Z.ai GLM 5.3 est un modèle de raisonnement textuel à grande échelle conçu pour l’ingénierie logicielle complexe et le travail d’agents à long horizon. Le fabricant indique qu’il utilise le même modèle de base que GLM 5.2, les nouveaux gains provenant du post-entraînement. Cette version met l’accent sur une programmation renforcée, les opérations dans le terminal et des tâches plus larges comportant plusieurs étapes dépendantes. Il accepte du texte et produit du texte, notamment 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 comme valeur par défaut. Le fabricant recommande max pour les travaux de programmation complexes; low offre une option de raisonnement plus légère pour les étapes simples. Utilisez le niveau sélectionné avec un livrable final clair et des critères d’achèvement. Par exemple : « Examine ces fichiers et ces résultats d’échec, retrace la cause dans les modules touchés, propose une correction qui préserve l’interface publique et explique quels contrôles établissent que la régression est résolue. »
Le fabricant précise une fenêtre de contexte de 1M jetons et une longueur de sortie maximale de 128K jetons. Organisez le contenu long autour de la relation que le modèle doit examiner. Préservez les noms de fichiers, les définitions pertinentes, les étiquettes des sources et l’ordre des observations, et laissez de l’espace pour le raisonnement et la réponse finale à l’intérieur du contexte de travail applicable. Une grande fenêtre est utile pour les dépendances entre modules ou pour une longue séquence d’observations d’agent; elle ne transforme pas une archive non ciblée de contenus sans rapport entre eux en une tâche bien définie.
Pour le travail sur un dépôt, fournissez le comportement attendu, le texte source pertinent, les versions des dépendances et la sortie d’erreur réelle. Demandez au modèle de préciser le comportement touché avant de proposer un correctif. Pour un remaniement, nommez l’interface et les invariants qui doivent rester intacts. Une réponse utile contient le code révisé, la raison pour laquelle la modification corrige le problème observé et les cas nécessaires pour vérifier le résultat. Réinjectez les résultats réels dans un processus connecté à des outils afin 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 initiale et des mesures comme des durées, des profils ou des relevés d’allocation. Z.ai décrit des tâches d’entraînement portant sur le diagnostic des goulots d’étranglement, l’optimisation, les expériences et les résultats qui préservent l’exactitude. Une demande pratique est : « Utilise ce profil pour repérer le goulot d’étranglement le plus important, propose une modification mesurable et explique quel résultat justifierait de la conserver. » Distinguez une hypothèse sur les performances d’une amélioration mesurée. Conservez la même charge de travail et les conditions pertinentes lorsque vous examinez un résultat.
Cette version développe aussi la capacité d’analyse des vulnérabilités. Pour une revue défensive du code source, fournissez le code pertinent, ses frontières de confiance prévues et ses conditions d’exécution. Demandez un constat qui relie un problème présumé à l’entrée et au comportement touchés ainsi qu’à une correction ciblée. Séparez une faiblesse potentielle d’une défaillance reproduite et conservez l’observation utilisée pour la valider. Un rapport est plus utile lorsqu’il donne priorité aux preuves concrètes et aux corrections proposées plutôt que de traiter chaque motif suspect comme une vulnérabilité confirmée.
L’appel de fonctions permet à une application environnante d’exposer des opérations externes au modèle. Définissez l’objectif, les arguments et le résultat attendu de chaque outil, puis retournez l’observation réelle de l’outil pour l’étape suivante. Le modèle peut raisonner sur ce résultat et déterminer comment il modifie la tâche. Gardez distinctes les actions proposées, les opérations exécutées et les vérifications non résolues. Le fabricant documente aussi des réponses diffusées en continu, qui renvoient séparément les fragments de raisonnement et de réponse; assemblez la réponse terminée avant de la traiter comme le rapport final ou l’explication de code finale.
La fiche locale du modèle donne un détail précis sur le réglage de l’historique : son gabarit de clavardage conserve la réflexion par défaut, tandis que le fabricant recommande d’effacer explicitement l’ancienne réflexion pour les scénarios de clavardage ordinaires. Appliquez la structure de conversation appropriée au cas d’usage, en conservant les réponses réellement terminées et les résultats d’outils nécessaires à la poursuite du travail. Évitez de considérer les paramètres de 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, les types et les règles de source attendus. Un livrable utile pourrait être un tableau de défauts, un plan de modification ou un objet JSON résumant les observations. Validez la structure et les valeurs avant qu’une application les utilise. Le résultat final doit préciser la réponse ou le livrable révisé, les éléments de preuve qui l’appuient et les hypothèses restantes. Un effort de raisonnement accru n’établit pas qu’un outil a été exécuté, qu’un correctif proposé a réussi ses contrôles ou qu’une affirmation factuelle est appuyée au-delà du contenu fourni.
", "aboutText": "Z.ai GLM 5.3 est un modèle de raisonnement textuel à grande échelle conçu pour l’ingénierie logicielle complexe et le travail d’agents à long horizon. Le fabricant indique qu’il utilise le même modèle de base que GLM 5.2, les nouveaux gains provenant du post-entraînement. Cette version met l’accent sur une programmation renforcée, les opérations dans le terminal et des tâches plus larges comportant plusieurs étapes dépendantes. Il accepte du texte et produit du texte, notamment du code, des explications, des plans et des demandes d’appel d’outils dans une application connectée à des outils.\n\nLe mode de raisonnement documenté est toujours activé. GLM 5.3 propose trois niveaux d’effort : low, high et max, avec max comme valeur par défaut. Le fabricant recommande max pour les travaux de programmation complexes; low offre une option de raisonnement plus légère pour les étapes simples. Utilisez le niveau sélectionné avec un livrable final clair et des critères d’achèvement. Par exemple : « Examine ces fichiers et ces résultats d’échec, retrace la cause dans les modules touchés, propose une correction qui préserve l’interface publique et explique quels contrôles établissent que la régression est résolue. »\n\nLe fabricant précise une fenêtre de contexte de 1M jetons et une longueur de sortie maximale de 128K jetons. Organisez le contenu long autour de la relation que le modèle doit examiner. Préservez les noms de fichiers, les définitions pertinentes, les étiquettes des sources et l’ordre des observations, et laissez de l’espace pour le raisonnement et la réponse finale à l’intérieur du contexte de travail applicable. Une grande fenêtre est utile pour les dépendances entre modules ou pour une longue séquence d’observations d’agent; elle ne transforme pas une archive non ciblée de contenus sans rapport entre eux en une tâche bien définie.\n\nPour le travail sur un dépôt, fournissez le comportement attendu, le texte source pertinent, les versions des dépendances et la sortie d’erreur réelle. Demandez au modèle de préciser le comportement touché avant de proposer un correctif. Pour un remaniement, nommez l’interface et les invariants qui doivent rester intacts. Une réponse utile contient le code révisé, la raison pour laquelle la modification corrige le problème observé et les cas nécessaires pour vérifier le résultat. Réinjectez les résultats réels dans un processus connecté à des outils afin que l’étape suivante repose sur l’état modifié plutôt que sur la proposition précédente.\n\nPour le travail sur les performances, fournissez une charge de travail, une référence initiale et des mesures comme des durées, des profils ou des relevés d’allocation. Z.ai décrit des tâches d’entraînement portant sur le diagnostic des goulots d’étranglement, l’optimisation, les expériences et les résultats qui préservent l’exactitude. Une demande pratique est : « Utilise ce profil pour repérer le goulot d’étranglement le plus important, propose une modification mesurable et explique quel résultat justifierait de la conserver. » Distinguez une hypothèse sur les performances d’une amélioration mesurée. Conservez la même charge de travail et les conditions pertinentes lorsque vous examinez un résultat.\n\nCette version développe aussi la capacité d’analyse des vulnérabilités. Pour une revue défensive du code source, fournissez le code pertinent, ses frontières de confiance prévues et ses conditions d’exécution. Demandez un constat qui relie un problème présumé à l’entrée et au comportement touchés ainsi qu’à une correction ciblée. Séparez une faiblesse potentielle d’une défaillance reproduite et conservez l’observation utilisée pour la valider. Un rapport est plus utile lorsqu’il donne priorité aux preuves concrètes et aux corrections proposées plutôt que de traiter chaque motif suspect comme une vulnérabilité confirmée.\n\nL’appel de fonctions permet à une application environnante d’exposer des opérations externes au modèle. Définissez l’objectif, les arguments et le résultat attendu de chaque outil, puis retournez l’observation réelle de l’outil pour l’étape suivante. Le modèle peut raisonner sur ce résultat et déterminer comment il modifie la tâche. Gardez distinctes les actions proposées, les opérations exécutées et les vérifications non résolues. Le fabricant documente aussi des réponses diffusées en continu, qui renvoient séparément les fragments de raisonnement et de réponse; assemblez la réponse terminée avant de la traiter comme le rapport final ou l’explication de code finale.\n\nLa fiche locale du modèle donne un détail précis sur le réglage de l’historique : son gabarit de clavardage conserve la réflexion par défaut, tandis que le fabricant recommande d’effacer explicitement l’ancienne réflexion pour les scénarios de clavardage ordinaires. Appliquez la structure de conversation appropriée au cas d’usage, en conservant les réponses réellement terminées et les résultats d’outils nécessaires à la poursuite du travail. Évitez de considérer les paramètres de raisonnement de GLM 5.2 ou des éditions distinctes GLM 5.3 Flash comme interchangeables avec les commandes low/high/max de ce modèle.\n\nPour les résultats structurés, précisez les champs, les types et les règles de source attendus. Un livrable utile pourrait être un tableau de défauts, un plan de modification ou un objet JSON résumant les observations. Validez la structure et les valeurs avant qu’une application les utilise. Le résultat final doit préciser la réponse ou le livrable révisé, les éléments de preuve qui l’appuient et les hypothèses restantes. Un effort de raisonnement accru n’établit pas qu’un outil a été exécuté, qu’un correctif proposé a réussi ses contrôles ou qu’une affirmation factuelle est appuyée au-delà du contenu fourni.", "editorialOverlay": { "copy_fields": { "practical_html": "Exemple technique en anglais
Target a measured bottleneck\n\nProfile P1 for one import: parsing 0.4 s, per-row database lookups 8.1 s, writing 0.8 s. The import handles 10,000 rows, including repeated customer IDs. Propose one correctness-preserving optimization, describe what lookup behavior must remain identical and define a same-workload check before claiming an improvement.A bottleneck hypothesis, one proposed change and a correctness plus timing comparison plan.The proposal must use P1 without inventing an observed speedup or losing missing-customer behavior.glm-5.3Z.ai GLM 5.3 est un modèle de raisonnement textuel pour l’ingénierie logicielle complexe, le travail dans le terminal et les agents à long horizon. Il prend en charge un contexte de 1M jetons documenté par le fabricant, jusqu’à 128K jetons de sortie, l’appel de fonctions et les niveaux d’effort de raisonnement low/high/max, avec le raisonnement activé tout au long du traitement.
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 d’agents à long horizon. Le fabricant indique qu’il utilise le même modèle de base que GLM 5.2, les nouveaux gains provenant du post-entraînement. Cette version met l’accent sur une programmation renforcée, les opérations dans le terminal et des tâches plus larges comportant plusieurs étapes dépendantes. Il accepte du texte et produit du texte, notamment 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 comme valeur par défaut. Le fabricant recommande max pour les travaux de programmation complexes; low offre une option de raisonnement plus légère pour les étapes simples. Utilisez le niveau sélectionné avec un livrable final clair et des critères d’achèvement. Par exemple : « Examine ces fichiers et ces résultats d’échec, retrace la cause dans les modules touchés, propose une correction qui préserve l’interface publique et explique quels contrôles établissent que la régression est résolue. »
Le fabricant précise une fenêtre de contexte de 1M jetons et une longueur de sortie maximale de 128K jetons. Organisez le contenu long autour de la relation que le modèle doit examiner. Préservez les noms de fichiers, les définitions pertinentes, les étiquettes des sources et l’ordre des observations, et laissez de l’espace pour le raisonnement et la réponse finale à l’intérieur du contexte de travail applicable. Une grande fenêtre est utile pour les dépendances entre modules ou pour une longue séquence d’observations d’agent; elle ne transforme pas une archive non ciblée de contenus sans rapport entre eux en une tâche bien définie.
Pour le travail sur un dépôt, fournissez le comportement attendu, le texte source pertinent, les versions des dépendances et la sortie d’erreur réelle. Demandez au modèle de préciser le comportement touché avant de proposer un correctif. Pour un remaniement, nommez l’interface et les invariants qui doivent rester intacts. Une réponse utile contient le code révisé, la raison pour laquelle la modification corrige le problème observé et les cas nécessaires pour vérifier le résultat. Réinjectez les résultats réels dans un processus connecté à des outils afin 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 initiale et des mesures comme des durées, des profils ou des relevés d’allocation. Z.ai décrit des tâches d’entraînement portant sur le diagnostic des goulots d’étranglement, l’optimisation, les expériences et les résultats qui préservent l’exactitude. Une demande pratique est : « Utilise ce profil pour repérer le goulot d’étranglement le plus important, propose une modification mesurable et explique quel résultat justifierait de la conserver. » Distinguez une hypothèse sur les performances d’une amélioration mesurée. Conservez la même charge de travail et les conditions pertinentes lorsque vous examinez un résultat.
Cette version développe aussi la capacité d’analyse des vulnérabilités. Pour une revue défensive du code source, fournissez le code pertinent, ses frontières de confiance prévues et ses conditions d’exécution. Demandez un constat qui relie un problème présumé à l’entrée et au comportement touchés ainsi qu’à une correction ciblée. Séparez une faiblesse potentielle d’une défaillance reproduite et conservez l’observation utilisée pour la valider. Un rapport est plus utile lorsqu’il donne priorité aux preuves concrètes et aux corrections proposées plutôt que de traiter chaque motif suspect comme une vulnérabilité confirmée.
L’appel de fonctions permet à une application environnante d’exposer des opérations externes au modèle. Définissez l’objectif, les arguments et le résultat attendu de chaque outil, puis retournez l’observation réelle de l’outil pour l’étape suivante. Le modèle peut raisonner sur ce résultat et déterminer comment il modifie la tâche. Gardez distinctes les actions proposées, les opérations exécutées et les vérifications non résolues. Le fabricant documente aussi des réponses diffusées en continu, qui renvoient séparément les fragments de raisonnement et de réponse; assemblez la réponse terminée avant de la traiter comme le rapport final ou l’explication de code finale.
La fiche locale du modèle donne un détail précis sur le réglage de l’historique : son gabarit de clavardage conserve la réflexion par défaut, tandis que le fabricant recommande d’effacer explicitement l’ancienne réflexion pour les scénarios de clavardage ordinaires. Appliquez la structure de conversation appropriée au cas d’usage, en conservant les réponses réellement terminées et les résultats d’outils nécessaires à la poursuite du travail. Évitez de considérer les paramètres de 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, les types et les règles de source attendus. Un livrable utile pourrait être un tableau de défauts, un plan de modification ou un objet JSON résumant les observations. Validez la structure et les valeurs avant qu’une application les utilise. Le résultat final doit préciser la réponse ou le livrable révisé, les éléments de preuve qui l’appuient et les hypothèses restantes. Un effort de raisonnement accru n’établit pas qu’un outil a été exécuté, qu’un correctif proposé a réussi ses contrôles ou qu’une affirmation factuelle est appuyée au-delà du contenu fourni.
POST /v1/messagestexttext| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites glm-5.3 | Par défaut— |
Champmessages | Typemessage[] | ExigenceObligatoire | Valeurs et limites Nombre minimal d’éléments: 1 | Par défaut— |
Champmessages[].role | Typestring | ExigenceObligatoire | Valeurs et limites user, assistant | Par défaut— |
Champmessages[].content | Typestring|content_block[] | ExigenceObligatoire | Valeurs et limites | Par défaut— |
Champsystem | Typestring|content_block[] | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champmax_tokens | Typeinteger | ExigenceObligatoire | Valeurs et limites Minimum: 1 La limite s’applique à: Plafond exact du modèle ou de la fiche sélectionnés | Par défaut— |
Champstream | Typeboolean | ExigenceFacultatif | Valeurs et limites | Par défautfalse |
Champtemperature | Typenumber | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champtop_p | Typenumber | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champstop_sequences | Typestring[] | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champtools | Typetool[] | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champtools[].name | Typestring | ExigenceFacultatif | Valeurs et limites S’applique lorsque: Outil fourni | Par défaut— |
Champtools[].description | Typestring | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champtools[].input_schema | TypeJSON_schema | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champtool_choice | Typeobject | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champthinking.type | Typestring | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champthinking.budget_tokens | Typeinteger | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champoutput_config.effort | Typestring | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champmetadata | Typeobject | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champcache_control | Typeobject | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Texte · Texte UTF8
messages[].content ou bloc type=text
| Paramètre | Contrat |
|---|---|
Paramètrematerial_types | Contrattext |
Paramètrerequired | Contratmodel, messages, max_tokens |
Paramètreoptional_controls | Contratnull |
Paramètrecontent_type | Contratapplication/json |
Paramètretext_file_material | ContratContenu UTF-8 réel inséré comme texte ; les ID de fichier/URLs nécessitent une prise en charge distincte et exacte |
Cycle de vie : exact retained published method
Les structures des méthodes et les ID sont exacts ; la capacité du fournisseur est distincte de l’admission des requêtes.
POST /v1/messagesAiloot 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 →
Les barèmes de référence du modèle ne modifient ni la sélection de méthode, ni les devis, ni les coûts. Les frais actifs utilisent les tarifs de la méthode Ailoot sélectionnée.
Associez chaque coût aux conditions indiquées. Utilisez un seul tarif pour chaque ensemble de configurations alternatives.
| Configuration | Barème tarifaire | Jetons de contexte, plus de | Jetons de contexte, jusqu’à la limite incluse | Coût |
|---|---|---|---|---|
| ConfigurationOpenAI Chat · Tarifs de base des jetons | Barème tarifaireTarif de base | Jetons de contexte, plus de— | Jetons de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Jetons en entrée $0.0028 / 1K jetons Sortie · Jetons en sortie $0.0088 / 1K jetons Entrée · Lecture du cache $0.00052 / 1K jetons Entrée · Écriture dans le cache — / 1K jetons Entrée · Écriture dans le cache, 1 h — / 1K jetons |
| ConfigurationOpenAI Chat · Palier 1 selon la longueur de la requête | Barème tarifaire— | Jetons de contexte, plus de0 | Jetons de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Jetons en entrée $0.0028 / 1K jetons Sortie · Jetons en sortie $0.0088 / 1K jetons Entrée · Lecture du cache $0.00052 / 1K jetons Entrée · Écriture dans le cache — / 1K jetons Entrée · Écriture dans le cache, 1 h — / 1K jetons |
| ConfigurationAnthropic Messages · Tarifs de base des jetons | Barème tarifaireTarif de base | Jetons de contexte, plus de— | Jetons de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Jetons en entrée $0.0028 / 1K jetons Sortie · Jetons en sortie $0.0088 / 1K jetons Entrée · Lecture du cache $0.00052 / 1K jetons Entrée · Écriture dans le cache — / 1K jetons Entrée · Écriture dans le cache, 1 h — / 1K jetons |
| ConfigurationAnthropic Messages · Palier 1 selon la longueur de la requête | Barème tarifaire— | Jetons de contexte, plus de0 | Jetons de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Jetons en entrée $0.0028 / 1K jetons Sortie · Jetons en sortie $0.0088 / 1K jetons Entrée · Lecture du cache $0.00052 / 1K jetons Entrée · Écriture dans le cache — / 1K jetons Entrée · Écriture dans le cache, 1 h — / 1K jetons |
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 source-material file}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "glm-5.3", "max_tokens": 1024, "messages": []}')\nf=Path(os.environ["AILOOT_TEXT_FILE"])\nif not f.is_file():raise SystemExit("Choose your actual UTF-8 source material")\ntext=f.read_text(encoding="utf-8")\nif not text.strip():raise SystemExit("Source material must contain text")\np["messages"]=[{"role":"user","content":"Summarize this material and quote supporting source passages.\\n\\n"+text}]\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/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\nprint(json.dumps(json.loads(Path("result.json").read_text()),ensure_ascii=False,indent=2))\nPY_RESULT\nimport anthropic\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient = anthropic.Anthropic(base_url="https://api.ailoot.ai", api_key=os.environ["AILOOT_API_KEY"], max_retries=0)\nmsg = client.messages.create(\n model="glm-5.3",\n max_tokens=1024,\n messages=[{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}],\n)\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(msg.to_dict(mode="json"))\nimport Anthropic from "@anthropic-ai/sdk";\n\nif (!process.env.AILOOT_API_KEY?.trim()) throw new Error("Set AILOOT_API_KEY before making a request");\nconst client = new Anthropic({ baseURL: "https://api.ailoot.ai", apiKey: process.env.AILOOT_API_KEY, maxRetries: 0 });\nconst msg = await client.messages.create({\n model: "glm-5.3",\n max_tokens: 1024,\n messages: [{ role: "user", content: "Explain the difference between an observation and a hypothesis in three sentences." }],\n});\nimport { writeFileSync } from "node:fs";\n\nfunction saveResult(data, stem = "result") {\n writeFileSync(stem + ".json", JSON.stringify(data, null, 2));\n console.log(JSON.stringify(data, null, 2));\n const saveBlob = (encoded, suffix, label) => {\n const raw = Buffer.from(encoded, "base64");\n const ext = raw.subarray(0,8).equals(Buffer.from([137,80,78,71,13,10,26,10])) ? "png" : raw[0]===255 && raw[1]===216 ? "jpg" : raw.subarray(0,4).toString()==="RIFF" && raw.subarray(8,12).toString()==="WEBP" ? "webp" : suffix;\n const file = `${stem}-${label}.${ext}`;\n writeFileSync(file, raw); console.log("Saved", file);\n };\n for (const [i, block] of (data.content || []).entries()) console.log("Content", i, JSON.stringify(block));\n for (const choice of data.choices || []) console.log("Choice", choice.index, JSON.stringify(choice.message || choice.delta || {}));\n for (const [i, item] of (data.output || []).entries()) {\n console.log("Output", i, JSON.stringify(item));\n if (item.type === "image_generation_call" && item.result) saveBlob(item.result, item.output_format || "bin", `output-${i}`);\n }\n for (const [ci, candidate] of (data.candidates || []).entries()) {\n for (const [pi, part] of (candidate.content?.parts || []).entries()) {\n console.log("Candidate/part", ci, pi, JSON.stringify(part));\n const blob = part.inlineData || part.inline_data;\n if (blob?.data) {\n const mime = blob.mimeType || blob.mime_type;\n const suffix = ({"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"})[mime] || "bin";\n saveBlob(blob.data, suffix, `candidate-${ci}-part-${pi}`);\n }\n }\n }\n}\n\nsaveResult(msg);\nimport anthropic,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=anthropic.Anthropic(base_url="https://api.ailoot.ai",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.messages.stream(model='glm-5.3',max_tokens=1024,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_message()\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 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 glm-5.3, glm, glm-5, glm-5.1, glm-5.2, glm-latest
Ailoot Ultra glm-5.3, z-ai/glm-5.3, ~z-ai/glm-latest
/chat/completions
z-ai/glm-5.3, glm, glm-5, glm-5.1, glm-5.2, glm-latest, ~z-ai/glm-latest, glm-5.3, glm-5.3
glm-5.3Z.ai GLM 5.3 est un modèle de raisonnement textuel pour l’ingénierie logicielle complexe, le travail dans le terminal et les agents à long horizon. Il prend en charge un contexte de 1M jetons documenté par le fabricant, jusqu’à 128K jetons de sortie, l’appel de fonctions et les niveaux d’effort de raisonnement low/high/max, avec le raisonnement activé tout au long du traitement.
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 d’agents à long horizon. Le fabricant indique qu’il utilise le même modèle de base que GLM 5.2, les nouveaux gains provenant du post-entraînement. Cette version met l’accent sur une programmation renforcée, les opérations dans le terminal et des tâches plus larges comportant plusieurs étapes dépendantes. Il accepte du texte et produit du texte, notamment 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 comme valeur par défaut. Le fabricant recommande max pour les travaux de programmation complexes; low offre une option de raisonnement plus légère pour les étapes simples. Utilisez le niveau sélectionné avec un livrable final clair et des critères d’achèvement. Par exemple : « Examine ces fichiers et ces résultats d’échec, retrace la cause dans les modules touchés, propose une correction qui préserve l’interface publique et explique quels contrôles établissent que la régression est résolue. »
Le fabricant précise une fenêtre de contexte de 1M jetons et une longueur de sortie maximale de 128K jetons. Organisez le contenu long autour de la relation que le modèle doit examiner. Préservez les noms de fichiers, les définitions pertinentes, les étiquettes des sources et l’ordre des observations, et laissez de l’espace pour le raisonnement et la réponse finale à l’intérieur du contexte de travail applicable. Une grande fenêtre est utile pour les dépendances entre modules ou pour une longue séquence d’observations d’agent; elle ne transforme pas une archive non ciblée de contenus sans rapport entre eux en une tâche bien définie.
Pour le travail sur un dépôt, fournissez le comportement attendu, le texte source pertinent, les versions des dépendances et la sortie d’erreur réelle. Demandez au modèle de préciser le comportement touché avant de proposer un correctif. Pour un remaniement, nommez l’interface et les invariants qui doivent rester intacts. Une réponse utile contient le code révisé, la raison pour laquelle la modification corrige le problème observé et les cas nécessaires pour vérifier le résultat. Réinjectez les résultats réels dans un processus connecté à des outils afin 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 initiale et des mesures comme des durées, des profils ou des relevés d’allocation. Z.ai décrit des tâches d’entraînement portant sur le diagnostic des goulots d’étranglement, l’optimisation, les expériences et les résultats qui préservent l’exactitude. Une demande pratique est : « Utilise ce profil pour repérer le goulot d’étranglement le plus important, propose une modification mesurable et explique quel résultat justifierait de la conserver. » Distinguez une hypothèse sur les performances d’une amélioration mesurée. Conservez la même charge de travail et les conditions pertinentes lorsque vous examinez un résultat.
Cette version développe aussi la capacité d’analyse des vulnérabilités. Pour une revue défensive du code source, fournissez le code pertinent, ses frontières de confiance prévues et ses conditions d’exécution. Demandez un constat qui relie un problème présumé à l’entrée et au comportement touchés ainsi qu’à une correction ciblée. Séparez une faiblesse potentielle d’une défaillance reproduite et conservez l’observation utilisée pour la valider. Un rapport est plus utile lorsqu’il donne priorité aux preuves concrètes et aux corrections proposées plutôt que de traiter chaque motif suspect comme une vulnérabilité confirmée.
L’appel de fonctions permet à une application environnante d’exposer des opérations externes au modèle. Définissez l’objectif, les arguments et le résultat attendu de chaque outil, puis retournez l’observation réelle de l’outil pour l’étape suivante. Le modèle peut raisonner sur ce résultat et déterminer comment il modifie la tâche. Gardez distinctes les actions proposées, les opérations exécutées et les vérifications non résolues. Le fabricant documente aussi des réponses diffusées en continu, qui renvoient séparément les fragments de raisonnement et de réponse; assemblez la réponse terminée avant de la traiter comme le rapport final ou l’explication de code finale.
La fiche locale du modèle donne un détail précis sur le réglage de l’historique : son gabarit de clavardage conserve la réflexion par défaut, tandis que le fabricant recommande d’effacer explicitement l’ancienne réflexion pour les scénarios de clavardage ordinaires. Appliquez la structure de conversation appropriée au cas d’usage, en conservant les réponses réellement terminées et les résultats d’outils nécessaires à la poursuite du travail. Évitez de considérer les paramètres de 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, les types et les règles de source attendus. Un livrable utile pourrait être un tableau de défauts, un plan de modification ou un objet JSON résumant les observations. Validez la structure et les valeurs avant qu’une application les utilise. Le résultat final doit préciser la réponse ou le livrable révisé, les éléments de preuve qui l’appuient et les hypothèses restantes. Un effort de raisonnement accru n’établit pas qu’un outil a été exécuté, qu’un correctif proposé a réussi ses contrôles ou qu’une affirmation factuelle est appuyée au-delà du contenu fourni.
POST /v1/responsestexttext| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites glm-5.3 | Par défaut— |
Champinput | Typestring|input_item[] | ExigenceObligatoire | Valeurs et limites | Par défaut— |
Champinstructions | Typestring | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champinput[].type | Typestring | ExigenceFacultatif | Valeurs et limites message, reasoning, function_call, function_call_output | Par défaut— |
Champinput[].content | Typestring|content_part[] | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champinput[].call_id | Typestring | ExigenceFacultatif | Valeurs et limites S’applique lorsque: function_call_output ; conservez le call_id réellement renvoyé | Par défaut— |
Champinput[].output | Typestring|content_part[] | ExigenceFacultatif | Valeurs et limites S’applique lorsque: function_call_output | Par défaut— |
Champmax_output_tokens | Typeinteger | ExigenceFacultatif | Valeurs et limites Minimum: 1 Selon le modèle | Par défaut— |
Champstream | Typeboolean | ExigenceFacultatif | Valeurs et limites | Par défautfalse |
Champtemperature | Typenumber | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champtop_p | Typenumber | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champtools | Typetool[] | ExigenceFacultatif | Valeurs et limites Selon le modèle | 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— |
Champreasoning.effort | Typestring | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champreasoning.summary | Typestring | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champtext.format | Typeobject | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champtext.verbosity | Typestring | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champinclude | Typestring[] | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champstore | Typeboolean | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champprevious_response_id | Typestring | ExigenceFacultatif | Valeurs et limites Exigence relative à l’ID: Uniquement un ID de réponse réel provenant d’une continuation prise en charge Selon le modèle | Par défaut— |
Champservice_tier | Typestring | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champprompt_cache_key | Typestring | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champprompt_cache_options | Typeobject | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Texte · Texte UTF8
Texte d’entrée ou partie input_text
| Paramètre | Contrat |
|---|---|
Paramètrematerial_types | Contrattext |
Paramètrerequired | Contratmodel, input |
Paramètreoptional_controls | Contratnull |
Paramètrecontent_type | Contratapplication/json |
Paramètretext_file_material | ContratContenu UTF-8 réel inséré comme texte ; les ID de fichier/URLs nécessitent une prise en charge distincte et exacte |
Cycle de vie : exact retained published method
Les structures des méthodes et les ID sont exacts ; la capacité du fournisseur est distincte de l’admission des requêtes.
POST /v1/responsesAiloot 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 →
Les barèmes de référence du modèle ne modifient ni la sélection de méthode, ni les devis, ni les coûts. Les frais actifs utilisent les tarifs de la méthode Ailoot sélectionnée.
Associez chaque coût aux conditions indiquées. Utilisez un seul tarif pour chaque ensemble de configurations alternatives.
| Configuration | Barème tarifaire | Jetons de contexte, plus de | Jetons de contexte, jusqu’à la limite incluse | Coût |
|---|---|---|---|---|
| ConfigurationOpenAI Chat · Tarifs de base des jetons | Barème tarifaireTarif de base | Jetons de contexte, plus de— | Jetons de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Jetons en entrée $0.0028 / 1K jetons Sortie · Jetons en sortie $0.0088 / 1K jetons Entrée · Lecture du cache $0.00052 / 1K jetons Entrée · Écriture dans le cache — / 1K jetons Entrée · Écriture dans le cache, 1 h — / 1K jetons |
| ConfigurationOpenAI Chat · Palier 1 selon la longueur de la requête | Barème tarifaire— | Jetons de contexte, plus de0 | Jetons de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Jetons en entrée $0.0028 / 1K jetons Sortie · Jetons en sortie $0.0088 / 1K jetons Entrée · Lecture du cache $0.00052 / 1K jetons Entrée · Écriture dans le cache — / 1K jetons Entrée · Écriture dans le cache, 1 h — / 1K jetons |
| ConfigurationAnthropic Messages · Tarifs de base des jetons | Barème tarifaireTarif de base | Jetons de contexte, plus de— | Jetons de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Jetons en entrée $0.0028 / 1K jetons Sortie · Jetons en sortie $0.0088 / 1K jetons Entrée · Lecture du cache $0.00052 / 1K jetons Entrée · Écriture dans le cache — / 1K jetons Entrée · Écriture dans le cache, 1 h — / 1K jetons |
| ConfigurationAnthropic Messages · Palier 1 selon la longueur de la requête | Barème tarifaire— | Jetons de contexte, plus de0 | Jetons de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Jetons en entrée $0.0028 / 1K jetons Sortie · Jetons en sortie $0.0088 / 1K jetons Entrée · Lecture du cache $0.00052 / 1K jetons Entrée · Écriture dans le cache — / 1K jetons Entrée · Écriture dans le cache, 1 h — / 1K jetons |
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 source-material file}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "glm-5.3", "input": ""}')\nf=Path(os.environ["AILOOT_TEXT_FILE"])\nif not f.is_file():raise SystemExit("Choose your actual UTF-8 source material")\ntext=f.read_text(encoding="utf-8")\nif not text.strip():raise SystemExit("Source material must contain text")\np["input"]="Summarize this material and quote supporting source passages.\\n\\n"+text\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/responses \\\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 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(json.loads(Path("result.json").read_text(encoding="utf-8")))\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)\nresp = client.responses.create(model="glm-5.3", input="Explain the difference between an observation and a hypothesis 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(resp.to_dict(mode="json"))\nimport OpenAI from "openai";\n\nif (!process.env.AILOOT_API_KEY?.trim()) throw new Error("Set AILOOT_API_KEY before making a request");\nconst client = new OpenAI({ baseURL: "https://api.ailoot.ai/v1", apiKey: process.env.AILOOT_API_KEY, maxRetries: 0 });\nconst resp = await client.responses.create({ model: "glm-5.3", input: "Explain the difference between an observation and a hypothesis in three sentences." });\nimport { writeFileSync } from "node:fs";\n\nfunction saveResult(data, stem = "result") {\n writeFileSync(stem + ".json", JSON.stringify(data, null, 2));\n console.log(JSON.stringify(data, null, 2));\n const saveBlob = (encoded, suffix, label) => {\n const raw = Buffer.from(encoded, "base64");\n const ext = raw.subarray(0,8).equals(Buffer.from([137,80,78,71,13,10,26,10])) ? "png" : raw[0]===255 && raw[1]===216 ? "jpg" : raw.subarray(0,4).toString()==="RIFF" && raw.subarray(8,12).toString()==="WEBP" ? "webp" : suffix;\n const file = `${stem}-${label}.${ext}`;\n writeFileSync(file, raw); console.log("Saved", file);\n };\n for (const [i, block] of (data.content || []).entries()) console.log("Content", i, JSON.stringify(block));\n for (const choice of data.choices || []) console.log("Choice", choice.index, JSON.stringify(choice.message || choice.delta || {}));\n for (const [i, item] of (data.output || []).entries()) {\n console.log("Output", i, JSON.stringify(item));\n if (item.type === "image_generation_call" && item.result) saveBlob(item.result, item.output_format || "bin", `output-${i}`);\n }\n for (const [ci, candidate] of (data.candidates || []).entries()) {\n for (const [pi, part] of (candidate.content?.parts || []).entries()) {\n console.log("Candidate/part", ci, pi, JSON.stringify(part));\n const blob = part.inlineData || part.inline_data;\n if (blob?.data) {\n const mime = blob.mimeType || blob.mime_type;\n const suffix = ({"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"})[mime] || "bin";\n saveBlob(blob.data, suffix, `candidate-${ci}-part-${pi}`);\n }\n }\n }\n}\n\nsaveResult(resp);\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\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\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)\nwith client.responses.stream(model="glm-5.3", input="Explain the difference between an observation and a hypothesis 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_response()\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 élément de sortie et chaque partie de contenu, le call_id réel de l’appel de fonction, le raisonnement chiffré et les données d’utilisation. En diffusion en continu, conservez l’identité complète des événements et des éléments.
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 |
Champstatus | Typestring |
Champoutput[] | Typemessage|reasoning|function_call|other item |
Champoutput[].content[] | Typecontent part |
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 glm-5.3, glm, glm-5, glm-5.1, glm-5.2, glm-latest
Ailoot Ultra glm-5.3, z-ai/glm-5.3, ~z-ai/glm-latest
/chat/completions
z-ai/glm-5.3, glm, glm-5, glm-5.1, glm-5.2, glm-latest, ~z-ai/glm-latest, glm-5.3, glm-5.3
glm-5.3Z.ai GLM 5.3 est un modèle de raisonnement textuel pour l’ingénierie logicielle complexe, le travail dans le terminal et les agents à long horizon. Il prend en charge un contexte de 1M jetons documenté par le fabricant, jusqu’à 128K jetons de sortie, l’appel de fonctions et les niveaux d’effort de raisonnement low/high/max, avec le raisonnement activé tout au long du traitement.
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 d’agents à long horizon. Le fabricant indique qu’il utilise le même modèle de base que GLM 5.2, les nouveaux gains provenant du post-entraînement. Cette version met l’accent sur une programmation renforcée, les opérations dans le terminal et des tâches plus larges comportant plusieurs étapes dépendantes. Il accepte du texte et produit du texte, notamment 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 comme valeur par défaut. Le fabricant recommande max pour les travaux de programmation complexes; low offre une option de raisonnement plus légère pour les étapes simples. Utilisez le niveau sélectionné avec un livrable final clair et des critères d’achèvement. Par exemple : « Examine ces fichiers et ces résultats d’échec, retrace la cause dans les modules touchés, propose une correction qui préserve l’interface publique et explique quels contrôles établissent que la régression est résolue. »
Le fabricant précise une fenêtre de contexte de 1M jetons et une longueur de sortie maximale de 128K jetons. Organisez le contenu long autour de la relation que le modèle doit examiner. Préservez les noms de fichiers, les définitions pertinentes, les étiquettes des sources et l’ordre des observations, et laissez de l’espace pour le raisonnement et la réponse finale à l’intérieur du contexte de travail applicable. Une grande fenêtre est utile pour les dépendances entre modules ou pour une longue séquence d’observations d’agent; elle ne transforme pas une archive non ciblée de contenus sans rapport entre eux en une tâche bien définie.
Pour le travail sur un dépôt, fournissez le comportement attendu, le texte source pertinent, les versions des dépendances et la sortie d’erreur réelle. Demandez au modèle de préciser le comportement touché avant de proposer un correctif. Pour un remaniement, nommez l’interface et les invariants qui doivent rester intacts. Une réponse utile contient le code révisé, la raison pour laquelle la modification corrige le problème observé et les cas nécessaires pour vérifier le résultat. Réinjectez les résultats réels dans un processus connecté à des outils afin 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 initiale et des mesures comme des durées, des profils ou des relevés d’allocation. Z.ai décrit des tâches d’entraînement portant sur le diagnostic des goulots d’étranglement, l’optimisation, les expériences et les résultats qui préservent l’exactitude. Une demande pratique est : « Utilise ce profil pour repérer le goulot d’étranglement le plus important, propose une modification mesurable et explique quel résultat justifierait de la conserver. » Distinguez une hypothèse sur les performances d’une amélioration mesurée. Conservez la même charge de travail et les conditions pertinentes lorsque vous examinez un résultat.
Cette version développe aussi la capacité d’analyse des vulnérabilités. Pour une revue défensive du code source, fournissez le code pertinent, ses frontières de confiance prévues et ses conditions d’exécution. Demandez un constat qui relie un problème présumé à l’entrée et au comportement touchés ainsi qu’à une correction ciblée. Séparez une faiblesse potentielle d’une défaillance reproduite et conservez l’observation utilisée pour la valider. Un rapport est plus utile lorsqu’il donne priorité aux preuves concrètes et aux corrections proposées plutôt que de traiter chaque motif suspect comme une vulnérabilité confirmée.
L’appel de fonctions permet à une application environnante d’exposer des opérations externes au modèle. Définissez l’objectif, les arguments et le résultat attendu de chaque outil, puis retournez l’observation réelle de l’outil pour l’étape suivante. Le modèle peut raisonner sur ce résultat et déterminer comment il modifie la tâche. Gardez distinctes les actions proposées, les opérations exécutées et les vérifications non résolues. Le fabricant documente aussi des réponses diffusées en continu, qui renvoient séparément les fragments de raisonnement et de réponse; assemblez la réponse terminée avant de la traiter comme le rapport final ou l’explication de code finale.
La fiche locale du modèle donne un détail précis sur le réglage de l’historique : son gabarit de clavardage conserve la réflexion par défaut, tandis que le fabricant recommande d’effacer explicitement l’ancienne réflexion pour les scénarios de clavardage ordinaires. Appliquez la structure de conversation appropriée au cas d’usage, en conservant les réponses réellement terminées et les résultats d’outils nécessaires à la poursuite du travail. Évitez de considérer les paramètres de 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, les types et les règles de source attendus. Un livrable utile pourrait être un tableau de défauts, un plan de modification ou un objet JSON résumant les observations. Validez la structure et les valeurs avant qu’une application les utilise. Le résultat final doit préciser la réponse ou le livrable révisé, les éléments de preuve qui l’appuient et les hypothèses restantes. Un effort de raisonnement accru n’établit pas qu’un outil a été exécuté, qu’un correctif proposé a réussi ses contrôles ou qu’une affirmation factuelle est appuyée au-delà du contenu fourni.
POST /v1/chat/completionstexttext| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites glm-5.3 | 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 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— |
Texte · Texte UTF8
messages[].content
| Paramètre | Contrat |
|---|---|
Paramètrematerial_types | Contrattext |
Paramètrerequired | Contratmodel, messages |
Paramètreoptional_controls | Contratnull |
Paramètrecontent_type | Contratapplication/json |
Paramètretext_file_material | ContratContenu UTF-8 réel inséré comme texte ; les ID de fichier/URLs nécessitent une prise en charge distincte et exacte |
Cycle de vie : exact retained published method
Les structures des méthodes et les ID sont exacts ; la capacité du fournisseur est distincte de l’admission des requêtes.
POST /v1/chat/completionsAiloot 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 →
Les barèmes de référence du modèle ne modifient ni la sélection de méthode, ni les devis, ni les coûts. Les frais actifs utilisent les tarifs de la méthode Ailoot sélectionnée.
Associez chaque coût aux conditions indiquées. Utilisez un seul tarif pour chaque ensemble de configurations alternatives.
| Configuration | Barème tarifaire | Jetons de contexte, plus de | Jetons de contexte, jusqu’à la limite incluse | Coût |
|---|---|---|---|---|
| ConfigurationOpenAI Chat · Tarifs de base des jetons | Barème tarifaireTarif de base | Jetons de contexte, plus de— | Jetons de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Jetons en entrée $0.0028 / 1K jetons Sortie · Jetons en sortie $0.0088 / 1K jetons Entrée · Lecture du cache $0.00052 / 1K jetons Entrée · Écriture dans le cache — / 1K jetons Entrée · Écriture dans le cache, 1 h — / 1K jetons |
| ConfigurationOpenAI Chat · Palier 1 selon la longueur de la requête | Barème tarifaire— | Jetons de contexte, plus de0 | Jetons de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Jetons en entrée $0.0028 / 1K jetons Sortie · Jetons en sortie $0.0088 / 1K jetons Entrée · Lecture du cache $0.00052 / 1K jetons Entrée · Écriture dans le cache — / 1K jetons Entrée · Écriture dans le cache, 1 h — / 1K jetons |
| ConfigurationAnthropic Messages · Tarifs de base des jetons | Barème tarifaireTarif de base | Jetons de contexte, plus de— | Jetons de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Jetons en entrée $0.0028 / 1K jetons Sortie · Jetons en sortie $0.0088 / 1K jetons Entrée · Lecture du cache $0.00052 / 1K jetons Entrée · Écriture dans le cache — / 1K jetons Entrée · Écriture dans le cache, 1 h — / 1K jetons |
| ConfigurationAnthropic Messages · Palier 1 selon la longueur de la requête | Barème tarifaire— | Jetons de contexte, plus de0 | Jetons de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Jetons en entrée $0.0028 / 1K jetons Sortie · Jetons en sortie $0.0088 / 1K jetons Entrée · Lecture du cache $0.00052 / 1K jetons Entrée · Écriture dans le cache — / 1K jetons Entrée · Écriture dans le cache, 1 h — / 1K jetons |
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 source-material file}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "glm-5.3", "messages": []}')\nf=Path(os.environ["AILOOT_TEXT_FILE"])\nif not f.is_file():raise SystemExit("Choose your actual UTF-8 source material")\ntext=f.read_text(encoding="utf-8")\nif not text.strip():raise SystemExit("Source material must contain text")\np["messages"]=[{"role":"user","content":"Summarize this material and quote supporting source passages.\\n\\n"+text}]\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\nprint(json.dumps(json.loads(Path("result.json").read_text()),ensure_ascii=False,indent=2))\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)\nresp = client.chat.completions.create(\n model="glm-5.3",\n messages=[{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}],\n)\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(resp.to_dict(mode="json"))\nimport OpenAI from "openai";\n\nif (!process.env.AILOOT_API_KEY?.trim()) throw new Error("Set AILOOT_API_KEY before making a request");\nconst client = new OpenAI({ baseURL: "https://api.ailoot.ai/v1", apiKey: process.env.AILOOT_API_KEY, maxRetries: 0 });\nconst resp = await client.chat.completions.create({\n model: "glm-5.3",\n messages: [{ role: "user", content: "Explain the difference between an observation and a hypothesis in three sentences." }],\n});\nimport { writeFileSync } from "node:fs";\n\nfunction saveResult(data, stem = "result") {\n writeFileSync(stem + ".json", JSON.stringify(data, null, 2));\n console.log(JSON.stringify(data, null, 2));\n const saveBlob = (encoded, suffix, label) => {\n const raw = Buffer.from(encoded, "base64");\n const ext = raw.subarray(0,8).equals(Buffer.from([137,80,78,71,13,10,26,10])) ? "png" : raw[0]===255 && raw[1]===216 ? "jpg" : raw.subarray(0,4).toString()==="RIFF" && raw.subarray(8,12).toString()==="WEBP" ? "webp" : suffix;\n const file = `${stem}-${label}.${ext}`;\n writeFileSync(file, raw); console.log("Saved", file);\n };\n for (const [i, block] of (data.content || []).entries()) console.log("Content", i, JSON.stringify(block));\n for (const choice of data.choices || []) console.log("Choice", choice.index, JSON.stringify(choice.message || choice.delta || {}));\n for (const [i, item] of (data.output || []).entries()) {\n console.log("Output", i, JSON.stringify(item));\n if (item.type === "image_generation_call" && item.result) saveBlob(item.result, item.output_format || "bin", `output-${i}`);\n }\n for (const [ci, candidate] of (data.candidates || []).entries()) {\n for (const [pi, part] of (candidate.content?.parts || []).entries()) {\n console.log("Candidate/part", ci, pi, JSON.stringify(part));\n const blob = part.inlineData || part.inline_data;\n if (blob?.data) {\n const mime = blob.mimeType || blob.mime_type;\n const suffix = ({"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"})[mime] || "bin";\n saveBlob(blob.data, suffix, `candidate-${ci}-part-${pi}`);\n }\n }\n }\n}\n\nsaveResult(resp);\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-5.3',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 glm-5.3, glm, glm-5, glm-5.1, glm-5.2, glm-latest
Ailoot Ultra glm-5.3, z-ai/glm-5.3, ~z-ai/glm-latest
/chat/completions
z-ai/glm-5.3, glm, glm-5, glm-5.1, glm-5.2, glm-latest, ~z-ai/glm-latest, glm-5.3, glm-5.3
glm-5.3Z.ai GLM 5.3 est un modèle de raisonnement textuel pour l’ingénierie logicielle complexe, le travail dans le terminal et les agents à long horizon. Il prend en charge un contexte de 1M jetons documenté par le fabricant, jusqu’à 128K jetons de sortie, l’appel de fonctions et les niveaux d’effort de raisonnement low/high/max, avec le raisonnement activé tout au long du traitement.
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 d’agents à long horizon. Le fabricant indique qu’il utilise le même modèle de base que GLM 5.2, les nouveaux gains provenant du post-entraînement. Cette version met l’accent sur une programmation renforcée, les opérations dans le terminal et des tâches plus larges comportant plusieurs étapes dépendantes. Il accepte du texte et produit du texte, notamment 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 comme valeur par défaut. Le fabricant recommande max pour les travaux de programmation complexes; low offre une option de raisonnement plus légère pour les étapes simples. Utilisez le niveau sélectionné avec un livrable final clair et des critères d’achèvement. Par exemple : « Examine ces fichiers et ces résultats d’échec, retrace la cause dans les modules touchés, propose une correction qui préserve l’interface publique et explique quels contrôles établissent que la régression est résolue. »
Le fabricant précise une fenêtre de contexte de 1M jetons et une longueur de sortie maximale de 128K jetons. Organisez le contenu long autour de la relation que le modèle doit examiner. Préservez les noms de fichiers, les définitions pertinentes, les étiquettes des sources et l’ordre des observations, et laissez de l’espace pour le raisonnement et la réponse finale à l’intérieur du contexte de travail applicable. Une grande fenêtre est utile pour les dépendances entre modules ou pour une longue séquence d’observations d’agent; elle ne transforme pas une archive non ciblée de contenus sans rapport entre eux en une tâche bien définie.
Pour le travail sur un dépôt, fournissez le comportement attendu, le texte source pertinent, les versions des dépendances et la sortie d’erreur réelle. Demandez au modèle de préciser le comportement touché avant de proposer un correctif. Pour un remaniement, nommez l’interface et les invariants qui doivent rester intacts. Une réponse utile contient le code révisé, la raison pour laquelle la modification corrige le problème observé et les cas nécessaires pour vérifier le résultat. Réinjectez les résultats réels dans un processus connecté à des outils afin 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 initiale et des mesures comme des durées, des profils ou des relevés d’allocation. Z.ai décrit des tâches d’entraînement portant sur le diagnostic des goulots d’étranglement, l’optimisation, les expériences et les résultats qui préservent l’exactitude. Une demande pratique est : « Utilise ce profil pour repérer le goulot d’étranglement le plus important, propose une modification mesurable et explique quel résultat justifierait de la conserver. » Distinguez une hypothèse sur les performances d’une amélioration mesurée. Conservez la même charge de travail et les conditions pertinentes lorsque vous examinez un résultat.
Cette version développe aussi la capacité d’analyse des vulnérabilités. Pour une revue défensive du code source, fournissez le code pertinent, ses frontières de confiance prévues et ses conditions d’exécution. Demandez un constat qui relie un problème présumé à l’entrée et au comportement touchés ainsi qu’à une correction ciblée. Séparez une faiblesse potentielle d’une défaillance reproduite et conservez l’observation utilisée pour la valider. Un rapport est plus utile lorsqu’il donne priorité aux preuves concrètes et aux corrections proposées plutôt que de traiter chaque motif suspect comme une vulnérabilité confirmée.
L’appel de fonctions permet à une application environnante d’exposer des opérations externes au modèle. Définissez l’objectif, les arguments et le résultat attendu de chaque outil, puis retournez l’observation réelle de l’outil pour l’étape suivante. Le modèle peut raisonner sur ce résultat et déterminer comment il modifie la tâche. Gardez distinctes les actions proposées, les opérations exécutées et les vérifications non résolues. Le fabricant documente aussi des réponses diffusées en continu, qui renvoient séparément les fragments de raisonnement et de réponse; assemblez la réponse terminée avant de la traiter comme le rapport final ou l’explication de code finale.
La fiche locale du modèle donne un détail précis sur le réglage de l’historique : son gabarit de clavardage conserve la réflexion par défaut, tandis que le fabricant recommande d’effacer explicitement l’ancienne réflexion pour les scénarios de clavardage ordinaires. Appliquez la structure de conversation appropriée au cas d’usage, en conservant les réponses réellement terminées et les résultats d’outils nécessaires à la poursuite du travail. Évitez de considérer les paramètres de 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, les types et les règles de source attendus. Un livrable utile pourrait être un tableau de défauts, un plan de modification ou un objet JSON résumant les observations. Validez la structure et les valeurs avant qu’une application les utilise. Le résultat final doit préciser la réponse ou le livrable révisé, les éléments de preuve qui l’appuient et les hypothèses restantes. Un effort de raisonnement accru n’établit pas qu’un outil a été exécuté, qu’un correctif proposé a réussi ses contrôles ou qu’une affirmation factuelle est appuyée au-delà du contenu fourni.
POST /v1/chat/completionstexttext| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites glm-5.3 | Par défaut— |
Champmessages | Typemessage[] | ExigenceObligatoire | Valeurs et limites Nombre minimal d’éléments: 1 | Par défaut— |
Champmessages[].role | Typestring | ExigenceObligatoire | Valeurs et limites Selon le modèle | Par défaut— |
Champmessages[].content | Typestring | ExigenceFacultatif | Valeurs et limites S’applique lorsque: Conversation textuelle | Par défaut— |
Champstream | Typeboolean | ExigenceFacultatif | Valeurs et limites | Par défautfalse |
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 |
Paramètrecontrol_scope | ContratConversation textuelle ; stream est un booléen dont la valeur par défaut est false. |
Paramètreoutput_modalities | Contrattext |
Paramètrehosted_operations | Contratfalse |
Paramètremultimodal_input_binding | Contratnull |
Alias de méthode : /chat/completions
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.
Associez chaque coût aux conditions indiquées. Utilisez un seul tarif pour chaque ensemble de configurations alternatives.
| Configuration | Barème tarifaire | Jetons de contexte, plus de | Jetons de contexte, jusqu’à la limite incluse | Coût |
|---|---|---|---|---|
| ConfigurationTarifs de base des jetons | Barème tarifaireTarif de base | Jetons de contexte, plus de— | Jetons de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Jetons en entrée $0.0028 / 1K jetons Sortie · Jetons en sortie $0.0088 / 1K jetons Entrée · Lecture du cache $0.00052 / 1K jetons Entrée · Écriture dans le cache — / 1K jetons Entrée · Écriture dans le cache, 1 h — / 1K jetons |
| ConfigurationPalier 1 de longueur de requête | Barème tarifaire— | Jetons de contexte, plus de0 | Jetons de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Jetons en entrée $0.0028 / 1K jetons Sortie · Jetons en sortie $0.0088 / 1K jetons Entrée · Lecture du cache $0.00052 / 1K jetons Entrée · Écriture dans le cache — / 1K jetons Entrée · Écriture dans le cache, 1 h — / 1K jetons |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model":"glm-5.3","messages":[{"role":"user","content":"hello"}],"stream":false}')\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-5.3", messages=[{"role":"user","content":"hello"}], stream=False)\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"))\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 glm-5.3, glm, glm-5, glm-5.1, glm-5.2, glm-latest
Ailoot Ultra glm-5.3, z-ai/glm-5.3, ~z-ai/glm-latest
/chat/completions
z-ai/glm-5.3, glm, glm-5, glm-5.1, glm-5.2, glm-latest, ~z-ai/glm-latest, glm-5.3, glm-5.3
glm-5.3Z.ai GLM 5.3 est un modèle de raisonnement textuel pour l’ingénierie logicielle complexe, le travail dans le terminal et les agents à long horizon. Il prend en charge un contexte de 1M jetons documenté par le fabricant, jusqu’à 128K jetons de sortie, l’appel de fonctions et les niveaux d’effort de raisonnement low/high/max, avec le raisonnement activé tout au long du traitement.
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 d’agents à long horizon. Le fabricant indique qu’il utilise le même modèle de base que GLM 5.2, les nouveaux gains provenant du post-entraînement. Cette version met l’accent sur une programmation renforcée, les opérations dans le terminal et des tâches plus larges comportant plusieurs étapes dépendantes. Il accepte du texte et produit du texte, notamment 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 comme valeur par défaut. Le fabricant recommande max pour les travaux de programmation complexes; low offre une option de raisonnement plus légère pour les étapes simples. Utilisez le niveau sélectionné avec un livrable final clair et des critères d’achèvement. Par exemple : « Examine ces fichiers et ces résultats d’échec, retrace la cause dans les modules touchés, propose une correction qui préserve l’interface publique et explique quels contrôles établissent que la régression est résolue. »
Le fabricant précise une fenêtre de contexte de 1M jetons et une longueur de sortie maximale de 128K jetons. Organisez le contenu long autour de la relation que le modèle doit examiner. Préservez les noms de fichiers, les définitions pertinentes, les étiquettes des sources et l’ordre des observations, et laissez de l’espace pour le raisonnement et la réponse finale à l’intérieur du contexte de travail applicable. Une grande fenêtre est utile pour les dépendances entre modules ou pour une longue séquence d’observations d’agent; elle ne transforme pas une archive non ciblée de contenus sans rapport entre eux en une tâche bien définie.
Pour le travail sur un dépôt, fournissez le comportement attendu, le texte source pertinent, les versions des dépendances et la sortie d’erreur réelle. Demandez au modèle de préciser le comportement touché avant de proposer un correctif. Pour un remaniement, nommez l’interface et les invariants qui doivent rester intacts. Une réponse utile contient le code révisé, la raison pour laquelle la modification corrige le problème observé et les cas nécessaires pour vérifier le résultat. Réinjectez les résultats réels dans un processus connecté à des outils afin 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 initiale et des mesures comme des durées, des profils ou des relevés d’allocation. Z.ai décrit des tâches d’entraînement portant sur le diagnostic des goulots d’étranglement, l’optimisation, les expériences et les résultats qui préservent l’exactitude. Une demande pratique est : « Utilise ce profil pour repérer le goulot d’étranglement le plus important, propose une modification mesurable et explique quel résultat justifierait de la conserver. » Distinguez une hypothèse sur les performances d’une amélioration mesurée. Conservez la même charge de travail et les conditions pertinentes lorsque vous examinez un résultat.
Cette version développe aussi la capacité d’analyse des vulnérabilités. Pour une revue défensive du code source, fournissez le code pertinent, ses frontières de confiance prévues et ses conditions d’exécution. Demandez un constat qui relie un problème présumé à l’entrée et au comportement touchés ainsi qu’à une correction ciblée. Séparez une faiblesse potentielle d’une défaillance reproduite et conservez l’observation utilisée pour la valider. Un rapport est plus utile lorsqu’il donne priorité aux preuves concrètes et aux corrections proposées plutôt que de traiter chaque motif suspect comme une vulnérabilité confirmée.
L’appel de fonctions permet à une application environnante d’exposer des opérations externes au modèle. Définissez l’objectif, les arguments et le résultat attendu de chaque outil, puis retournez l’observation réelle de l’outil pour l’étape suivante. Le modèle peut raisonner sur ce résultat et déterminer comment il modifie la tâche. Gardez distinctes les actions proposées, les opérations exécutées et les vérifications non résolues. Le fabricant documente aussi des réponses diffusées en continu, qui renvoient séparément les fragments de raisonnement et de réponse; assemblez la réponse terminée avant de la traiter comme le rapport final ou l’explication de code finale.
La fiche locale du modèle donne un détail précis sur le réglage de l’historique : son gabarit de clavardage conserve la réflexion par défaut, tandis que le fabricant recommande d’effacer explicitement l’ancienne réflexion pour les scénarios de clavardage ordinaires. Appliquez la structure de conversation appropriée au cas d’usage, en conservant les réponses réellement terminées et les résultats d’outils nécessaires à la poursuite du travail. Évitez de considérer les paramètres de 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, les types et les règles de source attendus. Un livrable utile pourrait être un tableau de défauts, un plan de modification ou un objet JSON résumant les observations. Validez la structure et les valeurs avant qu’une application les utilise. Le résultat final doit préciser la réponse ou le livrable révisé, les éléments de preuve qui l’appuient et les hypothèses restantes. Un effort de raisonnement accru n’établit pas qu’un outil a été exécuté, qu’un correctif proposé a réussi ses contrôles ou qu’une affirmation factuelle est appuyée au-delà du contenu fourni.
POST /v1/messagestextjson, sse| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites glm-5.3 | Par défaut— |
Champmessages | Typemessage[] | ExigenceObligatoire | Valeurs et limites | Par défaut— |
Champmessages[].role | Typestring | ExigenceObligatoire | Valeurs et limites user, assistant | Par défaut— |
Champmessages[].content | Typestring | ExigenceObligatoire | Valeurs et limites | Par défaut— |
Champmax_tokens | Typeinteger | ExigenceObligatoire | Valeurs et limites | Par défaut— |
Champstream | Typeboolean | ExigenceFacultatif | Valeurs et limites | Par défautfalse |
Texte · Texte UTF-8
Chaîne messages[].content
| Paramètre | Contrat |
|---|---|
Paramètrecontent_type | Contratapplication/json |
Paramètrerequired | Contratmodel, messages, max_tokens |
Paramètreoptional_controls | Contratstream |
Paramètrematerial_types | Contrattext |
Paramètretext_file_material | ContratLisez le document UTF-8 réel et placez son texte dans l’entrée indiquée ou dans la chaîne de contenu du message. |
Cycle de vie : synchronous_or_streamed
Les tarifs n’ajoutent pas d’options de requête. Les paramètres pris en charge figurent dans la méthode sélectionnée.
Associez chaque coût aux conditions indiquées. Utilisez un seul tarif pour chaque ensemble de configurations alternatives.
| Configuration | Barème tarifaire | Jetons de contexte, plus de | Jetons de contexte, jusqu’à la limite incluse | Coût |
|---|---|---|---|---|
| ConfigurationTarifs de base des jetons | Barème tarifaireTarif de base | Jetons de contexte, plus de— | Jetons de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Jetons en entrée $0.0028 / 1K jetons Sortie · Jetons en sortie $0.0088 / 1K jetons Entrée · Lecture du cache $0.00052 / 1K jetons Entrée · Écriture dans le cache — / 1K jetons Entrée · Écriture dans le cache, 1 h — / 1K jetons |
| ConfigurationPalier 1 de longueur de requête | Barème tarifaire— | Jetons de contexte, plus de0 | Jetons de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Jetons en entrée $0.0028 / 1K jetons Sortie · Jetons en sortie $0.0088 / 1K jetons Entrée · Lecture du cache $0.00052 / 1K jetons Entrée · Écriture dans le cache — / 1K jetons Entrée · Écriture dans le cache, 1 h — / 1K jetons |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
{\n "model": "glm-5.3",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-5.3', '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-5.3', '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 glm-5.3, glm, glm-5, glm-5.1, glm-5.2, glm-latest
Ailoot Ultra glm-5.3, z-ai/glm-5.3, ~z-ai/glm-latest
/chat/completions
z-ai/glm-5.3, glm, glm-5, glm-5.1, glm-5.2, glm-latest, ~z-ai/glm-latest, glm-5.3, glm-5.3
glmZ.ai GLM 5.3 est un modèle de raisonnement textuel pour l’ingénierie logicielle complexe, le travail dans le terminal et les agents à long horizon. Il prend en charge un contexte de 1M jetons documenté par le fabricant, jusqu’à 128K jetons de sortie, l’appel de fonctions et les niveaux d’effort de raisonnement low/high/max, avec le raisonnement activé tout au long du traitement.
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 d’agents à long horizon. Le fabricant indique qu’il utilise le même modèle de base que GLM 5.2, les nouveaux gains provenant du post-entraînement. Cette version met l’accent sur une programmation renforcée, les opérations dans le terminal et des tâches plus larges comportant plusieurs étapes dépendantes. Il accepte du texte et produit du texte, notamment 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 comme valeur par défaut. Le fabricant recommande max pour les travaux de programmation complexes; low offre une option de raisonnement plus légère pour les étapes simples. Utilisez le niveau sélectionné avec un livrable final clair et des critères d’achèvement. Par exemple : « Examine ces fichiers et ces résultats d’échec, retrace la cause dans les modules touchés, propose une correction qui préserve l’interface publique et explique quels contrôles établissent que la régression est résolue. »
Le fabricant précise une fenêtre de contexte de 1M jetons et une longueur de sortie maximale de 128K jetons. Organisez le contenu long autour de la relation que le modèle doit examiner. Préservez les noms de fichiers, les définitions pertinentes, les étiquettes des sources et l’ordre des observations, et laissez de l’espace pour le raisonnement et la réponse finale à l’intérieur du contexte de travail applicable. Une grande fenêtre est utile pour les dépendances entre modules ou pour une longue séquence d’observations d’agent; elle ne transforme pas une archive non ciblée de contenus sans rapport entre eux en une tâche bien définie.
Pour le travail sur un dépôt, fournissez le comportement attendu, le texte source pertinent, les versions des dépendances et la sortie d’erreur réelle. Demandez au modèle de préciser le comportement touché avant de proposer un correctif. Pour un remaniement, nommez l’interface et les invariants qui doivent rester intacts. Une réponse utile contient le code révisé, la raison pour laquelle la modification corrige le problème observé et les cas nécessaires pour vérifier le résultat. Réinjectez les résultats réels dans un processus connecté à des outils afin 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 initiale et des mesures comme des durées, des profils ou des relevés d’allocation. Z.ai décrit des tâches d’entraînement portant sur le diagnostic des goulots d’étranglement, l’optimisation, les expériences et les résultats qui préservent l’exactitude. Une demande pratique est : « Utilise ce profil pour repérer le goulot d’étranglement le plus important, propose une modification mesurable et explique quel résultat justifierait de la conserver. » Distinguez une hypothèse sur les performances d’une amélioration mesurée. Conservez la même charge de travail et les conditions pertinentes lorsque vous examinez un résultat.
Cette version développe aussi la capacité d’analyse des vulnérabilités. Pour une revue défensive du code source, fournissez le code pertinent, ses frontières de confiance prévues et ses conditions d’exécution. Demandez un constat qui relie un problème présumé à l’entrée et au comportement touchés ainsi qu’à une correction ciblée. Séparez une faiblesse potentielle d’une défaillance reproduite et conservez l’observation utilisée pour la valider. Un rapport est plus utile lorsqu’il donne priorité aux preuves concrètes et aux corrections proposées plutôt que de traiter chaque motif suspect comme une vulnérabilité confirmée.
L’appel de fonctions permet à une application environnante d’exposer des opérations externes au modèle. Définissez l’objectif, les arguments et le résultat attendu de chaque outil, puis retournez l’observation réelle de l’outil pour l’étape suivante. Le modèle peut raisonner sur ce résultat et déterminer comment il modifie la tâche. Gardez distinctes les actions proposées, les opérations exécutées et les vérifications non résolues. Le fabricant documente aussi des réponses diffusées en continu, qui renvoient séparément les fragments de raisonnement et de réponse; assemblez la réponse terminée avant de la traiter comme le rapport final ou l’explication de code finale.
La fiche locale du modèle donne un détail précis sur le réglage de l’historique : son gabarit de clavardage conserve la réflexion par défaut, tandis que le fabricant recommande d’effacer explicitement l’ancienne réflexion pour les scénarios de clavardage ordinaires. Appliquez la structure de conversation appropriée au cas d’usage, en conservant les réponses réellement terminées et les résultats d’outils nécessaires à la poursuite du travail. Évitez de considérer les paramètres de 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, les types et les règles de source attendus. Un livrable utile pourrait être un tableau de défauts, un plan de modification ou un objet JSON résumant les observations. Validez la structure et les valeurs avant qu’une application les utilise. Le résultat final doit préciser la réponse ou le livrable révisé, les éléments de preuve qui l’appuient et les hypothèses restantes. Un effort de raisonnement accru n’établit pas qu’un outil a été exécuté, qu’un correctif proposé a réussi ses contrôles ou qu’une affirmation factuelle est appuyée au-delà du contenu fourni.
POST /v1/messagestexttext| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites glm | Par défaut— |
Champmessages | Typemessage[] | ExigenceObligatoire | Valeurs et limites Nombre minimal d’éléments: 1 | Par défaut— |
Champmessages[].role | Typestring | ExigenceObligatoire | Valeurs et limites user, assistant | Par défaut— |
Champmessages[].content | Typestring|content_block[] | ExigenceObligatoire | Valeurs et limites | Par défaut— |
Champsystem | Typestring|content_block[] | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champmax_tokens | Typeinteger | ExigenceObligatoire | Valeurs et limites Minimum: 1 La limite s’applique à: Plafond exact du modèle ou de la fiche sélectionnés | Par défaut— |
Champstream | Typeboolean | ExigenceFacultatif | Valeurs et limites | Par défautfalse |
Champtemperature | Typenumber | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champtop_p | Typenumber | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champstop_sequences | Typestring[] | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champtools | Typetool[] | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champtools[].name | Typestring | ExigenceFacultatif | Valeurs et limites S’applique lorsque: Outil fourni | Par défaut— |
Champtools[].description | Typestring | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champtools[].input_schema | TypeJSON_schema | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champtool_choice | Typeobject | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champthinking.type | Typestring | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champthinking.budget_tokens | Typeinteger | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champoutput_config.effort | Typestring | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champmetadata | Typeobject | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champcache_control | Typeobject | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Texte · Texte UTF8
messages[].content ou bloc type=text
| Paramètre | Contrat |
|---|---|
Paramètrematerial_types | Contrattext |
Paramètrerequired | Contratmodel, messages, max_tokens |
Paramètreoptional_controls | Contratnull |
Paramètrecontent_type | Contratapplication/json |
Paramètretext_file_material | ContratContenu UTF-8 réel inséré comme texte ; les ID de fichier/URLs nécessitent une prise en charge distincte et exacte |
Cycle de vie : exact retained published method
Les structures des méthodes et les ID sont exacts ; la capacité du fournisseur est distincte de l’admission des requêtes.
POST /v1/messagesAiloot 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 →
Les barèmes de référence du modèle ne modifient ni la sélection de méthode, ni les devis, ni les coûts. Les frais actifs utilisent les tarifs de la méthode Ailoot sélectionnée.
Associez chaque coût aux conditions indiquées. Utilisez un seul tarif pour chaque ensemble de configurations alternatives.
| Configuration | Barème tarifaire | Jetons de contexte, plus de | Jetons de contexte, jusqu’à la limite incluse | Coût |
|---|---|---|---|---|
| ConfigurationOpenAI Chat · Tarifs de base des jetons | Barème tarifaireTarif de base | Jetons de contexte, plus de— | Jetons de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Jetons en entrée $0.0028 / 1K jetons Sortie · Jetons en sortie $0.0088 / 1K jetons Entrée · Lecture du cache $0.00052 / 1K jetons Entrée · Écriture dans le cache — / 1K jetons Entrée · Écriture dans le cache, 1 h — / 1K jetons |
| ConfigurationOpenAI Chat · Palier 1 selon la longueur de la requête | Barème tarifaire— | Jetons de contexte, plus de0 | Jetons de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Jetons en entrée $0.0028 / 1K jetons Sortie · Jetons en sortie $0.0088 / 1K jetons Entrée · Lecture du cache $0.00052 / 1K jetons Entrée · Écriture dans le cache — / 1K jetons Entrée · Écriture dans le cache, 1 h — / 1K jetons |
| ConfigurationAnthropic Messages · Tarifs de base des jetons | Barème tarifaireTarif de base | Jetons de contexte, plus de— | Jetons de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Jetons en entrée $0.0028 / 1K jetons Sortie · Jetons en sortie $0.0088 / 1K jetons Entrée · Lecture du cache $0.00052 / 1K jetons Entrée · Écriture dans le cache — / 1K jetons Entrée · Écriture dans le cache, 1 h — / 1K jetons |
| ConfigurationAnthropic Messages · Palier 1 selon la longueur de la requête | Barème tarifaire— | Jetons de contexte, plus de0 | Jetons de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Jetons en entrée $0.0028 / 1K jetons Sortie · Jetons en sortie $0.0088 / 1K jetons Entrée · Lecture du cache $0.00052 / 1K jetons Entrée · Écriture dans le cache — / 1K jetons Entrée · Écriture dans le cache, 1 h — / 1K jetons |
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 source-material file}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "glm", "max_tokens": 1024, "messages": []}')\nf=Path(os.environ["AILOOT_TEXT_FILE"])\nif not f.is_file():raise SystemExit("Choose your actual UTF-8 source material")\ntext=f.read_text(encoding="utf-8")\nif not text.strip():raise SystemExit("Source material must contain text")\np["messages"]=[{"role":"user","content":"Summarize this material and quote supporting source passages.\\n\\n"+text}]\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/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\nprint(json.dumps(json.loads(Path("result.json").read_text()),ensure_ascii=False,indent=2))\nPY_RESULT\nimport anthropic\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient = anthropic.Anthropic(base_url="https://api.ailoot.ai", api_key=os.environ["AILOOT_API_KEY"], max_retries=0)\nmsg = client.messages.create(\n model="glm",\n max_tokens=1024,\n messages=[{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}],\n)\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(msg.to_dict(mode="json"))\nimport Anthropic from "@anthropic-ai/sdk";\n\nif (!process.env.AILOOT_API_KEY?.trim()) throw new Error("Set AILOOT_API_KEY before making a request");\nconst client = new Anthropic({ baseURL: "https://api.ailoot.ai", apiKey: process.env.AILOOT_API_KEY, maxRetries: 0 });\nconst msg = await client.messages.create({\n model: "glm",\n max_tokens: 1024,\n messages: [{ role: "user", content: "Explain the difference between an observation and a hypothesis in three sentences." }],\n});\nimport { writeFileSync } from "node:fs";\n\nfunction saveResult(data, stem = "result") {\n writeFileSync(stem + ".json", JSON.stringify(data, null, 2));\n console.log(JSON.stringify(data, null, 2));\n const saveBlob = (encoded, suffix, label) => {\n const raw = Buffer.from(encoded, "base64");\n const ext = raw.subarray(0,8).equals(Buffer.from([137,80,78,71,13,10,26,10])) ? "png" : raw[0]===255 && raw[1]===216 ? "jpg" : raw.subarray(0,4).toString()==="RIFF" && raw.subarray(8,12).toString()==="WEBP" ? "webp" : suffix;\n const file = `${stem}-${label}.${ext}`;\n writeFileSync(file, raw); console.log("Saved", file);\n };\n for (const [i, block] of (data.content || []).entries()) console.log("Content", i, JSON.stringify(block));\n for (const choice of data.choices || []) console.log("Choice", choice.index, JSON.stringify(choice.message || choice.delta || {}));\n for (const [i, item] of (data.output || []).entries()) {\n console.log("Output", i, JSON.stringify(item));\n if (item.type === "image_generation_call" && item.result) saveBlob(item.result, item.output_format || "bin", `output-${i}`);\n }\n for (const [ci, candidate] of (data.candidates || []).entries()) {\n for (const [pi, part] of (candidate.content?.parts || []).entries()) {\n console.log("Candidate/part", ci, pi, JSON.stringify(part));\n const blob = part.inlineData || part.inline_data;\n if (blob?.data) {\n const mime = blob.mimeType || blob.mime_type;\n const suffix = ({"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"})[mime] || "bin";\n saveBlob(blob.data, suffix, `candidate-${ci}-part-${pi}`);\n }\n }\n }\n}\n\nsaveResult(msg);\nimport anthropic,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=anthropic.Anthropic(base_url="https://api.ailoot.ai",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.messages.stream(model='glm',max_tokens=1024,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_message()\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 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 glm-5.3, glm, glm-5, glm-5.1, glm-5.2, glm-latest
Ailoot Ultra glm-5.3, z-ai/glm-5.3, ~z-ai/glm-latest
/chat/completions
z-ai/glm-5.3, glm, glm-5, glm-5.1, glm-5.2, glm-latest, ~z-ai/glm-latest, glm-5.3, glm-5.3
glmZ.ai GLM 5.3 est un modèle de raisonnement textuel pour l’ingénierie logicielle complexe, le travail dans le terminal et les agents à long horizon. Il prend en charge un contexte de 1M jetons documenté par le fabricant, jusqu’à 128K jetons de sortie, l’appel de fonctions et les niveaux d’effort de raisonnement low/high/max, avec le raisonnement activé tout au long du traitement.
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 d’agents à long horizon. Le fabricant indique qu’il utilise le même modèle de base que GLM 5.2, les nouveaux gains provenant du post-entraînement. Cette version met l’accent sur une programmation renforcée, les opérations dans le terminal et des tâches plus larges comportant plusieurs étapes dépendantes. Il accepte du texte et produit du texte, notamment 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 comme valeur par défaut. Le fabricant recommande max pour les travaux de programmation complexes; low offre une option de raisonnement plus légère pour les étapes simples. Utilisez le niveau sélectionné avec un livrable final clair et des critères d’achèvement. Par exemple : « Examine ces fichiers et ces résultats d’échec, retrace la cause dans les modules touchés, propose une correction qui préserve l’interface publique et explique quels contrôles établissent que la régression est résolue. »
Le fabricant précise une fenêtre de contexte de 1M jetons et une longueur de sortie maximale de 128K jetons. Organisez le contenu long autour de la relation que le modèle doit examiner. Préservez les noms de fichiers, les définitions pertinentes, les étiquettes des sources et l’ordre des observations, et laissez de l’espace pour le raisonnement et la réponse finale à l’intérieur du contexte de travail applicable. Une grande fenêtre est utile pour les dépendances entre modules ou pour une longue séquence d’observations d’agent; elle ne transforme pas une archive non ciblée de contenus sans rapport entre eux en une tâche bien définie.
Pour le travail sur un dépôt, fournissez le comportement attendu, le texte source pertinent, les versions des dépendances et la sortie d’erreur réelle. Demandez au modèle de préciser le comportement touché avant de proposer un correctif. Pour un remaniement, nommez l’interface et les invariants qui doivent rester intacts. Une réponse utile contient le code révisé, la raison pour laquelle la modification corrige le problème observé et les cas nécessaires pour vérifier le résultat. Réinjectez les résultats réels dans un processus connecté à des outils afin 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 initiale et des mesures comme des durées, des profils ou des relevés d’allocation. Z.ai décrit des tâches d’entraînement portant sur le diagnostic des goulots d’étranglement, l’optimisation, les expériences et les résultats qui préservent l’exactitude. Une demande pratique est : « Utilise ce profil pour repérer le goulot d’étranglement le plus important, propose une modification mesurable et explique quel résultat justifierait de la conserver. » Distinguez une hypothèse sur les performances d’une amélioration mesurée. Conservez la même charge de travail et les conditions pertinentes lorsque vous examinez un résultat.
Cette version développe aussi la capacité d’analyse des vulnérabilités. Pour une revue défensive du code source, fournissez le code pertinent, ses frontières de confiance prévues et ses conditions d’exécution. Demandez un constat qui relie un problème présumé à l’entrée et au comportement touchés ainsi qu’à une correction ciblée. Séparez une faiblesse potentielle d’une défaillance reproduite et conservez l’observation utilisée pour la valider. Un rapport est plus utile lorsqu’il donne priorité aux preuves concrètes et aux corrections proposées plutôt que de traiter chaque motif suspect comme une vulnérabilité confirmée.
L’appel de fonctions permet à une application environnante d’exposer des opérations externes au modèle. Définissez l’objectif, les arguments et le résultat attendu de chaque outil, puis retournez l’observation réelle de l’outil pour l’étape suivante. Le modèle peut raisonner sur ce résultat et déterminer comment il modifie la tâche. Gardez distinctes les actions proposées, les opérations exécutées et les vérifications non résolues. Le fabricant documente aussi des réponses diffusées en continu, qui renvoient séparément les fragments de raisonnement et de réponse; assemblez la réponse terminée avant de la traiter comme le rapport final ou l’explication de code finale.
La fiche locale du modèle donne un détail précis sur le réglage de l’historique : son gabarit de clavardage conserve la réflexion par défaut, tandis que le fabricant recommande d’effacer explicitement l’ancienne réflexion pour les scénarios de clavardage ordinaires. Appliquez la structure de conversation appropriée au cas d’usage, en conservant les réponses réellement terminées et les résultats d’outils nécessaires à la poursuite du travail. Évitez de considérer les paramètres de 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, les types et les règles de source attendus. Un livrable utile pourrait être un tableau de défauts, un plan de modification ou un objet JSON résumant les observations. Validez la structure et les valeurs avant qu’une application les utilise. Le résultat final doit préciser la réponse ou le livrable révisé, les éléments de preuve qui l’appuient et les hypothèses restantes. Un effort de raisonnement accru n’établit pas qu’un outil a été exécuté, qu’un correctif proposé a réussi ses contrôles ou qu’une affirmation factuelle est appuyée au-delà du contenu fourni.
POST /v1/responsestexttext| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites glm | Par défaut— |
Champinput | Typestring|input_item[] | ExigenceObligatoire | Valeurs et limites | Par défaut— |
Champinstructions | Typestring | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champinput[].type | Typestring | ExigenceFacultatif | Valeurs et limites message, reasoning, function_call, function_call_output | Par défaut— |
Champinput[].content | Typestring|content_part[] | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champinput[].call_id | Typestring | ExigenceFacultatif | Valeurs et limites S’applique lorsque: function_call_output ; conservez le call_id réellement renvoyé | Par défaut— |
Champinput[].output | Typestring|content_part[] | ExigenceFacultatif | Valeurs et limites S’applique lorsque: function_call_output | Par défaut— |
Champmax_output_tokens | Typeinteger | ExigenceFacultatif | Valeurs et limites Minimum: 1 Selon le modèle | Par défaut— |
Champstream | Typeboolean | ExigenceFacultatif | Valeurs et limites | Par défautfalse |
Champtemperature | Typenumber | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champtop_p | Typenumber | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champtools | Typetool[] | ExigenceFacultatif | Valeurs et limites Selon le modèle | 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— |
Champreasoning.effort | Typestring | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champreasoning.summary | Typestring | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champtext.format | Typeobject | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champtext.verbosity | Typestring | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champinclude | Typestring[] | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champstore | Typeboolean | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champprevious_response_id | Typestring | ExigenceFacultatif | Valeurs et limites Exigence relative à l’ID: Uniquement un ID de réponse réel provenant d’une continuation prise en charge Selon le modèle | Par défaut— |
Champservice_tier | Typestring | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champprompt_cache_key | Typestring | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champprompt_cache_options | Typeobject | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Texte · Texte UTF8
Texte d’entrée ou partie input_text
| Paramètre | Contrat |
|---|---|
Paramètrematerial_types | Contrattext |
Paramètrerequired | Contratmodel, input |
Paramètreoptional_controls | Contratnull |
Paramètrecontent_type | Contratapplication/json |
Paramètretext_file_material | ContratContenu UTF-8 réel inséré comme texte ; les ID de fichier/URLs nécessitent une prise en charge distincte et exacte |
Cycle de vie : exact retained published method
Les structures des méthodes et les ID sont exacts ; la capacité du fournisseur est distincte de l’admission des requêtes.
POST /v1/responsesAiloot 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 →
Les barèmes de référence du modèle ne modifient ni la sélection de méthode, ni les devis, ni les coûts. Les frais actifs utilisent les tarifs de la méthode Ailoot sélectionnée.
Associez chaque coût aux conditions indiquées. Utilisez un seul tarif pour chaque ensemble de configurations alternatives.
| Configuration | Barème tarifaire | Jetons de contexte, plus de | Jetons de contexte, jusqu’à la limite incluse | Coût |
|---|---|---|---|---|
| ConfigurationOpenAI Chat · Tarifs de base des jetons | Barème tarifaireTarif de base | Jetons de contexte, plus de— | Jetons de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Jetons en entrée $0.0028 / 1K jetons Sortie · Jetons en sortie $0.0088 / 1K jetons Entrée · Lecture du cache $0.00052 / 1K jetons Entrée · Écriture dans le cache — / 1K jetons Entrée · Écriture dans le cache, 1 h — / 1K jetons |
| ConfigurationOpenAI Chat · Palier 1 selon la longueur de la requête | Barème tarifaire— | Jetons de contexte, plus de0 | Jetons de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Jetons en entrée $0.0028 / 1K jetons Sortie · Jetons en sortie $0.0088 / 1K jetons Entrée · Lecture du cache $0.00052 / 1K jetons Entrée · Écriture dans le cache — / 1K jetons Entrée · Écriture dans le cache, 1 h — / 1K jetons |
| ConfigurationAnthropic Messages · Tarifs de base des jetons | Barème tarifaireTarif de base | Jetons de contexte, plus de— | Jetons de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Jetons en entrée $0.0028 / 1K jetons Sortie · Jetons en sortie $0.0088 / 1K jetons Entrée · Lecture du cache $0.00052 / 1K jetons Entrée · Écriture dans le cache — / 1K jetons Entrée · Écriture dans le cache, 1 h — / 1K jetons |
| ConfigurationAnthropic Messages · Palier 1 selon la longueur de la requête | Barème tarifaire— | Jetons de contexte, plus de0 | Jetons de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Jetons en entrée $0.0028 / 1K jetons Sortie · Jetons en sortie $0.0088 / 1K jetons Entrée · Lecture du cache $0.00052 / 1K jetons Entrée · Écriture dans le cache — / 1K jetons Entrée · Écriture dans le cache, 1 h — / 1K jetons |
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 source-material file}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "glm", "input": ""}')\nf=Path(os.environ["AILOOT_TEXT_FILE"])\nif not f.is_file():raise SystemExit("Choose your actual UTF-8 source material")\ntext=f.read_text(encoding="utf-8")\nif not text.strip():raise SystemExit("Source material must contain text")\np["input"]="Summarize this material and quote supporting source passages.\\n\\n"+text\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/responses \\\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 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(json.loads(Path("result.json").read_text(encoding="utf-8")))\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)\nresp = client.responses.create(model="glm", input="Explain the difference between an observation and a hypothesis 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(resp.to_dict(mode="json"))\nimport OpenAI from "openai";\n\nif (!process.env.AILOOT_API_KEY?.trim()) throw new Error("Set AILOOT_API_KEY before making a request");\nconst client = new OpenAI({ baseURL: "https://api.ailoot.ai/v1", apiKey: process.env.AILOOT_API_KEY, maxRetries: 0 });\nconst resp = await client.responses.create({ model: "glm", input: "Explain the difference between an observation and a hypothesis in three sentences." });\nimport { writeFileSync } from "node:fs";\n\nfunction saveResult(data, stem = "result") {\n writeFileSync(stem + ".json", JSON.stringify(data, null, 2));\n console.log(JSON.stringify(data, null, 2));\n const saveBlob = (encoded, suffix, label) => {\n const raw = Buffer.from(encoded, "base64");\n const ext = raw.subarray(0,8).equals(Buffer.from([137,80,78,71,13,10,26,10])) ? "png" : raw[0]===255 && raw[1]===216 ? "jpg" : raw.subarray(0,4).toString()==="RIFF" && raw.subarray(8,12).toString()==="WEBP" ? "webp" : suffix;\n const file = `${stem}-${label}.${ext}`;\n writeFileSync(file, raw); console.log("Saved", file);\n };\n for (const [i, block] of (data.content || []).entries()) console.log("Content", i, JSON.stringify(block));\n for (const choice of data.choices || []) console.log("Choice", choice.index, JSON.stringify(choice.message || choice.delta || {}));\n for (const [i, item] of (data.output || []).entries()) {\n console.log("Output", i, JSON.stringify(item));\n if (item.type === "image_generation_call" && item.result) saveBlob(item.result, item.output_format || "bin", `output-${i}`);\n }\n for (const [ci, candidate] of (data.candidates || []).entries()) {\n for (const [pi, part] of (candidate.content?.parts || []).entries()) {\n console.log("Candidate/part", ci, pi, JSON.stringify(part));\n const blob = part.inlineData || part.inline_data;\n if (blob?.data) {\n const mime = blob.mimeType || blob.mime_type;\n const suffix = ({"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"})[mime] || "bin";\n saveBlob(blob.data, suffix, `candidate-${ci}-part-${pi}`);\n }\n }\n }\n}\n\nsaveResult(resp);\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\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\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)\nwith client.responses.stream(model="glm", input="Explain the difference between an observation and a hypothesis 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_response()\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 élément de sortie et chaque partie de contenu, le call_id réel de l’appel de fonction, le raisonnement chiffré et les données d’utilisation. En diffusion en continu, conservez l’identité complète des événements et des éléments.
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 |
Champstatus | Typestring |
Champoutput[] | Typemessage|reasoning|function_call|other item |
Champoutput[].content[] | Typecontent part |
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 glm-5.3, glm, glm-5, glm-5.1, glm-5.2, glm-latest
Ailoot Ultra glm-5.3, z-ai/glm-5.3, ~z-ai/glm-latest
/chat/completions
z-ai/glm-5.3, glm, glm-5, glm-5.1, glm-5.2, glm-latest, ~z-ai/glm-latest, glm-5.3, glm-5.3
glmZ.ai GLM 5.3 est un modèle de raisonnement textuel pour l’ingénierie logicielle complexe, le travail dans le terminal et les agents à long horizon. Il prend en charge un contexte de 1M jetons documenté par le fabricant, jusqu’à 128K jetons de sortie, l’appel de fonctions et les niveaux d’effort de raisonnement low/high/max, avec le raisonnement activé tout au long du traitement.
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 d’agents à long horizon. Le fabricant indique qu’il utilise le même modèle de base que GLM 5.2, les nouveaux gains provenant du post-entraînement. Cette version met l’accent sur une programmation renforcée, les opérations dans le terminal et des tâches plus larges comportant plusieurs étapes dépendantes. Il accepte du texte et produit du texte, notamment 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 comme valeur par défaut. Le fabricant recommande max pour les travaux de programmation complexes; low offre une option de raisonnement plus légère pour les étapes simples. Utilisez le niveau sélectionné avec un livrable final clair et des critères d’achèvement. Par exemple : « Examine ces fichiers et ces résultats d’échec, retrace la cause dans les modules touchés, propose une correction qui préserve l’interface publique et explique quels contrôles établissent que la régression est résolue. »
Le fabricant précise une fenêtre de contexte de 1M jetons et une longueur de sortie maximale de 128K jetons. Organisez le contenu long autour de la relation que le modèle doit examiner. Préservez les noms de fichiers, les définitions pertinentes, les étiquettes des sources et l’ordre des observations, et laissez de l’espace pour le raisonnement et la réponse finale à l’intérieur du contexte de travail applicable. Une grande fenêtre est utile pour les dépendances entre modules ou pour une longue séquence d’observations d’agent; elle ne transforme pas une archive non ciblée de contenus sans rapport entre eux en une tâche bien définie.
Pour le travail sur un dépôt, fournissez le comportement attendu, le texte source pertinent, les versions des dépendances et la sortie d’erreur réelle. Demandez au modèle de préciser le comportement touché avant de proposer un correctif. Pour un remaniement, nommez l’interface et les invariants qui doivent rester intacts. Une réponse utile contient le code révisé, la raison pour laquelle la modification corrige le problème observé et les cas nécessaires pour vérifier le résultat. Réinjectez les résultats réels dans un processus connecté à des outils afin 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 initiale et des mesures comme des durées, des profils ou des relevés d’allocation. Z.ai décrit des tâches d’entraînement portant sur le diagnostic des goulots d’étranglement, l’optimisation, les expériences et les résultats qui préservent l’exactitude. Une demande pratique est : « Utilise ce profil pour repérer le goulot d’étranglement le plus important, propose une modification mesurable et explique quel résultat justifierait de la conserver. » Distinguez une hypothèse sur les performances d’une amélioration mesurée. Conservez la même charge de travail et les conditions pertinentes lorsque vous examinez un résultat.
Cette version développe aussi la capacité d’analyse des vulnérabilités. Pour une revue défensive du code source, fournissez le code pertinent, ses frontières de confiance prévues et ses conditions d’exécution. Demandez un constat qui relie un problème présumé à l’entrée et au comportement touchés ainsi qu’à une correction ciblée. Séparez une faiblesse potentielle d’une défaillance reproduite et conservez l’observation utilisée pour la valider. Un rapport est plus utile lorsqu’il donne priorité aux preuves concrètes et aux corrections proposées plutôt que de traiter chaque motif suspect comme une vulnérabilité confirmée.
L’appel de fonctions permet à une application environnante d’exposer des opérations externes au modèle. Définissez l’objectif, les arguments et le résultat attendu de chaque outil, puis retournez l’observation réelle de l’outil pour l’étape suivante. Le modèle peut raisonner sur ce résultat et déterminer comment il modifie la tâche. Gardez distinctes les actions proposées, les opérations exécutées et les vérifications non résolues. Le fabricant documente aussi des réponses diffusées en continu, qui renvoient séparément les fragments de raisonnement et de réponse; assemblez la réponse terminée avant de la traiter comme le rapport final ou l’explication de code finale.
La fiche locale du modèle donne un détail précis sur le réglage de l’historique : son gabarit de clavardage conserve la réflexion par défaut, tandis que le fabricant recommande d’effacer explicitement l’ancienne réflexion pour les scénarios de clavardage ordinaires. Appliquez la structure de conversation appropriée au cas d’usage, en conservant les réponses réellement terminées et les résultats d’outils nécessaires à la poursuite du travail. Évitez de considérer les paramètres de 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, les types et les règles de source attendus. Un livrable utile pourrait être un tableau de défauts, un plan de modification ou un objet JSON résumant les observations. Validez la structure et les valeurs avant qu’une application les utilise. Le résultat final doit préciser la réponse ou le livrable révisé, les éléments de preuve qui l’appuient et les hypothèses restantes. Un effort de raisonnement accru n’établit pas qu’un outil a été exécuté, qu’un correctif proposé a réussi ses contrôles ou qu’une affirmation factuelle est appuyée au-delà du contenu fourni.
POST /v1/chat/completionstexttext| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites glm | 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 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— |
Texte · Texte UTF8
messages[].content
| Paramètre | Contrat |
|---|---|
Paramètrematerial_types | Contrattext |
Paramètrerequired | Contratmodel, messages |
Paramètreoptional_controls | Contratnull |
Paramètrecontent_type | Contratapplication/json |
Paramètretext_file_material | ContratContenu UTF-8 réel inséré comme texte ; les ID de fichier/URLs nécessitent une prise en charge distincte et exacte |
Cycle de vie : exact retained published method
Les structures des méthodes et les ID sont exacts ; la capacité du fournisseur est distincte de l’admission des requêtes.
POST /v1/chat/completionsAiloot 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 →
Les barèmes de référence du modèle ne modifient ni la sélection de méthode, ni les devis, ni les coûts. Les frais actifs utilisent les tarifs de la méthode Ailoot sélectionnée.
Associez chaque coût aux conditions indiquées. Utilisez un seul tarif pour chaque ensemble de configurations alternatives.
| Configuration | Barème tarifaire | Jetons de contexte, plus de | Jetons de contexte, jusqu’à la limite incluse | Coût |
|---|---|---|---|---|
| ConfigurationOpenAI Chat · Tarifs de base des jetons | Barème tarifaireTarif de base | Jetons de contexte, plus de— | Jetons de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Jetons en entrée $0.0028 / 1K jetons Sortie · Jetons en sortie $0.0088 / 1K jetons Entrée · Lecture du cache $0.00052 / 1K jetons Entrée · Écriture dans le cache — / 1K jetons Entrée · Écriture dans le cache, 1 h — / 1K jetons |
| ConfigurationOpenAI Chat · Palier 1 selon la longueur de la requête | Barème tarifaire— | Jetons de contexte, plus de0 | Jetons de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Jetons en entrée $0.0028 / 1K jetons Sortie · Jetons en sortie $0.0088 / 1K jetons Entrée · Lecture du cache $0.00052 / 1K jetons Entrée · Écriture dans le cache — / 1K jetons Entrée · Écriture dans le cache, 1 h — / 1K jetons |
| ConfigurationAnthropic Messages · Tarifs de base des jetons | Barème tarifaireTarif de base | Jetons de contexte, plus de— | Jetons de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Jetons en entrée $0.0028 / 1K jetons Sortie · Jetons en sortie $0.0088 / 1K jetons Entrée · Lecture du cache $0.00052 / 1K jetons Entrée · Écriture dans le cache — / 1K jetons Entrée · Écriture dans le cache, 1 h — / 1K jetons |
| ConfigurationAnthropic Messages · Palier 1 selon la longueur de la requête | Barème tarifaire— | Jetons de contexte, plus de0 | Jetons de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Jetons en entrée $0.0028 / 1K jetons Sortie · Jetons en sortie $0.0088 / 1K jetons Entrée · Lecture du cache $0.00052 / 1K jetons Entrée · Écriture dans le cache — / 1K jetons Entrée · Écriture dans le cache, 1 h — / 1K jetons |
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 source-material file}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "glm", "messages": []}')\nf=Path(os.environ["AILOOT_TEXT_FILE"])\nif not f.is_file():raise SystemExit("Choose your actual UTF-8 source material")\ntext=f.read_text(encoding="utf-8")\nif not text.strip():raise SystemExit("Source material must contain text")\np["messages"]=[{"role":"user","content":"Summarize this material and quote supporting source passages.\\n\\n"+text}]\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\nprint(json.dumps(json.loads(Path("result.json").read_text()),ensure_ascii=False,indent=2))\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)\nresp = client.chat.completions.create(\n model="glm",\n messages=[{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}],\n)\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(resp.to_dict(mode="json"))\nimport OpenAI from "openai";\n\nif (!process.env.AILOOT_API_KEY?.trim()) throw new Error("Set AILOOT_API_KEY before making a request");\nconst client = new OpenAI({ baseURL: "https://api.ailoot.ai/v1", apiKey: process.env.AILOOT_API_KEY, maxRetries: 0 });\nconst resp = await client.chat.completions.create({\n model: "glm",\n messages: [{ role: "user", content: "Explain the difference between an observation and a hypothesis in three sentences." }],\n});\nimport { writeFileSync } from "node:fs";\n\nfunction saveResult(data, stem = "result") {\n writeFileSync(stem + ".json", JSON.stringify(data, null, 2));\n console.log(JSON.stringify(data, null, 2));\n const saveBlob = (encoded, suffix, label) => {\n const raw = Buffer.from(encoded, "base64");\n const ext = raw.subarray(0,8).equals(Buffer.from([137,80,78,71,13,10,26,10])) ? "png" : raw[0]===255 && raw[1]===216 ? "jpg" : raw.subarray(0,4).toString()==="RIFF" && raw.subarray(8,12).toString()==="WEBP" ? "webp" : suffix;\n const file = `${stem}-${label}.${ext}`;\n writeFileSync(file, raw); console.log("Saved", file);\n };\n for (const [i, block] of (data.content || []).entries()) console.log("Content", i, JSON.stringify(block));\n for (const choice of data.choices || []) console.log("Choice", choice.index, JSON.stringify(choice.message || choice.delta || {}));\n for (const [i, item] of (data.output || []).entries()) {\n console.log("Output", i, JSON.stringify(item));\n if (item.type === "image_generation_call" && item.result) saveBlob(item.result, item.output_format || "bin", `output-${i}`);\n }\n for (const [ci, candidate] of (data.candidates || []).entries()) {\n for (const [pi, part] of (candidate.content?.parts || []).entries()) {\n console.log("Candidate/part", ci, pi, JSON.stringify(part));\n const blob = part.inlineData || part.inline_data;\n if (blob?.data) {\n const mime = blob.mimeType || blob.mime_type;\n const suffix = ({"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"})[mime] || "bin";\n saveBlob(blob.data, suffix, `candidate-${ci}-part-${pi}`);\n }\n }\n }\n}\n\nsaveResult(resp);\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',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 glm-5.3, glm, glm-5, glm-5.1, glm-5.2, glm-latest
Ailoot Ultra glm-5.3, z-ai/glm-5.3, ~z-ai/glm-latest
/chat/completions
z-ai/glm-5.3, glm, glm-5, glm-5.1, glm-5.2, glm-latest, ~z-ai/glm-latest, glm-5.3, glm-5.3
glm-5Z.ai GLM 5.3 est un modèle de raisonnement textuel pour l’ingénierie logicielle complexe, le travail dans le terminal et les agents à long horizon. Il prend en charge un contexte de 1M jetons documenté par le fabricant, jusqu’à 128K jetons de sortie, l’appel de fonctions et les niveaux d’effort de raisonnement low/high/max, avec le raisonnement activé tout au long du traitement.
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 d’agents à long horizon. Le fabricant indique qu’il utilise le même modèle de base que GLM 5.2, les nouveaux gains provenant du post-entraînement. Cette version met l’accent sur une programmation renforcée, les opérations dans le terminal et des tâches plus larges comportant plusieurs étapes dépendantes. Il accepte du texte et produit du texte, notamment 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 comme valeur par défaut. Le fabricant recommande max pour les travaux de programmation complexes; low offre une option de raisonnement plus légère pour les étapes simples. Utilisez le niveau sélectionné avec un livrable final clair et des critères d’achèvement. Par exemple : « Examine ces fichiers et ces résultats d’échec, retrace la cause dans les modules touchés, propose une correction qui préserve l’interface publique et explique quels contrôles établissent que la régression est résolue. »
Le fabricant précise une fenêtre de contexte de 1M jetons et une longueur de sortie maximale de 128K jetons. Organisez le contenu long autour de la relation que le modèle doit examiner. Préservez les noms de fichiers, les définitions pertinentes, les étiquettes des sources et l’ordre des observations, et laissez de l’espace pour le raisonnement et la réponse finale à l’intérieur du contexte de travail applicable. Une grande fenêtre est utile pour les dépendances entre modules ou pour une longue séquence d’observations d’agent; elle ne transforme pas une archive non ciblée de contenus sans rapport entre eux en une tâche bien définie.
Pour le travail sur un dépôt, fournissez le comportement attendu, le texte source pertinent, les versions des dépendances et la sortie d’erreur réelle. Demandez au modèle de préciser le comportement touché avant de proposer un correctif. Pour un remaniement, nommez l’interface et les invariants qui doivent rester intacts. Une réponse utile contient le code révisé, la raison pour laquelle la modification corrige le problème observé et les cas nécessaires pour vérifier le résultat. Réinjectez les résultats réels dans un processus connecté à des outils afin 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 initiale et des mesures comme des durées, des profils ou des relevés d’allocation. Z.ai décrit des tâches d’entraînement portant sur le diagnostic des goulots d’étranglement, l’optimisation, les expériences et les résultats qui préservent l’exactitude. Une demande pratique est : « Utilise ce profil pour repérer le goulot d’étranglement le plus important, propose une modification mesurable et explique quel résultat justifierait de la conserver. » Distinguez une hypothèse sur les performances d’une amélioration mesurée. Conservez la même charge de travail et les conditions pertinentes lorsque vous examinez un résultat.
Cette version développe aussi la capacité d’analyse des vulnérabilités. Pour une revue défensive du code source, fournissez le code pertinent, ses frontières de confiance prévues et ses conditions d’exécution. Demandez un constat qui relie un problème présumé à l’entrée et au comportement touchés ainsi qu’à une correction ciblée. Séparez une faiblesse potentielle d’une défaillance reproduite et conservez l’observation utilisée pour la valider. Un rapport est plus utile lorsqu’il donne priorité aux preuves concrètes et aux corrections proposées plutôt que de traiter chaque motif suspect comme une vulnérabilité confirmée.
L’appel de fonctions permet à une application environnante d’exposer des opérations externes au modèle. Définissez l’objectif, les arguments et le résultat attendu de chaque outil, puis retournez l’observation réelle de l’outil pour l’étape suivante. Le modèle peut raisonner sur ce résultat et déterminer comment il modifie la tâche. Gardez distinctes les actions proposées, les opérations exécutées et les vérifications non résolues. Le fabricant documente aussi des réponses diffusées en continu, qui renvoient séparément les fragments de raisonnement et de réponse; assemblez la réponse terminée avant de la traiter comme le rapport final ou l’explication de code finale.
La fiche locale du modèle donne un détail précis sur le réglage de l’historique : son gabarit de clavardage conserve la réflexion par défaut, tandis que le fabricant recommande d’effacer explicitement l’ancienne réflexion pour les scénarios de clavardage ordinaires. Appliquez la structure de conversation appropriée au cas d’usage, en conservant les réponses réellement terminées et les résultats d’outils nécessaires à la poursuite du travail. Évitez de considérer les paramètres de 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, les types et les règles de source attendus. Un livrable utile pourrait être un tableau de défauts, un plan de modification ou un objet JSON résumant les observations. Validez la structure et les valeurs avant qu’une application les utilise. Le résultat final doit préciser la réponse ou le livrable révisé, les éléments de preuve qui l’appuient et les hypothèses restantes. Un effort de raisonnement accru n’établit pas qu’un outil a été exécuté, qu’un correctif proposé a réussi ses contrôles ou qu’une affirmation factuelle est appuyée au-delà du contenu fourni.
POST /v1/messagestexttext| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites glm-5 | Par défaut— |
Champmessages | Typemessage[] | ExigenceObligatoire | Valeurs et limites Nombre minimal d’éléments: 1 | Par défaut— |
Champmessages[].role | Typestring | ExigenceObligatoire | Valeurs et limites user, assistant | Par défaut— |
Champmessages[].content | Typestring|content_block[] | ExigenceObligatoire | Valeurs et limites | Par défaut— |
Champsystem | Typestring|content_block[] | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champmax_tokens | Typeinteger | ExigenceObligatoire | Valeurs et limites Minimum: 1 La limite s’applique à: Plafond exact du modèle ou de la fiche sélectionnés | Par défaut— |
Champstream | Typeboolean | ExigenceFacultatif | Valeurs et limites | Par défautfalse |
Champtemperature | Typenumber | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champtop_p | Typenumber | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champstop_sequences | Typestring[] | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champtools | Typetool[] | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champtools[].name | Typestring | ExigenceFacultatif | Valeurs et limites S’applique lorsque: Outil fourni | Par défaut— |
Champtools[].description | Typestring | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champtools[].input_schema | TypeJSON_schema | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champtool_choice | Typeobject | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champthinking.type | Typestring | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champthinking.budget_tokens | Typeinteger | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champoutput_config.effort | Typestring | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champmetadata | Typeobject | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champcache_control | Typeobject | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Texte · Texte UTF8
messages[].content ou bloc type=text
| Paramètre | Contrat |
|---|---|
Paramètrematerial_types | Contrattext |
Paramètrerequired | Contratmodel, messages, max_tokens |
Paramètreoptional_controls | Contratnull |
Paramètrecontent_type | Contratapplication/json |
Paramètretext_file_material | ContratContenu UTF-8 réel inséré comme texte ; les ID de fichier/URLs nécessitent une prise en charge distincte et exacte |
Cycle de vie : exact retained published method
Les structures des méthodes et les ID sont exacts ; la capacité du fournisseur est distincte de l’admission des requêtes.
POST /v1/messagesAiloot 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 →
Les barèmes de référence du modèle ne modifient ni la sélection de méthode, ni les devis, ni les coûts. Les frais actifs utilisent les tarifs de la méthode Ailoot sélectionnée.
Associez chaque coût aux conditions indiquées. Utilisez un seul tarif pour chaque ensemble de configurations alternatives.
| Configuration | Barème tarifaire | Jetons de contexte, plus de | Jetons de contexte, jusqu’à la limite incluse | Coût |
|---|---|---|---|---|
| ConfigurationOpenAI Chat · Tarifs de base des jetons | Barème tarifaireTarif de base | Jetons de contexte, plus de— | Jetons de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Jetons en entrée $0.0028 / 1K jetons Sortie · Jetons en sortie $0.0088 / 1K jetons Entrée · Lecture du cache $0.00052 / 1K jetons Entrée · Écriture dans le cache — / 1K jetons Entrée · Écriture dans le cache, 1 h — / 1K jetons |
| ConfigurationOpenAI Chat · Palier 1 selon la longueur de la requête | Barème tarifaire— | Jetons de contexte, plus de0 | Jetons de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Jetons en entrée $0.0028 / 1K jetons Sortie · Jetons en sortie $0.0088 / 1K jetons Entrée · Lecture du cache $0.00052 / 1K jetons Entrée · Écriture dans le cache — / 1K jetons Entrée · Écriture dans le cache, 1 h — / 1K jetons |
| ConfigurationAnthropic Messages · Tarifs de base des jetons | Barème tarifaireTarif de base | Jetons de contexte, plus de— | Jetons de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Jetons en entrée $0.0028 / 1K jetons Sortie · Jetons en sortie $0.0088 / 1K jetons Entrée · Lecture du cache $0.00052 / 1K jetons Entrée · Écriture dans le cache — / 1K jetons Entrée · Écriture dans le cache, 1 h — / 1K jetons |
| ConfigurationAnthropic Messages · Palier 1 selon la longueur de la requête | Barème tarifaire— | Jetons de contexte, plus de0 | Jetons de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Jetons en entrée $0.0028 / 1K jetons Sortie · Jetons en sortie $0.0088 / 1K jetons Entrée · Lecture du cache $0.00052 / 1K jetons Entrée · Écriture dans le cache — / 1K jetons Entrée · Écriture dans le cache, 1 h — / 1K jetons |
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 source-material file}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "glm-5", "max_tokens": 1024, "messages": []}')\nf=Path(os.environ["AILOOT_TEXT_FILE"])\nif not f.is_file():raise SystemExit("Choose your actual UTF-8 source material")\ntext=f.read_text(encoding="utf-8")\nif not text.strip():raise SystemExit("Source material must contain text")\np["messages"]=[{"role":"user","content":"Summarize this material and quote supporting source passages.\\n\\n"+text}]\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/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\nprint(json.dumps(json.loads(Path("result.json").read_text()),ensure_ascii=False,indent=2))\nPY_RESULT\nimport anthropic\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient = anthropic.Anthropic(base_url="https://api.ailoot.ai", api_key=os.environ["AILOOT_API_KEY"], max_retries=0)\nmsg = client.messages.create(\n model="glm-5",\n max_tokens=1024,\n messages=[{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}],\n)\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(msg.to_dict(mode="json"))\nimport Anthropic from "@anthropic-ai/sdk";\n\nif (!process.env.AILOOT_API_KEY?.trim()) throw new Error("Set AILOOT_API_KEY before making a request");\nconst client = new Anthropic({ baseURL: "https://api.ailoot.ai", apiKey: process.env.AILOOT_API_KEY, maxRetries: 0 });\nconst msg = await client.messages.create({\n model: "glm-5",\n max_tokens: 1024,\n messages: [{ role: "user", content: "Explain the difference between an observation and a hypothesis in three sentences." }],\n});\nimport { writeFileSync } from "node:fs";\n\nfunction saveResult(data, stem = "result") {\n writeFileSync(stem + ".json", JSON.stringify(data, null, 2));\n console.log(JSON.stringify(data, null, 2));\n const saveBlob = (encoded, suffix, label) => {\n const raw = Buffer.from(encoded, "base64");\n const ext = raw.subarray(0,8).equals(Buffer.from([137,80,78,71,13,10,26,10])) ? "png" : raw[0]===255 && raw[1]===216 ? "jpg" : raw.subarray(0,4).toString()==="RIFF" && raw.subarray(8,12).toString()==="WEBP" ? "webp" : suffix;\n const file = `${stem}-${label}.${ext}`;\n writeFileSync(file, raw); console.log("Saved", file);\n };\n for (const [i, block] of (data.content || []).entries()) console.log("Content", i, JSON.stringify(block));\n for (const choice of data.choices || []) console.log("Choice", choice.index, JSON.stringify(choice.message || choice.delta || {}));\n for (const [i, item] of (data.output || []).entries()) {\n console.log("Output", i, JSON.stringify(item));\n if (item.type === "image_generation_call" && item.result) saveBlob(item.result, item.output_format || "bin", `output-${i}`);\n }\n for (const [ci, candidate] of (data.candidates || []).entries()) {\n for (const [pi, part] of (candidate.content?.parts || []).entries()) {\n console.log("Candidate/part", ci, pi, JSON.stringify(part));\n const blob = part.inlineData || part.inline_data;\n if (blob?.data) {\n const mime = blob.mimeType || blob.mime_type;\n const suffix = ({"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"})[mime] || "bin";\n saveBlob(blob.data, suffix, `candidate-${ci}-part-${pi}`);\n }\n }\n }\n}\n\nsaveResult(msg);\nimport anthropic,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=anthropic.Anthropic(base_url="https://api.ailoot.ai",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.messages.stream(model='glm-5',max_tokens=1024,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_message()\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 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 glm-5.3, glm, glm-5, glm-5.1, glm-5.2, glm-latest
Ailoot Ultra glm-5.3, z-ai/glm-5.3, ~z-ai/glm-latest
/chat/completions
z-ai/glm-5.3, glm, glm-5, glm-5.1, glm-5.2, glm-latest, ~z-ai/glm-latest, glm-5.3, glm-5.3
glm-5Z.ai GLM 5.3 est un modèle de raisonnement textuel pour l’ingénierie logicielle complexe, le travail dans le terminal et les agents à long horizon. Il prend en charge un contexte de 1M jetons documenté par le fabricant, jusqu’à 128K jetons de sortie, l’appel de fonctions et les niveaux d’effort de raisonnement low/high/max, avec le raisonnement activé tout au long du traitement.
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 d’agents à long horizon. Le fabricant indique qu’il utilise le même modèle de base que GLM 5.2, les nouveaux gains provenant du post-entraînement. Cette version met l’accent sur une programmation renforcée, les opérations dans le terminal et des tâches plus larges comportant plusieurs étapes dépendantes. Il accepte du texte et produit du texte, notamment 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 comme valeur par défaut. Le fabricant recommande max pour les travaux de programmation complexes; low offre une option de raisonnement plus légère pour les étapes simples. Utilisez le niveau sélectionné avec un livrable final clair et des critères d’achèvement. Par exemple : « Examine ces fichiers et ces résultats d’échec, retrace la cause dans les modules touchés, propose une correction qui préserve l’interface publique et explique quels contrôles établissent que la régression est résolue. »
Le fabricant précise une fenêtre de contexte de 1M jetons et une longueur de sortie maximale de 128K jetons. Organisez le contenu long autour de la relation que le modèle doit examiner. Préservez les noms de fichiers, les définitions pertinentes, les étiquettes des sources et l’ordre des observations, et laissez de l’espace pour le raisonnement et la réponse finale à l’intérieur du contexte de travail applicable. Une grande fenêtre est utile pour les dépendances entre modules ou pour une longue séquence d’observations d’agent; elle ne transforme pas une archive non ciblée de contenus sans rapport entre eux en une tâche bien définie.
Pour le travail sur un dépôt, fournissez le comportement attendu, le texte source pertinent, les versions des dépendances et la sortie d’erreur réelle. Demandez au modèle de préciser le comportement touché avant de proposer un correctif. Pour un remaniement, nommez l’interface et les invariants qui doivent rester intacts. Une réponse utile contient le code révisé, la raison pour laquelle la modification corrige le problème observé et les cas nécessaires pour vérifier le résultat. Réinjectez les résultats réels dans un processus connecté à des outils afin 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 initiale et des mesures comme des durées, des profils ou des relevés d’allocation. Z.ai décrit des tâches d’entraînement portant sur le diagnostic des goulots d’étranglement, l’optimisation, les expériences et les résultats qui préservent l’exactitude. Une demande pratique est : « Utilise ce profil pour repérer le goulot d’étranglement le plus important, propose une modification mesurable et explique quel résultat justifierait de la conserver. » Distinguez une hypothèse sur les performances d’une amélioration mesurée. Conservez la même charge de travail et les conditions pertinentes lorsque vous examinez un résultat.
Cette version développe aussi la capacité d’analyse des vulnérabilités. Pour une revue défensive du code source, fournissez le code pertinent, ses frontières de confiance prévues et ses conditions d’exécution. Demandez un constat qui relie un problème présumé à l’entrée et au comportement touchés ainsi qu’à une correction ciblée. Séparez une faiblesse potentielle d’une défaillance reproduite et conservez l’observation utilisée pour la valider. Un rapport est plus utile lorsqu’il donne priorité aux preuves concrètes et aux corrections proposées plutôt que de traiter chaque motif suspect comme une vulnérabilité confirmée.
L’appel de fonctions permet à une application environnante d’exposer des opérations externes au modèle. Définissez l’objectif, les arguments et le résultat attendu de chaque outil, puis retournez l’observation réelle de l’outil pour l’étape suivante. Le modèle peut raisonner sur ce résultat et déterminer comment il modifie la tâche. Gardez distinctes les actions proposées, les opérations exécutées et les vérifications non résolues. Le fabricant documente aussi des réponses diffusées en continu, qui renvoient séparément les fragments de raisonnement et de réponse; assemblez la réponse terminée avant de la traiter comme le rapport final ou l’explication de code finale.
La fiche locale du modèle donne un détail précis sur le réglage de l’historique : son gabarit de clavardage conserve la réflexion par défaut, tandis que le fabricant recommande d’effacer explicitement l’ancienne réflexion pour les scénarios de clavardage ordinaires. Appliquez la structure de conversation appropriée au cas d’usage, en conservant les réponses réellement terminées et les résultats d’outils nécessaires à la poursuite du travail. Évitez de considérer les paramètres de 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, les types et les règles de source attendus. Un livrable utile pourrait être un tableau de défauts, un plan de modification ou un objet JSON résumant les observations. Validez la structure et les valeurs avant qu’une application les utilise. Le résultat final doit préciser la réponse ou le livrable révisé, les éléments de preuve qui l’appuient et les hypothèses restantes. Un effort de raisonnement accru n’établit pas qu’un outil a été exécuté, qu’un correctif proposé a réussi ses contrôles ou qu’une affirmation factuelle est appuyée au-delà du contenu fourni.
POST /v1/responsestexttext| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites glm-5 | Par défaut— |
Champinput | Typestring|input_item[] | ExigenceObligatoire | Valeurs et limites | Par défaut— |
Champinstructions | Typestring | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champinput[].type | Typestring | ExigenceFacultatif | Valeurs et limites message, reasoning, function_call, function_call_output | Par défaut— |
Champinput[].content | Typestring|content_part[] | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champinput[].call_id | Typestring | ExigenceFacultatif | Valeurs et limites S’applique lorsque: function_call_output ; conservez le call_id réellement renvoyé | Par défaut— |
Champinput[].output | Typestring|content_part[] | ExigenceFacultatif | Valeurs et limites S’applique lorsque: function_call_output | Par défaut— |
Champmax_output_tokens | Typeinteger | ExigenceFacultatif | Valeurs et limites Minimum: 1 Selon le modèle | Par défaut— |
Champstream | Typeboolean | ExigenceFacultatif | Valeurs et limites | Par défautfalse |
Champtemperature | Typenumber | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champtop_p | Typenumber | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champtools | Typetool[] | ExigenceFacultatif | Valeurs et limites Selon le modèle | 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— |
Champreasoning.effort | Typestring | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champreasoning.summary | Typestring | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champtext.format | Typeobject | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champtext.verbosity | Typestring | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champinclude | Typestring[] | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champstore | Typeboolean | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champprevious_response_id | Typestring | ExigenceFacultatif | Valeurs et limites Exigence relative à l’ID: Uniquement un ID de réponse réel provenant d’une continuation prise en charge Selon le modèle | Par défaut— |
Champservice_tier | Typestring | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champprompt_cache_key | Typestring | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champprompt_cache_options | Typeobject | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Texte · Texte UTF8
Texte d’entrée ou partie input_text
| Paramètre | Contrat |
|---|---|
Paramètrematerial_types | Contrattext |
Paramètrerequired | Contratmodel, input |
Paramètreoptional_controls | Contratnull |
Paramètrecontent_type | Contratapplication/json |
Paramètretext_file_material | ContratContenu UTF-8 réel inséré comme texte ; les ID de fichier/URLs nécessitent une prise en charge distincte et exacte |
Cycle de vie : exact retained published method
Les structures des méthodes et les ID sont exacts ; la capacité du fournisseur est distincte de l’admission des requêtes.
POST /v1/responsesAiloot 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 →
Les barèmes de référence du modèle ne modifient ni la sélection de méthode, ni les devis, ni les coûts. Les frais actifs utilisent les tarifs de la méthode Ailoot sélectionnée.
Associez chaque coût aux conditions indiquées. Utilisez un seul tarif pour chaque ensemble de configurations alternatives.
| Configuration | Barème tarifaire | Jetons de contexte, plus de | Jetons de contexte, jusqu’à la limite incluse | Coût |
|---|---|---|---|---|
| ConfigurationOpenAI Chat · Tarifs de base des jetons | Barème tarifaireTarif de base | Jetons de contexte, plus de— | Jetons de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Jetons en entrée $0.0028 / 1K jetons Sortie · Jetons en sortie $0.0088 / 1K jetons Entrée · Lecture du cache $0.00052 / 1K jetons Entrée · Écriture dans le cache — / 1K jetons Entrée · Écriture dans le cache, 1 h — / 1K jetons |
| ConfigurationOpenAI Chat · Palier 1 selon la longueur de la requête | Barème tarifaire— | Jetons de contexte, plus de0 | Jetons de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Jetons en entrée $0.0028 / 1K jetons Sortie · Jetons en sortie $0.0088 / 1K jetons Entrée · Lecture du cache $0.00052 / 1K jetons Entrée · Écriture dans le cache — / 1K jetons Entrée · Écriture dans le cache, 1 h — / 1K jetons |
| ConfigurationAnthropic Messages · Tarifs de base des jetons | Barème tarifaireTarif de base | Jetons de contexte, plus de— | Jetons de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Jetons en entrée $0.0028 / 1K jetons Sortie · Jetons en sortie $0.0088 / 1K jetons Entrée · Lecture du cache $0.00052 / 1K jetons Entrée · Écriture dans le cache — / 1K jetons Entrée · Écriture dans le cache, 1 h — / 1K jetons |
| ConfigurationAnthropic Messages · Palier 1 selon la longueur de la requête | Barème tarifaire— | Jetons de contexte, plus de0 | Jetons de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Jetons en entrée $0.0028 / 1K jetons Sortie · Jetons en sortie $0.0088 / 1K jetons Entrée · Lecture du cache $0.00052 / 1K jetons Entrée · Écriture dans le cache — / 1K jetons Entrée · Écriture dans le cache, 1 h — / 1K jetons |
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 source-material file}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "glm-5", "input": ""}')\nf=Path(os.environ["AILOOT_TEXT_FILE"])\nif not f.is_file():raise SystemExit("Choose your actual UTF-8 source material")\ntext=f.read_text(encoding="utf-8")\nif not text.strip():raise SystemExit("Source material must contain text")\np["input"]="Summarize this material and quote supporting source passages.\\n\\n"+text\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/responses \\\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 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(json.loads(Path("result.json").read_text(encoding="utf-8")))\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)\nresp = client.responses.create(model="glm-5", input="Explain the difference between an observation and a hypothesis 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(resp.to_dict(mode="json"))\nimport OpenAI from "openai";\n\nif (!process.env.AILOOT_API_KEY?.trim()) throw new Error("Set AILOOT_API_KEY before making a request");\nconst client = new OpenAI({ baseURL: "https://api.ailoot.ai/v1", apiKey: process.env.AILOOT_API_KEY, maxRetries: 0 });\nconst resp = await client.responses.create({ model: "glm-5", input: "Explain the difference between an observation and a hypothesis in three sentences." });\nimport { writeFileSync } from "node:fs";\n\nfunction saveResult(data, stem = "result") {\n writeFileSync(stem + ".json", JSON.stringify(data, null, 2));\n console.log(JSON.stringify(data, null, 2));\n const saveBlob = (encoded, suffix, label) => {\n const raw = Buffer.from(encoded, "base64");\n const ext = raw.subarray(0,8).equals(Buffer.from([137,80,78,71,13,10,26,10])) ? "png" : raw[0]===255 && raw[1]===216 ? "jpg" : raw.subarray(0,4).toString()==="RIFF" && raw.subarray(8,12).toString()==="WEBP" ? "webp" : suffix;\n const file = `${stem}-${label}.${ext}`;\n writeFileSync(file, raw); console.log("Saved", file);\n };\n for (const [i, block] of (data.content || []).entries()) console.log("Content", i, JSON.stringify(block));\n for (const choice of data.choices || []) console.log("Choice", choice.index, JSON.stringify(choice.message || choice.delta || {}));\n for (const [i, item] of (data.output || []).entries()) {\n console.log("Output", i, JSON.stringify(item));\n if (item.type === "image_generation_call" && item.result) saveBlob(item.result, item.output_format || "bin", `output-${i}`);\n }\n for (const [ci, candidate] of (data.candidates || []).entries()) {\n for (const [pi, part] of (candidate.content?.parts || []).entries()) {\n console.log("Candidate/part", ci, pi, JSON.stringify(part));\n const blob = part.inlineData || part.inline_data;\n if (blob?.data) {\n const mime = blob.mimeType || blob.mime_type;\n const suffix = ({"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"})[mime] || "bin";\n saveBlob(blob.data, suffix, `candidate-${ci}-part-${pi}`);\n }\n }\n }\n}\n\nsaveResult(resp);\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\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\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)\nwith client.responses.stream(model="glm-5", input="Explain the difference between an observation and a hypothesis 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_response()\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 élément de sortie et chaque partie de contenu, le call_id réel de l’appel de fonction, le raisonnement chiffré et les données d’utilisation. En diffusion en continu, conservez l’identité complète des événements et des éléments.
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 |
Champstatus | Typestring |
Champoutput[] | Typemessage|reasoning|function_call|other item |
Champoutput[].content[] | Typecontent part |
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 glm-5.3, glm, glm-5, glm-5.1, glm-5.2, glm-latest
Ailoot Ultra glm-5.3, z-ai/glm-5.3, ~z-ai/glm-latest
/chat/completions
z-ai/glm-5.3, glm, glm-5, glm-5.1, glm-5.2, glm-latest, ~z-ai/glm-latest, glm-5.3, glm-5.3
glm-5Z.ai GLM 5.3 est un modèle de raisonnement textuel pour l’ingénierie logicielle complexe, le travail dans le terminal et les agents à long horizon. Il prend en charge un contexte de 1M jetons documenté par le fabricant, jusqu’à 128K jetons de sortie, l’appel de fonctions et les niveaux d’effort de raisonnement low/high/max, avec le raisonnement activé tout au long du traitement.
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 d’agents à long horizon. Le fabricant indique qu’il utilise le même modèle de base que GLM 5.2, les nouveaux gains provenant du post-entraînement. Cette version met l’accent sur une programmation renforcée, les opérations dans le terminal et des tâches plus larges comportant plusieurs étapes dépendantes. Il accepte du texte et produit du texte, notamment 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 comme valeur par défaut. Le fabricant recommande max pour les travaux de programmation complexes; low offre une option de raisonnement plus légère pour les étapes simples. Utilisez le niveau sélectionné avec un livrable final clair et des critères d’achèvement. Par exemple : « Examine ces fichiers et ces résultats d’échec, retrace la cause dans les modules touchés, propose une correction qui préserve l’interface publique et explique quels contrôles établissent que la régression est résolue. »
Le fabricant précise une fenêtre de contexte de 1M jetons et une longueur de sortie maximale de 128K jetons. Organisez le contenu long autour de la relation que le modèle doit examiner. Préservez les noms de fichiers, les définitions pertinentes, les étiquettes des sources et l’ordre des observations, et laissez de l’espace pour le raisonnement et la réponse finale à l’intérieur du contexte de travail applicable. Une grande fenêtre est utile pour les dépendances entre modules ou pour une longue séquence d’observations d’agent; elle ne transforme pas une archive non ciblée de contenus sans rapport entre eux en une tâche bien définie.
Pour le travail sur un dépôt, fournissez le comportement attendu, le texte source pertinent, les versions des dépendances et la sortie d’erreur réelle. Demandez au modèle de préciser le comportement touché avant de proposer un correctif. Pour un remaniement, nommez l’interface et les invariants qui doivent rester intacts. Une réponse utile contient le code révisé, la raison pour laquelle la modification corrige le problème observé et les cas nécessaires pour vérifier le résultat. Réinjectez les résultats réels dans un processus connecté à des outils afin 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 initiale et des mesures comme des durées, des profils ou des relevés d’allocation. Z.ai décrit des tâches d’entraînement portant sur le diagnostic des goulots d’étranglement, l’optimisation, les expériences et les résultats qui préservent l’exactitude. Une demande pratique est : « Utilise ce profil pour repérer le goulot d’étranglement le plus important, propose une modification mesurable et explique quel résultat justifierait de la conserver. » Distinguez une hypothèse sur les performances d’une amélioration mesurée. Conservez la même charge de travail et les conditions pertinentes lorsque vous examinez un résultat.
Cette version développe aussi la capacité d’analyse des vulnérabilités. Pour une revue défensive du code source, fournissez le code pertinent, ses frontières de confiance prévues et ses conditions d’exécution. Demandez un constat qui relie un problème présumé à l’entrée et au comportement touchés ainsi qu’à une correction ciblée. Séparez une faiblesse potentielle d’une défaillance reproduite et conservez l’observation utilisée pour la valider. Un rapport est plus utile lorsqu’il donne priorité aux preuves concrètes et aux corrections proposées plutôt que de traiter chaque motif suspect comme une vulnérabilité confirmée.
L’appel de fonctions permet à une application environnante d’exposer des opérations externes au modèle. Définissez l’objectif, les arguments et le résultat attendu de chaque outil, puis retournez l’observation réelle de l’outil pour l’étape suivante. Le modèle peut raisonner sur ce résultat et déterminer comment il modifie la tâche. Gardez distinctes les actions proposées, les opérations exécutées et les vérifications non résolues. Le fabricant documente aussi des réponses diffusées en continu, qui renvoient séparément les fragments de raisonnement et de réponse; assemblez la réponse terminée avant de la traiter comme le rapport final ou l’explication de code finale.
La fiche locale du modèle donne un détail précis sur le réglage de l’historique : son gabarit de clavardage conserve la réflexion par défaut, tandis que le fabricant recommande d’effacer explicitement l’ancienne réflexion pour les scénarios de clavardage ordinaires. Appliquez la structure de conversation appropriée au cas d’usage, en conservant les réponses réellement terminées et les résultats d’outils nécessaires à la poursuite du travail. Évitez de considérer les paramètres de 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, les types et les règles de source attendus. Un livrable utile pourrait être un tableau de défauts, un plan de modification ou un objet JSON résumant les observations. Validez la structure et les valeurs avant qu’une application les utilise. Le résultat final doit préciser la réponse ou le livrable révisé, les éléments de preuve qui l’appuient et les hypothèses restantes. Un effort de raisonnement accru n’établit pas qu’un outil a été exécuté, qu’un correctif proposé a réussi ses contrôles ou qu’une affirmation factuelle est appuyée au-delà du contenu fourni.
POST /v1/chat/completionstexttext| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites glm-5 | 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 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— |
Texte · Texte UTF8
messages[].content
| Paramètre | Contrat |
|---|---|
Paramètrematerial_types | Contrattext |
Paramètrerequired | Contratmodel, messages |
Paramètreoptional_controls | Contratnull |
Paramètrecontent_type | Contratapplication/json |
Paramètretext_file_material | ContratContenu UTF-8 réel inséré comme texte ; les ID de fichier/URLs nécessitent une prise en charge distincte et exacte |
Cycle de vie : exact retained published method
Les structures des méthodes et les ID sont exacts ; la capacité du fournisseur est distincte de l’admission des requêtes.
POST /v1/chat/completionsAiloot 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 →
Les barèmes de référence du modèle ne modifient ni la sélection de méthode, ni les devis, ni les coûts. Les frais actifs utilisent les tarifs de la méthode Ailoot sélectionnée.
Associez chaque coût aux conditions indiquées. Utilisez un seul tarif pour chaque ensemble de configurations alternatives.
| Configuration | Barème tarifaire | Jetons de contexte, plus de | Jetons de contexte, jusqu’à la limite incluse | Coût |
|---|---|---|---|---|
| ConfigurationOpenAI Chat · Tarifs de base des jetons | Barème tarifaireTarif de base | Jetons de contexte, plus de— | Jetons de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Jetons en entrée $0.0028 / 1K jetons Sortie · Jetons en sortie $0.0088 / 1K jetons Entrée · Lecture du cache $0.00052 / 1K jetons Entrée · Écriture dans le cache — / 1K jetons Entrée · Écriture dans le cache, 1 h — / 1K jetons |
| ConfigurationOpenAI Chat · Palier 1 selon la longueur de la requête | Barème tarifaire— | Jetons de contexte, plus de0 | Jetons de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Jetons en entrée $0.0028 / 1K jetons Sortie · Jetons en sortie $0.0088 / 1K jetons Entrée · Lecture du cache $0.00052 / 1K jetons Entrée · Écriture dans le cache — / 1K jetons Entrée · Écriture dans le cache, 1 h — / 1K jetons |
| ConfigurationAnthropic Messages · Tarifs de base des jetons | Barème tarifaireTarif de base | Jetons de contexte, plus de— | Jetons de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Jetons en entrée $0.0028 / 1K jetons Sortie · Jetons en sortie $0.0088 / 1K jetons Entrée · Lecture du cache $0.00052 / 1K jetons Entrée · Écriture dans le cache — / 1K jetons Entrée · Écriture dans le cache, 1 h — / 1K jetons |
| ConfigurationAnthropic Messages · Palier 1 selon la longueur de la requête | Barème tarifaire— | Jetons de contexte, plus de0 | Jetons de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Jetons en entrée $0.0028 / 1K jetons Sortie · Jetons en sortie $0.0088 / 1K jetons Entrée · Lecture du cache $0.00052 / 1K jetons Entrée · Écriture dans le cache — / 1K jetons Entrée · Écriture dans le cache, 1 h — / 1K jetons |
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 source-material file}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "glm-5", "messages": []}')\nf=Path(os.environ["AILOOT_TEXT_FILE"])\nif not f.is_file():raise SystemExit("Choose your actual UTF-8 source material")\ntext=f.read_text(encoding="utf-8")\nif not text.strip():raise SystemExit("Source material must contain text")\np["messages"]=[{"role":"user","content":"Summarize this material and quote supporting source passages.\\n\\n"+text}]\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\nprint(json.dumps(json.loads(Path("result.json").read_text()),ensure_ascii=False,indent=2))\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)\nresp = client.chat.completions.create(\n model="glm-5",\n messages=[{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}],\n)\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(resp.to_dict(mode="json"))\nimport OpenAI from "openai";\n\nif (!process.env.AILOOT_API_KEY?.trim()) throw new Error("Set AILOOT_API_KEY before making a request");\nconst client = new OpenAI({ baseURL: "https://api.ailoot.ai/v1", apiKey: process.env.AILOOT_API_KEY, maxRetries: 0 });\nconst resp = await client.chat.completions.create({\n model: "glm-5",\n messages: [{ role: "user", content: "Explain the difference between an observation and a hypothesis in three sentences." }],\n});\nimport { writeFileSync } from "node:fs";\n\nfunction saveResult(data, stem = "result") {\n writeFileSync(stem + ".json", JSON.stringify(data, null, 2));\n console.log(JSON.stringify(data, null, 2));\n const saveBlob = (encoded, suffix, label) => {\n const raw = Buffer.from(encoded, "base64");\n const ext = raw.subarray(0,8).equals(Buffer.from([137,80,78,71,13,10,26,10])) ? "png" : raw[0]===255 && raw[1]===216 ? "jpg" : raw.subarray(0,4).toString()==="RIFF" && raw.subarray(8,12).toString()==="WEBP" ? "webp" : suffix;\n const file = `${stem}-${label}.${ext}`;\n writeFileSync(file, raw); console.log("Saved", file);\n };\n for (const [i, block] of (data.content || []).entries()) console.log("Content", i, JSON.stringify(block));\n for (const choice of data.choices || []) console.log("Choice", choice.index, JSON.stringify(choice.message || choice.delta || {}));\n for (const [i, item] of (data.output || []).entries()) {\n console.log("Output", i, JSON.stringify(item));\n if (item.type === "image_generation_call" && item.result) saveBlob(item.result, item.output_format || "bin", `output-${i}`);\n }\n for (const [ci, candidate] of (data.candidates || []).entries()) {\n for (const [pi, part] of (candidate.content?.parts || []).entries()) {\n console.log("Candidate/part", ci, pi, JSON.stringify(part));\n const blob = part.inlineData || part.inline_data;\n if (blob?.data) {\n const mime = blob.mimeType || blob.mime_type;\n const suffix = ({"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"})[mime] || "bin";\n saveBlob(blob.data, suffix, `candidate-${ci}-part-${pi}`);\n }\n }\n }\n}\n\nsaveResult(resp);\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-5',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 glm-5.3, glm, glm-5, glm-5.1, glm-5.2, glm-latest
Ailoot Ultra glm-5.3, z-ai/glm-5.3, ~z-ai/glm-latest
/chat/completions
z-ai/glm-5.3, glm, glm-5, glm-5.1, glm-5.2, glm-latest, ~z-ai/glm-latest, glm-5.3, glm-5.3
glm-5.1Z.ai GLM 5.3 est un modèle de raisonnement textuel pour l’ingénierie logicielle complexe, le travail dans le terminal et les agents à long horizon. Il prend en charge un contexte de 1M jetons documenté par le fabricant, jusqu’à 128K jetons de sortie, l’appel de fonctions et les niveaux d’effort de raisonnement low/high/max, avec le raisonnement activé tout au long du traitement.
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 d’agents à long horizon. Le fabricant indique qu’il utilise le même modèle de base que GLM 5.2, les nouveaux gains provenant du post-entraînement. Cette version met l’accent sur une programmation renforcée, les opérations dans le terminal et des tâches plus larges comportant plusieurs étapes dépendantes. Il accepte du texte et produit du texte, notamment 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 comme valeur par défaut. Le fabricant recommande max pour les travaux de programmation complexes; low offre une option de raisonnement plus légère pour les étapes simples. Utilisez le niveau sélectionné avec un livrable final clair et des critères d’achèvement. Par exemple : « Examine ces fichiers et ces résultats d’échec, retrace la cause dans les modules touchés, propose une correction qui préserve l’interface publique et explique quels contrôles établissent que la régression est résolue. »
Le fabricant précise une fenêtre de contexte de 1M jetons et une longueur de sortie maximale de 128K jetons. Organisez le contenu long autour de la relation que le modèle doit examiner. Préservez les noms de fichiers, les définitions pertinentes, les étiquettes des sources et l’ordre des observations, et laissez de l’espace pour le raisonnement et la réponse finale à l’intérieur du contexte de travail applicable. Une grande fenêtre est utile pour les dépendances entre modules ou pour une longue séquence d’observations d’agent; elle ne transforme pas une archive non ciblée de contenus sans rapport entre eux en une tâche bien définie.
Pour le travail sur un dépôt, fournissez le comportement attendu, le texte source pertinent, les versions des dépendances et la sortie d’erreur réelle. Demandez au modèle de préciser le comportement touché avant de proposer un correctif. Pour un remaniement, nommez l’interface et les invariants qui doivent rester intacts. Une réponse utile contient le code révisé, la raison pour laquelle la modification corrige le problème observé et les cas nécessaires pour vérifier le résultat. Réinjectez les résultats réels dans un processus connecté à des outils afin 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 initiale et des mesures comme des durées, des profils ou des relevés d’allocation. Z.ai décrit des tâches d’entraînement portant sur le diagnostic des goulots d’étranglement, l’optimisation, les expériences et les résultats qui préservent l’exactitude. Une demande pratique est : « Utilise ce profil pour repérer le goulot d’étranglement le plus important, propose une modification mesurable et explique quel résultat justifierait de la conserver. » Distinguez une hypothèse sur les performances d’une amélioration mesurée. Conservez la même charge de travail et les conditions pertinentes lorsque vous examinez un résultat.
Cette version développe aussi la capacité d’analyse des vulnérabilités. Pour une revue défensive du code source, fournissez le code pertinent, ses frontières de confiance prévues et ses conditions d’exécution. Demandez un constat qui relie un problème présumé à l’entrée et au comportement touchés ainsi qu’à une correction ciblée. Séparez une faiblesse potentielle d’une défaillance reproduite et conservez l’observation utilisée pour la valider. Un rapport est plus utile lorsqu’il donne priorité aux preuves concrètes et aux corrections proposées plutôt que de traiter chaque motif suspect comme une vulnérabilité confirmée.
L’appel de fonctions permet à une application environnante d’exposer des opérations externes au modèle. Définissez l’objectif, les arguments et le résultat attendu de chaque outil, puis retournez l’observation réelle de l’outil pour l’étape suivante. Le modèle peut raisonner sur ce résultat et déterminer comment il modifie la tâche. Gardez distinctes les actions proposées, les opérations exécutées et les vérifications non résolues. Le fabricant documente aussi des réponses diffusées en continu, qui renvoient séparément les fragments de raisonnement et de réponse; assemblez la réponse terminée avant de la traiter comme le rapport final ou l’explication de code finale.
La fiche locale du modèle donne un détail précis sur le réglage de l’historique : son gabarit de clavardage conserve la réflexion par défaut, tandis que le fabricant recommande d’effacer explicitement l’ancienne réflexion pour les scénarios de clavardage ordinaires. Appliquez la structure de conversation appropriée au cas d’usage, en conservant les réponses réellement terminées et les résultats d’outils nécessaires à la poursuite du travail. Évitez de considérer les paramètres de 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, les types et les règles de source attendus. Un livrable utile pourrait être un tableau de défauts, un plan de modification ou un objet JSON résumant les observations. Validez la structure et les valeurs avant qu’une application les utilise. Le résultat final doit préciser la réponse ou le livrable révisé, les éléments de preuve qui l’appuient et les hypothèses restantes. Un effort de raisonnement accru n’établit pas qu’un outil a été exécuté, qu’un correctif proposé a réussi ses contrôles ou qu’une affirmation factuelle est appuyée au-delà du contenu fourni.
POST /v1/messagestexttext| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites glm-5.1 | Par défaut— |
Champmessages | Typemessage[] | ExigenceObligatoire | Valeurs et limites Nombre minimal d’éléments: 1 | Par défaut— |
Champmessages[].role | Typestring | ExigenceObligatoire | Valeurs et limites user, assistant | Par défaut— |
Champmessages[].content | Typestring|content_block[] | ExigenceObligatoire | Valeurs et limites | Par défaut— |
Champsystem | Typestring|content_block[] | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champmax_tokens | Typeinteger | ExigenceObligatoire | Valeurs et limites Minimum: 1 La limite s’applique à: Plafond exact du modèle ou de la fiche sélectionnés | Par défaut— |
Champstream | Typeboolean | ExigenceFacultatif | Valeurs et limites | Par défautfalse |
Champtemperature | Typenumber | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champtop_p | Typenumber | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champstop_sequences | Typestring[] | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champtools | Typetool[] | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champtools[].name | Typestring | ExigenceFacultatif | Valeurs et limites S’applique lorsque: Outil fourni | Par défaut— |
Champtools[].description | Typestring | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champtools[].input_schema | TypeJSON_schema | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champtool_choice | Typeobject | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champthinking.type | Typestring | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champthinking.budget_tokens | Typeinteger | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champoutput_config.effort | Typestring | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champmetadata | Typeobject | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champcache_control | Typeobject | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Texte · Texte UTF8
messages[].content ou bloc type=text
| Paramètre | Contrat |
|---|---|
Paramètrematerial_types | Contrattext |
Paramètrerequired | Contratmodel, messages, max_tokens |
Paramètreoptional_controls | Contratnull |
Paramètrecontent_type | Contratapplication/json |
Paramètretext_file_material | ContratContenu UTF-8 réel inséré comme texte ; les ID de fichier/URLs nécessitent une prise en charge distincte et exacte |
Cycle de vie : exact retained published method
Les structures des méthodes et les ID sont exacts ; la capacité du fournisseur est distincte de l’admission des requêtes.
POST /v1/messagesAiloot 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 →
Les barèmes de référence du modèle ne modifient ni la sélection de méthode, ni les devis, ni les coûts. Les frais actifs utilisent les tarifs de la méthode Ailoot sélectionnée.
Associez chaque coût aux conditions indiquées. Utilisez un seul tarif pour chaque ensemble de configurations alternatives.
| Configuration | Barème tarifaire | Jetons de contexte, plus de | Jetons de contexte, jusqu’à la limite incluse | Coût |
|---|---|---|---|---|
| ConfigurationOpenAI Chat · Tarifs de base des jetons | Barème tarifaireTarif de base | Jetons de contexte, plus de— | Jetons de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Jetons en entrée $0.0028 / 1K jetons Sortie · Jetons en sortie $0.0088 / 1K jetons Entrée · Lecture du cache $0.00052 / 1K jetons Entrée · Écriture dans le cache — / 1K jetons Entrée · Écriture dans le cache, 1 h — / 1K jetons |
| ConfigurationOpenAI Chat · Palier 1 selon la longueur de la requête | Barème tarifaire— | Jetons de contexte, plus de0 | Jetons de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Jetons en entrée $0.0028 / 1K jetons Sortie · Jetons en sortie $0.0088 / 1K jetons Entrée · Lecture du cache $0.00052 / 1K jetons Entrée · Écriture dans le cache — / 1K jetons Entrée · Écriture dans le cache, 1 h — / 1K jetons |
| ConfigurationAnthropic Messages · Tarifs de base des jetons | Barème tarifaireTarif de base | Jetons de contexte, plus de— | Jetons de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Jetons en entrée $0.0028 / 1K jetons Sortie · Jetons en sortie $0.0088 / 1K jetons Entrée · Lecture du cache $0.00052 / 1K jetons Entrée · Écriture dans le cache — / 1K jetons Entrée · Écriture dans le cache, 1 h — / 1K jetons |
| ConfigurationAnthropic Messages · Palier 1 selon la longueur de la requête | Barème tarifaire— | Jetons de contexte, plus de0 | Jetons de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Jetons en entrée $0.0028 / 1K jetons Sortie · Jetons en sortie $0.0088 / 1K jetons Entrée · Lecture du cache $0.00052 / 1K jetons Entrée · Écriture dans le cache — / 1K jetons Entrée · Écriture dans le cache, 1 h — / 1K jetons |
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 source-material file}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "glm-5.1", "max_tokens": 1024, "messages": []}')\nf=Path(os.environ["AILOOT_TEXT_FILE"])\nif not f.is_file():raise SystemExit("Choose your actual UTF-8 source material")\ntext=f.read_text(encoding="utf-8")\nif not text.strip():raise SystemExit("Source material must contain text")\np["messages"]=[{"role":"user","content":"Summarize this material and quote supporting source passages.\\n\\n"+text}]\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/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\nprint(json.dumps(json.loads(Path("result.json").read_text()),ensure_ascii=False,indent=2))\nPY_RESULT\nimport anthropic\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient = anthropic.Anthropic(base_url="https://api.ailoot.ai", api_key=os.environ["AILOOT_API_KEY"], max_retries=0)\nmsg = client.messages.create(\n model="glm-5.1",\n max_tokens=1024,\n messages=[{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}],\n)\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(msg.to_dict(mode="json"))\nimport Anthropic from "@anthropic-ai/sdk";\n\nif (!process.env.AILOOT_API_KEY?.trim()) throw new Error("Set AILOOT_API_KEY before making a request");\nconst client = new Anthropic({ baseURL: "https://api.ailoot.ai", apiKey: process.env.AILOOT_API_KEY, maxRetries: 0 });\nconst msg = await client.messages.create({\n model: "glm-5.1",\n max_tokens: 1024,\n messages: [{ role: "user", content: "Explain the difference between an observation and a hypothesis in three sentences." }],\n});\nimport { writeFileSync } from "node:fs";\n\nfunction saveResult(data, stem = "result") {\n writeFileSync(stem + ".json", JSON.stringify(data, null, 2));\n console.log(JSON.stringify(data, null, 2));\n const saveBlob = (encoded, suffix, label) => {\n const raw = Buffer.from(encoded, "base64");\n const ext = raw.subarray(0,8).equals(Buffer.from([137,80,78,71,13,10,26,10])) ? "png" : raw[0]===255 && raw[1]===216 ? "jpg" : raw.subarray(0,4).toString()==="RIFF" && raw.subarray(8,12).toString()==="WEBP" ? "webp" : suffix;\n const file = `${stem}-${label}.${ext}`;\n writeFileSync(file, raw); console.log("Saved", file);\n };\n for (const [i, block] of (data.content || []).entries()) console.log("Content", i, JSON.stringify(block));\n for (const choice of data.choices || []) console.log("Choice", choice.index, JSON.stringify(choice.message || choice.delta || {}));\n for (const [i, item] of (data.output || []).entries()) {\n console.log("Output", i, JSON.stringify(item));\n if (item.type === "image_generation_call" && item.result) saveBlob(item.result, item.output_format || "bin", `output-${i}`);\n }\n for (const [ci, candidate] of (data.candidates || []).entries()) {\n for (const [pi, part] of (candidate.content?.parts || []).entries()) {\n console.log("Candidate/part", ci, pi, JSON.stringify(part));\n const blob = part.inlineData || part.inline_data;\n if (blob?.data) {\n const mime = blob.mimeType || blob.mime_type;\n const suffix = ({"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"})[mime] || "bin";\n saveBlob(blob.data, suffix, `candidate-${ci}-part-${pi}`);\n }\n }\n }\n}\n\nsaveResult(msg);\nimport anthropic,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=anthropic.Anthropic(base_url="https://api.ailoot.ai",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.messages.stream(model='glm-5.1',max_tokens=1024,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_message()\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 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 glm-5.3, glm, glm-5, glm-5.1, glm-5.2, glm-latest
Ailoot Ultra glm-5.3, z-ai/glm-5.3, ~z-ai/glm-latest
/chat/completions
z-ai/glm-5.3, glm, glm-5, glm-5.1, glm-5.2, glm-latest, ~z-ai/glm-latest, glm-5.3, glm-5.3
glm-5.1Z.ai GLM 5.3 est un modèle de raisonnement textuel pour l’ingénierie logicielle complexe, le travail dans le terminal et les agents à long horizon. Il prend en charge un contexte de 1M jetons documenté par le fabricant, jusqu’à 128K jetons de sortie, l’appel de fonctions et les niveaux d’effort de raisonnement low/high/max, avec le raisonnement activé tout au long du traitement.
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 d’agents à long horizon. Le fabricant indique qu’il utilise le même modèle de base que GLM 5.2, les nouveaux gains provenant du post-entraînement. Cette version met l’accent sur une programmation renforcée, les opérations dans le terminal et des tâches plus larges comportant plusieurs étapes dépendantes. Il accepte du texte et produit du texte, notamment 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 comme valeur par défaut. Le fabricant recommande max pour les travaux de programmation complexes; low offre une option de raisonnement plus légère pour les étapes simples. Utilisez le niveau sélectionné avec un livrable final clair et des critères d’achèvement. Par exemple : « Examine ces fichiers et ces résultats d’échec, retrace la cause dans les modules touchés, propose une correction qui préserve l’interface publique et explique quels contrôles établissent que la régression est résolue. »
Le fabricant précise une fenêtre de contexte de 1M jetons et une longueur de sortie maximale de 128K jetons. Organisez le contenu long autour de la relation que le modèle doit examiner. Préservez les noms de fichiers, les définitions pertinentes, les étiquettes des sources et l’ordre des observations, et laissez de l’espace pour le raisonnement et la réponse finale à l’intérieur du contexte de travail applicable. Une grande fenêtre est utile pour les dépendances entre modules ou pour une longue séquence d’observations d’agent; elle ne transforme pas une archive non ciblée de contenus sans rapport entre eux en une tâche bien définie.
Pour le travail sur un dépôt, fournissez le comportement attendu, le texte source pertinent, les versions des dépendances et la sortie d’erreur réelle. Demandez au modèle de préciser le comportement touché avant de proposer un correctif. Pour un remaniement, nommez l’interface et les invariants qui doivent rester intacts. Une réponse utile contient le code révisé, la raison pour laquelle la modification corrige le problème observé et les cas nécessaires pour vérifier le résultat. Réinjectez les résultats réels dans un processus connecté à des outils afin 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 initiale et des mesures comme des durées, des profils ou des relevés d’allocation. Z.ai décrit des tâches d’entraînement portant sur le diagnostic des goulots d’étranglement, l’optimisation, les expériences et les résultats qui préservent l’exactitude. Une demande pratique est : « Utilise ce profil pour repérer le goulot d’étranglement le plus important, propose une modification mesurable et explique quel résultat justifierait de la conserver. » Distinguez une hypothèse sur les performances d’une amélioration mesurée. Conservez la même charge de travail et les conditions pertinentes lorsque vous examinez un résultat.
Cette version développe aussi la capacité d’analyse des vulnérabilités. Pour une revue défensive du code source, fournissez le code pertinent, ses frontières de confiance prévues et ses conditions d’exécution. Demandez un constat qui relie un problème présumé à l’entrée et au comportement touchés ainsi qu’à une correction ciblée. Séparez une faiblesse potentielle d’une défaillance reproduite et conservez l’observation utilisée pour la valider. Un rapport est plus utile lorsqu’il donne priorité aux preuves concrètes et aux corrections proposées plutôt que de traiter chaque motif suspect comme une vulnérabilité confirmée.
L’appel de fonctions permet à une application environnante d’exposer des opérations externes au modèle. Définissez l’objectif, les arguments et le résultat attendu de chaque outil, puis retournez l’observation réelle de l’outil pour l’étape suivante. Le modèle peut raisonner sur ce résultat et déterminer comment il modifie la tâche. Gardez distinctes les actions proposées, les opérations exécutées et les vérifications non résolues. Le fabricant documente aussi des réponses diffusées en continu, qui renvoient séparément les fragments de raisonnement et de réponse; assemblez la réponse terminée avant de la traiter comme le rapport final ou l’explication de code finale.
La fiche locale du modèle donne un détail précis sur le réglage de l’historique : son gabarit de clavardage conserve la réflexion par défaut, tandis que le fabricant recommande d’effacer explicitement l’ancienne réflexion pour les scénarios de clavardage ordinaires. Appliquez la structure de conversation appropriée au cas d’usage, en conservant les réponses réellement terminées et les résultats d’outils nécessaires à la poursuite du travail. Évitez de considérer les paramètres de 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, les types et les règles de source attendus. Un livrable utile pourrait être un tableau de défauts, un plan de modification ou un objet JSON résumant les observations. Validez la structure et les valeurs avant qu’une application les utilise. Le résultat final doit préciser la réponse ou le livrable révisé, les éléments de preuve qui l’appuient et les hypothèses restantes. Un effort de raisonnement accru n’établit pas qu’un outil a été exécuté, qu’un correctif proposé a réussi ses contrôles ou qu’une affirmation factuelle est appuyée au-delà du contenu fourni.
POST /v1/responsestexttext| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites glm-5.1 | Par défaut— |
Champinput | Typestring|input_item[] | ExigenceObligatoire | Valeurs et limites | Par défaut— |
Champinstructions | Typestring | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champinput[].type | Typestring | ExigenceFacultatif | Valeurs et limites message, reasoning, function_call, function_call_output | Par défaut— |
Champinput[].content | Typestring|content_part[] | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champinput[].call_id | Typestring | ExigenceFacultatif | Valeurs et limites S’applique lorsque: function_call_output ; conservez le call_id réellement renvoyé | Par défaut— |
Champinput[].output | Typestring|content_part[] | ExigenceFacultatif | Valeurs et limites S’applique lorsque: function_call_output | Par défaut— |
Champmax_output_tokens | Typeinteger | ExigenceFacultatif | Valeurs et limites Minimum: 1 Selon le modèle | Par défaut— |
Champstream | Typeboolean | ExigenceFacultatif | Valeurs et limites | Par défautfalse |
Champtemperature | Typenumber | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champtop_p | Typenumber | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champtools | Typetool[] | ExigenceFacultatif | Valeurs et limites Selon le modèle | 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— |
Champreasoning.effort | Typestring | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champreasoning.summary | Typestring | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champtext.format | Typeobject | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champtext.verbosity | Typestring | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champinclude | Typestring[] | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champstore | Typeboolean | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champprevious_response_id | Typestring | ExigenceFacultatif | Valeurs et limites Exigence relative à l’ID: Uniquement un ID de réponse réel provenant d’une continuation prise en charge Selon le modèle | Par défaut— |
Champservice_tier | Typestring | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champprompt_cache_key | Typestring | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champprompt_cache_options | Typeobject | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Texte · Texte UTF8
Texte d’entrée ou partie input_text
| Paramètre | Contrat |
|---|---|
Paramètrematerial_types | Contrattext |
Paramètrerequired | Contratmodel, input |
Paramètreoptional_controls | Contratnull |
Paramètrecontent_type | Contratapplication/json |
Paramètretext_file_material | ContratContenu UTF-8 réel inséré comme texte ; les ID de fichier/URLs nécessitent une prise en charge distincte et exacte |
Cycle de vie : exact retained published method
Les structures des méthodes et les ID sont exacts ; la capacité du fournisseur est distincte de l’admission des requêtes.
POST /v1/responsesAiloot 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 →
Les barèmes de référence du modèle ne modifient ni la sélection de méthode, ni les devis, ni les coûts. Les frais actifs utilisent les tarifs de la méthode Ailoot sélectionnée.
Associez chaque coût aux conditions indiquées. Utilisez un seul tarif pour chaque ensemble de configurations alternatives.
| Configuration | Barème tarifaire | Jetons de contexte, plus de | Jetons de contexte, jusqu’à la limite incluse | Coût |
|---|---|---|---|---|
| ConfigurationOpenAI Chat · Tarifs de base des jetons | Barème tarifaireTarif de base | Jetons de contexte, plus de— | Jetons de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Jetons en entrée $0.0028 / 1K jetons Sortie · Jetons en sortie $0.0088 / 1K jetons Entrée · Lecture du cache $0.00052 / 1K jetons Entrée · Écriture dans le cache — / 1K jetons Entrée · Écriture dans le cache, 1 h — / 1K jetons |
| ConfigurationOpenAI Chat · Palier 1 selon la longueur de la requête | Barème tarifaire— | Jetons de contexte, plus de0 | Jetons de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Jetons en entrée $0.0028 / 1K jetons Sortie · Jetons en sortie $0.0088 / 1K jetons Entrée · Lecture du cache $0.00052 / 1K jetons Entrée · Écriture dans le cache — / 1K jetons Entrée · Écriture dans le cache, 1 h — / 1K jetons |
| ConfigurationAnthropic Messages · Tarifs de base des jetons | Barème tarifaireTarif de base | Jetons de contexte, plus de— | Jetons de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Jetons en entrée $0.0028 / 1K jetons Sortie · Jetons en sortie $0.0088 / 1K jetons Entrée · Lecture du cache $0.00052 / 1K jetons Entrée · Écriture dans le cache — / 1K jetons Entrée · Écriture dans le cache, 1 h — / 1K jetons |
| ConfigurationAnthropic Messages · Palier 1 selon la longueur de la requête | Barème tarifaire— | Jetons de contexte, plus de0 | Jetons de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Jetons en entrée $0.0028 / 1K jetons Sortie · Jetons en sortie $0.0088 / 1K jetons Entrée · Lecture du cache $0.00052 / 1K jetons Entrée · Écriture dans le cache — / 1K jetons Entrée · Écriture dans le cache, 1 h — / 1K jetons |
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 source-material file}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "glm-5.1", "input": ""}')\nf=Path(os.environ["AILOOT_TEXT_FILE"])\nif not f.is_file():raise SystemExit("Choose your actual UTF-8 source material")\ntext=f.read_text(encoding="utf-8")\nif not text.strip():raise SystemExit("Source material must contain text")\np["input"]="Summarize this material and quote supporting source passages.\\n\\n"+text\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/responses \\\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 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(json.loads(Path("result.json").read_text(encoding="utf-8")))\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)\nresp = client.responses.create(model="glm-5.1", input="Explain the difference between an observation and a hypothesis 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(resp.to_dict(mode="json"))\nimport OpenAI from "openai";\n\nif (!process.env.AILOOT_API_KEY?.trim()) throw new Error("Set AILOOT_API_KEY before making a request");\nconst client = new OpenAI({ baseURL: "https://api.ailoot.ai/v1", apiKey: process.env.AILOOT_API_KEY, maxRetries: 0 });\nconst resp = await client.responses.create({ model: "glm-5.1", input: "Explain the difference between an observation and a hypothesis in three sentences." });\nimport { writeFileSync } from "node:fs";\n\nfunction saveResult(data, stem = "result") {\n writeFileSync(stem + ".json", JSON.stringify(data, null, 2));\n console.log(JSON.stringify(data, null, 2));\n const saveBlob = (encoded, suffix, label) => {\n const raw = Buffer.from(encoded, "base64");\n const ext = raw.subarray(0,8).equals(Buffer.from([137,80,78,71,13,10,26,10])) ? "png" : raw[0]===255 && raw[1]===216 ? "jpg" : raw.subarray(0,4).toString()==="RIFF" && raw.subarray(8,12).toString()==="WEBP" ? "webp" : suffix;\n const file = `${stem}-${label}.${ext}`;\n writeFileSync(file, raw); console.log("Saved", file);\n };\n for (const [i, block] of (data.content || []).entries()) console.log("Content", i, JSON.stringify(block));\n for (const choice of data.choices || []) console.log("Choice", choice.index, JSON.stringify(choice.message || choice.delta || {}));\n for (const [i, item] of (data.output || []).entries()) {\n console.log("Output", i, JSON.stringify(item));\n if (item.type === "image_generation_call" && item.result) saveBlob(item.result, item.output_format || "bin", `output-${i}`);\n }\n for (const [ci, candidate] of (data.candidates || []).entries()) {\n for (const [pi, part] of (candidate.content?.parts || []).entries()) {\n console.log("Candidate/part", ci, pi, JSON.stringify(part));\n const blob = part.inlineData || part.inline_data;\n if (blob?.data) {\n const mime = blob.mimeType || blob.mime_type;\n const suffix = ({"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"})[mime] || "bin";\n saveBlob(blob.data, suffix, `candidate-${ci}-part-${pi}`);\n }\n }\n }\n}\n\nsaveResult(resp);\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\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\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)\nwith client.responses.stream(model="glm-5.1", input="Explain the difference between an observation and a hypothesis 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_response()\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 élément de sortie et chaque partie de contenu, le call_id réel de l’appel de fonction, le raisonnement chiffré et les données d’utilisation. En diffusion en continu, conservez l’identité complète des événements et des éléments.
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 |
Champstatus | Typestring |
Champoutput[] | Typemessage|reasoning|function_call|other item |
Champoutput[].content[] | Typecontent part |
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 glm-5.3, glm, glm-5, glm-5.1, glm-5.2, glm-latest
Ailoot Ultra glm-5.3, z-ai/glm-5.3, ~z-ai/glm-latest
/chat/completions
z-ai/glm-5.3, glm, glm-5, glm-5.1, glm-5.2, glm-latest, ~z-ai/glm-latest, glm-5.3, glm-5.3
glm-5.1Z.ai GLM 5.3 est un modèle de raisonnement textuel pour l’ingénierie logicielle complexe, le travail dans le terminal et les agents à long horizon. Il prend en charge un contexte de 1M jetons documenté par le fabricant, jusqu’à 128K jetons de sortie, l’appel de fonctions et les niveaux d’effort de raisonnement low/high/max, avec le raisonnement activé tout au long du traitement.
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 d’agents à long horizon. Le fabricant indique qu’il utilise le même modèle de base que GLM 5.2, les nouveaux gains provenant du post-entraînement. Cette version met l’accent sur une programmation renforcée, les opérations dans le terminal et des tâches plus larges comportant plusieurs étapes dépendantes. Il accepte du texte et produit du texte, notamment 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 comme valeur par défaut. Le fabricant recommande max pour les travaux de programmation complexes; low offre une option de raisonnement plus légère pour les étapes simples. Utilisez le niveau sélectionné avec un livrable final clair et des critères d’achèvement. Par exemple : « Examine ces fichiers et ces résultats d’échec, retrace la cause dans les modules touchés, propose une correction qui préserve l’interface publique et explique quels contrôles établissent que la régression est résolue. »
Le fabricant précise une fenêtre de contexte de 1M jetons et une longueur de sortie maximale de 128K jetons. Organisez le contenu long autour de la relation que le modèle doit examiner. Préservez les noms de fichiers, les définitions pertinentes, les étiquettes des sources et l’ordre des observations, et laissez de l’espace pour le raisonnement et la réponse finale à l’intérieur du contexte de travail applicable. Une grande fenêtre est utile pour les dépendances entre modules ou pour une longue séquence d’observations d’agent; elle ne transforme pas une archive non ciblée de contenus sans rapport entre eux en une tâche bien définie.
Pour le travail sur un dépôt, fournissez le comportement attendu, le texte source pertinent, les versions des dépendances et la sortie d’erreur réelle. Demandez au modèle de préciser le comportement touché avant de proposer un correctif. Pour un remaniement, nommez l’interface et les invariants qui doivent rester intacts. Une réponse utile contient le code révisé, la raison pour laquelle la modification corrige le problème observé et les cas nécessaires pour vérifier le résultat. Réinjectez les résultats réels dans un processus connecté à des outils afin 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 initiale et des mesures comme des durées, des profils ou des relevés d’allocation. Z.ai décrit des tâches d’entraînement portant sur le diagnostic des goulots d’étranglement, l’optimisation, les expériences et les résultats qui préservent l’exactitude. Une demande pratique est : « Utilise ce profil pour repérer le goulot d’étranglement le plus important, propose une modification mesurable et explique quel résultat justifierait de la conserver. » Distinguez une hypothèse sur les performances d’une amélioration mesurée. Conservez la même charge de travail et les conditions pertinentes lorsque vous examinez un résultat.
Cette version développe aussi la capacité d’analyse des vulnérabilités. Pour une revue défensive du code source, fournissez le code pertinent, ses frontières de confiance prévues et ses conditions d’exécution. Demandez un constat qui relie un problème présumé à l’entrée et au comportement touchés ainsi qu’à une correction ciblée. Séparez une faiblesse potentielle d’une défaillance reproduite et conservez l’observation utilisée pour la valider. Un rapport est plus utile lorsqu’il donne priorité aux preuves concrètes et aux corrections proposées plutôt que de traiter chaque motif suspect comme une vulnérabilité confirmée.
L’appel de fonctions permet à une application environnante d’exposer des opérations externes au modèle. Définissez l’objectif, les arguments et le résultat attendu de chaque outil, puis retournez l’observation réelle de l’outil pour l’étape suivante. Le modèle peut raisonner sur ce résultat et déterminer comment il modifie la tâche. Gardez distinctes les actions proposées, les opérations exécutées et les vérifications non résolues. Le fabricant documente aussi des réponses diffusées en continu, qui renvoient séparément les fragments de raisonnement et de réponse; assemblez la réponse terminée avant de la traiter comme le rapport final ou l’explication de code finale.
La fiche locale du modèle donne un détail précis sur le réglage de l’historique : son gabarit de clavardage conserve la réflexion par défaut, tandis que le fabricant recommande d’effacer explicitement l’ancienne réflexion pour les scénarios de clavardage ordinaires. Appliquez la structure de conversation appropriée au cas d’usage, en conservant les réponses réellement terminées et les résultats d’outils nécessaires à la poursuite du travail. Évitez de considérer les paramètres de 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, les types et les règles de source attendus. Un livrable utile pourrait être un tableau de défauts, un plan de modification ou un objet JSON résumant les observations. Validez la structure et les valeurs avant qu’une application les utilise. Le résultat final doit préciser la réponse ou le livrable révisé, les éléments de preuve qui l’appuient et les hypothèses restantes. Un effort de raisonnement accru n’établit pas qu’un outil a été exécuté, qu’un correctif proposé a réussi ses contrôles ou qu’une affirmation factuelle est appuyée au-delà du contenu fourni.
POST /v1/chat/completionstexttext| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites glm-5.1 | 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 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— |
Texte · Texte UTF8
messages[].content
| Paramètre | Contrat |
|---|---|
Paramètrematerial_types | Contrattext |
Paramètrerequired | Contratmodel, messages |
Paramètreoptional_controls | Contratnull |
Paramètrecontent_type | Contratapplication/json |
Paramètretext_file_material | ContratContenu UTF-8 réel inséré comme texte ; les ID de fichier/URLs nécessitent une prise en charge distincte et exacte |
Cycle de vie : exact retained published method
Les structures des méthodes et les ID sont exacts ; la capacité du fournisseur est distincte de l’admission des requêtes.
POST /v1/chat/completionsAiloot 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 →
Les barèmes de référence du modèle ne modifient ni la sélection de méthode, ni les devis, ni les coûts. Les frais actifs utilisent les tarifs de la méthode Ailoot sélectionnée.
Associez chaque coût aux conditions indiquées. Utilisez un seul tarif pour chaque ensemble de configurations alternatives.
| Configuration | Barème tarifaire | Jetons de contexte, plus de | Jetons de contexte, jusqu’à la limite incluse | Coût |
|---|---|---|---|---|
| ConfigurationOpenAI Chat · Tarifs de base des jetons | Barème tarifaireTarif de base | Jetons de contexte, plus de— | Jetons de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Jetons en entrée $0.0028 / 1K jetons Sortie · Jetons en sortie $0.0088 / 1K jetons Entrée · Lecture du cache $0.00052 / 1K jetons Entrée · Écriture dans le cache — / 1K jetons Entrée · Écriture dans le cache, 1 h — / 1K jetons |
| ConfigurationOpenAI Chat · Palier 1 selon la longueur de la requête | Barème tarifaire— | Jetons de contexte, plus de0 | Jetons de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Jetons en entrée $0.0028 / 1K jetons Sortie · Jetons en sortie $0.0088 / 1K jetons Entrée · Lecture du cache $0.00052 / 1K jetons Entrée · Écriture dans le cache — / 1K jetons Entrée · Écriture dans le cache, 1 h — / 1K jetons |
| ConfigurationAnthropic Messages · Tarifs de base des jetons | Barème tarifaireTarif de base | Jetons de contexte, plus de— | Jetons de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Jetons en entrée $0.0028 / 1K jetons Sortie · Jetons en sortie $0.0088 / 1K jetons Entrée · Lecture du cache $0.00052 / 1K jetons Entrée · Écriture dans le cache — / 1K jetons Entrée · Écriture dans le cache, 1 h — / 1K jetons |
| ConfigurationAnthropic Messages · Palier 1 selon la longueur de la requête | Barème tarifaire— | Jetons de contexte, plus de0 | Jetons de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Jetons en entrée $0.0028 / 1K jetons Sortie · Jetons en sortie $0.0088 / 1K jetons Entrée · Lecture du cache $0.00052 / 1K jetons Entrée · Écriture dans le cache — / 1K jetons Entrée · Écriture dans le cache, 1 h — / 1K jetons |
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 source-material file}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "glm-5.1", "messages": []}')\nf=Path(os.environ["AILOOT_TEXT_FILE"])\nif not f.is_file():raise SystemExit("Choose your actual UTF-8 source material")\ntext=f.read_text(encoding="utf-8")\nif not text.strip():raise SystemExit("Source material must contain text")\np["messages"]=[{"role":"user","content":"Summarize this material and quote supporting source passages.\\n\\n"+text}]\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\nprint(json.dumps(json.loads(Path("result.json").read_text()),ensure_ascii=False,indent=2))\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)\nresp = client.chat.completions.create(\n model="glm-5.1",\n messages=[{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}],\n)\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(resp.to_dict(mode="json"))\nimport OpenAI from "openai";\n\nif (!process.env.AILOOT_API_KEY?.trim()) throw new Error("Set AILOOT_API_KEY before making a request");\nconst client = new OpenAI({ baseURL: "https://api.ailoot.ai/v1", apiKey: process.env.AILOOT_API_KEY, maxRetries: 0 });\nconst resp = await client.chat.completions.create({\n model: "glm-5.1",\n messages: [{ role: "user", content: "Explain the difference between an observation and a hypothesis in three sentences." }],\n});\nimport { writeFileSync } from "node:fs";\n\nfunction saveResult(data, stem = "result") {\n writeFileSync(stem + ".json", JSON.stringify(data, null, 2));\n console.log(JSON.stringify(data, null, 2));\n const saveBlob = (encoded, suffix, label) => {\n const raw = Buffer.from(encoded, "base64");\n const ext = raw.subarray(0,8).equals(Buffer.from([137,80,78,71,13,10,26,10])) ? "png" : raw[0]===255 && raw[1]===216 ? "jpg" : raw.subarray(0,4).toString()==="RIFF" && raw.subarray(8,12).toString()==="WEBP" ? "webp" : suffix;\n const file = `${stem}-${label}.${ext}`;\n writeFileSync(file, raw); console.log("Saved", file);\n };\n for (const [i, block] of (data.content || []).entries()) console.log("Content", i, JSON.stringify(block));\n for (const choice of data.choices || []) console.log("Choice", choice.index, JSON.stringify(choice.message || choice.delta || {}));\n for (const [i, item] of (data.output || []).entries()) {\n console.log("Output", i, JSON.stringify(item));\n if (item.type === "image_generation_call" && item.result) saveBlob(item.result, item.output_format || "bin", `output-${i}`);\n }\n for (const [ci, candidate] of (data.candidates || []).entries()) {\n for (const [pi, part] of (candidate.content?.parts || []).entries()) {\n console.log("Candidate/part", ci, pi, JSON.stringify(part));\n const blob = part.inlineData || part.inline_data;\n if (blob?.data) {\n const mime = blob.mimeType || blob.mime_type;\n const suffix = ({"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"})[mime] || "bin";\n saveBlob(blob.data, suffix, `candidate-${ci}-part-${pi}`);\n }\n }\n }\n}\n\nsaveResult(resp);\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-5.1',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 glm-5.3, glm, glm-5, glm-5.1, glm-5.2, glm-latest
Ailoot Ultra glm-5.3, z-ai/glm-5.3, ~z-ai/glm-latest
/chat/completions
z-ai/glm-5.3, glm, glm-5, glm-5.1, glm-5.2, glm-latest, ~z-ai/glm-latest, glm-5.3, glm-5.3
glm-5.2Z.ai GLM 5.3 est un modèle de raisonnement textuel pour l’ingénierie logicielle complexe, le travail dans le terminal et les agents à long horizon. Il prend en charge un contexte de 1M jetons documenté par le fabricant, jusqu’à 128K jetons de sortie, l’appel de fonctions et les niveaux d’effort de raisonnement low/high/max, avec le raisonnement activé tout au long du traitement.
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 d’agents à long horizon. Le fabricant indique qu’il utilise le même modèle de base que GLM 5.2, les nouveaux gains provenant du post-entraînement. Cette version met l’accent sur une programmation renforcée, les opérations dans le terminal et des tâches plus larges comportant plusieurs étapes dépendantes. Il accepte du texte et produit du texte, notamment 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 comme valeur par défaut. Le fabricant recommande max pour les travaux de programmation complexes; low offre une option de raisonnement plus légère pour les étapes simples. Utilisez le niveau sélectionné avec un livrable final clair et des critères d’achèvement. Par exemple : « Examine ces fichiers et ces résultats d’échec, retrace la cause dans les modules touchés, propose une correction qui préserve l’interface publique et explique quels contrôles établissent que la régression est résolue. »
Le fabricant précise une fenêtre de contexte de 1M jetons et une longueur de sortie maximale de 128K jetons. Organisez le contenu long autour de la relation que le modèle doit examiner. Préservez les noms de fichiers, les définitions pertinentes, les étiquettes des sources et l’ordre des observations, et laissez de l’espace pour le raisonnement et la réponse finale à l’intérieur du contexte de travail applicable. Une grande fenêtre est utile pour les dépendances entre modules ou pour une longue séquence d’observations d’agent; elle ne transforme pas une archive non ciblée de contenus sans rapport entre eux en une tâche bien définie.
Pour le travail sur un dépôt, fournissez le comportement attendu, le texte source pertinent, les versions des dépendances et la sortie d’erreur réelle. Demandez au modèle de préciser le comportement touché avant de proposer un correctif. Pour un remaniement, nommez l’interface et les invariants qui doivent rester intacts. Une réponse utile contient le code révisé, la raison pour laquelle la modification corrige le problème observé et les cas nécessaires pour vérifier le résultat. Réinjectez les résultats réels dans un processus connecté à des outils afin 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 initiale et des mesures comme des durées, des profils ou des relevés d’allocation. Z.ai décrit des tâches d’entraînement portant sur le diagnostic des goulots d’étranglement, l’optimisation, les expériences et les résultats qui préservent l’exactitude. Une demande pratique est : « Utilise ce profil pour repérer le goulot d’étranglement le plus important, propose une modification mesurable et explique quel résultat justifierait de la conserver. » Distinguez une hypothèse sur les performances d’une amélioration mesurée. Conservez la même charge de travail et les conditions pertinentes lorsque vous examinez un résultat.
Cette version développe aussi la capacité d’analyse des vulnérabilités. Pour une revue défensive du code source, fournissez le code pertinent, ses frontières de confiance prévues et ses conditions d’exécution. Demandez un constat qui relie un problème présumé à l’entrée et au comportement touchés ainsi qu’à une correction ciblée. Séparez une faiblesse potentielle d’une défaillance reproduite et conservez l’observation utilisée pour la valider. Un rapport est plus utile lorsqu’il donne priorité aux preuves concrètes et aux corrections proposées plutôt que de traiter chaque motif suspect comme une vulnérabilité confirmée.
L’appel de fonctions permet à une application environnante d’exposer des opérations externes au modèle. Définissez l’objectif, les arguments et le résultat attendu de chaque outil, puis retournez l’observation réelle de l’outil pour l’étape suivante. Le modèle peut raisonner sur ce résultat et déterminer comment il modifie la tâche. Gardez distinctes les actions proposées, les opérations exécutées et les vérifications non résolues. Le fabricant documente aussi des réponses diffusées en continu, qui renvoient séparément les fragments de raisonnement et de réponse; assemblez la réponse terminée avant de la traiter comme le rapport final ou l’explication de code finale.
La fiche locale du modèle donne un détail précis sur le réglage de l’historique : son gabarit de clavardage conserve la réflexion par défaut, tandis que le fabricant recommande d’effacer explicitement l’ancienne réflexion pour les scénarios de clavardage ordinaires. Appliquez la structure de conversation appropriée au cas d’usage, en conservant les réponses réellement terminées et les résultats d’outils nécessaires à la poursuite du travail. Évitez de considérer les paramètres de 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, les types et les règles de source attendus. Un livrable utile pourrait être un tableau de défauts, un plan de modification ou un objet JSON résumant les observations. Validez la structure et les valeurs avant qu’une application les utilise. Le résultat final doit préciser la réponse ou le livrable révisé, les éléments de preuve qui l’appuient et les hypothèses restantes. Un effort de raisonnement accru n’établit pas qu’un outil a été exécuté, qu’un correctif proposé a réussi ses contrôles ou qu’une affirmation factuelle est appuyée au-delà du contenu fourni.
POST /v1/messagestexttext| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites glm-5.2 | Par défaut— |
Champmessages | Typemessage[] | ExigenceObligatoire | Valeurs et limites Nombre minimal d’éléments: 1 | Par défaut— |
Champmessages[].role | Typestring | ExigenceObligatoire | Valeurs et limites user, assistant | Par défaut— |
Champmessages[].content | Typestring|content_block[] | ExigenceObligatoire | Valeurs et limites | Par défaut— |
Champsystem | Typestring|content_block[] | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champmax_tokens | Typeinteger | ExigenceObligatoire | Valeurs et limites Minimum: 1 La limite s’applique à: Plafond exact du modèle ou de la fiche sélectionnés | Par défaut— |
Champstream | Typeboolean | ExigenceFacultatif | Valeurs et limites | Par défautfalse |
Champtemperature | Typenumber | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champtop_p | Typenumber | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champstop_sequences | Typestring[] | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champtools | Typetool[] | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champtools[].name | Typestring | ExigenceFacultatif | Valeurs et limites S’applique lorsque: Outil fourni | Par défaut— |
Champtools[].description | Typestring | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champtools[].input_schema | TypeJSON_schema | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champtool_choice | Typeobject | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champthinking.type | Typestring | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champthinking.budget_tokens | Typeinteger | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champoutput_config.effort | Typestring | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champmetadata | Typeobject | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champcache_control | Typeobject | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Texte · Texte UTF8
messages[].content ou bloc type=text
| Paramètre | Contrat |
|---|---|
Paramètrematerial_types | Contrattext |
Paramètrerequired | Contratmodel, messages, max_tokens |
Paramètreoptional_controls | Contratnull |
Paramètrecontent_type | Contratapplication/json |
Paramètretext_file_material | ContratContenu UTF-8 réel inséré comme texte ; les ID de fichier/URLs nécessitent une prise en charge distincte et exacte |
Cycle de vie : exact retained published method
Les structures des méthodes et les ID sont exacts ; la capacité du fournisseur est distincte de l’admission des requêtes.
POST /v1/messagesAiloot 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 →
Les barèmes de référence du modèle ne modifient ni la sélection de méthode, ni les devis, ni les coûts. Les frais actifs utilisent les tarifs de la méthode Ailoot sélectionnée.
Associez chaque coût aux conditions indiquées. Utilisez un seul tarif pour chaque ensemble de configurations alternatives.
| Configuration | Barème tarifaire | Jetons de contexte, plus de | Jetons de contexte, jusqu’à la limite incluse | Coût |
|---|---|---|---|---|
| ConfigurationOpenAI Chat · Tarifs de base des jetons | Barème tarifaireTarif de base | Jetons de contexte, plus de— | Jetons de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Jetons en entrée $0.0028 / 1K jetons Sortie · Jetons en sortie $0.0088 / 1K jetons Entrée · Lecture du cache $0.00052 / 1K jetons Entrée · Écriture dans le cache — / 1K jetons Entrée · Écriture dans le cache, 1 h — / 1K jetons |
| ConfigurationOpenAI Chat · Palier 1 selon la longueur de la requête | Barème tarifaire— | Jetons de contexte, plus de0 | Jetons de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Jetons en entrée $0.0028 / 1K jetons Sortie · Jetons en sortie $0.0088 / 1K jetons Entrée · Lecture du cache $0.00052 / 1K jetons Entrée · Écriture dans le cache — / 1K jetons Entrée · Écriture dans le cache, 1 h — / 1K jetons |
| ConfigurationAnthropic Messages · Tarifs de base des jetons | Barème tarifaireTarif de base | Jetons de contexte, plus de— | Jetons de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Jetons en entrée $0.0028 / 1K jetons Sortie · Jetons en sortie $0.0088 / 1K jetons Entrée · Lecture du cache $0.00052 / 1K jetons Entrée · Écriture dans le cache — / 1K jetons Entrée · Écriture dans le cache, 1 h — / 1K jetons |
| ConfigurationAnthropic Messages · Palier 1 selon la longueur de la requête | Barème tarifaire— | Jetons de contexte, plus de0 | Jetons de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Jetons en entrée $0.0028 / 1K jetons Sortie · Jetons en sortie $0.0088 / 1K jetons Entrée · Lecture du cache $0.00052 / 1K jetons Entrée · Écriture dans le cache — / 1K jetons Entrée · Écriture dans le cache, 1 h — / 1K jetons |
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 source-material file}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "glm-5.2", "max_tokens": 1024, "messages": []}')\nf=Path(os.environ["AILOOT_TEXT_FILE"])\nif not f.is_file():raise SystemExit("Choose your actual UTF-8 source material")\ntext=f.read_text(encoding="utf-8")\nif not text.strip():raise SystemExit("Source material must contain text")\np["messages"]=[{"role":"user","content":"Summarize this material and quote supporting source passages.\\n\\n"+text}]\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/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\nprint(json.dumps(json.loads(Path("result.json").read_text()),ensure_ascii=False,indent=2))\nPY_RESULT\nimport anthropic\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient = anthropic.Anthropic(base_url="https://api.ailoot.ai", api_key=os.environ["AILOOT_API_KEY"], max_retries=0)\nmsg = client.messages.create(\n model="glm-5.2",\n max_tokens=1024,\n messages=[{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}],\n)\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(msg.to_dict(mode="json"))\nimport Anthropic from "@anthropic-ai/sdk";\n\nif (!process.env.AILOOT_API_KEY?.trim()) throw new Error("Set AILOOT_API_KEY before making a request");\nconst client = new Anthropic({ baseURL: "https://api.ailoot.ai", apiKey: process.env.AILOOT_API_KEY, maxRetries: 0 });\nconst msg = await client.messages.create({\n model: "glm-5.2",\n max_tokens: 1024,\n messages: [{ role: "user", content: "Explain the difference between an observation and a hypothesis in three sentences." }],\n});\nimport { writeFileSync } from "node:fs";\n\nfunction saveResult(data, stem = "result") {\n writeFileSync(stem + ".json", JSON.stringify(data, null, 2));\n console.log(JSON.stringify(data, null, 2));\n const saveBlob = (encoded, suffix, label) => {\n const raw = Buffer.from(encoded, "base64");\n const ext = raw.subarray(0,8).equals(Buffer.from([137,80,78,71,13,10,26,10])) ? "png" : raw[0]===255 && raw[1]===216 ? "jpg" : raw.subarray(0,4).toString()==="RIFF" && raw.subarray(8,12).toString()==="WEBP" ? "webp" : suffix;\n const file = `${stem}-${label}.${ext}`;\n writeFileSync(file, raw); console.log("Saved", file);\n };\n for (const [i, block] of (data.content || []).entries()) console.log("Content", i, JSON.stringify(block));\n for (const choice of data.choices || []) console.log("Choice", choice.index, JSON.stringify(choice.message || choice.delta || {}));\n for (const [i, item] of (data.output || []).entries()) {\n console.log("Output", i, JSON.stringify(item));\n if (item.type === "image_generation_call" && item.result) saveBlob(item.result, item.output_format || "bin", `output-${i}`);\n }\n for (const [ci, candidate] of (data.candidates || []).entries()) {\n for (const [pi, part] of (candidate.content?.parts || []).entries()) {\n console.log("Candidate/part", ci, pi, JSON.stringify(part));\n const blob = part.inlineData || part.inline_data;\n if (blob?.data) {\n const mime = blob.mimeType || blob.mime_type;\n const suffix = ({"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"})[mime] || "bin";\n saveBlob(blob.data, suffix, `candidate-${ci}-part-${pi}`);\n }\n }\n }\n}\n\nsaveResult(msg);\nimport anthropic,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=anthropic.Anthropic(base_url="https://api.ailoot.ai",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.messages.stream(model='glm-5.2',max_tokens=1024,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_message()\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 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 glm-5.3, glm, glm-5, glm-5.1, glm-5.2, glm-latest
Ailoot Ultra glm-5.3, z-ai/glm-5.3, ~z-ai/glm-latest
/chat/completions
z-ai/glm-5.3, glm, glm-5, glm-5.1, glm-5.2, glm-latest, ~z-ai/glm-latest, glm-5.3, glm-5.3
glm-5.2Z.ai GLM 5.3 est un modèle de raisonnement textuel pour l’ingénierie logicielle complexe, le travail dans le terminal et les agents à long horizon. Il prend en charge un contexte de 1M jetons documenté par le fabricant, jusqu’à 128K jetons de sortie, l’appel de fonctions et les niveaux d’effort de raisonnement low/high/max, avec le raisonnement activé tout au long du traitement.
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 d’agents à long horizon. Le fabricant indique qu’il utilise le même modèle de base que GLM 5.2, les nouveaux gains provenant du post-entraînement. Cette version met l’accent sur une programmation renforcée, les opérations dans le terminal et des tâches plus larges comportant plusieurs étapes dépendantes. Il accepte du texte et produit du texte, notamment 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 comme valeur par défaut. Le fabricant recommande max pour les travaux de programmation complexes; low offre une option de raisonnement plus légère pour les étapes simples. Utilisez le niveau sélectionné avec un livrable final clair et des critères d’achèvement. Par exemple : « Examine ces fichiers et ces résultats d’échec, retrace la cause dans les modules touchés, propose une correction qui préserve l’interface publique et explique quels contrôles établissent que la régression est résolue. »
Le fabricant précise une fenêtre de contexte de 1M jetons et une longueur de sortie maximale de 128K jetons. Organisez le contenu long autour de la relation que le modèle doit examiner. Préservez les noms de fichiers, les définitions pertinentes, les étiquettes des sources et l’ordre des observations, et laissez de l’espace pour le raisonnement et la réponse finale à l’intérieur du contexte de travail applicable. Une grande fenêtre est utile pour les dépendances entre modules ou pour une longue séquence d’observations d’agent; elle ne transforme pas une archive non ciblée de contenus sans rapport entre eux en une tâche bien définie.
Pour le travail sur un dépôt, fournissez le comportement attendu, le texte source pertinent, les versions des dépendances et la sortie d’erreur réelle. Demandez au modèle de préciser le comportement touché avant de proposer un correctif. Pour un remaniement, nommez l’interface et les invariants qui doivent rester intacts. Une réponse utile contient le code révisé, la raison pour laquelle la modification corrige le problème observé et les cas nécessaires pour vérifier le résultat. Réinjectez les résultats réels dans un processus connecté à des outils afin 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 initiale et des mesures comme des durées, des profils ou des relevés d’allocation. Z.ai décrit des tâches d’entraînement portant sur le diagnostic des goulots d’étranglement, l’optimisation, les expériences et les résultats qui préservent l’exactitude. Une demande pratique est : « Utilise ce profil pour repérer le goulot d’étranglement le plus important, propose une modification mesurable et explique quel résultat justifierait de la conserver. » Distinguez une hypothèse sur les performances d’une amélioration mesurée. Conservez la même charge de travail et les conditions pertinentes lorsque vous examinez un résultat.
Cette version développe aussi la capacité d’analyse des vulnérabilités. Pour une revue défensive du code source, fournissez le code pertinent, ses frontières de confiance prévues et ses conditions d’exécution. Demandez un constat qui relie un problème présumé à l’entrée et au comportement touchés ainsi qu’à une correction ciblée. Séparez une faiblesse potentielle d’une défaillance reproduite et conservez l’observation utilisée pour la valider. Un rapport est plus utile lorsqu’il donne priorité aux preuves concrètes et aux corrections proposées plutôt que de traiter chaque motif suspect comme une vulnérabilité confirmée.
L’appel de fonctions permet à une application environnante d’exposer des opérations externes au modèle. Définissez l’objectif, les arguments et le résultat attendu de chaque outil, puis retournez l’observation réelle de l’outil pour l’étape suivante. Le modèle peut raisonner sur ce résultat et déterminer comment il modifie la tâche. Gardez distinctes les actions proposées, les opérations exécutées et les vérifications non résolues. Le fabricant documente aussi des réponses diffusées en continu, qui renvoient séparément les fragments de raisonnement et de réponse; assemblez la réponse terminée avant de la traiter comme le rapport final ou l’explication de code finale.
La fiche locale du modèle donne un détail précis sur le réglage de l’historique : son gabarit de clavardage conserve la réflexion par défaut, tandis que le fabricant recommande d’effacer explicitement l’ancienne réflexion pour les scénarios de clavardage ordinaires. Appliquez la structure de conversation appropriée au cas d’usage, en conservant les réponses réellement terminées et les résultats d’outils nécessaires à la poursuite du travail. Évitez de considérer les paramètres de 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, les types et les règles de source attendus. Un livrable utile pourrait être un tableau de défauts, un plan de modification ou un objet JSON résumant les observations. Validez la structure et les valeurs avant qu’une application les utilise. Le résultat final doit préciser la réponse ou le livrable révisé, les éléments de preuve qui l’appuient et les hypothèses restantes. Un effort de raisonnement accru n’établit pas qu’un outil a été exécuté, qu’un correctif proposé a réussi ses contrôles ou qu’une affirmation factuelle est appuyée au-delà du contenu fourni.
POST /v1/responsestexttext| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites glm-5.2 | Par défaut— |
Champinput | Typestring|input_item[] | ExigenceObligatoire | Valeurs et limites | Par défaut— |
Champinstructions | Typestring | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champinput[].type | Typestring | ExigenceFacultatif | Valeurs et limites message, reasoning, function_call, function_call_output | Par défaut— |
Champinput[].content | Typestring|content_part[] | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champinput[].call_id | Typestring | ExigenceFacultatif | Valeurs et limites S’applique lorsque: function_call_output ; conservez le call_id réellement renvoyé | Par défaut— |
Champinput[].output | Typestring|content_part[] | ExigenceFacultatif | Valeurs et limites S’applique lorsque: function_call_output | Par défaut— |
Champmax_output_tokens | Typeinteger | ExigenceFacultatif | Valeurs et limites Minimum: 1 Selon le modèle | Par défaut— |
Champstream | Typeboolean | ExigenceFacultatif | Valeurs et limites | Par défautfalse |
Champtemperature | Typenumber | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champtop_p | Typenumber | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champtools | Typetool[] | ExigenceFacultatif | Valeurs et limites Selon le modèle | 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— |
Champreasoning.effort | Typestring | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champreasoning.summary | Typestring | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champtext.format | Typeobject | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champtext.verbosity | Typestring | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champinclude | Typestring[] | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champstore | Typeboolean | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champprevious_response_id | Typestring | ExigenceFacultatif | Valeurs et limites Exigence relative à l’ID: Uniquement un ID de réponse réel provenant d’une continuation prise en charge Selon le modèle | Par défaut— |
Champservice_tier | Typestring | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champprompt_cache_key | Typestring | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champprompt_cache_options | Typeobject | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Texte · Texte UTF8
Texte d’entrée ou partie input_text
| Paramètre | Contrat |
|---|---|
Paramètrematerial_types | Contrattext |
Paramètrerequired | Contratmodel, input |
Paramètreoptional_controls | Contratnull |
Paramètrecontent_type | Contratapplication/json |
Paramètretext_file_material | ContratContenu UTF-8 réel inséré comme texte ; les ID de fichier/URLs nécessitent une prise en charge distincte et exacte |
Cycle de vie : exact retained published method
Les structures des méthodes et les ID sont exacts ; la capacité du fournisseur est distincte de l’admission des requêtes.
POST /v1/responsesAiloot 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 →
Les barèmes de référence du modèle ne modifient ni la sélection de méthode, ni les devis, ni les coûts. Les frais actifs utilisent les tarifs de la méthode Ailoot sélectionnée.
Associez chaque coût aux conditions indiquées. Utilisez un seul tarif pour chaque ensemble de configurations alternatives.
| Configuration | Barème tarifaire | Jetons de contexte, plus de | Jetons de contexte, jusqu’à la limite incluse | Coût |
|---|---|---|---|---|
| ConfigurationOpenAI Chat · Tarifs de base des jetons | Barème tarifaireTarif de base | Jetons de contexte, plus de— | Jetons de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Jetons en entrée $0.0028 / 1K jetons Sortie · Jetons en sortie $0.0088 / 1K jetons Entrée · Lecture du cache $0.00052 / 1K jetons Entrée · Écriture dans le cache — / 1K jetons Entrée · Écriture dans le cache, 1 h — / 1K jetons |
| ConfigurationOpenAI Chat · Palier 1 selon la longueur de la requête | Barème tarifaire— | Jetons de contexte, plus de0 | Jetons de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Jetons en entrée $0.0028 / 1K jetons Sortie · Jetons en sortie $0.0088 / 1K jetons Entrée · Lecture du cache $0.00052 / 1K jetons Entrée · Écriture dans le cache — / 1K jetons Entrée · Écriture dans le cache, 1 h — / 1K jetons |
| ConfigurationAnthropic Messages · Tarifs de base des jetons | Barème tarifaireTarif de base | Jetons de contexte, plus de— | Jetons de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Jetons en entrée $0.0028 / 1K jetons Sortie · Jetons en sortie $0.0088 / 1K jetons Entrée · Lecture du cache $0.00052 / 1K jetons Entrée · Écriture dans le cache — / 1K jetons Entrée · Écriture dans le cache, 1 h — / 1K jetons |
| ConfigurationAnthropic Messages · Palier 1 selon la longueur de la requête | Barème tarifaire— | Jetons de contexte, plus de0 | Jetons de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Jetons en entrée $0.0028 / 1K jetons Sortie · Jetons en sortie $0.0088 / 1K jetons Entrée · Lecture du cache $0.00052 / 1K jetons Entrée · Écriture dans le cache — / 1K jetons Entrée · Écriture dans le cache, 1 h — / 1K jetons |
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 source-material file}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "glm-5.2", "input": ""}')\nf=Path(os.environ["AILOOT_TEXT_FILE"])\nif not f.is_file():raise SystemExit("Choose your actual UTF-8 source material")\ntext=f.read_text(encoding="utf-8")\nif not text.strip():raise SystemExit("Source material must contain text")\np["input"]="Summarize this material and quote supporting source passages.\\n\\n"+text\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/responses \\\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 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(json.loads(Path("result.json").read_text(encoding="utf-8")))\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)\nresp = client.responses.create(model="glm-5.2", input="Explain the difference between an observation and a hypothesis 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(resp.to_dict(mode="json"))\nimport OpenAI from "openai";\n\nif (!process.env.AILOOT_API_KEY?.trim()) throw new Error("Set AILOOT_API_KEY before making a request");\nconst client = new OpenAI({ baseURL: "https://api.ailoot.ai/v1", apiKey: process.env.AILOOT_API_KEY, maxRetries: 0 });\nconst resp = await client.responses.create({ model: "glm-5.2", input: "Explain the difference between an observation and a hypothesis in three sentences." });\nimport { writeFileSync } from "node:fs";\n\nfunction saveResult(data, stem = "result") {\n writeFileSync(stem + ".json", JSON.stringify(data, null, 2));\n console.log(JSON.stringify(data, null, 2));\n const saveBlob = (encoded, suffix, label) => {\n const raw = Buffer.from(encoded, "base64");\n const ext = raw.subarray(0,8).equals(Buffer.from([137,80,78,71,13,10,26,10])) ? "png" : raw[0]===255 && raw[1]===216 ? "jpg" : raw.subarray(0,4).toString()==="RIFF" && raw.subarray(8,12).toString()==="WEBP" ? "webp" : suffix;\n const file = `${stem}-${label}.${ext}`;\n writeFileSync(file, raw); console.log("Saved", file);\n };\n for (const [i, block] of (data.content || []).entries()) console.log("Content", i, JSON.stringify(block));\n for (const choice of data.choices || []) console.log("Choice", choice.index, JSON.stringify(choice.message || choice.delta || {}));\n for (const [i, item] of (data.output || []).entries()) {\n console.log("Output", i, JSON.stringify(item));\n if (item.type === "image_generation_call" && item.result) saveBlob(item.result, item.output_format || "bin", `output-${i}`);\n }\n for (const [ci, candidate] of (data.candidates || []).entries()) {\n for (const [pi, part] of (candidate.content?.parts || []).entries()) {\n console.log("Candidate/part", ci, pi, JSON.stringify(part));\n const blob = part.inlineData || part.inline_data;\n if (blob?.data) {\n const mime = blob.mimeType || blob.mime_type;\n const suffix = ({"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"})[mime] || "bin";\n saveBlob(blob.data, suffix, `candidate-${ci}-part-${pi}`);\n }\n }\n }\n}\n\nsaveResult(resp);\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\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\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)\nwith client.responses.stream(model="glm-5.2", input="Explain the difference between an observation and a hypothesis 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_response()\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 élément de sortie et chaque partie de contenu, le call_id réel de l’appel de fonction, le raisonnement chiffré et les données d’utilisation. En diffusion en continu, conservez l’identité complète des événements et des éléments.
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 |
Champstatus | Typestring |
Champoutput[] | Typemessage|reasoning|function_call|other item |
Champoutput[].content[] | Typecontent part |
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 glm-5.3, glm, glm-5, glm-5.1, glm-5.2, glm-latest
Ailoot Ultra glm-5.3, z-ai/glm-5.3, ~z-ai/glm-latest
/chat/completions
z-ai/glm-5.3, glm, glm-5, glm-5.1, glm-5.2, glm-latest, ~z-ai/glm-latest, glm-5.3, glm-5.3
glm-5.2Z.ai GLM 5.3 est un modèle de raisonnement textuel pour l’ingénierie logicielle complexe, le travail dans le terminal et les agents à long horizon. Il prend en charge un contexte de 1M jetons documenté par le fabricant, jusqu’à 128K jetons de sortie, l’appel de fonctions et les niveaux d’effort de raisonnement low/high/max, avec le raisonnement activé tout au long du traitement.
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 d’agents à long horizon. Le fabricant indique qu’il utilise le même modèle de base que GLM 5.2, les nouveaux gains provenant du post-entraînement. Cette version met l’accent sur une programmation renforcée, les opérations dans le terminal et des tâches plus larges comportant plusieurs étapes dépendantes. Il accepte du texte et produit du texte, notamment 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 comme valeur par défaut. Le fabricant recommande max pour les travaux de programmation complexes; low offre une option de raisonnement plus légère pour les étapes simples. Utilisez le niveau sélectionné avec un livrable final clair et des critères d’achèvement. Par exemple : « Examine ces fichiers et ces résultats d’échec, retrace la cause dans les modules touchés, propose une correction qui préserve l’interface publique et explique quels contrôles établissent que la régression est résolue. »
Le fabricant précise une fenêtre de contexte de 1M jetons et une longueur de sortie maximale de 128K jetons. Organisez le contenu long autour de la relation que le modèle doit examiner. Préservez les noms de fichiers, les définitions pertinentes, les étiquettes des sources et l’ordre des observations, et laissez de l’espace pour le raisonnement et la réponse finale à l’intérieur du contexte de travail applicable. Une grande fenêtre est utile pour les dépendances entre modules ou pour une longue séquence d’observations d’agent; elle ne transforme pas une archive non ciblée de contenus sans rapport entre eux en une tâche bien définie.
Pour le travail sur un dépôt, fournissez le comportement attendu, le texte source pertinent, les versions des dépendances et la sortie d’erreur réelle. Demandez au modèle de préciser le comportement touché avant de proposer un correctif. Pour un remaniement, nommez l’interface et les invariants qui doivent rester intacts. Une réponse utile contient le code révisé, la raison pour laquelle la modification corrige le problème observé et les cas nécessaires pour vérifier le résultat. Réinjectez les résultats réels dans un processus connecté à des outils afin 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 initiale et des mesures comme des durées, des profils ou des relevés d’allocation. Z.ai décrit des tâches d’entraînement portant sur le diagnostic des goulots d’étranglement, l’optimisation, les expériences et les résultats qui préservent l’exactitude. Une demande pratique est : « Utilise ce profil pour repérer le goulot d’étranglement le plus important, propose une modification mesurable et explique quel résultat justifierait de la conserver. » Distinguez une hypothèse sur les performances d’une amélioration mesurée. Conservez la même charge de travail et les conditions pertinentes lorsque vous examinez un résultat.
Cette version développe aussi la capacité d’analyse des vulnérabilités. Pour une revue défensive du code source, fournissez le code pertinent, ses frontières de confiance prévues et ses conditions d’exécution. Demandez un constat qui relie un problème présumé à l’entrée et au comportement touchés ainsi qu’à une correction ciblée. Séparez une faiblesse potentielle d’une défaillance reproduite et conservez l’observation utilisée pour la valider. Un rapport est plus utile lorsqu’il donne priorité aux preuves concrètes et aux corrections proposées plutôt que de traiter chaque motif suspect comme une vulnérabilité confirmée.
L’appel de fonctions permet à une application environnante d’exposer des opérations externes au modèle. Définissez l’objectif, les arguments et le résultat attendu de chaque outil, puis retournez l’observation réelle de l’outil pour l’étape suivante. Le modèle peut raisonner sur ce résultat et déterminer comment il modifie la tâche. Gardez distinctes les actions proposées, les opérations exécutées et les vérifications non résolues. Le fabricant documente aussi des réponses diffusées en continu, qui renvoient séparément les fragments de raisonnement et de réponse; assemblez la réponse terminée avant de la traiter comme le rapport final ou l’explication de code finale.
La fiche locale du modèle donne un détail précis sur le réglage de l’historique : son gabarit de clavardage conserve la réflexion par défaut, tandis que le fabricant recommande d’effacer explicitement l’ancienne réflexion pour les scénarios de clavardage ordinaires. Appliquez la structure de conversation appropriée au cas d’usage, en conservant les réponses réellement terminées et les résultats d’outils nécessaires à la poursuite du travail. Évitez de considérer les paramètres de 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, les types et les règles de source attendus. Un livrable utile pourrait être un tableau de défauts, un plan de modification ou un objet JSON résumant les observations. Validez la structure et les valeurs avant qu’une application les utilise. Le résultat final doit préciser la réponse ou le livrable révisé, les éléments de preuve qui l’appuient et les hypothèses restantes. Un effort de raisonnement accru n’établit pas qu’un outil a été exécuté, qu’un correctif proposé a réussi ses contrôles ou qu’une affirmation factuelle est appuyée au-delà du contenu fourni.
POST /v1/chat/completionstexttext| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites glm-5.2 | 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 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— |
Texte · Texte UTF8
messages[].content
| Paramètre | Contrat |
|---|---|
Paramètrematerial_types | Contrattext |
Paramètrerequired | Contratmodel, messages |
Paramètreoptional_controls | Contratnull |
Paramètrecontent_type | Contratapplication/json |
Paramètretext_file_material | ContratContenu UTF-8 réel inséré comme texte ; les ID de fichier/URLs nécessitent une prise en charge distincte et exacte |
Cycle de vie : exact retained published method
Les structures des méthodes et les ID sont exacts ; la capacité du fournisseur est distincte de l’admission des requêtes.
POST /v1/chat/completionsAiloot 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 →
Les barèmes de référence du modèle ne modifient ni la sélection de méthode, ni les devis, ni les coûts. Les frais actifs utilisent les tarifs de la méthode Ailoot sélectionnée.
Associez chaque coût aux conditions indiquées. Utilisez un seul tarif pour chaque ensemble de configurations alternatives.
| Configuration | Barème tarifaire | Jetons de contexte, plus de | Jetons de contexte, jusqu’à la limite incluse | Coût |
|---|---|---|---|---|
| ConfigurationOpenAI Chat · Tarifs de base des jetons | Barème tarifaireTarif de base | Jetons de contexte, plus de— | Jetons de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Jetons en entrée $0.0028 / 1K jetons Sortie · Jetons en sortie $0.0088 / 1K jetons Entrée · Lecture du cache $0.00052 / 1K jetons Entrée · Écriture dans le cache — / 1K jetons Entrée · Écriture dans le cache, 1 h — / 1K jetons |
| ConfigurationOpenAI Chat · Palier 1 selon la longueur de la requête | Barème tarifaire— | Jetons de contexte, plus de0 | Jetons de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Jetons en entrée $0.0028 / 1K jetons Sortie · Jetons en sortie $0.0088 / 1K jetons Entrée · Lecture du cache $0.00052 / 1K jetons Entrée · Écriture dans le cache — / 1K jetons Entrée · Écriture dans le cache, 1 h — / 1K jetons |
| ConfigurationAnthropic Messages · Tarifs de base des jetons | Barème tarifaireTarif de base | Jetons de contexte, plus de— | Jetons de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Jetons en entrée $0.0028 / 1K jetons Sortie · Jetons en sortie $0.0088 / 1K jetons Entrée · Lecture du cache $0.00052 / 1K jetons Entrée · Écriture dans le cache — / 1K jetons Entrée · Écriture dans le cache, 1 h — / 1K jetons |
| ConfigurationAnthropic Messages · Palier 1 selon la longueur de la requête | Barème tarifaire— | Jetons de contexte, plus de0 | Jetons de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Jetons en entrée $0.0028 / 1K jetons Sortie · Jetons en sortie $0.0088 / 1K jetons Entrée · Lecture du cache $0.00052 / 1K jetons Entrée · Écriture dans le cache — / 1K jetons Entrée · Écriture dans le cache, 1 h — / 1K jetons |
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 source-material file}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "glm-5.2", "messages": []}')\nf=Path(os.environ["AILOOT_TEXT_FILE"])\nif not f.is_file():raise SystemExit("Choose your actual UTF-8 source material")\ntext=f.read_text(encoding="utf-8")\nif not text.strip():raise SystemExit("Source material must contain text")\np["messages"]=[{"role":"user","content":"Summarize this material and quote supporting source passages.\\n\\n"+text}]\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\nprint(json.dumps(json.loads(Path("result.json").read_text()),ensure_ascii=False,indent=2))\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)\nresp = client.chat.completions.create(\n model="glm-5.2",\n messages=[{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}],\n)\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(resp.to_dict(mode="json"))\nimport OpenAI from "openai";\n\nif (!process.env.AILOOT_API_KEY?.trim()) throw new Error("Set AILOOT_API_KEY before making a request");\nconst client = new OpenAI({ baseURL: "https://api.ailoot.ai/v1", apiKey: process.env.AILOOT_API_KEY, maxRetries: 0 });\nconst resp = await client.chat.completions.create({\n model: "glm-5.2",\n messages: [{ role: "user", content: "Explain the difference between an observation and a hypothesis in three sentences." }],\n});\nimport { writeFileSync } from "node:fs";\n\nfunction saveResult(data, stem = "result") {\n writeFileSync(stem + ".json", JSON.stringify(data, null, 2));\n console.log(JSON.stringify(data, null, 2));\n const saveBlob = (encoded, suffix, label) => {\n const raw = Buffer.from(encoded, "base64");\n const ext = raw.subarray(0,8).equals(Buffer.from([137,80,78,71,13,10,26,10])) ? "png" : raw[0]===255 && raw[1]===216 ? "jpg" : raw.subarray(0,4).toString()==="RIFF" && raw.subarray(8,12).toString()==="WEBP" ? "webp" : suffix;\n const file = `${stem}-${label}.${ext}`;\n writeFileSync(file, raw); console.log("Saved", file);\n };\n for (const [i, block] of (data.content || []).entries()) console.log("Content", i, JSON.stringify(block));\n for (const choice of data.choices || []) console.log("Choice", choice.index, JSON.stringify(choice.message || choice.delta || {}));\n for (const [i, item] of (data.output || []).entries()) {\n console.log("Output", i, JSON.stringify(item));\n if (item.type === "image_generation_call" && item.result) saveBlob(item.result, item.output_format || "bin", `output-${i}`);\n }\n for (const [ci, candidate] of (data.candidates || []).entries()) {\n for (const [pi, part] of (candidate.content?.parts || []).entries()) {\n console.log("Candidate/part", ci, pi, JSON.stringify(part));\n const blob = part.inlineData || part.inline_data;\n if (blob?.data) {\n const mime = blob.mimeType || blob.mime_type;\n const suffix = ({"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"})[mime] || "bin";\n saveBlob(blob.data, suffix, `candidate-${ci}-part-${pi}`);\n }\n }\n }\n}\n\nsaveResult(resp);\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-5.2',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 glm-5.3, glm, glm-5, glm-5.1, glm-5.2, glm-latest
Ailoot Ultra glm-5.3, z-ai/glm-5.3, ~z-ai/glm-latest
/chat/completions
z-ai/glm-5.3, glm, glm-5, glm-5.1, glm-5.2, glm-latest, ~z-ai/glm-latest, glm-5.3, glm-5.3
glm-latestZ.ai GLM 5.3 est un modèle de raisonnement textuel pour l’ingénierie logicielle complexe, le travail dans le terminal et les agents à long horizon. Il prend en charge un contexte de 1M jetons documenté par le fabricant, jusqu’à 128K jetons de sortie, l’appel de fonctions et les niveaux d’effort de raisonnement low/high/max, avec le raisonnement activé tout au long du traitement.
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 d’agents à long horizon. Le fabricant indique qu’il utilise le même modèle de base que GLM 5.2, les nouveaux gains provenant du post-entraînement. Cette version met l’accent sur une programmation renforcée, les opérations dans le terminal et des tâches plus larges comportant plusieurs étapes dépendantes. Il accepte du texte et produit du texte, notamment 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 comme valeur par défaut. Le fabricant recommande max pour les travaux de programmation complexes; low offre une option de raisonnement plus légère pour les étapes simples. Utilisez le niveau sélectionné avec un livrable final clair et des critères d’achèvement. Par exemple : « Examine ces fichiers et ces résultats d’échec, retrace la cause dans les modules touchés, propose une correction qui préserve l’interface publique et explique quels contrôles établissent que la régression est résolue. »
Le fabricant précise une fenêtre de contexte de 1M jetons et une longueur de sortie maximale de 128K jetons. Organisez le contenu long autour de la relation que le modèle doit examiner. Préservez les noms de fichiers, les définitions pertinentes, les étiquettes des sources et l’ordre des observations, et laissez de l’espace pour le raisonnement et la réponse finale à l’intérieur du contexte de travail applicable. Une grande fenêtre est utile pour les dépendances entre modules ou pour une longue séquence d’observations d’agent; elle ne transforme pas une archive non ciblée de contenus sans rapport entre eux en une tâche bien définie.
Pour le travail sur un dépôt, fournissez le comportement attendu, le texte source pertinent, les versions des dépendances et la sortie d’erreur réelle. Demandez au modèle de préciser le comportement touché avant de proposer un correctif. Pour un remaniement, nommez l’interface et les invariants qui doivent rester intacts. Une réponse utile contient le code révisé, la raison pour laquelle la modification corrige le problème observé et les cas nécessaires pour vérifier le résultat. Réinjectez les résultats réels dans un processus connecté à des outils afin 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 initiale et des mesures comme des durées, des profils ou des relevés d’allocation. Z.ai décrit des tâches d’entraînement portant sur le diagnostic des goulots d’étranglement, l’optimisation, les expériences et les résultats qui préservent l’exactitude. Une demande pratique est : « Utilise ce profil pour repérer le goulot d’étranglement le plus important, propose une modification mesurable et explique quel résultat justifierait de la conserver. » Distinguez une hypothèse sur les performances d’une amélioration mesurée. Conservez la même charge de travail et les conditions pertinentes lorsque vous examinez un résultat.
Cette version développe aussi la capacité d’analyse des vulnérabilités. Pour une revue défensive du code source, fournissez le code pertinent, ses frontières de confiance prévues et ses conditions d’exécution. Demandez un constat qui relie un problème présumé à l’entrée et au comportement touchés ainsi qu’à une correction ciblée. Séparez une faiblesse potentielle d’une défaillance reproduite et conservez l’observation utilisée pour la valider. Un rapport est plus utile lorsqu’il donne priorité aux preuves concrètes et aux corrections proposées plutôt que de traiter chaque motif suspect comme une vulnérabilité confirmée.
L’appel de fonctions permet à une application environnante d’exposer des opérations externes au modèle. Définissez l’objectif, les arguments et le résultat attendu de chaque outil, puis retournez l’observation réelle de l’outil pour l’étape suivante. Le modèle peut raisonner sur ce résultat et déterminer comment il modifie la tâche. Gardez distinctes les actions proposées, les opérations exécutées et les vérifications non résolues. Le fabricant documente aussi des réponses diffusées en continu, qui renvoient séparément les fragments de raisonnement et de réponse; assemblez la réponse terminée avant de la traiter comme le rapport final ou l’explication de code finale.
La fiche locale du modèle donne un détail précis sur le réglage de l’historique : son gabarit de clavardage conserve la réflexion par défaut, tandis que le fabricant recommande d’effacer explicitement l’ancienne réflexion pour les scénarios de clavardage ordinaires. Appliquez la structure de conversation appropriée au cas d’usage, en conservant les réponses réellement terminées et les résultats d’outils nécessaires à la poursuite du travail. Évitez de considérer les paramètres de 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, les types et les règles de source attendus. Un livrable utile pourrait être un tableau de défauts, un plan de modification ou un objet JSON résumant les observations. Validez la structure et les valeurs avant qu’une application les utilise. Le résultat final doit préciser la réponse ou le livrable révisé, les éléments de preuve qui l’appuient et les hypothèses restantes. Un effort de raisonnement accru n’établit pas qu’un outil a été exécuté, qu’un correctif proposé a réussi ses contrôles ou qu’une affirmation factuelle est appuyée au-delà du contenu fourni.
POST /v1/messagestexttext| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites glm-latest | Par défaut— |
Champmessages | Typemessage[] | ExigenceObligatoire | Valeurs et limites Nombre minimal d’éléments: 1 | Par défaut— |
Champmessages[].role | Typestring | ExigenceObligatoire | Valeurs et limites user, assistant | Par défaut— |
Champmessages[].content | Typestring|content_block[] | ExigenceObligatoire | Valeurs et limites | Par défaut— |
Champsystem | Typestring|content_block[] | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champmax_tokens | Typeinteger | ExigenceObligatoire | Valeurs et limites Minimum: 1 La limite s’applique à: Plafond exact du modèle ou de la fiche sélectionnés | Par défaut— |
Champstream | Typeboolean | ExigenceFacultatif | Valeurs et limites | Par défautfalse |
Champtemperature | Typenumber | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champtop_p | Typenumber | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champstop_sequences | Typestring[] | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champtools | Typetool[] | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champtools[].name | Typestring | ExigenceFacultatif | Valeurs et limites S’applique lorsque: Outil fourni | Par défaut— |
Champtools[].description | Typestring | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champtools[].input_schema | TypeJSON_schema | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champtool_choice | Typeobject | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champthinking.type | Typestring | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champthinking.budget_tokens | Typeinteger | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champoutput_config.effort | Typestring | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champmetadata | Typeobject | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champcache_control | Typeobject | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Texte · Texte UTF8
messages[].content ou bloc type=text
| Paramètre | Contrat |
|---|---|
Paramètrematerial_types | Contrattext |
Paramètrerequired | Contratmodel, messages, max_tokens |
Paramètreoptional_controls | Contratnull |
Paramètrecontent_type | Contratapplication/json |
Paramètretext_file_material | ContratContenu UTF-8 réel inséré comme texte ; les ID de fichier/URLs nécessitent une prise en charge distincte et exacte |
Cycle de vie : exact retained published method
Les structures des méthodes et les ID sont exacts ; la capacité du fournisseur est distincte de l’admission des requêtes.
POST /v1/messagesAiloot 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 →
Les barèmes de référence du modèle ne modifient ni la sélection de méthode, ni les devis, ni les coûts. Les frais actifs utilisent les tarifs de la méthode Ailoot sélectionnée.
Associez chaque coût aux conditions indiquées. Utilisez un seul tarif pour chaque ensemble de configurations alternatives.
| Configuration | Barème tarifaire | Jetons de contexte, plus de | Jetons de contexte, jusqu’à la limite incluse | Coût |
|---|---|---|---|---|
| ConfigurationOpenAI Chat · Tarifs de base des jetons | Barème tarifaireTarif de base | Jetons de contexte, plus de— | Jetons de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Jetons en entrée $0.0028 / 1K jetons Sortie · Jetons en sortie $0.0088 / 1K jetons Entrée · Lecture du cache $0.00052 / 1K jetons Entrée · Écriture dans le cache — / 1K jetons Entrée · Écriture dans le cache, 1 h — / 1K jetons |
| ConfigurationOpenAI Chat · Palier 1 selon la longueur de la requête | Barème tarifaire— | Jetons de contexte, plus de0 | Jetons de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Jetons en entrée $0.0028 / 1K jetons Sortie · Jetons en sortie $0.0088 / 1K jetons Entrée · Lecture du cache $0.00052 / 1K jetons Entrée · Écriture dans le cache — / 1K jetons Entrée · Écriture dans le cache, 1 h — / 1K jetons |
| ConfigurationAnthropic Messages · Tarifs de base des jetons | Barème tarifaireTarif de base | Jetons de contexte, plus de— | Jetons de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Jetons en entrée $0.0028 / 1K jetons Sortie · Jetons en sortie $0.0088 / 1K jetons Entrée · Lecture du cache $0.00052 / 1K jetons Entrée · Écriture dans le cache — / 1K jetons Entrée · Écriture dans le cache, 1 h — / 1K jetons |
| ConfigurationAnthropic Messages · Palier 1 selon la longueur de la requête | Barème tarifaire— | Jetons de contexte, plus de0 | Jetons de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Jetons en entrée $0.0028 / 1K jetons Sortie · Jetons en sortie $0.0088 / 1K jetons Entrée · Lecture du cache $0.00052 / 1K jetons Entrée · Écriture dans le cache — / 1K jetons Entrée · Écriture dans le cache, 1 h — / 1K jetons |
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 source-material file}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "glm-latest", "max_tokens": 1024, "messages": []}')\nf=Path(os.environ["AILOOT_TEXT_FILE"])\nif not f.is_file():raise SystemExit("Choose your actual UTF-8 source material")\ntext=f.read_text(encoding="utf-8")\nif not text.strip():raise SystemExit("Source material must contain text")\np["messages"]=[{"role":"user","content":"Summarize this material and quote supporting source passages.\\n\\n"+text}]\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/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\nprint(json.dumps(json.loads(Path("result.json").read_text()),ensure_ascii=False,indent=2))\nPY_RESULT\nimport anthropic\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient = anthropic.Anthropic(base_url="https://api.ailoot.ai", api_key=os.environ["AILOOT_API_KEY"], max_retries=0)\nmsg = client.messages.create(\n model="glm-latest",\n max_tokens=1024,\n messages=[{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}],\n)\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(msg.to_dict(mode="json"))\nimport Anthropic from "@anthropic-ai/sdk";\n\nif (!process.env.AILOOT_API_KEY?.trim()) throw new Error("Set AILOOT_API_KEY before making a request");\nconst client = new Anthropic({ baseURL: "https://api.ailoot.ai", apiKey: process.env.AILOOT_API_KEY, maxRetries: 0 });\nconst msg = await client.messages.create({\n model: "glm-latest",\n max_tokens: 1024,\n messages: [{ role: "user", content: "Explain the difference between an observation and a hypothesis in three sentences." }],\n});\nimport { writeFileSync } from "node:fs";\n\nfunction saveResult(data, stem = "result") {\n writeFileSync(stem + ".json", JSON.stringify(data, null, 2));\n console.log(JSON.stringify(data, null, 2));\n const saveBlob = (encoded, suffix, label) => {\n const raw = Buffer.from(encoded, "base64");\n const ext = raw.subarray(0,8).equals(Buffer.from([137,80,78,71,13,10,26,10])) ? "png" : raw[0]===255 && raw[1]===216 ? "jpg" : raw.subarray(0,4).toString()==="RIFF" && raw.subarray(8,12).toString()==="WEBP" ? "webp" : suffix;\n const file = `${stem}-${label}.${ext}`;\n writeFileSync(file, raw); console.log("Saved", file);\n };\n for (const [i, block] of (data.content || []).entries()) console.log("Content", i, JSON.stringify(block));\n for (const choice of data.choices || []) console.log("Choice", choice.index, JSON.stringify(choice.message || choice.delta || {}));\n for (const [i, item] of (data.output || []).entries()) {\n console.log("Output", i, JSON.stringify(item));\n if (item.type === "image_generation_call" && item.result) saveBlob(item.result, item.output_format || "bin", `output-${i}`);\n }\n for (const [ci, candidate] of (data.candidates || []).entries()) {\n for (const [pi, part] of (candidate.content?.parts || []).entries()) {\n console.log("Candidate/part", ci, pi, JSON.stringify(part));\n const blob = part.inlineData || part.inline_data;\n if (blob?.data) {\n const mime = blob.mimeType || blob.mime_type;\n const suffix = ({"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"})[mime] || "bin";\n saveBlob(blob.data, suffix, `candidate-${ci}-part-${pi}`);\n }\n }\n }\n}\n\nsaveResult(msg);\nimport anthropic,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=anthropic.Anthropic(base_url="https://api.ailoot.ai",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.messages.stream(model='glm-latest',max_tokens=1024,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_message()\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 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 glm-5.3, glm, glm-5, glm-5.1, glm-5.2, glm-latest
Ailoot Ultra glm-5.3, z-ai/glm-5.3, ~z-ai/glm-latest
/chat/completions
z-ai/glm-5.3, glm, glm-5, glm-5.1, glm-5.2, glm-latest, ~z-ai/glm-latest, glm-5.3, glm-5.3
glm-latestZ.ai GLM 5.3 est un modèle de raisonnement textuel pour l’ingénierie logicielle complexe, le travail dans le terminal et les agents à long horizon. Il prend en charge un contexte de 1M jetons documenté par le fabricant, jusqu’à 128K jetons de sortie, l’appel de fonctions et les niveaux d’effort de raisonnement low/high/max, avec le raisonnement activé tout au long du traitement.
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 d’agents à long horizon. Le fabricant indique qu’il utilise le même modèle de base que GLM 5.2, les nouveaux gains provenant du post-entraînement. Cette version met l’accent sur une programmation renforcée, les opérations dans le terminal et des tâches plus larges comportant plusieurs étapes dépendantes. Il accepte du texte et produit du texte, notamment 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 comme valeur par défaut. Le fabricant recommande max pour les travaux de programmation complexes; low offre une option de raisonnement plus légère pour les étapes simples. Utilisez le niveau sélectionné avec un livrable final clair et des critères d’achèvement. Par exemple : « Examine ces fichiers et ces résultats d’échec, retrace la cause dans les modules touchés, propose une correction qui préserve l’interface publique et explique quels contrôles établissent que la régression est résolue. »
Le fabricant précise une fenêtre de contexte de 1M jetons et une longueur de sortie maximale de 128K jetons. Organisez le contenu long autour de la relation que le modèle doit examiner. Préservez les noms de fichiers, les définitions pertinentes, les étiquettes des sources et l’ordre des observations, et laissez de l’espace pour le raisonnement et la réponse finale à l’intérieur du contexte de travail applicable. Une grande fenêtre est utile pour les dépendances entre modules ou pour une longue séquence d’observations d’agent; elle ne transforme pas une archive non ciblée de contenus sans rapport entre eux en une tâche bien définie.
Pour le travail sur un dépôt, fournissez le comportement attendu, le texte source pertinent, les versions des dépendances et la sortie d’erreur réelle. Demandez au modèle de préciser le comportement touché avant de proposer un correctif. Pour un remaniement, nommez l’interface et les invariants qui doivent rester intacts. Une réponse utile contient le code révisé, la raison pour laquelle la modification corrige le problème observé et les cas nécessaires pour vérifier le résultat. Réinjectez les résultats réels dans un processus connecté à des outils afin 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 initiale et des mesures comme des durées, des profils ou des relevés d’allocation. Z.ai décrit des tâches d’entraînement portant sur le diagnostic des goulots d’étranglement, l’optimisation, les expériences et les résultats qui préservent l’exactitude. Une demande pratique est : « Utilise ce profil pour repérer le goulot d’étranglement le plus important, propose une modification mesurable et explique quel résultat justifierait de la conserver. » Distinguez une hypothèse sur les performances d’une amélioration mesurée. Conservez la même charge de travail et les conditions pertinentes lorsque vous examinez un résultat.
Cette version développe aussi la capacité d’analyse des vulnérabilités. Pour une revue défensive du code source, fournissez le code pertinent, ses frontières de confiance prévues et ses conditions d’exécution. Demandez un constat qui relie un problème présumé à l’entrée et au comportement touchés ainsi qu’à une correction ciblée. Séparez une faiblesse potentielle d’une défaillance reproduite et conservez l’observation utilisée pour la valider. Un rapport est plus utile lorsqu’il donne priorité aux preuves concrètes et aux corrections proposées plutôt que de traiter chaque motif suspect comme une vulnérabilité confirmée.
L’appel de fonctions permet à une application environnante d’exposer des opérations externes au modèle. Définissez l’objectif, les arguments et le résultat attendu de chaque outil, puis retournez l’observation réelle de l’outil pour l’étape suivante. Le modèle peut raisonner sur ce résultat et déterminer comment il modifie la tâche. Gardez distinctes les actions proposées, les opérations exécutées et les vérifications non résolues. Le fabricant documente aussi des réponses diffusées en continu, qui renvoient séparément les fragments de raisonnement et de réponse; assemblez la réponse terminée avant de la traiter comme le rapport final ou l’explication de code finale.
La fiche locale du modèle donne un détail précis sur le réglage de l’historique : son gabarit de clavardage conserve la réflexion par défaut, tandis que le fabricant recommande d’effacer explicitement l’ancienne réflexion pour les scénarios de clavardage ordinaires. Appliquez la structure de conversation appropriée au cas d’usage, en conservant les réponses réellement terminées et les résultats d’outils nécessaires à la poursuite du travail. Évitez de considérer les paramètres de 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, les types et les règles de source attendus. Un livrable utile pourrait être un tableau de défauts, un plan de modification ou un objet JSON résumant les observations. Validez la structure et les valeurs avant qu’une application les utilise. Le résultat final doit préciser la réponse ou le livrable révisé, les éléments de preuve qui l’appuient et les hypothèses restantes. Un effort de raisonnement accru n’établit pas qu’un outil a été exécuté, qu’un correctif proposé a réussi ses contrôles ou qu’une affirmation factuelle est appuyée au-delà du contenu fourni.
POST /v1/responsestexttext| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites glm-latest | Par défaut— |
Champinput | Typestring|input_item[] | ExigenceObligatoire | Valeurs et limites | Par défaut— |
Champinstructions | Typestring | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champinput[].type | Typestring | ExigenceFacultatif | Valeurs et limites message, reasoning, function_call, function_call_output | Par défaut— |
Champinput[].content | Typestring|content_part[] | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champinput[].call_id | Typestring | ExigenceFacultatif | Valeurs et limites S’applique lorsque: function_call_output ; conservez le call_id réellement renvoyé | Par défaut— |
Champinput[].output | Typestring|content_part[] | ExigenceFacultatif | Valeurs et limites S’applique lorsque: function_call_output | Par défaut— |
Champmax_output_tokens | Typeinteger | ExigenceFacultatif | Valeurs et limites Minimum: 1 Selon le modèle | Par défaut— |
Champstream | Typeboolean | ExigenceFacultatif | Valeurs et limites | Par défautfalse |
Champtemperature | Typenumber | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champtop_p | Typenumber | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champtools | Typetool[] | ExigenceFacultatif | Valeurs et limites Selon le modèle | 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— |
Champreasoning.effort | Typestring | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champreasoning.summary | Typestring | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champtext.format | Typeobject | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champtext.verbosity | Typestring | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champinclude | Typestring[] | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champstore | Typeboolean | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champprevious_response_id | Typestring | ExigenceFacultatif | Valeurs et limites Exigence relative à l’ID: Uniquement un ID de réponse réel provenant d’une continuation prise en charge Selon le modèle | Par défaut— |
Champservice_tier | Typestring | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champprompt_cache_key | Typestring | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champprompt_cache_options | Typeobject | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Texte · Texte UTF8
Texte d’entrée ou partie input_text
| Paramètre | Contrat |
|---|---|
Paramètrematerial_types | Contrattext |
Paramètrerequired | Contratmodel, input |
Paramètreoptional_controls | Contratnull |
Paramètrecontent_type | Contratapplication/json |
Paramètretext_file_material | ContratContenu UTF-8 réel inséré comme texte ; les ID de fichier/URLs nécessitent une prise en charge distincte et exacte |
Cycle de vie : exact retained published method
Les structures des méthodes et les ID sont exacts ; la capacité du fournisseur est distincte de l’admission des requêtes.
POST /v1/responsesAiloot 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 →
Les barèmes de référence du modèle ne modifient ni la sélection de méthode, ni les devis, ni les coûts. Les frais actifs utilisent les tarifs de la méthode Ailoot sélectionnée.
Associez chaque coût aux conditions indiquées. Utilisez un seul tarif pour chaque ensemble de configurations alternatives.
| Configuration | Barème tarifaire | Jetons de contexte, plus de | Jetons de contexte, jusqu’à la limite incluse | Coût |
|---|---|---|---|---|
| ConfigurationOpenAI Chat · Tarifs de base des jetons | Barème tarifaireTarif de base | Jetons de contexte, plus de— | Jetons de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Jetons en entrée $0.0028 / 1K jetons Sortie · Jetons en sortie $0.0088 / 1K jetons Entrée · Lecture du cache $0.00052 / 1K jetons Entrée · Écriture dans le cache — / 1K jetons Entrée · Écriture dans le cache, 1 h — / 1K jetons |
| ConfigurationOpenAI Chat · Palier 1 selon la longueur de la requête | Barème tarifaire— | Jetons de contexte, plus de0 | Jetons de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Jetons en entrée $0.0028 / 1K jetons Sortie · Jetons en sortie $0.0088 / 1K jetons Entrée · Lecture du cache $0.00052 / 1K jetons Entrée · Écriture dans le cache — / 1K jetons Entrée · Écriture dans le cache, 1 h — / 1K jetons |
| ConfigurationAnthropic Messages · Tarifs de base des jetons | Barème tarifaireTarif de base | Jetons de contexte, plus de— | Jetons de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Jetons en entrée $0.0028 / 1K jetons Sortie · Jetons en sortie $0.0088 / 1K jetons Entrée · Lecture du cache $0.00052 / 1K jetons Entrée · Écriture dans le cache — / 1K jetons Entrée · Écriture dans le cache, 1 h — / 1K jetons |
| ConfigurationAnthropic Messages · Palier 1 selon la longueur de la requête | Barème tarifaire— | Jetons de contexte, plus de0 | Jetons de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Jetons en entrée $0.0028 / 1K jetons Sortie · Jetons en sortie $0.0088 / 1K jetons Entrée · Lecture du cache $0.00052 / 1K jetons Entrée · Écriture dans le cache — / 1K jetons Entrée · Écriture dans le cache, 1 h — / 1K jetons |
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 source-material file}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "glm-latest", "input": ""}')\nf=Path(os.environ["AILOOT_TEXT_FILE"])\nif not f.is_file():raise SystemExit("Choose your actual UTF-8 source material")\ntext=f.read_text(encoding="utf-8")\nif not text.strip():raise SystemExit("Source material must contain text")\np["input"]="Summarize this material and quote supporting source passages.\\n\\n"+text\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/responses \\\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 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(json.loads(Path("result.json").read_text(encoding="utf-8")))\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)\nresp = client.responses.create(model="glm-latest", input="Explain the difference between an observation and a hypothesis 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(resp.to_dict(mode="json"))\nimport OpenAI from "openai";\n\nif (!process.env.AILOOT_API_KEY?.trim()) throw new Error("Set AILOOT_API_KEY before making a request");\nconst client = new OpenAI({ baseURL: "https://api.ailoot.ai/v1", apiKey: process.env.AILOOT_API_KEY, maxRetries: 0 });\nconst resp = await client.responses.create({ model: "glm-latest", input: "Explain the difference between an observation and a hypothesis in three sentences." });\nimport { writeFileSync } from "node:fs";\n\nfunction saveResult(data, stem = "result") {\n writeFileSync(stem + ".json", JSON.stringify(data, null, 2));\n console.log(JSON.stringify(data, null, 2));\n const saveBlob = (encoded, suffix, label) => {\n const raw = Buffer.from(encoded, "base64");\n const ext = raw.subarray(0,8).equals(Buffer.from([137,80,78,71,13,10,26,10])) ? "png" : raw[0]===255 && raw[1]===216 ? "jpg" : raw.subarray(0,4).toString()==="RIFF" && raw.subarray(8,12).toString()==="WEBP" ? "webp" : suffix;\n const file = `${stem}-${label}.${ext}`;\n writeFileSync(file, raw); console.log("Saved", file);\n };\n for (const [i, block] of (data.content || []).entries()) console.log("Content", i, JSON.stringify(block));\n for (const choice of data.choices || []) console.log("Choice", choice.index, JSON.stringify(choice.message || choice.delta || {}));\n for (const [i, item] of (data.output || []).entries()) {\n console.log("Output", i, JSON.stringify(item));\n if (item.type === "image_generation_call" && item.result) saveBlob(item.result, item.output_format || "bin", `output-${i}`);\n }\n for (const [ci, candidate] of (data.candidates || []).entries()) {\n for (const [pi, part] of (candidate.content?.parts || []).entries()) {\n console.log("Candidate/part", ci, pi, JSON.stringify(part));\n const blob = part.inlineData || part.inline_data;\n if (blob?.data) {\n const mime = blob.mimeType || blob.mime_type;\n const suffix = ({"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"})[mime] || "bin";\n saveBlob(blob.data, suffix, `candidate-${ci}-part-${pi}`);\n }\n }\n }\n}\n\nsaveResult(resp);\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\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\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)\nwith client.responses.stream(model="glm-latest", input="Explain the difference between an observation and a hypothesis 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_response()\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 élément de sortie et chaque partie de contenu, le call_id réel de l’appel de fonction, le raisonnement chiffré et les données d’utilisation. En diffusion en continu, conservez l’identité complète des événements et des éléments.
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 |
Champstatus | Typestring |
Champoutput[] | Typemessage|reasoning|function_call|other item |
Champoutput[].content[] | Typecontent part |
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 glm-5.3, glm, glm-5, glm-5.1, glm-5.2, glm-latest
Ailoot Ultra glm-5.3, z-ai/glm-5.3, ~z-ai/glm-latest
/chat/completions
z-ai/glm-5.3, glm, glm-5, glm-5.1, glm-5.2, glm-latest, ~z-ai/glm-latest, glm-5.3, glm-5.3
glm-latestZ.ai GLM 5.3 est un modèle de raisonnement textuel pour l’ingénierie logicielle complexe, le travail dans le terminal et les agents à long horizon. Il prend en charge un contexte de 1M jetons documenté par le fabricant, jusqu’à 128K jetons de sortie, l’appel de fonctions et les niveaux d’effort de raisonnement low/high/max, avec le raisonnement activé tout au long du traitement.
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 d’agents à long horizon. Le fabricant indique qu’il utilise le même modèle de base que GLM 5.2, les nouveaux gains provenant du post-entraînement. Cette version met l’accent sur une programmation renforcée, les opérations dans le terminal et des tâches plus larges comportant plusieurs étapes dépendantes. Il accepte du texte et produit du texte, notamment 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 comme valeur par défaut. Le fabricant recommande max pour les travaux de programmation complexes; low offre une option de raisonnement plus légère pour les étapes simples. Utilisez le niveau sélectionné avec un livrable final clair et des critères d’achèvement. Par exemple : « Examine ces fichiers et ces résultats d’échec, retrace la cause dans les modules touchés, propose une correction qui préserve l’interface publique et explique quels contrôles établissent que la régression est résolue. »
Le fabricant précise une fenêtre de contexte de 1M jetons et une longueur de sortie maximale de 128K jetons. Organisez le contenu long autour de la relation que le modèle doit examiner. Préservez les noms de fichiers, les définitions pertinentes, les étiquettes des sources et l’ordre des observations, et laissez de l’espace pour le raisonnement et la réponse finale à l’intérieur du contexte de travail applicable. Une grande fenêtre est utile pour les dépendances entre modules ou pour une longue séquence d’observations d’agent; elle ne transforme pas une archive non ciblée de contenus sans rapport entre eux en une tâche bien définie.
Pour le travail sur un dépôt, fournissez le comportement attendu, le texte source pertinent, les versions des dépendances et la sortie d’erreur réelle. Demandez au modèle de préciser le comportement touché avant de proposer un correctif. Pour un remaniement, nommez l’interface et les invariants qui doivent rester intacts. Une réponse utile contient le code révisé, la raison pour laquelle la modification corrige le problème observé et les cas nécessaires pour vérifier le résultat. Réinjectez les résultats réels dans un processus connecté à des outils afin 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 initiale et des mesures comme des durées, des profils ou des relevés d’allocation. Z.ai décrit des tâches d’entraînement portant sur le diagnostic des goulots d’étranglement, l’optimisation, les expériences et les résultats qui préservent l’exactitude. Une demande pratique est : « Utilise ce profil pour repérer le goulot d’étranglement le plus important, propose une modification mesurable et explique quel résultat justifierait de la conserver. » Distinguez une hypothèse sur les performances d’une amélioration mesurée. Conservez la même charge de travail et les conditions pertinentes lorsque vous examinez un résultat.
Cette version développe aussi la capacité d’analyse des vulnérabilités. Pour une revue défensive du code source, fournissez le code pertinent, ses frontières de confiance prévues et ses conditions d’exécution. Demandez un constat qui relie un problème présumé à l’entrée et au comportement touchés ainsi qu’à une correction ciblée. Séparez une faiblesse potentielle d’une défaillance reproduite et conservez l’observation utilisée pour la valider. Un rapport est plus utile lorsqu’il donne priorité aux preuves concrètes et aux corrections proposées plutôt que de traiter chaque motif suspect comme une vulnérabilité confirmée.
L’appel de fonctions permet à une application environnante d’exposer des opérations externes au modèle. Définissez l’objectif, les arguments et le résultat attendu de chaque outil, puis retournez l’observation réelle de l’outil pour l’étape suivante. Le modèle peut raisonner sur ce résultat et déterminer comment il modifie la tâche. Gardez distinctes les actions proposées, les opérations exécutées et les vérifications non résolues. Le fabricant documente aussi des réponses diffusées en continu, qui renvoient séparément les fragments de raisonnement et de réponse; assemblez la réponse terminée avant de la traiter comme le rapport final ou l’explication de code finale.
La fiche locale du modèle donne un détail précis sur le réglage de l’historique : son gabarit de clavardage conserve la réflexion par défaut, tandis que le fabricant recommande d’effacer explicitement l’ancienne réflexion pour les scénarios de clavardage ordinaires. Appliquez la structure de conversation appropriée au cas d’usage, en conservant les réponses réellement terminées et les résultats d’outils nécessaires à la poursuite du travail. Évitez de considérer les paramètres de 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, les types et les règles de source attendus. Un livrable utile pourrait être un tableau de défauts, un plan de modification ou un objet JSON résumant les observations. Validez la structure et les valeurs avant qu’une application les utilise. Le résultat final doit préciser la réponse ou le livrable révisé, les éléments de preuve qui l’appuient et les hypothèses restantes. Un effort de raisonnement accru n’établit pas qu’un outil a été exécuté, qu’un correctif proposé a réussi ses contrôles ou qu’une affirmation factuelle est appuyée au-delà du contenu fourni.
POST /v1/chat/completionstexttext| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites glm-latest | 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 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— |
Texte · Texte UTF8
messages[].content
| Paramètre | Contrat |
|---|---|
Paramètrematerial_types | Contrattext |
Paramètrerequired | Contratmodel, messages |
Paramètreoptional_controls | Contratnull |
Paramètrecontent_type | Contratapplication/json |
Paramètretext_file_material | ContratContenu UTF-8 réel inséré comme texte ; les ID de fichier/URLs nécessitent une prise en charge distincte et exacte |
Cycle de vie : exact retained published method
Les structures des méthodes et les ID sont exacts ; la capacité du fournisseur est distincte de l’admission des requêtes.
POST /v1/chat/completionsAiloot 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 →
Les barèmes de référence du modèle ne modifient ni la sélection de méthode, ni les devis, ni les coûts. Les frais actifs utilisent les tarifs de la méthode Ailoot sélectionnée.
Associez chaque coût aux conditions indiquées. Utilisez un seul tarif pour chaque ensemble de configurations alternatives.
| Configuration | Barème tarifaire | Jetons de contexte, plus de | Jetons de contexte, jusqu’à la limite incluse | Coût |
|---|---|---|---|---|
| ConfigurationOpenAI Chat · Tarifs de base des jetons | Barème tarifaireTarif de base | Jetons de contexte, plus de— | Jetons de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Jetons en entrée $0.0028 / 1K jetons Sortie · Jetons en sortie $0.0088 / 1K jetons Entrée · Lecture du cache $0.00052 / 1K jetons Entrée · Écriture dans le cache — / 1K jetons Entrée · Écriture dans le cache, 1 h — / 1K jetons |
| ConfigurationOpenAI Chat · Palier 1 selon la longueur de la requête | Barème tarifaire— | Jetons de contexte, plus de0 | Jetons de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Jetons en entrée $0.0028 / 1K jetons Sortie · Jetons en sortie $0.0088 / 1K jetons Entrée · Lecture du cache $0.00052 / 1K jetons Entrée · Écriture dans le cache — / 1K jetons Entrée · Écriture dans le cache, 1 h — / 1K jetons |
| ConfigurationAnthropic Messages · Tarifs de base des jetons | Barème tarifaireTarif de base | Jetons de contexte, plus de— | Jetons de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Jetons en entrée $0.0028 / 1K jetons Sortie · Jetons en sortie $0.0088 / 1K jetons Entrée · Lecture du cache $0.00052 / 1K jetons Entrée · Écriture dans le cache — / 1K jetons Entrée · Écriture dans le cache, 1 h — / 1K jetons |
| ConfigurationAnthropic Messages · Palier 1 selon la longueur de la requête | Barème tarifaire— | Jetons de contexte, plus de0 | Jetons de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Jetons en entrée $0.0028 / 1K jetons Sortie · Jetons en sortie $0.0088 / 1K jetons Entrée · Lecture du cache $0.00052 / 1K jetons Entrée · Écriture dans le cache — / 1K jetons Entrée · Écriture dans le cache, 1 h — / 1K jetons |
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 source-material file}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "glm-latest", "messages": []}')\nf=Path(os.environ["AILOOT_TEXT_FILE"])\nif not f.is_file():raise SystemExit("Choose your actual UTF-8 source material")\ntext=f.read_text(encoding="utf-8")\nif not text.strip():raise SystemExit("Source material must contain text")\np["messages"]=[{"role":"user","content":"Summarize this material and quote supporting source passages.\\n\\n"+text}]\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\nprint(json.dumps(json.loads(Path("result.json").read_text()),ensure_ascii=False,indent=2))\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)\nresp = client.chat.completions.create(\n model="glm-latest",\n messages=[{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}],\n)\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(resp.to_dict(mode="json"))\nimport OpenAI from "openai";\n\nif (!process.env.AILOOT_API_KEY?.trim()) throw new Error("Set AILOOT_API_KEY before making a request");\nconst client = new OpenAI({ baseURL: "https://api.ailoot.ai/v1", apiKey: process.env.AILOOT_API_KEY, maxRetries: 0 });\nconst resp = await client.chat.completions.create({\n model: "glm-latest",\n messages: [{ role: "user", content: "Explain the difference between an observation and a hypothesis in three sentences." }],\n});\nimport { writeFileSync } from "node:fs";\n\nfunction saveResult(data, stem = "result") {\n writeFileSync(stem + ".json", JSON.stringify(data, null, 2));\n console.log(JSON.stringify(data, null, 2));\n const saveBlob = (encoded, suffix, label) => {\n const raw = Buffer.from(encoded, "base64");\n const ext = raw.subarray(0,8).equals(Buffer.from([137,80,78,71,13,10,26,10])) ? "png" : raw[0]===255 && raw[1]===216 ? "jpg" : raw.subarray(0,4).toString()==="RIFF" && raw.subarray(8,12).toString()==="WEBP" ? "webp" : suffix;\n const file = `${stem}-${label}.${ext}`;\n writeFileSync(file, raw); console.log("Saved", file);\n };\n for (const [i, block] of (data.content || []).entries()) console.log("Content", i, JSON.stringify(block));\n for (const choice of data.choices || []) console.log("Choice", choice.index, JSON.stringify(choice.message || choice.delta || {}));\n for (const [i, item] of (data.output || []).entries()) {\n console.log("Output", i, JSON.stringify(item));\n if (item.type === "image_generation_call" && item.result) saveBlob(item.result, item.output_format || "bin", `output-${i}`);\n }\n for (const [ci, candidate] of (data.candidates || []).entries()) {\n for (const [pi, part] of (candidate.content?.parts || []).entries()) {\n console.log("Candidate/part", ci, pi, JSON.stringify(part));\n const blob = part.inlineData || part.inline_data;\n if (blob?.data) {\n const mime = blob.mimeType || blob.mime_type;\n const suffix = ({"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"})[mime] || "bin";\n saveBlob(blob.data, suffix, `candidate-${ci}-part-${pi}`);\n }\n }\n }\n}\n\nsaveResult(resp);\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-latest',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 glm-5.3, glm, glm-5, glm-5.1, glm-5.2, glm-latest
Ailoot Ultra glm-5.3, z-ai/glm-5.3, ~z-ai/glm-latest
/chat/completions
z-ai/glm-5.3, glm, glm-5, glm-5.1, glm-5.2, glm-latest, ~z-ai/glm-latest, glm-5.3, glm-5.3
z-ai/glm-5.3Z.ai GLM 5.3 est un modèle de raisonnement textuel pour l’ingénierie logicielle complexe, le travail dans le terminal et les agents à long horizon. Il prend en charge un contexte de 1M jetons documenté par le fabricant, jusqu’à 128K jetons de sortie, l’appel de fonctions et les niveaux d’effort de raisonnement low/high/max, avec le raisonnement activé tout au long du traitement.
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 d’agents à long horizon. Le fabricant indique qu’il utilise le même modèle de base que GLM 5.2, les nouveaux gains provenant du post-entraînement. Cette version met l’accent sur une programmation renforcée, les opérations dans le terminal et des tâches plus larges comportant plusieurs étapes dépendantes. Il accepte du texte et produit du texte, notamment 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 comme valeur par défaut. Le fabricant recommande max pour les travaux de programmation complexes; low offre une option de raisonnement plus légère pour les étapes simples. Utilisez le niveau sélectionné avec un livrable final clair et des critères d’achèvement. Par exemple : « Examine ces fichiers et ces résultats d’échec, retrace la cause dans les modules touchés, propose une correction qui préserve l’interface publique et explique quels contrôles établissent que la régression est résolue. »
Le fabricant précise une fenêtre de contexte de 1M jetons et une longueur de sortie maximale de 128K jetons. Organisez le contenu long autour de la relation que le modèle doit examiner. Préservez les noms de fichiers, les définitions pertinentes, les étiquettes des sources et l’ordre des observations, et laissez de l’espace pour le raisonnement et la réponse finale à l’intérieur du contexte de travail applicable. Une grande fenêtre est utile pour les dépendances entre modules ou pour une longue séquence d’observations d’agent; elle ne transforme pas une archive non ciblée de contenus sans rapport entre eux en une tâche bien définie.
Pour le travail sur un dépôt, fournissez le comportement attendu, le texte source pertinent, les versions des dépendances et la sortie d’erreur réelle. Demandez au modèle de préciser le comportement touché avant de proposer un correctif. Pour un remaniement, nommez l’interface et les invariants qui doivent rester intacts. Une réponse utile contient le code révisé, la raison pour laquelle la modification corrige le problème observé et les cas nécessaires pour vérifier le résultat. Réinjectez les résultats réels dans un processus connecté à des outils afin 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 initiale et des mesures comme des durées, des profils ou des relevés d’allocation. Z.ai décrit des tâches d’entraînement portant sur le diagnostic des goulots d’étranglement, l’optimisation, les expériences et les résultats qui préservent l’exactitude. Une demande pratique est : « Utilise ce profil pour repérer le goulot d’étranglement le plus important, propose une modification mesurable et explique quel résultat justifierait de la conserver. » Distinguez une hypothèse sur les performances d’une amélioration mesurée. Conservez la même charge de travail et les conditions pertinentes lorsque vous examinez un résultat.
Cette version développe aussi la capacité d’analyse des vulnérabilités. Pour une revue défensive du code source, fournissez le code pertinent, ses frontières de confiance prévues et ses conditions d’exécution. Demandez un constat qui relie un problème présumé à l’entrée et au comportement touchés ainsi qu’à une correction ciblée. Séparez une faiblesse potentielle d’une défaillance reproduite et conservez l’observation utilisée pour la valider. Un rapport est plus utile lorsqu’il donne priorité aux preuves concrètes et aux corrections proposées plutôt que de traiter chaque motif suspect comme une vulnérabilité confirmée.
L’appel de fonctions permet à une application environnante d’exposer des opérations externes au modèle. Définissez l’objectif, les arguments et le résultat attendu de chaque outil, puis retournez l’observation réelle de l’outil pour l’étape suivante. Le modèle peut raisonner sur ce résultat et déterminer comment il modifie la tâche. Gardez distinctes les actions proposées, les opérations exécutées et les vérifications non résolues. Le fabricant documente aussi des réponses diffusées en continu, qui renvoient séparément les fragments de raisonnement et de réponse; assemblez la réponse terminée avant de la traiter comme le rapport final ou l’explication de code finale.
La fiche locale du modèle donne un détail précis sur le réglage de l’historique : son gabarit de clavardage conserve la réflexion par défaut, tandis que le fabricant recommande d’effacer explicitement l’ancienne réflexion pour les scénarios de clavardage ordinaires. Appliquez la structure de conversation appropriée au cas d’usage, en conservant les réponses réellement terminées et les résultats d’outils nécessaires à la poursuite du travail. Évitez de considérer les paramètres de 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, les types et les règles de source attendus. Un livrable utile pourrait être un tableau de défauts, un plan de modification ou un objet JSON résumant les observations. Validez la structure et les valeurs avant qu’une application les utilise. Le résultat final doit préciser la réponse ou le livrable révisé, les éléments de preuve qui l’appuient et les hypothèses restantes. Un effort de raisonnement accru n’établit pas qu’un outil a été exécuté, qu’un correctif proposé a réussi ses contrôles ou qu’une affirmation factuelle est appuyée au-delà du contenu fourni.
POST /v1/chat/completionstexttext| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites z-ai/glm-5.3 | 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.
Associez chaque coût aux conditions indiquées. Utilisez un seul tarif pour chaque ensemble de configurations alternatives.
| Configuration | Barème tarifaire | Jetons de contexte, plus de | Jetons de contexte, jusqu’à la limite incluse | Coût |
|---|---|---|---|---|
| ConfigurationTarifs de base des jetons | Barème tarifaireTarif de base | Jetons de contexte, plus de— | Jetons de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Jetons en entrée $0.0028 / 1K jetons Sortie · Jetons en sortie $0.0088 / 1K jetons Entrée · Lecture du cache $0.00052 / 1K jetons Entrée · Écriture dans le cache — / 1K jetons Entrée · Écriture dans le cache, 1 h — / 1K jetons |
| ConfigurationPalier 1 de longueur de requête | Barème tarifaire— | Jetons de contexte, plus de0 | Jetons de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Jetons en entrée $0.0028 / 1K jetons Sortie · Jetons en sortie $0.0088 / 1K jetons Entrée · Lecture du cache $0.00052 / 1K jetons Entrée · Écriture dans le cache — / 1K jetons Entrée · Écriture dans le cache, 1 h — / 1K jetons |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "z-ai/glm-5.3", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='z-ai/glm-5.3',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='z-ai/glm-5.3',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 glm-5.3, glm, glm-5, glm-5.1, glm-5.2, glm-latest
Ailoot Ultra glm-5.3, z-ai/glm-5.3, ~z-ai/glm-latest
/chat/completions
z-ai/glm-5.3, glm, glm-5, glm-5.1, glm-5.2, glm-latest, ~z-ai/glm-latest, glm-5.3, glm-5.3
z-ai/glm-5.3Z.ai GLM 5.3 est un modèle de raisonnement textuel pour l’ingénierie logicielle complexe, le travail dans le terminal et les agents à long horizon. Il prend en charge un contexte de 1M jetons documenté par le fabricant, jusqu’à 128K jetons de sortie, l’appel de fonctions et les niveaux d’effort de raisonnement low/high/max, avec le raisonnement activé tout au long du traitement.
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 d’agents à long horizon. Le fabricant indique qu’il utilise le même modèle de base que GLM 5.2, les nouveaux gains provenant du post-entraînement. Cette version met l’accent sur une programmation renforcée, les opérations dans le terminal et des tâches plus larges comportant plusieurs étapes dépendantes. Il accepte du texte et produit du texte, notamment 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 comme valeur par défaut. Le fabricant recommande max pour les travaux de programmation complexes; low offre une option de raisonnement plus légère pour les étapes simples. Utilisez le niveau sélectionné avec un livrable final clair et des critères d’achèvement. Par exemple : « Examine ces fichiers et ces résultats d’échec, retrace la cause dans les modules touchés, propose une correction qui préserve l’interface publique et explique quels contrôles établissent que la régression est résolue. »
Le fabricant précise une fenêtre de contexte de 1M jetons et une longueur de sortie maximale de 128K jetons. Organisez le contenu long autour de la relation que le modèle doit examiner. Préservez les noms de fichiers, les définitions pertinentes, les étiquettes des sources et l’ordre des observations, et laissez de l’espace pour le raisonnement et la réponse finale à l’intérieur du contexte de travail applicable. Une grande fenêtre est utile pour les dépendances entre modules ou pour une longue séquence d’observations d’agent; elle ne transforme pas une archive non ciblée de contenus sans rapport entre eux en une tâche bien définie.
Pour le travail sur un dépôt, fournissez le comportement attendu, le texte source pertinent, les versions des dépendances et la sortie d’erreur réelle. Demandez au modèle de préciser le comportement touché avant de proposer un correctif. Pour un remaniement, nommez l’interface et les invariants qui doivent rester intacts. Une réponse utile contient le code révisé, la raison pour laquelle la modification corrige le problème observé et les cas nécessaires pour vérifier le résultat. Réinjectez les résultats réels dans un processus connecté à des outils afin 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 initiale et des mesures comme des durées, des profils ou des relevés d’allocation. Z.ai décrit des tâches d’entraînement portant sur le diagnostic des goulots d’étranglement, l’optimisation, les expériences et les résultats qui préservent l’exactitude. Une demande pratique est : « Utilise ce profil pour repérer le goulot d’étranglement le plus important, propose une modification mesurable et explique quel résultat justifierait de la conserver. » Distinguez une hypothèse sur les performances d’une amélioration mesurée. Conservez la même charge de travail et les conditions pertinentes lorsque vous examinez un résultat.
Cette version développe aussi la capacité d’analyse des vulnérabilités. Pour une revue défensive du code source, fournissez le code pertinent, ses frontières de confiance prévues et ses conditions d’exécution. Demandez un constat qui relie un problème présumé à l’entrée et au comportement touchés ainsi qu’à une correction ciblée. Séparez une faiblesse potentielle d’une défaillance reproduite et conservez l’observation utilisée pour la valider. Un rapport est plus utile lorsqu’il donne priorité aux preuves concrètes et aux corrections proposées plutôt que de traiter chaque motif suspect comme une vulnérabilité confirmée.
L’appel de fonctions permet à une application environnante d’exposer des opérations externes au modèle. Définissez l’objectif, les arguments et le résultat attendu de chaque outil, puis retournez l’observation réelle de l’outil pour l’étape suivante. Le modèle peut raisonner sur ce résultat et déterminer comment il modifie la tâche. Gardez distinctes les actions proposées, les opérations exécutées et les vérifications non résolues. Le fabricant documente aussi des réponses diffusées en continu, qui renvoient séparément les fragments de raisonnement et de réponse; assemblez la réponse terminée avant de la traiter comme le rapport final ou l’explication de code finale.
La fiche locale du modèle donne un détail précis sur le réglage de l’historique : son gabarit de clavardage conserve la réflexion par défaut, tandis que le fabricant recommande d’effacer explicitement l’ancienne réflexion pour les scénarios de clavardage ordinaires. Appliquez la structure de conversation appropriée au cas d’usage, en conservant les réponses réellement terminées et les résultats d’outils nécessaires à la poursuite du travail. Évitez de considérer les paramètres de 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, les types et les règles de source attendus. Un livrable utile pourrait être un tableau de défauts, un plan de modification ou un objet JSON résumant les observations. Validez la structure et les valeurs avant qu’une application les utilise. Le résultat final doit préciser la réponse ou le livrable révisé, les éléments de preuve qui l’appuient et les hypothèses restantes. Un effort de raisonnement accru n’établit pas qu’un outil a été exécuté, qu’un correctif proposé a réussi ses contrôles ou qu’une affirmation factuelle est appuyée au-delà du contenu fourni.
POST /v1/messagestextjson, sse| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites z-ai/glm-5.3 | Par défaut— |
Champmessages | Typemessage[] | ExigenceObligatoire | Valeurs et limites | Par défaut— |
Champmessages[].role | Typestring | ExigenceObligatoire | Valeurs et limites user, assistant | Par défaut— |
Champmessages[].content | Typestring | ExigenceObligatoire | Valeurs et limites | Par défaut— |
Champmax_tokens | Typeinteger | ExigenceObligatoire | Valeurs et limites | Par défaut— |
Champstream | Typeboolean | ExigenceFacultatif | Valeurs et limites | Par défautfalse |
Texte · Texte UTF-8
Chaîne messages[].content
| Paramètre | Contrat |
|---|---|
Paramètrecontent_type | Contratapplication/json |
Paramètrerequired | Contratmodel, messages, max_tokens |
Paramètreoptional_controls | Contratstream |
Paramètrematerial_types | Contrattext |
Paramètretext_file_material | ContratLisez le document UTF-8 réel et placez son texte dans l’entrée indiquée ou dans la chaîne de contenu du message. |
Cycle de vie : synchronous_or_streamed
Les tarifs n’ajoutent pas d’options de requête. Les paramètres pris en charge figurent dans la méthode sélectionnée.
Associez chaque coût aux conditions indiquées. Utilisez un seul tarif pour chaque ensemble de configurations alternatives.
| Configuration | Barème tarifaire | Jetons de contexte, plus de | Jetons de contexte, jusqu’à la limite incluse | Coût |
|---|---|---|---|---|
| ConfigurationTarifs de base des jetons | Barème tarifaireTarif de base | Jetons de contexte, plus de— | Jetons de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Jetons en entrée $0.0028 / 1K jetons Sortie · Jetons en sortie $0.0088 / 1K jetons Entrée · Lecture du cache $0.00052 / 1K jetons Entrée · Écriture dans le cache — / 1K jetons Entrée · Écriture dans le cache, 1 h — / 1K jetons |
| ConfigurationPalier 1 de longueur de requête | Barème tarifaire— | Jetons de contexte, plus de0 | Jetons de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Jetons en entrée $0.0028 / 1K jetons Sortie · Jetons en sortie $0.0088 / 1K jetons Entrée · Lecture du cache $0.00052 / 1K jetons Entrée · Écriture dans le cache — / 1K jetons Entrée · Écriture dans le cache, 1 h — / 1K jetons |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
{\n "model": "z-ai/glm-5.3",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'z-ai/glm-5.3', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'z-ai/glm-5.3', '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 glm-5.3, glm, glm-5, glm-5.1, glm-5.2, glm-latest
Ailoot Ultra glm-5.3, z-ai/glm-5.3, ~z-ai/glm-latest
/chat/completions
z-ai/glm-5.3, glm, glm-5, glm-5.1, glm-5.2, glm-latest, ~z-ai/glm-latest, glm-5.3, glm-5.3
~z-ai/glm-latestZ.ai GLM 5.3 est un modèle de raisonnement textuel pour l’ingénierie logicielle complexe, le travail dans le terminal et les agents à long horizon. Il prend en charge un contexte de 1M jetons documenté par le fabricant, jusqu’à 128K jetons de sortie, l’appel de fonctions et les niveaux d’effort de raisonnement low/high/max, avec le raisonnement activé tout au long du traitement.
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 d’agents à long horizon. Le fabricant indique qu’il utilise le même modèle de base que GLM 5.2, les nouveaux gains provenant du post-entraînement. Cette version met l’accent sur une programmation renforcée, les opérations dans le terminal et des tâches plus larges comportant plusieurs étapes dépendantes. Il accepte du texte et produit du texte, notamment 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 comme valeur par défaut. Le fabricant recommande max pour les travaux de programmation complexes; low offre une option de raisonnement plus légère pour les étapes simples. Utilisez le niveau sélectionné avec un livrable final clair et des critères d’achèvement. Par exemple : « Examine ces fichiers et ces résultats d’échec, retrace la cause dans les modules touchés, propose une correction qui préserve l’interface publique et explique quels contrôles établissent que la régression est résolue. »
Le fabricant précise une fenêtre de contexte de 1M jetons et une longueur de sortie maximale de 128K jetons. Organisez le contenu long autour de la relation que le modèle doit examiner. Préservez les noms de fichiers, les définitions pertinentes, les étiquettes des sources et l’ordre des observations, et laissez de l’espace pour le raisonnement et la réponse finale à l’intérieur du contexte de travail applicable. Une grande fenêtre est utile pour les dépendances entre modules ou pour une longue séquence d’observations d’agent; elle ne transforme pas une archive non ciblée de contenus sans rapport entre eux en une tâche bien définie.
Pour le travail sur un dépôt, fournissez le comportement attendu, le texte source pertinent, les versions des dépendances et la sortie d’erreur réelle. Demandez au modèle de préciser le comportement touché avant de proposer un correctif. Pour un remaniement, nommez l’interface et les invariants qui doivent rester intacts. Une réponse utile contient le code révisé, la raison pour laquelle la modification corrige le problème observé et les cas nécessaires pour vérifier le résultat. Réinjectez les résultats réels dans un processus connecté à des outils afin 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 initiale et des mesures comme des durées, des profils ou des relevés d’allocation. Z.ai décrit des tâches d’entraînement portant sur le diagnostic des goulots d’étranglement, l’optimisation, les expériences et les résultats qui préservent l’exactitude. Une demande pratique est : « Utilise ce profil pour repérer le goulot d’étranglement le plus important, propose une modification mesurable et explique quel résultat justifierait de la conserver. » Distinguez une hypothèse sur les performances d’une amélioration mesurée. Conservez la même charge de travail et les conditions pertinentes lorsque vous examinez un résultat.
Cette version développe aussi la capacité d’analyse des vulnérabilités. Pour une revue défensive du code source, fournissez le code pertinent, ses frontières de confiance prévues et ses conditions d’exécution. Demandez un constat qui relie un problème présumé à l’entrée et au comportement touchés ainsi qu’à une correction ciblée. Séparez une faiblesse potentielle d’une défaillance reproduite et conservez l’observation utilisée pour la valider. Un rapport est plus utile lorsqu’il donne priorité aux preuves concrètes et aux corrections proposées plutôt que de traiter chaque motif suspect comme une vulnérabilité confirmée.
L’appel de fonctions permet à une application environnante d’exposer des opérations externes au modèle. Définissez l’objectif, les arguments et le résultat attendu de chaque outil, puis retournez l’observation réelle de l’outil pour l’étape suivante. Le modèle peut raisonner sur ce résultat et déterminer comment il modifie la tâche. Gardez distinctes les actions proposées, les opérations exécutées et les vérifications non résolues. Le fabricant documente aussi des réponses diffusées en continu, qui renvoient séparément les fragments de raisonnement et de réponse; assemblez la réponse terminée avant de la traiter comme le rapport final ou l’explication de code finale.
La fiche locale du modèle donne un détail précis sur le réglage de l’historique : son gabarit de clavardage conserve la réflexion par défaut, tandis que le fabricant recommande d’effacer explicitement l’ancienne réflexion pour les scénarios de clavardage ordinaires. Appliquez la structure de conversation appropriée au cas d’usage, en conservant les réponses réellement terminées et les résultats d’outils nécessaires à la poursuite du travail. Évitez de considérer les paramètres de 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, les types et les règles de source attendus. Un livrable utile pourrait être un tableau de défauts, un plan de modification ou un objet JSON résumant les observations. Validez la structure et les valeurs avant qu’une application les utilise. Le résultat final doit préciser la réponse ou le livrable révisé, les éléments de preuve qui l’appuient et les hypothèses restantes. Un effort de raisonnement accru n’établit pas qu’un outil a été exécuté, qu’un correctif proposé a réussi ses contrôles ou qu’une affirmation factuelle est appuyée au-delà du contenu fourni.
POST /v1/chat/completionstexttext| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites ~z-ai/glm-latest | 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.
Associez chaque coût aux conditions indiquées. Utilisez un seul tarif pour chaque ensemble de configurations alternatives.
| Configuration | Barème tarifaire | Jetons de contexte, plus de | Jetons de contexte, jusqu’à la limite incluse | Coût |
|---|---|---|---|---|
| ConfigurationTarifs de base des jetons | Barème tarifaireTarif de base | Jetons de contexte, plus de— | Jetons de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Jetons en entrée $0.0028 / 1K jetons Sortie · Jetons en sortie $0.0088 / 1K jetons Entrée · Lecture du cache $0.00052 / 1K jetons Entrée · Écriture dans le cache — / 1K jetons Entrée · Écriture dans le cache, 1 h — / 1K jetons |
| ConfigurationPalier 1 de longueur de requête | Barème tarifaire— | Jetons de contexte, plus de0 | Jetons de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Jetons en entrée $0.0028 / 1K jetons Sortie · Jetons en sortie $0.0088 / 1K jetons Entrée · Lecture du cache $0.00052 / 1K jetons Entrée · Écriture dans le cache — / 1K jetons Entrée · Écriture dans le cache, 1 h — / 1K jetons |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "~z-ai/glm-latest", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='~z-ai/glm-latest',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='~z-ai/glm-latest',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 glm-5.3, glm, glm-5, glm-5.1, glm-5.2, glm-latest
Ailoot Ultra glm-5.3, z-ai/glm-5.3, ~z-ai/glm-latest
/chat/completions
z-ai/glm-5.3, glm, glm-5, glm-5.1, glm-5.2, glm-latest, ~z-ai/glm-latest, glm-5.3, glm-5.3
~z-ai/glm-latestZ.ai GLM 5.3 est un modèle de raisonnement textuel pour l’ingénierie logicielle complexe, le travail dans le terminal et les agents à long horizon. Il prend en charge un contexte de 1M jetons documenté par le fabricant, jusqu’à 128K jetons de sortie, l’appel de fonctions et les niveaux d’effort de raisonnement low/high/max, avec le raisonnement activé tout au long du traitement.
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 d’agents à long horizon. Le fabricant indique qu’il utilise le même modèle de base que GLM 5.2, les nouveaux gains provenant du post-entraînement. Cette version met l’accent sur une programmation renforcée, les opérations dans le terminal et des tâches plus larges comportant plusieurs étapes dépendantes. Il accepte du texte et produit du texte, notamment 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 comme valeur par défaut. Le fabricant recommande max pour les travaux de programmation complexes; low offre une option de raisonnement plus légère pour les étapes simples. Utilisez le niveau sélectionné avec un livrable final clair et des critères d’achèvement. Par exemple : « Examine ces fichiers et ces résultats d’échec, retrace la cause dans les modules touchés, propose une correction qui préserve l’interface publique et explique quels contrôles établissent que la régression est résolue. »
Le fabricant précise une fenêtre de contexte de 1M jetons et une longueur de sortie maximale de 128K jetons. Organisez le contenu long autour de la relation que le modèle doit examiner. Préservez les noms de fichiers, les définitions pertinentes, les étiquettes des sources et l’ordre des observations, et laissez de l’espace pour le raisonnement et la réponse finale à l’intérieur du contexte de travail applicable. Une grande fenêtre est utile pour les dépendances entre modules ou pour une longue séquence d’observations d’agent; elle ne transforme pas une archive non ciblée de contenus sans rapport entre eux en une tâche bien définie.
Pour le travail sur un dépôt, fournissez le comportement attendu, le texte source pertinent, les versions des dépendances et la sortie d’erreur réelle. Demandez au modèle de préciser le comportement touché avant de proposer un correctif. Pour un remaniement, nommez l’interface et les invariants qui doivent rester intacts. Une réponse utile contient le code révisé, la raison pour laquelle la modification corrige le problème observé et les cas nécessaires pour vérifier le résultat. Réinjectez les résultats réels dans un processus connecté à des outils afin 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 initiale et des mesures comme des durées, des profils ou des relevés d’allocation. Z.ai décrit des tâches d’entraînement portant sur le diagnostic des goulots d’étranglement, l’optimisation, les expériences et les résultats qui préservent l’exactitude. Une demande pratique est : « Utilise ce profil pour repérer le goulot d’étranglement le plus important, propose une modification mesurable et explique quel résultat justifierait de la conserver. » Distinguez une hypothèse sur les performances d’une amélioration mesurée. Conservez la même charge de travail et les conditions pertinentes lorsque vous examinez un résultat.
Cette version développe aussi la capacité d’analyse des vulnérabilités. Pour une revue défensive du code source, fournissez le code pertinent, ses frontières de confiance prévues et ses conditions d’exécution. Demandez un constat qui relie un problème présumé à l’entrée et au comportement touchés ainsi qu’à une correction ciblée. Séparez une faiblesse potentielle d’une défaillance reproduite et conservez l’observation utilisée pour la valider. Un rapport est plus utile lorsqu’il donne priorité aux preuves concrètes et aux corrections proposées plutôt que de traiter chaque motif suspect comme une vulnérabilité confirmée.
L’appel de fonctions permet à une application environnante d’exposer des opérations externes au modèle. Définissez l’objectif, les arguments et le résultat attendu de chaque outil, puis retournez l’observation réelle de l’outil pour l’étape suivante. Le modèle peut raisonner sur ce résultat et déterminer comment il modifie la tâche. Gardez distinctes les actions proposées, les opérations exécutées et les vérifications non résolues. Le fabricant documente aussi des réponses diffusées en continu, qui renvoient séparément les fragments de raisonnement et de réponse; assemblez la réponse terminée avant de la traiter comme le rapport final ou l’explication de code finale.
La fiche locale du modèle donne un détail précis sur le réglage de l’historique : son gabarit de clavardage conserve la réflexion par défaut, tandis que le fabricant recommande d’effacer explicitement l’ancienne réflexion pour les scénarios de clavardage ordinaires. Appliquez la structure de conversation appropriée au cas d’usage, en conservant les réponses réellement terminées et les résultats d’outils nécessaires à la poursuite du travail. Évitez de considérer les paramètres de 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, les types et les règles de source attendus. Un livrable utile pourrait être un tableau de défauts, un plan de modification ou un objet JSON résumant les observations. Validez la structure et les valeurs avant qu’une application les utilise. Le résultat final doit préciser la réponse ou le livrable révisé, les éléments de preuve qui l’appuient et les hypothèses restantes. Un effort de raisonnement accru n’établit pas qu’un outil a été exécuté, qu’un correctif proposé a réussi ses contrôles ou qu’une affirmation factuelle est appuyée au-delà du contenu fourni.
POST /v1/messagestextjson, sse| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites ~z-ai/glm-latest | Par défaut— |
Champmessages | Typemessage[] | ExigenceObligatoire | Valeurs et limites | Par défaut— |
Champmessages[].role | Typestring | ExigenceObligatoire | Valeurs et limites user, assistant | Par défaut— |
Champmessages[].content | Typestring | ExigenceObligatoire | Valeurs et limites | Par défaut— |
Champmax_tokens | Typeinteger | ExigenceObligatoire | Valeurs et limites | Par défaut— |
Champstream | Typeboolean | ExigenceFacultatif | Valeurs et limites | Par défautfalse |
Texte · Texte UTF-8
Chaîne messages[].content
| Paramètre | Contrat |
|---|---|
Paramètrecontent_type | Contratapplication/json |
Paramètrerequired | Contratmodel, messages, max_tokens |
Paramètreoptional_controls | Contratstream |
Paramètrematerial_types | Contrattext |
Paramètretext_file_material | ContratLisez le document UTF-8 réel et placez son texte dans l’entrée indiquée ou dans la chaîne de contenu du message. |
Cycle de vie : synchronous_or_streamed
Les tarifs n’ajoutent pas d’options de requête. Les paramètres pris en charge figurent dans la méthode sélectionnée.
Associez chaque coût aux conditions indiquées. Utilisez un seul tarif pour chaque ensemble de configurations alternatives.
| Configuration | Barème tarifaire | Jetons de contexte, plus de | Jetons de contexte, jusqu’à la limite incluse | Coût |
|---|---|---|---|---|
| ConfigurationTarifs de base des jetons | Barème tarifaireTarif de base | Jetons de contexte, plus de— | Jetons de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Jetons en entrée $0.0028 / 1K jetons Sortie · Jetons en sortie $0.0088 / 1K jetons Entrée · Lecture du cache $0.00052 / 1K jetons Entrée · Écriture dans le cache — / 1K jetons Entrée · Écriture dans le cache, 1 h — / 1K jetons |
| ConfigurationPalier 1 de longueur de requête | Barème tarifaire— | Jetons de contexte, plus de0 | Jetons de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Jetons en entrée $0.0028 / 1K jetons Sortie · Jetons en sortie $0.0088 / 1K jetons Entrée · Lecture du cache $0.00052 / 1K jetons Entrée · Écriture dans le cache — / 1K jetons Entrée · Écriture dans le cache, 1 h — / 1K jetons |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
{\n "model": "~z-ai/glm-latest",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': '~z-ai/glm-latest', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': '~z-ai/glm-latest', '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 glm-5.3, glm, glm-5, glm-5.1, glm-5.2, glm-latest
Ailoot Ultra glm-5.3, z-ai/glm-5.3, ~z-ai/glm-latest
/chat/completions
z-ai/glm-5.3, glm, glm-5, glm-5.1, glm-5.2, glm-latest, ~z-ai/glm-latest, glm-5.3, glm-5.3
Exemple technique en anglais
Target a measured bottleneck\n\nProfile P1 for one import: parsing 0.4 s, per-row database lookups 8.1 s, writing 0.8 s. The import handles 10,000 rows, including repeated customer IDs. Propose one correctness-preserving optimization, describe what lookup behavior must remain identical and define a same-workload check before claiming an improvement.A bottleneck hypothesis, one proposed change and a correctness plus timing comparison plan.The proposal must use P1 without inventing an observed speedup or losing missing-customer behavior.