Source: https://ailoot.ai/models/fr-be/z-ai-glm-5-3-u003a-batch/ Canonical: https://ailoot.ai/models/fr-be/z-ai-glm-5-3-u003a-batch/ Language: fr-be # Z.ai: GLM 5.3 (batch) [Markdown](https://ailoot.ai/models/fr-be/z-ai-glm-5-3-u003a-batch/index.md) · [JSON](https://ailoot.ai/models/fr-be/z-ai-glm-5-3-u003a-batch/facts.json) ## [Z.ai: GLM 5.3 (batch)](https://ailoot.ai/models/fr-be/z-ai-glm-5-3-u003a-batch/) Z.ai GLM 5.3 est un modèle de raisonnement textuel pour l’ingénierie logicielle complexe, le travail en terminal et les agents sur de longues séquences. Il prend en charge un contexte de 1M tokens documenté par le fabricant, jusqu’à 128K tokens de sortie, l’appel de fonctions et les niveaux d’effort de raisonnement low/high/max, avec le raisonnement activé en permanence. - [**Ailoot Ultra · Traitement par lots** `POST /v1/batches` `z-ai/glm-5.3:batch`](https://ailoot.ai/models/fr-be/z-ai-glm-5-3-u003a-batch/#method-0) À propos du modèle Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous. Z.ai GLM 5.3 est un modèle de raisonnement textuel à grande échelle conçu pour l’ingénierie logicielle complexe et le travail des agents sur de longues séquences. Le fabricant indique qu’il utilise le même modèle de base que GLM 5.2, les nouveaux gains provenant du post-entraînement. Cette version vise une programmation renforcée, les opérations en terminal et des tâches plus larges comprenant plusieurs étapes dépendantes. Il accepte du texte et produit du texte, dont du code, des explications, des plans et des demandes d’appel d’outils dans une application connectée à des outils. Le mode de raisonnement documenté est toujours activé. GLM 5.3 propose trois niveaux d’effort : low, high et max, avec max par défaut. Le fabricant recommande max pour les tâches de programmation complexes ; low offre une option de raisonnement plus légère pour les étapes simples. Associez le niveau sélectionné à un livrable final et à des critères d’achèvement clairs. Par exemple : « Examinez ces fichiers et résultats en échec, remontez à la cause dans les modules concernés, proposez une correction qui préserve l’interface publique et expliquez quelles vérifications établissent que la régression est résolue. » Le fabricant spécifie une fenêtre de contexte de 1M tokens et une longueur de sortie maximale de 128K tokens. Organisez les longs contenus autour de la relation que le modèle doit étudier. Préservez les noms de fichiers, définitions pertinentes, étiquettes des sources et l’ordre des observations, et laissez de la place pour le raisonnement et la réponse finale dans le contexte de travail applicable. Une grande fenêtre est utile pour les dépendances entre modules ou une longue séquence d’observations d’agent ; elle ne transforme pas une archive sans objectif précis contenant des éléments sans rapport en une tâche bien définie. Pour travailler sur un dépôt, fournissez le comportement attendu, le texte source pertinent, les versions des dépendances et la sortie d’erreur réelle. Demandez au modèle d’identifier le comportement affecté avant de proposer un correctif. Pour une refactorisation, nommez l’interface et les invariants à conserver intacts. Une réponse utile contient le code révisé, la raison pour laquelle la modification répond au problème observé et les cas nécessaires pour vérifier le résultat. Réinjectez les résultats réels dans un processus connecté aux outils pour que l’étape suivante repose sur l’état modifié plutôt que sur la proposition précédente. Pour le travail sur les performances, fournissez une charge de travail, une référence de départ et des mesures telles que des durées, des profils ou des relevés d’allocation. Z.ai décrit des tâches d’entraînement portant sur le diagnostic des goulets d’étranglement, l’optimisation, les expériences et des résultats préservant l’exactitude. Une demande pratique est : « Utilisez ce profil pour identifier le goulet d’étranglement le plus déterminant, proposez une modification mesurable et expliquez quel résultat justifierait de la conserver. » Distinguez une hypothèse de performance d’une amélioration enregistrée. Conservez la même charge de travail et les conditions pertinentes lors de l’examen d’un résultat. Cette version développe également la capacité d’analyse des vulnérabilités. Pour une revue défensive des sources, fournissez le code pertinent, ses frontières de confiance prévues et les conditions dans lesquelles il s’exécute. Demandez un constat qui relie un problème soupçonné à l’entrée et au comportement affectés, ainsi qu’à une correction ciblée. Séparez une faiblesse potentielle d’un défaut reproduit et conservez l’observation utilisée pour le valider. Un rapport est plus utile lorsqu’il privilégie des éléments concrets et des corrections proposées plutôt que de traiter chaque motif suspect comme une vulnérabilité confirmée. L’appel de fonctions permet à l’application environnante d’exposer des opérations externes au modèle. Définissez l’objectif, les arguments et le résultat attendu de chaque outil, puis renvoyez l’observation réelle de l’outil pour l’étape suivante. Le modèle peut raisonner sur ce résultat et déterminer comment il modifie la tâche. Distinguez les actions proposées, les opérations exécutées et les vérifications non résolues. Le fabricant documente aussi des réponses en diffusion continue, qui renvoient séparément les fragments de raisonnement et de réponse ; assemblez la réponse complète avant de la traiter comme le rapport final ou l’explication du code. La fiche locale du modèle fournit un détail précis de réglage de l’historique : son gabarit de conversation conserve la réflexion par défaut, tandis que le fabricant recommande d’effacer explicitement l’ancienne réflexion pour les conversations ordinaires. Appliquez la structure de conversation adaptée au cas d’usage, en conservant les réponses effectivement terminées et les résultats d’outils nécessaires à la poursuite. Évitez de traiter les paramètres de contrôle du raisonnement de GLM 5.2 ou des éditions distinctes GLM 5.3 Flash comme interchangeables avec les commandes low/high/max de ce modèle. Pour les résultats structurés, précisez les champs, types et règles de source attendus. Un livrable utile peut être un tableau de défauts, un plan de modification ou un objet JSON résumant les observations. Validez la structure et les valeurs avant leur utilisation par une application. Le résultat final doit identifier la réponse ou le livrable révisé, les éléments qui l’étayent et les hypothèses restantes. Un effort de raisonnement accru n’établit pas qu’un outil a été exécuté, qu’un correctif proposé a passé ses vérifications ou qu’une affirmation factuelle est étayée au-delà des éléments fournis. **Ailoot Ultra · Traitement par lots** `POST /v1/batches` `z-ai/glm-5.3:batch` [`z-ai/glm-5.3:batch`](https://ailoot.ai/models/fr-be/#m=z-ai%2Fglm-5.3%3Abatch&route=Ultra&caller=z-ai%2Fglm-5.3%3Abatch&fmt=batches) Z.ai /`z-ai/glm-5.3:batch` ### Premiers pas Z.ai GLM 5.3 est un modèle de raisonnement textuel pour l’ingénierie logicielle complexe, le travail en terminal et les agents sur de longues séquences. Il prend en charge un contexte de 1M tokens documenté par le fabricant, jusqu’à 128K tokens de sortie, l’appel de fonctions et les niveaux d’effort de raisonnement low/high/max, avec le raisonnement activé en permanence. Entrées acceptées Texte Résultats Texte ### Disponible dans Ailoot · entrées et méthodes **Ailoot Ultra · Traitement par lots** `POST /v1/batches` Entrée `text` Sortie `text` Format de sortie JSON results\[\].response.body intégré | Champ | Type | Exigence | Valeurs et limites | Par défaut | | --- | --- | --- | --- | --- | | Champ`endpoint` | Type`string` | ExigenceObligatoire | Valeurs et limites /v1/chat/completions | Par défaut— | | Champ`model` | Type`string` | ExigenceObligatoire | Valeurs et limites z-ai/glm-5.3:batch | Par défaut— | | Champ`requests` | Type`batch_item[]` | ExigenceObligatoire | Valeurs et limites Nombre minimal d’éléments: 1 | Par défaut— | | Champ`requests[].custom_id` | Type`string` | ExigenceObligatoire | Valeurs et limites | Par défaut— | | Champ`requests[].body.messages` | Type`message[]` | ExigenceObligatoire | Valeurs et limites | Par défaut— | | Champ`completion_window` | Type`string` | ExigenceFacultatif | Valeurs et limites 24h | Par défaut— | | Champ`provider` | Type`object\|null` | ExigenceFacultatif | Valeurs et limites | Par défaut— | | Champ`requests[].body.model` | Type`string` | ExigenceFacultatif | Valeurs et limites z-ai/glm-5.3:batch, z-ai/glm-5.3 | Par défaut— | | Champ`provider.only` | Type`string[]` | ExigenceFacultatif | Valeurs et limites deepinfra/fp4 | Par défaut— | | Champ`provider.allow_fallbacks` | Type`boolean\|null` | ExigenceFacultatif | Valeurs et limites false, null | Par défaut— | Paramètres et cycle de vie de la méthode | Paramètre | Contrat | | --- | --- | | Paramètre`content_type` | Contratapplication/json | | Paramètre`required` | Contratendpoint, model, requests | | Paramètre`material_types` | Contrattext | | Paramètre`representation` | Contratrequests\[\] intégré ; chaque élément comporte custom\_id et body | | Paramètre`request_endpoint_profile` | Contrat/v1/chat/completions | | Paramètre`file_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. | | Paramètre`serialization_order` | Contratendpoint, model, provider (si fourni), completion\_window (si fourni), requests en dernier | | Paramètre`optional_controls` | Contratprovider.only, provider.allow\_fallbacks, completion\_window | | Paramètre`schema_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 ### Tarifs Les tarifs n’ajoutent pas d’options de requête. Les paramètres pris en charge figurent dans la méthode sélectionnée. Mode rapide Non précisé Lorsque le mode rapide est sélectionné Mode Flex Non précisé Lorsque le mode flex est sélectionné Effort de raisonnement maximal Non précisé Lorsque l’effort de raisonnement maximal utilise l’ajustement par défaut (default) Tarification du cache explicite Non activé Lorsqu’un cache explicite est demandé #### Tarifs Ailoot #### Prix par configuration 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 **$0.0009** / 1K tokens Sortie · Tokens en sortie **$0.004** / 1K tokens Entrée · Lecture du cache **$0.0002** / 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 **$0.0009** / 1K tokens Sortie · Tokens en sortie **$0.004** / 1K tokens Entrée · Lecture du cache **$0.0002** / 1K tokens Entrée · Écriture dans le cache **—** / 1K tokens Entrée · Écriture dans le cache, 1 h **—** / 1K tokens | Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. [Fonctionnement de la réservation et du débit →](https://ailoot.ai/docs/fr-be/billing/reserve/) ### Exemples de requêtes #### Ailoot Ultra · Traitement par lots curl · jeu de données de référence conservéPython HTTP · données JSONL réelles du clientPython · enregistrer chaque résultat finalisé ```bash set -eu : "${AILOOT_API_KEY:?Set your Ailoot API key}" python3 - <<'PY_REQUEST' import json from pathlib import Path body=json.loads('{"endpoint":"/v1/chat/completions","model":"z-ai/glm-5.3:batch","requests":[{"custom_id":"req-0001","body":{"messages":[{"role":"user","content":"Hello!"}],"max_tokens":16}}]}') Path("batch-request.json").write_text(json.dumps(body,ensure_ascii=False),encoding="utf-8") PY_REQUEST curl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/batches \ -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \ --data-binary @batch-request.json -D batch-response-headers.txt -o batch-create-response.json ``` ```python import json, os from pathlib import Path from urllib.request import Request, urlopen def prepare_requests(customer_path): path = Path(customer_path) if not path.is_file(): raise ValueError("Customer JSONL file is missing") items = [json.loads(line) for line in path.read_text(encoding="utf-8").splitlines() if line.strip()] if not items: raise ValueError("Customer JSONL contains no requests") ids = set() for item in items: if set(item) != {"custom_id", "body"}: raise ValueError("Each item needs custom_id and body") cid = item["custom_id"] if not isinstance(cid, str) or not cid.strip() or cid in ids: raise ValueError("custom_id must be nonempty and unique") ids.add(cid) if not isinstance(item["body"], dict) or not item["body"].get("messages"): raise ValueError("Supply actual text messages") supplied_model = item["body"].get("model") if supplied_model is not None and supplied_model not in ['z-ai/glm-5.3:batch', 'z-ai/glm-5.3']: raise ValueError("body.model must be an exact documented caller or wire ID") return {"endpoint":"/v1/chat/completions", "model":"z-ai/glm-5.3:batch", "requests":items} if __name__ == "__main__": material = os.environ.get("AILOOT_BATCH_REQUESTS_JSONL", "") if not material: raise SystemExit("Set AILOOT_BATCH_REQUESTS_JSONL to your actual customer file") body = prepare_requests(material) key = os.environ.get("AILOOT_API_KEY", "") if not key: raise SystemExit("Set AILOOT_API_KEY") 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") with urlopen(request) as response: raw = response.read() Path("batch-create-response.json").write_bytes(raw) print(raw.decode("utf-8")) ``` ```python import json from pathlib import Path raw = Path("batch-status-response.json").read_bytes() response = json.loads(raw) if response.get("status") != "completed": raise SystemExit("Keep the original operation; read its status without resubmitting") results = response.get("results") if not isinstance(results, list) or not results: raise SystemExit("Preserve the original response; completed results are missing") Path("batch-results.jsonl").write_text("".join(json.dumps(item, ensure_ascii=False) + "\n" for item in results), encoding="utf-8") # Preserve batch-status-response.json with aggregate usage and every result/error. ``` ### Recevoir et enregistrer les résultats #### Ailoot Ultra · Traitement par lots JSON results\[\].response.body intégré - `GET /v1/batches/{operation_id}` ##### Vérifier l’état de la tâche curl · état de l’opération d’origine ```bash set -eu : "${AILOOT_API_KEY:?Set your Ailoot API key}" BATCH_OPERATION_ID="$(python3 - <<'PY_ID' import json from pathlib import Path from urllib.parse import quote response = json.loads(Path("batch-create-response.json").read_text(encoding="utf-8")) operation = response.get("id") if not isinstance(operation, str) or not operation: raise SystemExit("No actual original operation ID; preserve the response and do not resubmit") print(quote(operation, safe="")) PY_ID )" curl --fail-with-body --silent --show-error "https://api.ailoot.ai/v1/batches/$BATCH_OPERATION_ID" \ -H "Authorization: Bearer $AILOOT_API_KEY" -o batch-status-response.json ``` ##### Conserver tous les résultats terminés Conservez 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. ##### Si la réponse d’origine doit être vérifiée 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. Champs de la réponse | Champ | Type | | --- | --- | | Champ`results[].custom_id` | Typestring | | Champ`results[].response.body.choices[].message.content` | Typestring\|null | | Champ`results[].error` | Typeobject\|null | | Champ`usage` | Typeobject\|null | | Champ`id` | Typestring | | Champ`model` | Typestring | | Champ`endpoint` | Typestring | | Champ`status` | Typestring | | Champ`request_counts` | Typeobject | | Champ`results[].id` | Typestring | | Champ`results[].response.status_code` | Typeinteger | | Champ`results[].response.request_id` | Typestring | Erreurs et étapes suivantes | 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. | ### Alias #### Alias du modèle **Ailoot Ultra** [`z-ai/glm-5.3:batch`](https://ailoot.ai/models/fr-be/#m=z-ai%2Fglm-5.3%3Abatch&route=Ultra&caller=z-ai%2Fglm-5.3%3Abatch&fmt=batches) #### Alias des chemins de méthode Utilisez les chemins de méthode indiqués ci-dessus. #### ID d’appel associés [`z-ai/glm-5.3:batch`](https://ailoot.ai/models/fr-be/#m=z-ai%2Fglm-5.3%3Abatch&route=Ultra&caller=z-ai%2Fglm-5.3%3Abatch&fmt=batches) FAQ · Z.ai: GLM 5.3 (batch) Quelles entrées et quels résultats sont disponibles ? `POST /v1/batches` · `z-ai/glm-5.3:batch`: `text` → `text` Quels champs la requête utilise-t-elle ? `POST /v1/batches` · `z-ai/glm-5.3:batch`: `endpoint`, `model`, `requests`, `completion_window`, `provider` Quelles limites s’appliquent ? `POST /v1/batches` · `z-ai/glm-5.3:batch`: `requests.min_items`: `1` Connectez Ailoot à Claude Code, OpenCode, Hermes ou à votre application. ## L’entreprise et son portefeuille de projets L’entreprise et son portefeuille de projets : des millions de clients ; des ventes qui se chiffrent en milliards chaque mois. ## Achetez des tokens à prix réduit. Une remise d’abonnement pour le travail régulier. Des codes promo jusqu’à 50% sur l’achat de tokens. Abonnement Choisissez une offre à tarif réduit pour vos requêtes régulières. Code promo jusqu’à 50% Saisissez le code à l’achat. Le prix est recalculé selon la promotion en cours. Dépenses dans l’historique Modèle, tokens et montant sont enregistrés pour chaque requête. [Choisir un abonnement](https://ailoot.ai/docs/fr-be/billing/subscriptions/) · [Voir les prix des modèles](https://ailoot.ai/models/fr-be/) ## Connectez l’API au produit que vous vendez. SaaS, applications et bots selon l’offre officielle et le contrat de licence Ailoot. Pour la revente, demandez une licence revendeur. Application commerciale Intégrez la génération de texte, d’images, de vidéo et de son aux fonctions payantes de votre service. Licence revendeur Envoyez la description du projet et le mode d’accès. Demandez des conditions écrites d’utilisation et de revente. Documents sur le site L’offre officielle, le contrat de licence et la politique de traitement des données sont accessibles avant connexion. [Demander une licence revendeur](mailto:support@ailoot.ai) · [Offre officielle et contrat de licence](https://ailoot.ai/legal/offer?lang=fr-be) ## Ailoot · L’entreprise et son portefeuille de projets Ailoot s’appuie sur une expérience opérationnelle éprouvée, une large clientèle, un service stable et un suivi continu des KPI. L’entreprise et son portefeuille de projets : des millions de clients ; des ventes qui se chiffrent en milliards chaque mois. Ailoot met cette expérience opérationnelle au service de l’accès API aux fonctions d’IA dans les produits des clients, leurs agents, applications et automatisations.