctes.
La famille utilise une conception hybride d’attention parcimonieuse et linéaire, et est décrite avec 320 milliards de paramètres au total, dont 18 milliards activés. L’attention parcimonieuse récupère les informations globales, tandis que l’attention linéaire modélise les dépendances locales ; le fabricant décrit aussi une agrégation des index pour le contexte long. Ce sont des faits d’architecture de la famille, et non le format numérique de chaque instance hébergée. Le profil commun à cette famille comporte un million de tokens de contexte et jusqu’à 128K tokens de sortie. Les éléments sources, les visuels représentés, l’historique, le raisonnement et la réponse nécessitent tous de la place dans le processus configuré.
La programmation visuelle est centrale. Les exemples de Z.ai associent plusieurs captures de pages ou un enregistrement à des consignes visant à reconstruire les relations entre pages, les composants communs, la navigation, les états et le comportement des animations. Préparez les références dans l’ordre et précisez les fonctions qui doivent fonctionner. Demandez des sources modifiables et une comparaison avec la maquette. L’application lance ou effectue le rendu de la proposition et renvoie des captures ou des résultats d’interaction ; le modèle utilise ces retours pour affiner le résultat. Le texte et le code ne deviennent pas une application achevée en fonctionnement sans ces opérations.
Pour le travail Office et documentaire, le fabricant décrit l’organisation des éléments, la création de graphiques et de mises en page, ainsi que l’examen du rendu. Un processus assisté par des outils peut produire des fichiers PPTX, PDF, DOCX ou XLSX. Un exemple de brief de rapport peut fournir les sources, le public et les sections requises, puis demander un tableau reliant les sources aux conclusions et un rapport ou une présentation modifiables. Gardez les valeurs fournies séparées des hypothèses analytiques. Le rendu, l’enregistrement des fichiers et la vérification des références de formules sont des opérations applicatives. Pour la recherche financière, le fabricant décrit la comparaison d’états financiers et d’annonces, la séparation des valeurs publiées et des hypothèses, ainsi que la préparation, via des outils connectés, d’un modèle prévisionnel ou d’évaluation modifiable accompagné d’un rapport relié aux sources.
Les exemples plus larges du fabricant comprennent le montage vidéo, les scènes 3D, les jeux jouables et la reconstruction CAO à l’aide d’outils. Une tâche vidéo peut commencer par un inventaire des médias et une chronologie ; une tâche de scène peut définir la disposition, les matériaux et les vues caméra avant de demander un script de modélisation. Un brief de CAO nécessite des références dimensionnelles et des hypothèses explicites pour les mesures non établies par l’image. Le modèle interprète les éléments et dirige le travail, tandis que les outils de montage, de rendu ou de modélisation concernés produisent et inspectent les ressources.
Le raisonnement ne peut pas être désactivé dans ce profil. La source indique que les commandes textuelles sont cohérentes avec GLM-5.3 et recommande reasoning_effort=max, une température de 1 et top-p 0.95. Elle recommande clear_thinking=false pour conserver le raisonnement, ainsi que la diffusion continue du texte et des appels d’outils. Le guide associé exige que les blocs de raisonnement conservés soient renvoyés intégralement et sans modification. Définissez le résultat final avant une longue analyse et gardez les observations rattachées aux étapes qui les ont produites.
Le fabricant répertorie l’appel de fonctions, la mise en cache du contexte, les sorties structurées et la compréhension visuelle native. Donnez explicitement les descriptions d’outils et les champs de sortie requis. Pour une tâche d’interface, demandez les états de page couverts, les écarts restants et ce qu’a montré la comparaison réelle des rendus. Pour l’analyse, séparez les faits sources, les hypothèses et les conclusions. FlashX prend en charge ces processus multimodaux, l’exécution, le rendu et la gestion des fichiers étant assurés par l’application connectée.
", "aboutText": "GLM-5.3-FlashX est l’édition FlashX de la famille multimodale native GLM-5.3-Flash de Z.ai. Le fabricant présente cette paire pour la programmation visuelle et le travail professionnel, associant le texte à des images, des vidéos et des fichiers, avec une sortie textuelle. FlashX porte un nom distinct pour une inférence plus rapide dans le service du fabricant. Un brief utile peut demander une implémentation fondée sur une capture d’écran, une analyse documentaire ou un plan exécuté par une application à l’aide d’outils. La source répertorie les deux codes de modèle ; leurs identités de service restent distinctes.\n\nLa famille utilise une conception hybride d’attention parcimonieuse et linéaire, et est décrite avec 320 milliards de paramètres au total, dont 18 milliards activés. L’attention parcimonieuse récupère les informations globales, tandis que l’attention linéaire modélise les dépendances locales ; le fabricant décrit aussi une agrégation des index pour le contexte long. Ce sont des faits d’architecture de la famille, et non le format numérique de chaque instance hébergée. Le profil commun à cette famille comporte un million de tokens de contexte et jusqu’à 128K tokens de sortie. Les éléments sources, les visuels représentés, l’historique, le raisonnement et la réponse nécessitent tous de la place dans le processus configuré.\n\nLa programmation visuelle est centrale. Les exemples de Z.ai associent plusieurs captures de pages ou un enregistrement à des consignes visant à reconstruire les relations entre pages, les composants communs, la navigation, les états et le comportement des animations. Préparez les références dans l’ordre et précisez les fonctions qui doivent fonctionner. Demandez des sources modifiables et une comparaison avec la maquette. L’application lance ou effectue le rendu de la proposition et renvoie des captures ou des résultats d’interaction ; le modèle utilise ces retours pour affiner le résultat. Le texte et le code ne deviennent pas une application achevée en fonctionnement sans ces opérations.\n\nPour le travail Office et documentaire, le fabricant décrit l’organisation des éléments, la création de graphiques et de mises en page, ainsi que l’examen du rendu. Un processus assisté par des outils peut produire des fichiers PPTX, PDF, DOCX ou XLSX. Un exemple de brief de rapport peut fournir les sources, le public et les sections requises, puis demander un tableau reliant les sources aux conclusions et un rapport ou une présentation modifiables. Gardez les valeurs fournies séparées des hypothèses analytiques. Le rendu, l’enregistrement des fichiers et la vérification des références de formules sont des opérations applicatives. Pour la recherche financière, le fabricant décrit la comparaison d’états financiers et d’annonces, la séparation des valeurs publiées et des hypothèses, ainsi que la préparation, via des outils connectés, d’un modèle prévisionnel ou d’évaluation modifiable accompagné d’un rapport relié aux sources.\n\nLes exemples plus larges du fabricant comprennent le montage vidéo, les scènes 3D, les jeux jouables et la reconstruction CAO à l’aide d’outils. Une tâche vidéo peut commencer par un inventaire des médias et une chronologie ; une tâche de scène peut définir la disposition, les matériaux et les vues caméra avant de demander un script de modélisation. Un brief de CAO nécessite des références dimensionnelles et des hypothèses explicites pour les mesures non établies par l’image. Le modèle interprète les éléments et dirige le travail, tandis que les outils de montage, de rendu ou de modélisation concernés produisent et inspectent les ressources.\n\nLe raisonnement ne peut pas être désactivé dans ce profil. La source indique que les commandes textuelles sont cohérentes avec GLM-5.3 et recommande reasoning_effort=max, une température de 1 et top-p 0.95. Elle recommande clear_thinking=false pour conserver le raisonnement, ainsi que la diffusion continue du texte et des appels d’outils. Le guide associé exige que les blocs de raisonnement conservés soient renvoyés intégralement et sans modification. Définissez le résultat final avant une longue analyse et gardez les observations rattachées aux étapes qui les ont produites.\n\nLe fabricant répertorie l’appel de fonctions, la mise en cache du contexte, les sorties structurées et la compréhension visuelle native. Donnez explicitement les descriptions d’outils et les champs de sortie requis. Pour une tâche d’interface, demandez les états de page couverts, les écarts restants et ce qu’a montré la comparaison réelle des rendus. Pour l’analyse, séparez les faits sources, les hypothèses et les conclusions. FlashX prend en charge ces processus multimodaux, l’exécution, le rendu et la gestion des fichiers étant assurés par l’application connectée.", "editorialOverlay": { "copy_fields": { "practical_html": "Exemple technique en anglais
Implement a text-specified form state\n\nCreate editable HTML and JavaScript for this form behavior: an email field and a Subscribe button; blank submission shows 'Enter your email' and preserves the current input; nonblank submission shows a local confirmation without sending a request. Include a short state checklist. No screenshot is supplied, and do not claim the form was rendered or deployed.Editable form source and a checklist of empty, corrected and confirmation states.Blank submission must keep the field value and show the requested message; the proposal must not send a network request.z-ai/glm-5.3-flashxGLM-5.3-FlashX est le modèle multimodal de Z.ai pour la programmation visuelle, le travail documentaire et les agents assistés par des outils. Le profil publié par le fabricant accepte des images, des vidéos, du texte et des fichiers, renvoie du texte et indique un contexte de 1M avec jusqu’à 128K tokens de sortie.
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-FlashX est l’édition FlashX de la famille multimodale native GLM-5.3-Flash de Z.ai. Le fabricant présente cette paire pour la programmation visuelle et le travail professionnel, associant le texte à des images, des vidéos et des fichiers, avec une sortie textuelle. FlashX porte un nom distinct pour une inférence plus rapide dans le service du fabricant. Un brief utile peut demander une implémentation fondée sur une capture d’écran, une analyse documentaire ou un plan exécuté par une application à l’aide d’outils. La source répertorie les deux codes de modèle ; leurs identités de service restent distinctes.
La famille utilise une conception hybride d’attention parcimonieuse et linéaire, et est décrite avec 320 milliards de paramètres au total, dont 18 milliards activés. L’attention parcimonieuse récupère les informations globales, tandis que l’attention linéaire modélise les dépendances locales ; le fabricant décrit aussi une agrégation des index pour le contexte long. Ce sont des faits d’architecture de la famille, et non le format numérique de chaque instance hébergée. Le profil commun à cette famille comporte un million de tokens de contexte et jusqu’à 128K tokens de sortie. Les éléments sources, les visuels représentés, l’historique, le raisonnement et la réponse nécessitent tous de la place dans le processus configuré.
La programmation visuelle est centrale. Les exemples de Z.ai associent plusieurs captures de pages ou un enregistrement à des consignes visant à reconstruire les relations entre pages, les composants communs, la navigation, les états et le comportement des animations. Préparez les références dans l’ordre et précisez les fonctions qui doivent fonctionner. Demandez des sources modifiables et une comparaison avec la maquette. L’application lance ou effectue le rendu de la proposition et renvoie des captures ou des résultats d’interaction ; le modèle utilise ces retours pour affiner le résultat. Le texte et le code ne deviennent pas une application achevée en fonctionnement sans ces opérations.
Pour le travail Office et documentaire, le fabricant décrit l’organisation des éléments, la création de graphiques et de mises en page, ainsi que l’examen du rendu. Un processus assisté par des outils peut produire des fichiers PPTX, PDF, DOCX ou XLSX. Un exemple de brief de rapport peut fournir les sources, le public et les sections requises, puis demander un tableau reliant les sources aux conclusions et un rapport ou une présentation modifiables. Gardez les valeurs fournies séparées des hypothèses analytiques. Le rendu, l’enregistrement des fichiers et la vérification des références de formules sont des opérations applicatives. Pour la recherche financière, le fabricant décrit la comparaison d’états financiers et d’annonces, la séparation des valeurs publiées et des hypothèses, ainsi que la préparation, via des outils connectés, d’un modèle prévisionnel ou d’évaluation modifiable accompagné d’un rapport relié aux sources.
Les exemples plus larges du fabricant comprennent le montage vidéo, les scènes 3D, les jeux jouables et la reconstruction CAO à l’aide d’outils. Une tâche vidéo peut commencer par un inventaire des médias et une chronologie ; une tâche de scène peut définir la disposition, les matériaux et les vues caméra avant de demander un script de modélisation. Un brief de CAO nécessite des références dimensionnelles et des hypothèses explicites pour les mesures non établies par l’image. Le modèle interprète les éléments et dirige le travail, tandis que les outils de montage, de rendu ou de modélisation concernés produisent et inspectent les ressources.
Le raisonnement ne peut pas être désactivé dans ce profil. La source indique que les commandes textuelles sont cohérentes avec GLM-5.3 et recommande reasoning_effort=max, une température de 1 et top-p 0.95. Elle recommande clear_thinking=false pour conserver le raisonnement, ainsi que la diffusion continue du texte et des appels d’outils. Le guide associé exige que les blocs de raisonnement conservés soient renvoyés intégralement et sans modification. Définissez le résultat final avant une longue analyse et gardez les observations rattachées aux étapes qui les ont produites.
Le fabricant répertorie l’appel de fonctions, la mise en cache du contexte, les sorties structurées et la compréhension visuelle native. Donnez explicitement les descriptions d’outils et les champs de sortie requis. Pour une tâche d’interface, demandez les états de page couverts, les écarts restants et ce qu’a montré la comparaison réelle des rendus. Pour l’analyse, séparez les faits sources, les hypothèses et les conclusions. FlashX prend en charge ces processus multimodaux, l’exécution, le rendu et la gestion des fichiers étant assurés par l’application connectée.
POST /v1/chat/completionstexttext| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites z-ai/glm-5.3-flashx | Par défaut— |
Champmessages | Typemessage[] | ExigenceObligatoire | Valeurs et limites Nombre minimal d’éléments: 1 | Par défaut— |
Champmessages[].role | Typestring | ExigenceObligatoire | Valeurs et limites Exemples : system, user, assistant, tool, function Conditions: Ces rôles sont explicitement représentés par les types de compatibilité du code source ; l’ensemble exact des rôles reste propre à chaque modèle. Selon le modèle | Par défaut— |
Champmessages[].content | Typestring|content_part[]|null | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champmessages[].tool_calls | Typetool_call[] | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champmessages[].tool_call_id | Typestring | ExigenceFacultatif | Valeurs et limites S’applique lorsque: role=tool ; utilisez l’identifiant réellement renvoyé | Par défaut— |
Champmessages[].name | Typestring | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champmessages[].reasoning_content | Typestring | ExigenceFacultatif | Valeurs et limites S’applique lorsque: Réinjectez le raisonnement réellement renvoyé lorsque ce modèle l’utilise | Par défaut— |
Champmessages[].reasoning_details | Typeobject|array | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champmax_tokens | Typeinteger | ExigenceFacultatif | Valeurs et limites Minimum: 1 Selon le modèle | Par défaut— |
Champmax_completion_tokens | Typeinteger | ExigenceFacultatif | Valeurs et limites Minimum: 1 Selon le modèle | Par défaut— |
Champstream | Typeboolean | ExigenceFacultatif | Valeurs et limites | Par défautfalse |
Champstream_options.include_usage | Typeboolean | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champtemperature | Typenumber | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champtop_p | Typenumber | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champstop | Typestring|string[] | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champtools | Typefunction_tool[] | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champtools[].type | Typestring | ExigenceFacultatif | Valeurs et limites function Selon le modèle | Par défaut— |
Champtools[].function.name | Typestring | ExigenceObligatoire | Valeurs et limites S’applique lorsque: outil de fonction fourni | Par défaut— |
Champtools[].function.description | Typestring | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champtools[].function.parameters | TypeJSON_schema | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champtool_choice | Typestring|object | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champparallel_tool_calls | Typeboolean | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champresponse_format | Typeobject | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champreasoning_effort | Typestring | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champreasoning | Typeobject | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champservice_tier | Typestring | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champinstructions | Typestring | ExigenceFacultatif | Valeurs et limites Champ de compatibilité | Par défaut— |
Champfunctions | Typefunction[] | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champfunction_call | Typestring|object | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champprompt_cache_options | Typeobject | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champmodalities | Typestring[] | ExigenceFacultatif | Valeurs et limites text | Par défaut— |
Champprovider | Typeobject | ExigenceFacultatif | Valeurs et limites Conditions: provider.options est rejeté sur cette route textuelle Ultra | Par défaut— |
Champcache_control.ttl | Typestring | ExigenceFacultatif | Valeurs et limites Conditions: 1h est rejeté dans les emplacements réels du cache de prompt | Par défaut— |
Texte · Texte UTF8
messages[].content
| Paramètre | Contrat |
|---|---|
Paramètrecontent_type | Contratapplication/json |
Paramètrerequired | Contratmodel, messages |
Paramètrematerial_types | Contrattext |
Paramètremessages | Contrattableau de messages avec une structure role/content |
Paramètrefile_material | Contratdocument UTF-8 réel inséré sous forme de texte littéral ; aucun identifiant de fichier déduit |
Paramètreoptional_controls | Contratstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Paramètrecontrol_scope | Contratpropre au modèle ; les outils de fonctions de l’utilisateur diffèrent des outils hébergés |
Paramètreoutput_modalities | Contrattext |
Paramètrehosted_operations | Contratfalse |
Paramètremultimodal_input_binding | Contratnull |
Cycle de vie : synchronous_or_streamed
Envoyez l’identifiant exact du modèle avec messages.
La longueur du contexte n’est pas un plafond de sortie.
Un fichier texte peut fournir du texte littéral ; les entrées image/audio/objets fichier nécessitent une liaison exacte.
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 $0.00074 / 1K tokens Sortie · Tokens en sortie $0.0025 / 1K tokens Entrée · Lecture du cache $0.00018 / 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 $0.00074 / 1K tokens Sortie · Tokens en sortie $0.0025 / 1K tokens Entrée · Lecture du cache $0.00018 / 1K tokens Entrée · Écriture dans le cache — / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "z-ai/glm-5.3-flashx", "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-flashx',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-flashx',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 ou SSE
Conservez chaque réponse, fichier et partie de contenu renvoyés dans leur intégralité.
Conservez chaque choix avec son contenu, ses appels d’outils et son raisonnement. En SSE, assemblez les deltas par index de choix et d’outil, puis conservez le motif final de terminaison et les données d’utilisation.
Conservez les identifiants de requête et de réponse ainsi que les en-têtes. Aucune URL générique de récupération des tâches textuelles n’est fournie.
| Champ | Type |
|---|---|
Champchoices[].index | Typeinteger |
Champchoices[].message.content | Typestring|null |
Champchoices[].message.tool_calls | Typetool_call[] |
Champchoices[].message.reasoning_content | Typestring |
Champchoices[].message.reasoning_details | Typeobject|array |
Champchoices[].finish_reason | Typestring|null |
Champusage | Typeobject |
| Réponse | Condition | Étape suivante |
|---|---|---|
Réponse400 · invalid_request_error | ConditionChamps obligatoires, représentation des contenus ou valeur de paramètre non valides | Étape suivanteCorrigez les champs indiqués avant une nouvelle requête de création. |
Ailoot Ultra z-ai/glm-5.3-flashx
Utilisez les chemins de méthode indiqués ci-dessus.
z-ai/glm-5.3-flashxGLM-5.3-FlashX est le modèle multimodal de Z.ai pour la programmation visuelle, le travail documentaire et les agents assistés par des outils. Le profil publié par le fabricant accepte des images, des vidéos, du texte et des fichiers, renvoie du texte et indique un contexte de 1M avec jusqu’à 128K tokens de sortie.
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-FlashX est l’édition FlashX de la famille multimodale native GLM-5.3-Flash de Z.ai. Le fabricant présente cette paire pour la programmation visuelle et le travail professionnel, associant le texte à des images, des vidéos et des fichiers, avec une sortie textuelle. FlashX porte un nom distinct pour une inférence plus rapide dans le service du fabricant. Un brief utile peut demander une implémentation fondée sur une capture d’écran, une analyse documentaire ou un plan exécuté par une application à l’aide d’outils. La source répertorie les deux codes de modèle ; leurs identités de service restent distinctes.
La famille utilise une conception hybride d’attention parcimonieuse et linéaire, et est décrite avec 320 milliards de paramètres au total, dont 18 milliards activés. L’attention parcimonieuse récupère les informations globales, tandis que l’attention linéaire modélise les dépendances locales ; le fabricant décrit aussi une agrégation des index pour le contexte long. Ce sont des faits d’architecture de la famille, et non le format numérique de chaque instance hébergée. Le profil commun à cette famille comporte un million de tokens de contexte et jusqu’à 128K tokens de sortie. Les éléments sources, les visuels représentés, l’historique, le raisonnement et la réponse nécessitent tous de la place dans le processus configuré.
La programmation visuelle est centrale. Les exemples de Z.ai associent plusieurs captures de pages ou un enregistrement à des consignes visant à reconstruire les relations entre pages, les composants communs, la navigation, les états et le comportement des animations. Préparez les références dans l’ordre et précisez les fonctions qui doivent fonctionner. Demandez des sources modifiables et une comparaison avec la maquette. L’application lance ou effectue le rendu de la proposition et renvoie des captures ou des résultats d’interaction ; le modèle utilise ces retours pour affiner le résultat. Le texte et le code ne deviennent pas une application achevée en fonctionnement sans ces opérations.
Pour le travail Office et documentaire, le fabricant décrit l’organisation des éléments, la création de graphiques et de mises en page, ainsi que l’examen du rendu. Un processus assisté par des outils peut produire des fichiers PPTX, PDF, DOCX ou XLSX. Un exemple de brief de rapport peut fournir les sources, le public et les sections requises, puis demander un tableau reliant les sources aux conclusions et un rapport ou une présentation modifiables. Gardez les valeurs fournies séparées des hypothèses analytiques. Le rendu, l’enregistrement des fichiers et la vérification des références de formules sont des opérations applicatives. Pour la recherche financière, le fabricant décrit la comparaison d’états financiers et d’annonces, la séparation des valeurs publiées et des hypothèses, ainsi que la préparation, via des outils connectés, d’un modèle prévisionnel ou d’évaluation modifiable accompagné d’un rapport relié aux sources.
Les exemples plus larges du fabricant comprennent le montage vidéo, les scènes 3D, les jeux jouables et la reconstruction CAO à l’aide d’outils. Une tâche vidéo peut commencer par un inventaire des médias et une chronologie ; une tâche de scène peut définir la disposition, les matériaux et les vues caméra avant de demander un script de modélisation. Un brief de CAO nécessite des références dimensionnelles et des hypothèses explicites pour les mesures non établies par l’image. Le modèle interprète les éléments et dirige le travail, tandis que les outils de montage, de rendu ou de modélisation concernés produisent et inspectent les ressources.
Le raisonnement ne peut pas être désactivé dans ce profil. La source indique que les commandes textuelles sont cohérentes avec GLM-5.3 et recommande reasoning_effort=max, une température de 1 et top-p 0.95. Elle recommande clear_thinking=false pour conserver le raisonnement, ainsi que la diffusion continue du texte et des appels d’outils. Le guide associé exige que les blocs de raisonnement conservés soient renvoyés intégralement et sans modification. Définissez le résultat final avant une longue analyse et gardez les observations rattachées aux étapes qui les ont produites.
Le fabricant répertorie l’appel de fonctions, la mise en cache du contexte, les sorties structurées et la compréhension visuelle native. Donnez explicitement les descriptions d’outils et les champs de sortie requis. Pour une tâche d’interface, demandez les états de page couverts, les écarts restants et ce qu’a montré la comparaison réelle des rendus. Pour l’analyse, séparez les faits sources, les hypothèses et les conclusions. FlashX prend en charge ces processus multimodaux, l’exécution, le rendu et la gestion des fichiers étant assurés par l’application connectée.
POST /v1/messagestextjson, sse| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites z-ai/glm-5.3-flashx | Par défaut— |
Champmessages | Typemessage[] | ExigenceObligatoire | Valeurs et limites | Par défaut— |
Champmessages[].role | Typestring | ExigenceObligatoire | Valeurs et limites user, assistant | Par défaut— |
Champmessages[].content | Typestring | ExigenceObligatoire | Valeurs et limites | Par défaut— |
Champmax_tokens | Typeinteger | ExigenceObligatoire | Valeurs et limites | Par défaut— |
Champstream | Typeboolean | ExigenceFacultatif | Valeurs et limites | Par défautfalse |
Texte · Texte UTF-8
chaîne messages[].content
| Paramètre | Contrat |
|---|---|
Paramètrecontent_type | Contratapplication/json |
Paramètrerequired | Contratmodel, messages, max_tokens |
Paramètreoptional_controls | Contratstream |
Paramètrematerial_types | Contrattext |
Paramètretext_file_material | ContratLisez le document UTF-8 réel et placez son texte dans l’entrée indiquée ou dans la chaîne de contenu du message. |
Cycle de vie : synchronous_or_streamed
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 $0.00074 / 1K tokens Sortie · Tokens en sortie $0.0025 / 1K tokens Entrée · Lecture du cache $0.00018 / 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 $0.00074 / 1K tokens Sortie · Tokens en sortie $0.0025 / 1K tokens Entrée · Lecture du cache $0.00018 / 1K tokens Entrée · Écriture dans le cache — / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
{\n "model": "z-ai/glm-5.3-flashx",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-flashx', '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-flashx', '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 ou SSE
Conservez chaque réponse, fichier et partie de contenu renvoyés dans leur intégralité.
Conservez tous les blocs de contenu, les signatures de raisonnement et les identifiants réels d’utilisation d’outils. Assemblez tous les deltas de blocs SSE ; un premier bloc de texte ne constitue pas la sortie complète.
Conservez les identifiants de requête et de réponse ainsi que les en-têtes. Aucune URL générique de récupération des tâches textuelles n’est fournie.
| Champ | Type |
|---|---|
Champid | Typestring |
Champmodel | Typestring |
Champcontent[] | Typetext|thinking|tool_use|other content block |
Champstop_reason | Typestring|null |
Champusage | Typeobject |
| Réponse | Condition | Étape suivante |
|---|---|---|
Réponse400 · invalid_request_error | ConditionChamps obligatoires, représentation des contenus ou valeur de paramètre non valides | Étape suivanteCorrigez les champs indiqués avant une nouvelle requête de création. |
Ailoot Ultra z-ai/glm-5.3-flashx
Utilisez les chemins de méthode indiqués ci-dessus.
Exemple technique en anglais
Implement a text-specified form state\n\nCreate editable HTML and JavaScript for this form behavior: an email field and a Subscribe button; blank submission shows 'Enter your email' and preserves the current input; nonblank submission shows a local confirmation without sending a request. Include a short state checklist. No screenshot is supplied, and do not claim the form was rendered or deployed.Editable form source and a checklist of empty, corrected and confirmation states.Blank submission must keep the field value and show the requested message; the proposal must not send a network request.