GLM-4-Plus est le modèle textuel à hautes capacités de la gamme GLM-4 de Z.ai. Il associe compréhension du langage, raisonnement logique, respect des instructions et traitement de textes longs. Le fabricant indique une entrée et une sortie textuelles, une fenêtre de contexte de 128K jetons et une sortie maximale de 4K jetons. Une entrée longue et un résultat compact constituent donc deux aspects distincts de son profil : un vaste ensemble de documents peut étayer une synthèse, une comparaison ou une extraction ciblée.
Un assistant documentaire peut recevoir des sections nommées et une question, puis produire une analyse concise rattachée à ces sections. Définissez le public visé et la décision à prendre avant de demander la réponse : par exemple, comparer deux procédures, énumérer les conditions applicables à un cas ou repérer des exigences contradictoires. Séparez les passages sources de vos instructions afin que la réponse puisse distinguer les éléments probants de l’analyse demandée.
La description de GLM-4 mentionne la diffusion en continu, les appels de fonctions, la mise en cache du contexte, les formats structurés comme JSON et l’interaction avec les outils et sources de données MCP. La diffusion en continu rend le texte généré disponible progressivement. Une sortie structurée est utile lorsque le résultat doit contenir des champs nommés plutôt qu’un texte libre : une synthèse, des identifiants extraits, les libellés des sections sources et les questions qui restent sans réponse.
L’utilisation d’outils relie le modèle de langage aux actions fournies par l’application. Celle-ci décrit les fonctions, exécute l’appel sélectionné et renvoie son résultat pour l’étape suivante. Cela peut servir à effectuer une recherche suivie d’un rapport, ou à utiliser un résultat de recherche comme élément probant d’une réponse. Le texte du modèle est distinct de l’exécution de l’action externe. Les instructions ou préfixes de documents répétés peuvent participer au mécanisme de mise en cache du contexte du fabricant ; la réutilisation du cache ne prouve pas, à elle seule, qu’une requête précise a trouvé ses données dans le cache.
La traduction est présentée comme une activité qui dépasse la conversion de mots isolés : le fabricant inclut les textes mêlant plusieurs langues, le ton, l’argot, les émojis et les termes spécialisés, en tenant compte des différences culturelles. Fournissez le passage source, le public cible et la terminologie à conserver telle quelle. Pour la révision, demandez un livrable précis — une lettre révisée, une description de produit ou une explication concise — et indiquez les faits à préserver.
La classification sémantique et l’extraction de champs s’appuient sur les éléments fournis. Définissez d’abord les catégories ou les champs requis, puis fournissez les documents. Une application peut, par exemple, demander les identifiants de projet et les catégories de clauses, accompagnés des libellés des sections pertinentes. Une règle explicite pour les valeurs manquantes évite que le schéma de sortie ne devienne un prétexte pour inventer des données absentes.
Le fabricant décrit également la création de contenus marketing, de rapports d’analyse des risques et de programmes de voyage. Pour la rédaction, fournissez les faits réels sur le produit ou la campagne et le format attendu. Pour l’analyse, donnez les rapports pertinents et les critères de comparaison ; les informations à jour doivent provenir d’un outil de recherche ou de données fourni par l’application. Pour un programme de voyage, précisez les préférences et les contraintes de calendrier afin d’obtenir un plan adapté à la situation décrite plutôt qu’un texte générique sur les voyages.
GLM-4-Plus utilise des données synthétiques produites avec l’aide de modèles et un post-entraînement fondé sur PPO pour développer le raisonnement mathématique et de programmation et mieux refléter les préférences humaines. Pour les textes longs, sa préparation ajuste le mélange de contenus courts et longs afin de renforcer le raisonnement sur des entrées étendues. Ces choix de préparation sont propres à ce modèle Plus. Ils ne transforment pas son profil exclusivement textuel en capacité de compréhension d’images d’une édition GLM-4V portant un nom distinct.
Utilisez le contexte plus vaste pour fournir les éléments qui étayent réellement la question, avec des noms de sections stables et un contrat de sortie clair. Une requête pratique consiste à comparer deux documents, à énumérer leurs accords et leurs divergences et à identifier les passages à l’origine de chaque conclusion. Maintenez le livrable final dans le profil de sortie de 4K : demandez une note d’aide à la décision ou une comparaison structurée, puis poursuivez avec une demande complémentaire définie si une section nécessite un développement. La validité de la structure JSON et l’exactitude factuelle des valeurs des champs font l’objet de vérifications distinctes.
", "aboutText": "### Présentation et profil du modèle\n\nGLM-4-Plus est le modèle textuel à hautes capacités de la gamme GLM-4 de Z.ai. Il associe compréhension du langage, raisonnement logique, respect des instructions et traitement de textes longs. Le fabricant indique une entrée et une sortie textuelles, une fenêtre de contexte de 128K jetons et une sortie maximale de 4K jetons. Une entrée longue et un résultat compact constituent donc deux aspects distincts de son profil : un vaste ensemble de documents peut étayer une synthèse, une comparaison ou une extraction ciblée.\n\nUn assistant documentaire peut recevoir des sections nommées et une question, puis produire une analyse concise rattachée à ces sections. Définissez le public visé et la décision à prendre avant de demander la réponse : par exemple, comparer deux procédures, énumérer les conditions applicables à un cas ou repérer des exigences contradictoires. Séparez les passages sources de vos instructions afin que la réponse puisse distinguer les éléments probants de l’analyse demandée.\n\n### Fonctions prises en charge\n\nLa description de GLM-4 mentionne la diffusion en continu, les appels de fonctions, la mise en cache du contexte, les formats structurés comme JSON et l’interaction avec les outils et sources de données MCP. La diffusion en continu rend le texte généré disponible progressivement. Une sortie structurée est utile lorsque le résultat doit contenir des champs nommés plutôt qu’un texte libre : une synthèse, des identifiants extraits, les libellés des sections sources et les questions qui restent sans réponse.\n\nL’utilisation d’outils relie le modèle de langage aux actions fournies par l’application. Celle-ci décrit les fonctions, exécute l’appel sélectionné et renvoie son résultat pour l’étape suivante. Cela peut servir à effectuer une recherche suivie d’un rapport, ou à utiliser un résultat de recherche comme élément probant d’une réponse. Le texte du modèle est distinct de l’exécution de l’action externe. Les instructions ou préfixes de documents répétés peuvent participer au mécanisme de mise en cache du contexte du fabricant ; la réutilisation du cache ne prouve pas, à elle seule, qu’une requête précise a trouvé ses données dans le cache.\n\n### Scénarios recommandés\n\nLa traduction est présentée comme une activité qui dépasse la conversion de mots isolés : le fabricant inclut les textes mêlant plusieurs langues, le ton, l’argot, les émojis et les termes spécialisés, en tenant compte des différences culturelles. Fournissez le passage source, le public cible et la terminologie à conserver telle quelle. Pour la révision, demandez un livrable précis — une lettre révisée, une description de produit ou une explication concise — et indiquez les faits à préserver.\n\nLa classification sémantique et l’extraction de champs s’appuient sur les éléments fournis. Définissez d’abord les catégories ou les champs requis, puis fournissez les documents. Une application peut, par exemple, demander les identifiants de projet et les catégories de clauses, accompagnés des libellés des sections pertinentes. Une règle explicite pour les valeurs manquantes évite que le schéma de sortie ne devienne un prétexte pour inventer des données absentes.\n\nLe fabricant décrit également la création de contenus marketing, de rapports d’analyse des risques et de programmes de voyage. Pour la rédaction, fournissez les faits réels sur le produit ou la campagne et le format attendu. Pour l’analyse, donnez les rapports pertinents et les critères de comparaison ; les informations à jour doivent provenir d’un outil de recherche ou de données fourni par l’application. Pour un programme de voyage, précisez les préférences et les contraintes de calendrier afin d’obtenir un plan adapté à la situation décrite plutôt qu’un texte générique sur les voyages.\n\n### Préparation détaillée du modèle\n\nGLM-4-Plus utilise des données synthétiques produites avec l’aide de modèles et un post-entraînement fondé sur PPO pour développer le raisonnement mathématique et de programmation et mieux refléter les préférences humaines. Pour les textes longs, sa préparation ajuste le mélange de contenus courts et longs afin de renforcer le raisonnement sur des entrées étendues. Ces choix de préparation sont propres à ce modèle Plus. Ils ne transforment pas son profil exclusivement textuel en capacité de compréhension d’images d’une édition GLM-4V portant un nom distinct.\n\n### Préparation de la requête et de la sortie\n\nUtilisez le contexte plus vaste pour fournir les éléments qui étayent réellement la question, avec des noms de sections stables et un contrat de sortie clair. Une requête pratique consiste à comparer deux documents, à énumérer leurs accords et leurs divergences et à identifier les passages à l’origine de chaque conclusion. Maintenez le livrable final dans le profil de sortie de 4K : demandez une note d’aide à la décision ou une comparaison structurée, puis poursuivez avec une demande complémentaire définie si une section nécessite un développement. La validité de la structure JSON et l’exactitude factuelle des valeurs des champs font l’objet de vérifications distinctes.", "editorialOverlay": { "copy_fields": { "practical_html": "Exemple technique en anglais
Find contradictions between two procedures\n\nCompare procedure P: approve a supplier before issuing an order; emergency orders need the same approval. Procedure Q: emergency orders may be issued immediately and reviewed the next day. Prepare a decision brief identifying the conflict, the passages involved and the exact policy question an owner must resolve before the procedures can agree.A concise conflict statement, two supporting passages and one decision question.Check that the answer exposes the approval-timing conflict without silently choosing a governing procedure.glm-4-plusGLM-4-Plus est le modèle textuel de Z.ai pour la compréhension du langage, l’analyse logique, le respect des instructions et les documents longs. Son contexte de 128K et son profil de sortie de 4K conviennent aux synthèses étayées, à la révision multilingue, à l’extraction de champs et aux rapports assistés par des outils.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
GLM-4-Plus est le modèle textuel à hautes capacités de la gamme GLM-4 de Z.ai. Il associe compréhension du langage, raisonnement logique, respect des instructions et traitement de textes longs. Le fabricant indique une entrée et une sortie textuelles, une fenêtre de contexte de 128K jetons et une sortie maximale de 4K jetons. Une entrée longue et un résultat compact constituent donc deux aspects distincts de son profil : un vaste ensemble de documents peut étayer une synthèse, une comparaison ou une extraction ciblée.
Un assistant documentaire peut recevoir des sections nommées et une question, puis produire une analyse concise rattachée à ces sections. Définissez le public visé et la décision à prendre avant de demander la réponse : par exemple, comparer deux procédures, énumérer les conditions applicables à un cas ou repérer des exigences contradictoires. Séparez les passages sources de vos instructions afin que la réponse puisse distinguer les éléments probants de l’analyse demandée.
La description de GLM-4 mentionne la diffusion en continu, les appels de fonctions, la mise en cache du contexte, les formats structurés comme JSON et l’interaction avec les outils et sources de données MCP. La diffusion en continu rend le texte généré disponible progressivement. Une sortie structurée est utile lorsque le résultat doit contenir des champs nommés plutôt qu’un texte libre : une synthèse, des identifiants extraits, les libellés des sections sources et les questions qui restent sans réponse.
L’utilisation d’outils relie le modèle de langage aux actions fournies par l’application. Celle-ci décrit les fonctions, exécute l’appel sélectionné et renvoie son résultat pour l’étape suivante. Cela peut servir à effectuer une recherche suivie d’un rapport, ou à utiliser un résultat de recherche comme élément probant d’une réponse. Le texte du modèle est distinct de l’exécution de l’action externe. Les instructions ou préfixes de documents répétés peuvent participer au mécanisme de mise en cache du contexte du fabricant ; la réutilisation du cache ne prouve pas, à elle seule, qu’une requête précise a trouvé ses données dans le cache.
La traduction est présentée comme une activité qui dépasse la conversion de mots isolés : le fabricant inclut les textes mêlant plusieurs langues, le ton, l’argot, les émojis et les termes spécialisés, en tenant compte des différences culturelles. Fournissez le passage source, le public cible et la terminologie à conserver telle quelle. Pour la révision, demandez un livrable précis — une lettre révisée, une description de produit ou une explication concise — et indiquez les faits à préserver.
La classification sémantique et l’extraction de champs s’appuient sur les éléments fournis. Définissez d’abord les catégories ou les champs requis, puis fournissez les documents. Une application peut, par exemple, demander les identifiants de projet et les catégories de clauses, accompagnés des libellés des sections pertinentes. Une règle explicite pour les valeurs manquantes évite que le schéma de sortie ne devienne un prétexte pour inventer des données absentes.
Le fabricant décrit également la création de contenus marketing, de rapports d’analyse des risques et de programmes de voyage. Pour la rédaction, fournissez les faits réels sur le produit ou la campagne et le format attendu. Pour l’analyse, donnez les rapports pertinents et les critères de comparaison ; les informations à jour doivent provenir d’un outil de recherche ou de données fourni par l’application. Pour un programme de voyage, précisez les préférences et les contraintes de calendrier afin d’obtenir un plan adapté à la situation décrite plutôt qu’un texte générique sur les voyages.
GLM-4-Plus utilise des données synthétiques produites avec l’aide de modèles et un post-entraînement fondé sur PPO pour développer le raisonnement mathématique et de programmation et mieux refléter les préférences humaines. Pour les textes longs, sa préparation ajuste le mélange de contenus courts et longs afin de renforcer le raisonnement sur des entrées étendues. Ces choix de préparation sont propres à ce modèle Plus. Ils ne transforment pas son profil exclusivement textuel en capacité de compréhension d’images d’une édition GLM-4V portant un nom distinct.
Utilisez le contexte plus vaste pour fournir les éléments qui étayent réellement la question, avec des noms de sections stables et un contrat de sortie clair. Une requête pratique consiste à comparer deux documents, à énumérer leurs accords et leurs divergences et à identifier les passages à l’origine de chaque conclusion. Maintenez le livrable final dans le profil de sortie de 4K : demandez une note d’aide à la décision ou une comparaison structurée, puis poursuivez avec une demande complémentaire définie si une section nécessite un développement. La validité de la structure JSON et l’exactitude factuelle des valeurs des champs font l’objet de vérifications distinctes.
POST /v1/chat/completionstexttext| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites glm-4-plus | 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 $0.014 / 1K jetons Sortie · Jetons en sortie $0.014 / 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-plus", "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-plus',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-plus',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-plus
Utilisez les chemins de méthode indiqués ci-dessus.
glm-4-plusGLM-4-Plus est le modèle textuel de Z.ai pour la compréhension du langage, l’analyse logique, le respect des instructions et les documents longs. Son contexte de 128K et son profil de sortie de 4K conviennent aux synthèses étayées, à la révision multilingue, à l’extraction de champs et aux rapports assistés par des outils.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
GLM-4-Plus est le modèle textuel à hautes capacités de la gamme GLM-4 de Z.ai. Il associe compréhension du langage, raisonnement logique, respect des instructions et traitement de textes longs. Le fabricant indique une entrée et une sortie textuelles, une fenêtre de contexte de 128K jetons et une sortie maximale de 4K jetons. Une entrée longue et un résultat compact constituent donc deux aspects distincts de son profil : un vaste ensemble de documents peut étayer une synthèse, une comparaison ou une extraction ciblée.
Un assistant documentaire peut recevoir des sections nommées et une question, puis produire une analyse concise rattachée à ces sections. Définissez le public visé et la décision à prendre avant de demander la réponse : par exemple, comparer deux procédures, énumérer les conditions applicables à un cas ou repérer des exigences contradictoires. Séparez les passages sources de vos instructions afin que la réponse puisse distinguer les éléments probants de l’analyse demandée.
La description de GLM-4 mentionne la diffusion en continu, les appels de fonctions, la mise en cache du contexte, les formats structurés comme JSON et l’interaction avec les outils et sources de données MCP. La diffusion en continu rend le texte généré disponible progressivement. Une sortie structurée est utile lorsque le résultat doit contenir des champs nommés plutôt qu’un texte libre : une synthèse, des identifiants extraits, les libellés des sections sources et les questions qui restent sans réponse.
L’utilisation d’outils relie le modèle de langage aux actions fournies par l’application. Celle-ci décrit les fonctions, exécute l’appel sélectionné et renvoie son résultat pour l’étape suivante. Cela peut servir à effectuer une recherche suivie d’un rapport, ou à utiliser un résultat de recherche comme élément probant d’une réponse. Le texte du modèle est distinct de l’exécution de l’action externe. Les instructions ou préfixes de documents répétés peuvent participer au mécanisme de mise en cache du contexte du fabricant ; la réutilisation du cache ne prouve pas, à elle seule, qu’une requête précise a trouvé ses données dans le cache.
La traduction est présentée comme une activité qui dépasse la conversion de mots isolés : le fabricant inclut les textes mêlant plusieurs langues, le ton, l’argot, les émojis et les termes spécialisés, en tenant compte des différences culturelles. Fournissez le passage source, le public cible et la terminologie à conserver telle quelle. Pour la révision, demandez un livrable précis — une lettre révisée, une description de produit ou une explication concise — et indiquez les faits à préserver.
La classification sémantique et l’extraction de champs s’appuient sur les éléments fournis. Définissez d’abord les catégories ou les champs requis, puis fournissez les documents. Une application peut, par exemple, demander les identifiants de projet et les catégories de clauses, accompagnés des libellés des sections pertinentes. Une règle explicite pour les valeurs manquantes évite que le schéma de sortie ne devienne un prétexte pour inventer des données absentes.
Le fabricant décrit également la création de contenus marketing, de rapports d’analyse des risques et de programmes de voyage. Pour la rédaction, fournissez les faits réels sur le produit ou la campagne et le format attendu. Pour l’analyse, donnez les rapports pertinents et les critères de comparaison ; les informations à jour doivent provenir d’un outil de recherche ou de données fourni par l’application. Pour un programme de voyage, précisez les préférences et les contraintes de calendrier afin d’obtenir un plan adapté à la situation décrite plutôt qu’un texte générique sur les voyages.
GLM-4-Plus utilise des données synthétiques produites avec l’aide de modèles et un post-entraînement fondé sur PPO pour développer le raisonnement mathématique et de programmation et mieux refléter les préférences humaines. Pour les textes longs, sa préparation ajuste le mélange de contenus courts et longs afin de renforcer le raisonnement sur des entrées étendues. Ces choix de préparation sont propres à ce modèle Plus. Ils ne transforment pas son profil exclusivement textuel en capacité de compréhension d’images d’une édition GLM-4V portant un nom distinct.
Utilisez le contexte plus vaste pour fournir les éléments qui étayent réellement la question, avec des noms de sections stables et un contrat de sortie clair. Une requête pratique consiste à comparer deux documents, à énumérer leurs accords et leurs divergences et à identifier les passages à l’origine de chaque conclusion. Maintenez le livrable final dans le profil de sortie de 4K : demandez une note d’aide à la décision ou une comparaison structurée, puis poursuivez avec une demande complémentaire définie si une section nécessite un développement. La validité de la structure JSON et l’exactitude factuelle des valeurs des champs font l’objet de vérifications distinctes.
POST /v1/messagestextjson, sse| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites glm-4-plus | 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 $0.014 / 1K jetons Sortie · Jetons en sortie $0.014 / 1K jetons Entrée · Lecture du cache $0 / 1K jetons Entrée · Écriture dans le cache $0 / 1K jetons Entrée · Écriture dans le cache, 1 h — / 1K jetons |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
{\n "model": "glm-4-plus",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-plus', '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-plus', '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-plus
Utilisez les chemins de méthode indiqués ci-dessus.
Exemple technique en anglais
Find contradictions between two procedures\n\nCompare procedure P: approve a supplier before issuing an order; emergency orders need the same approval. Procedure Q: emergency orders may be issued immediately and reviewed the next day. Prepare a decision brief identifying the conflict, the passages involved and the exact policy question an owner must resolve before the procedures can agree.A concise conflict statement, two supporting passages and one decision question.Check that the answer exposes the approval-timing conflict without silently choosing a governing procedure.