GLM-4-Long est le modèle de langage de Zhipu AI destiné aux textes très longs et aux tâches de conversation axées sur la mémoire. Le producteur indique une entrée et une sortie textuelles, une fenêtre de contexte de 1M et une sortie maximale de 4K jetons. Il met l’accent sur la lecture, la traduction et l’analyse de contenus volumineux, suivies d’une réponse ciblée fondée sur les éléments fournis.
Fournissez le texte du document avec la question à laquelle il doit répondre. Conservez les titres de sections, les identifiants de pages ou de chapitres, les dates et les unités des tableaux avec les contenus auxquels ils se rapportent. Une fenêtre d’entrée longue est utile lorsqu’une réponse dépend de liens entre de nombreuses sections, comme un objectif énoncé, les éléments qui l’étayent et une exception figurant ailleurs dans le document.
Le fabricant décrit une extension progressive du contexte de 2K à 1M par la poursuite du préentraînement, l’ajustement fin supervisé et l’apprentissage par renforcement à partir de retours humains. Pour un travail pratique, définissez le lien à examiner avant de demander une synthèse générale. Voici un exemple d’instruction : « Comparez l’architecture proposée aux sections consacrées à l’implémentation et identifiez chaque différence en indiquant sa section source. » Le résultat peut être une comparaison concise qui laisse les éléments probants d’origine disponibles pour vérification.
Le producteur recommande d’analyser les rapports annuels, d’en extraire la structure des revenus, les informations sur les risques et les commentaires de la direction, et de comparer les données financières entre périodes. Préparez les rapports avec leurs dates de référence et des libellés cohérents pour les unités et les devises. Demandez un tableau des chiffres sélectionnés, le passage à l’origine de chaque valeur et une explication distincte de son évolution. Cela préserve la distinction entre un chiffre publié et l’interprétation de sa variation.
Pour les contenus scientifiques, GLM-4-Long peut organiser le contexte des recherches, les méthodes expérimentales et les conclusions par thème. Fournissez les passages complets nécessaires à la comparaison, y compris les définitions et les réserves figurant dans un autre chapitre. Une sortie utile est une cartographie des affirmations, des méthodes et des sections qui les étayent, suivie des questions qui restent sans réponse dans le texte fourni. Séparez les citations et l’analyse du modèle dans des champs distincts lors de la préparation d’une note de recherche.
Le scénario de documents juridiques du fabricant couvre les textes de loi, les affaires judiciaires et les contrats, notamment les droits, les obligations et les clauses de responsabilité. Nommez les parties et la question à comparer, puis demandez les clauses pertinentes avec leurs références de section. Une extraction ciblée peut devenir un document de travail destiné à une révision professionnelle ultérieure, avec la formulation source à côté de l’explication.
Le scénario de fiction porte sur les relations entre personnages, la structure de l’intrigue, les résumés ciblés et la continuation dans le style d’un long récit. Précisez les chapitres et le moment de la chronologie qui comptent. Demandez, par exemple, une carte des relations entre personnages avec les événements qui étayent chaque lien, ou une note de continuation qui conserve les noms établis et les fils narratifs non résolus.
La sortie maximale documentée de 4K est bien plus petite que le contexte d’entrée. Choisissez le livrable souhaité : une synthèse pour la direction, une comparaison de clauses, un plan de recherche ou une analyse d’un chapitre précis. Pour une révision de grande ampleur, répartissez la sortie demandée en tâches clairement nommées tout en conservant les documents sources pertinents associés à chaque réponse.
Pour poursuivre une conversation documentaire, conservez la question et la réponse précédentes ainsi que les passages nécessaires à la question suivante. Le producteur décrit la conversation axée sur la mémoire comme un usage du contexte long ; organisez ce contexte pour que la demande complémentaire se rapporte au même document, à la même période de référence ou au même chapitre. Enregistrez l’analyse terminée avec ces identifiants sources, puis vérifiez les noms, chiffres et citations extraits dans le texte d’origine avant de les intégrer au rapport suivant.
", "aboutText": "GLM-4-Long est le modèle de langage de Zhipu AI destiné aux textes très longs et aux tâches de conversation axées sur la mémoire. Le producteur indique une entrée et une sortie textuelles, une fenêtre de contexte de 1M et une sortie maximale de 4K jetons. Il met l’accent sur la lecture, la traduction et l’analyse de contenus volumineux, suivies d’une réponse ciblée fondée sur les éléments fournis.\n\n### Préparer les éléments pour une analyse globale\n\nFournissez le texte du document avec la question à laquelle il doit répondre. Conservez les titres de sections, les identifiants de pages ou de chapitres, les dates et les unités des tableaux avec les contenus auxquels ils se rapportent. Une fenêtre d’entrée longue est utile lorsqu’une réponse dépend de liens entre de nombreuses sections, comme un objectif énoncé, les éléments qui l’étayent et une exception figurant ailleurs dans le document.\n\nLe fabricant décrit une extension progressive du contexte de 2K à 1M par la poursuite du préentraînement, l’ajustement fin supervisé et l’apprentissage par renforcement à partir de retours humains. Pour un travail pratique, définissez le lien à examiner avant de demander une synthèse générale. Voici un exemple d’instruction : « Comparez l’architecture proposée aux sections consacrées à l’implémentation et identifiez chaque différence en indiquant sa section source. » Le résultat peut être une comparaison concise qui laisse les éléments probants d’origine disponibles pour vérification.\n\n### Lire des rapports financiers et des articles scientifiques\n\nLe producteur recommande d’analyser les rapports annuels, d’en extraire la structure des revenus, les informations sur les risques et les commentaires de la direction, et de comparer les données financières entre périodes. Préparez les rapports avec leurs dates de référence et des libellés cohérents pour les unités et les devises. Demandez un tableau des chiffres sélectionnés, le passage à l’origine de chaque valeur et une explication distincte de son évolution. Cela préserve la distinction entre un chiffre publié et l’interprétation de sa variation.\n\nPour les contenus scientifiques, GLM-4-Long peut organiser le contexte des recherches, les méthodes expérimentales et les conclusions par thème. Fournissez les passages complets nécessaires à la comparaison, y compris les définitions et les réserves figurant dans un autre chapitre. Une sortie utile est une cartographie des affirmations, des méthodes et des sections qui les étayent, suivie des questions qui restent sans réponse dans le texte fourni. Séparez les citations et l’analyse du modèle dans des champs distincts lors de la préparation d’une note de recherche.\n\n### Suivre les clauses, les personnages et les événements dans un texte long\n\nLe scénario de documents juridiques du fabricant couvre les textes de loi, les affaires judiciaires et les contrats, notamment les droits, les obligations et les clauses de responsabilité. Nommez les parties et la question à comparer, puis demandez les clauses pertinentes avec leurs références de section. Une extraction ciblée peut devenir un document de travail destiné à une révision professionnelle ultérieure, avec la formulation source à côté de l’explication.\n\nLe scénario de fiction porte sur les relations entre personnages, la structure de l’intrigue, les résumés ciblés et la continuation dans le style d’un long récit. Précisez les chapitres et le moment de la chronologie qui comptent. Demandez, par exemple, une carte des relations entre personnages avec les événements qui étayent chaque lien, ou une note de continuation qui conserve les noms établis et les fils narratifs non résolus.\n\n### Utiliser une entrée longue avec une réponse délimitée\n\nLa sortie maximale documentée de 4K est bien plus petite que le contexte d’entrée. Choisissez le livrable souhaité : une synthèse pour la direction, une comparaison de clauses, un plan de recherche ou une analyse d’un chapitre précis. Pour une révision de grande ampleur, répartissez la sortie demandée en tâches clairement nommées tout en conservant les documents sources pertinents associés à chaque réponse.\n\nPour poursuivre une conversation documentaire, conservez la question et la réponse précédentes ainsi que les passages nécessaires à la question suivante. Le producteur décrit la conversation axée sur la mémoire comme un usage du contexte long ; organisez ce contexte pour que la demande complémentaire se rapporte au même document, à la même période de référence ou au même chapitre. Enregistrez l’analyse terminée avec ces identifiants sources, puis vérifiez les noms, chiffres et citations extraits dans le texte d’origine avant de les intégrer au rapport suivant.", "editorialOverlay": { "copy_fields": { "practical_html": "Exemple technique en anglais
Reconcile architecture and implementation notes\n\nCompare labeled excerpts. Architecture §2: every export job is resumable and stores its cursor after each completed page. Implementation §7: the exporter stores its cursor only when the entire job completes. Operations §4: interrupted jobs restart from page one. Return a concise discrepancy map with source references and a focused requirement for the next code review.A source-linked discrepancy table and one review requirement tied to the resumability objective.The answer connects all three excerpts and does not invent additional implementation details.glm-4-longGLM-4-Long est le modèle de Zhipu AI destiné à la lecture de textes très longs et au maintien du contexte documentaire au fil d’une conversation. Son contexte documenté de 1M et sa sortie maximale de 4K permettent des analyses ciblées de rapports, d’articles scientifiques, de contrats et de récits de fiction longs.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
GLM-4-Long est le modèle de langage de Zhipu AI destiné aux textes très longs et aux tâches de conversation axées sur la mémoire. Le producteur indique une entrée et une sortie textuelles, une fenêtre de contexte de 1M et une sortie maximale de 4K jetons. Il met l’accent sur la lecture, la traduction et l’analyse de contenus volumineux, suivies d’une réponse ciblée fondée sur les éléments fournis.
Fournissez le texte du document avec la question à laquelle il doit répondre. Conservez les titres de sections, les identifiants de pages ou de chapitres, les dates et les unités des tableaux avec les contenus auxquels ils se rapportent. Une fenêtre d’entrée longue est utile lorsqu’une réponse dépend de liens entre de nombreuses sections, comme un objectif énoncé, les éléments qui l’étayent et une exception figurant ailleurs dans le document.
Le fabricant décrit une extension progressive du contexte de 2K à 1M par la poursuite du préentraînement, l’ajustement fin supervisé et l’apprentissage par renforcement à partir de retours humains. Pour un travail pratique, définissez le lien à examiner avant de demander une synthèse générale. Voici un exemple d’instruction : « Comparez l’architecture proposée aux sections consacrées à l’implémentation et identifiez chaque différence en indiquant sa section source. » Le résultat peut être une comparaison concise qui laisse les éléments probants d’origine disponibles pour vérification.
Le producteur recommande d’analyser les rapports annuels, d’en extraire la structure des revenus, les informations sur les risques et les commentaires de la direction, et de comparer les données financières entre périodes. Préparez les rapports avec leurs dates de référence et des libellés cohérents pour les unités et les devises. Demandez un tableau des chiffres sélectionnés, le passage à l’origine de chaque valeur et une explication distincte de son évolution. Cela préserve la distinction entre un chiffre publié et l’interprétation de sa variation.
Pour les contenus scientifiques, GLM-4-Long peut organiser le contexte des recherches, les méthodes expérimentales et les conclusions par thème. Fournissez les passages complets nécessaires à la comparaison, y compris les définitions et les réserves figurant dans un autre chapitre. Une sortie utile est une cartographie des affirmations, des méthodes et des sections qui les étayent, suivie des questions qui restent sans réponse dans le texte fourni. Séparez les citations et l’analyse du modèle dans des champs distincts lors de la préparation d’une note de recherche.
Le scénario de documents juridiques du fabricant couvre les textes de loi, les affaires judiciaires et les contrats, notamment les droits, les obligations et les clauses de responsabilité. Nommez les parties et la question à comparer, puis demandez les clauses pertinentes avec leurs références de section. Une extraction ciblée peut devenir un document de travail destiné à une révision professionnelle ultérieure, avec la formulation source à côté de l’explication.
Le scénario de fiction porte sur les relations entre personnages, la structure de l’intrigue, les résumés ciblés et la continuation dans le style d’un long récit. Précisez les chapitres et le moment de la chronologie qui comptent. Demandez, par exemple, une carte des relations entre personnages avec les événements qui étayent chaque lien, ou une note de continuation qui conserve les noms établis et les fils narratifs non résolus.
La sortie maximale documentée de 4K est bien plus petite que le contexte d’entrée. Choisissez le livrable souhaité : une synthèse pour la direction, une comparaison de clauses, un plan de recherche ou une analyse d’un chapitre précis. Pour une révision de grande ampleur, répartissez la sortie demandée en tâches clairement nommées tout en conservant les documents sources pertinents associés à chaque réponse.
Pour poursuivre une conversation documentaire, conservez la question et la réponse précédentes ainsi que les passages nécessaires à la question suivante. Le producteur décrit la conversation axée sur la mémoire comme un usage du contexte long ; organisez ce contexte pour que la demande complémentaire se rapporte au même document, à la même période de référence ou au même chapitre. Enregistrez l’analyse terminée avec ces identifiants sources, puis vérifiez les noms, chiffres et citations extraits dans le texte d’origine avant de les intégrer au rapport suivant.
POST /v1/chat/completionstexttext| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites glm-4-long | 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’ID 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: Fonction fournie comme outil | 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 refusé sur cette route textuelle Ultra | Par défaut— |
Champcache_control.ttl | Typestring | ExigenceFacultatif | Valeurs et limites Conditions: La valeur 1h est refusée là où le cache des prompts est configuré | 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 comme texte littéral ; aucun ID 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’ID 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/objet fichier nécessitent une liaison exacte.
Les tarifs n’ajoutent pas d’options de requête. Les paramètres pris en charge figurent dans la méthode sélectionnée.
| Configuration | Barème tarifaire | Coût |
|---|---|---|
| ConfigurationTarifs de base des jetons | Barème tarifaireTarif de base | Coût Entrée · Jetons en entrée $0.00028 / 1K jetons Sortie · Jetons en sortie $0.00028 / 1K jetons Entrée · Lecture du cache $0 / 1K jetons Entrée · Écriture dans le cache $0 / 1K jetons Entrée · Écriture dans le cache, 1 h — / 1K jetons |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "glm-4-long", "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='glm-4-long',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='glm-4-long',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, et conservez le motif final d’arrêt et les données d’utilisation.
Conservez les ID et les en-têtes de requête/réponse. Aucune URL générique de récupération de tâche textuelle 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 éléments fournis ou valeur de paramètre invalides | Étape suivanteCorrigez les champs indiqués avant une nouvelle requête de création. |
Ailoot Ultra glm-4-long
Utilisez les chemins de méthode indiqués ci-dessus.
glm-4-longGLM-4-Long est le modèle de Zhipu AI destiné à la lecture de textes très longs et au maintien du contexte documentaire au fil d’une conversation. Son contexte documenté de 1M et sa sortie maximale de 4K permettent des analyses ciblées de rapports, d’articles scientifiques, de contrats et de récits de fiction longs.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
GLM-4-Long est le modèle de langage de Zhipu AI destiné aux textes très longs et aux tâches de conversation axées sur la mémoire. Le producteur indique une entrée et une sortie textuelles, une fenêtre de contexte de 1M et une sortie maximale de 4K jetons. Il met l’accent sur la lecture, la traduction et l’analyse de contenus volumineux, suivies d’une réponse ciblée fondée sur les éléments fournis.
Fournissez le texte du document avec la question à laquelle il doit répondre. Conservez les titres de sections, les identifiants de pages ou de chapitres, les dates et les unités des tableaux avec les contenus auxquels ils se rapportent. Une fenêtre d’entrée longue est utile lorsqu’une réponse dépend de liens entre de nombreuses sections, comme un objectif énoncé, les éléments qui l’étayent et une exception figurant ailleurs dans le document.
Le fabricant décrit une extension progressive du contexte de 2K à 1M par la poursuite du préentraînement, l’ajustement fin supervisé et l’apprentissage par renforcement à partir de retours humains. Pour un travail pratique, définissez le lien à examiner avant de demander une synthèse générale. Voici un exemple d’instruction : « Comparez l’architecture proposée aux sections consacrées à l’implémentation et identifiez chaque différence en indiquant sa section source. » Le résultat peut être une comparaison concise qui laisse les éléments probants d’origine disponibles pour vérification.
Le producteur recommande d’analyser les rapports annuels, d’en extraire la structure des revenus, les informations sur les risques et les commentaires de la direction, et de comparer les données financières entre périodes. Préparez les rapports avec leurs dates de référence et des libellés cohérents pour les unités et les devises. Demandez un tableau des chiffres sélectionnés, le passage à l’origine de chaque valeur et une explication distincte de son évolution. Cela préserve la distinction entre un chiffre publié et l’interprétation de sa variation.
Pour les contenus scientifiques, GLM-4-Long peut organiser le contexte des recherches, les méthodes expérimentales et les conclusions par thème. Fournissez les passages complets nécessaires à la comparaison, y compris les définitions et les réserves figurant dans un autre chapitre. Une sortie utile est une cartographie des affirmations, des méthodes et des sections qui les étayent, suivie des questions qui restent sans réponse dans le texte fourni. Séparez les citations et l’analyse du modèle dans des champs distincts lors de la préparation d’une note de recherche.
Le scénario de documents juridiques du fabricant couvre les textes de loi, les affaires judiciaires et les contrats, notamment les droits, les obligations et les clauses de responsabilité. Nommez les parties et la question à comparer, puis demandez les clauses pertinentes avec leurs références de section. Une extraction ciblée peut devenir un document de travail destiné à une révision professionnelle ultérieure, avec la formulation source à côté de l’explication.
Le scénario de fiction porte sur les relations entre personnages, la structure de l’intrigue, les résumés ciblés et la continuation dans le style d’un long récit. Précisez les chapitres et le moment de la chronologie qui comptent. Demandez, par exemple, une carte des relations entre personnages avec les événements qui étayent chaque lien, ou une note de continuation qui conserve les noms établis et les fils narratifs non résolus.
La sortie maximale documentée de 4K est bien plus petite que le contexte d’entrée. Choisissez le livrable souhaité : une synthèse pour la direction, une comparaison de clauses, un plan de recherche ou une analyse d’un chapitre précis. Pour une révision de grande ampleur, répartissez la sortie demandée en tâches clairement nommées tout en conservant les documents sources pertinents associés à chaque réponse.
Pour poursuivre une conversation documentaire, conservez la question et la réponse précédentes ainsi que les passages nécessaires à la question suivante. Le producteur décrit la conversation axée sur la mémoire comme un usage du contexte long ; organisez ce contexte pour que la demande complémentaire se rapporte au même document, à la même période de référence ou au même chapitre. Enregistrez l’analyse terminée avec ces identifiants sources, puis vérifiez les noms, chiffres et citations extraits dans le texte d’origine avant de les intégrer au rapport suivant.
POST /v1/messagestextjson, sse| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites glm-4-long | 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.
| Configuration | Barème tarifaire | Coût |
|---|---|---|
| ConfigurationTarifs de base des jetons | Barème tarifaireTarif de base | Coût Entrée · Jetons en entrée $0.00028 / 1K jetons Sortie · Jetons en sortie $0.00028 / 1K jetons Entrée · Lecture du cache $0 / 1K jetons Entrée · Écriture dans le cache $0 / 1K jetons Entrée · Écriture dans le cache, 1 h — / 1K jetons |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
{\n "model": "glm-4-long",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'glm-4-long', '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': 'glm-4-long', '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 ID 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 ID et les en-têtes de requête/réponse. Aucune URL générique de récupération de tâche textuelle 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 éléments fournis ou valeur de paramètre invalides | Étape suivanteCorrigez les champs indiqués avant une nouvelle requête de création. |
Ailoot Ultra glm-4-long
Utilisez les chemins de méthode indiqués ci-dessus.
Exemple technique en anglais
Reconcile architecture and implementation notes\n\nCompare labeled excerpts. Architecture §2: every export job is resumable and stores its cursor after each completed page. Implementation §7: the exporter stores its cursor only when the entire job completes. Operations §4: interrupted jobs restart from page one. Return a concise discrepancy map with source references and a focused requirement for the next code review.A source-linked discrepancy table and one review requirement tied to the resumability objective.The answer connects all three excerpts and does not invent additional implementation details.