GLM-4-9B-Chat est l’édition adaptée au dialogue du modèle de langage ouvert GLM-4-9B de Z.ai. Sa préparation combine une base multilingue et un alignement sur les préférences humaines. Le modèle travaille avec du texte : les questions, les documents, le code et l’historique de conversation constituent l’entrée, et le résultat visible est du texte ou une action d’outil demandée. Les domaines annoncés comprennent la compréhension du langage, les mathématiques, le raisonnement, la programmation et les questions fondées sur des connaissances.
Le rapport GLM-4 décrit le modèle de 9 milliards de paramètres comme préentraîné sur environ dix mille milliards de jetons de matériel multilingue, initialement avec un contexte de 8K, puis soumis à un post-entraînement avec la chaîne de traitement et les données utilisées pour GLM-4-0520. La longueur d’entraînement initiale n’est pas la limite de contexte de cette version Chat : sa fenêtre publiée destinée aux utilisateurs est de 128K. Cette distinction compte lorsqu’on choisit entre une spécification d’entraînement et la variante réelle du modèle nommé.
Une tâche de programmation utile consiste à fournir une fonction, son comportement prévu et une entrée en échec, puis à demander une explication suivie d’un fragment corrigé. Pour un assistant documentaire, fournissez les sections pertinentes et demandez-lui d’extraire les exigences, de comparer les passages ou d’expliquer un terme inconnu. Ce sont des applications des capacités linguistiques et de programmation du modèle, et non un produit distinct ou un mode de génération de fichiers.
Cette édition Chat prend en charge un contexte de 128K jetons. Cette capacité permet à un assistant de conserver les sources et le dialogue antérieur dans une même tâche. Donnez des noms de section clairs aux longs documents et indiquez si la réponse doit être un résumé, une comparaison ou une explication d’un passage précis. Dans les messages de suivi, identifiez le passage modifié au lieu de remplacer silencieusement la tâche.
GLM-4-9B-Chat-1M est une édition à contexte long nommée séparément. L’entrée Chat ordinaire n’acquiert pas sa fenêtre d’un million de jetons. De même, le modèle visuel GLM-4V-9B est distinct : l’entrée de cette édition demeure textuelle. Les exemples de génération publiés utilisent des réglages de longueur propres à chaque requête; ils n’établissent pas une longueur maximale universelle unique de réponse.
Le modèle prend en charge 26 langues, dont le japonais, le coréen et l’allemand parmi les exemples nommés. Le rapport d’entraînement GLM-4 décrit le chinois et l’anglais comme principales langues d’alignement, aux côtés d’un corpus multilingue plus large. Pour la traduction ou le dialogue de soutien, précisez la langue cible, la terminologie et le ton, et fournissez le matériel à conserver tel quel. Par exemple, un assistant peut expliquer un passage dans la langue demandée tout en conservant les noms de produits et les identifiants de code.
GLM-4-9B-Chat est préparé pour la navigation Web, l’exécution de code et les appels de fonctions personnalisées. L’approche all-tools de GLM-4 relie la planification de tâches aux actions externes et aux observations qu’elles retournent. Un assistant documentaire peut demander une recherche, utiliser l’extrait retourné et poursuivre son explication; une tâche numérique peut utiliser un outil Python fourni par l’application qui l’entoure.
L’application définit et exécute ces outils. Le texte du modèle ne navigue pas à lui seul sur un site, n’exécute pas un programme et ne crée pas une image. Si l’application fournit une fonction de génération d’images, cette fonction externe produit l’image; ce modèle textuel planifie l’appel et discute du résultat retourné. Donnez à chaque fonction un but clair et une définition de ses arguments, puis réinjectez le résultat dans le dialogue avant de demander la réponse finale.
L’édition utilise un gabarit de dialogue fondé sur les rôles. Conservez les instructions de l’utilisateur, les réponses pertinentes de l’assistant et les résultats d’outils comme des tours distincts. Voici une demande pratique : « En utilisant ces sections de document nommées, énumérez les exigences, expliquez les contradictions et citez les étiquettes de section qui appuient chaque conclusion. » En voici une autre : « Expliquez comment cette fonction traite l’entrée fournie, puis proposez un changement qui conserve l’interface indiquée. » Le livrable demandé doit être explicite pour permettre de vérifier la réponse par rapport aux sources et au comportement prévu du programme.
", "aboutText": "### Présentation du modèle\n\nGLM-4-9B-Chat est l’édition adaptée au dialogue du modèle de langage ouvert GLM-4-9B de Z.ai. Sa préparation combine une base multilingue et un alignement sur les préférences humaines. Le modèle travaille avec du texte : les questions, les documents, le code et l’historique de conversation constituent l’entrée, et le résultat visible est du texte ou une action d’outil demandée. Les domaines annoncés comprennent la compréhension du langage, les mathématiques, le raisonnement, la programmation et les questions fondées sur des connaissances.\n\nLe rapport GLM-4 décrit le modèle de 9 milliards de paramètres comme préentraîné sur environ dix mille milliards de jetons de matériel multilingue, initialement avec un contexte de 8K, puis soumis à un post-entraînement avec la chaîne de traitement et les données utilisées pour GLM-4-0520. La longueur d’entraînement initiale n’est pas la limite de contexte de cette version Chat : sa fenêtre publiée destinée aux utilisateurs est de 128K. Cette distinction compte lorsqu’on choisit entre une spécification d’entraînement et la variante réelle du modèle nommé.\n\nUne tâche de programmation utile consiste à fournir une fonction, son comportement prévu et une entrée en échec, puis à demander une explication suivie d’un fragment corrigé. Pour un assistant documentaire, fournissez les sections pertinentes et demandez-lui d’extraire les exigences, de comparer les passages ou d’expliquer un terme inconnu. Ce sont des applications des capacités linguistiques et de programmation du modèle, et non un produit distinct ou un mode de génération de fichiers.\n\n### Contexte long\n\nCette édition Chat prend en charge un contexte de 128K jetons. Cette capacité permet à un assistant de conserver les sources et le dialogue antérieur dans une même tâche. Donnez des noms de section clairs aux longs documents et indiquez si la réponse doit être un résumé, une comparaison ou une explication d’un passage précis. Dans les messages de suivi, identifiez le passage modifié au lieu de remplacer silencieusement la tâche.\n\nGLM-4-9B-Chat-1M est une édition à contexte long nommée séparément. L’entrée Chat ordinaire n’acquiert pas sa fenêtre d’un million de jetons. De même, le modèle visuel GLM-4V-9B est distinct : l’entrée de cette édition demeure textuelle. Les exemples de génération publiés utilisent des réglages de longueur propres à chaque requête; ils n’établissent pas une longueur maximale universelle unique de réponse.\n\n### Travail multilingue\n\nLe modèle prend en charge 26 langues, dont le japonais, le coréen et l’allemand parmi les exemples nommés. Le rapport d’entraînement GLM-4 décrit le chinois et l’anglais comme principales langues d’alignement, aux côtés d’un corpus multilingue plus large. Pour la traduction ou le dialogue de soutien, précisez la langue cible, la terminologie et le ton, et fournissez le matériel à conserver tel quel. Par exemple, un assistant peut expliquer un passage dans la langue demandée tout en conservant les noms de produits et les identifiants de code.\n\n### Appels de fonctions et outils applicatifs\n\nGLM-4-9B-Chat est préparé pour la navigation Web, l’exécution de code et les appels de fonctions personnalisées. L’approche all-tools de GLM-4 relie la planification de tâches aux actions externes et aux observations qu’elles retournent. Un assistant documentaire peut demander une recherche, utiliser l’extrait retourné et poursuivre son explication; une tâche numérique peut utiliser un outil Python fourni par l’application qui l’entoure.\n\nL’application définit et exécute ces outils. Le texte du modèle ne navigue pas à lui seul sur un site, n’exécute pas un programme et ne crée pas une image. Si l’application fournit une fonction de génération d’images, cette fonction externe produit l’image; ce modèle textuel planifie l’appel et discute du résultat retourné. Donnez à chaque fonction un but clair et une définition de ses arguments, puis réinjectez le résultat dans le dialogue avant de demander la réponse finale.\n\n### Préparation d’une conversation\n\nL’édition utilise un gabarit de dialogue fondé sur les rôles. Conservez les instructions de l’utilisateur, les réponses pertinentes de l’assistant et les résultats d’outils comme des tours distincts. Voici une demande pratique : « En utilisant ces sections de document nommées, énumérez les exigences, expliquez les contradictions et citez les étiquettes de section qui appuient chaque conclusion. » En voici une autre : « Expliquez comment cette fonction traite l’entrée fournie, puis proposez un changement qui conserve l’interface indiquée. » Le livrable demandé doit être explicite pour permettre de vérifier la réponse par rapport aux sources et au comportement prévu du programme.", "editorialOverlay": { "copy_fields": { "practical_html": "Exemple technique en anglais
Explain a conditional leave procedure\n\nExplain this procedure to a colleague. Section L1: 'Submit a leave request to the team lead.' L2: 'Trips over five working days also require department approval.' L3: 'A calendar invitation is sent only after approval.' The colleague requests eight working days. Return the required sequence and identify why an invitation alone does not demonstrate approval.A section-linked sequence and a short explanation of the invitation condition.The eight-day request must retain both the team-lead and department requirements.Pro/THUDM/glm-4-9b-chatGLM-4-9B-Chat est un modèle textuel multilingue pour le dialogue soutenu, l’analyse documentaire et la programmation, avec un contexte de 128K. Il peut sélectionner des actions de navigation, d’exécution de code et de fonctions personnalisées fournies par une application, puis utiliser leurs résultats dans sa réponse.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
GLM-4-9B-Chat est l’édition adaptée au dialogue du modèle de langage ouvert GLM-4-9B de Z.ai. Sa préparation combine une base multilingue et un alignement sur les préférences humaines. Le modèle travaille avec du texte : les questions, les documents, le code et l’historique de conversation constituent l’entrée, et le résultat visible est du texte ou une action d’outil demandée. Les domaines annoncés comprennent la compréhension du langage, les mathématiques, le raisonnement, la programmation et les questions fondées sur des connaissances.
Le rapport GLM-4 décrit le modèle de 9 milliards de paramètres comme préentraîné sur environ dix mille milliards de jetons de matériel multilingue, initialement avec un contexte de 8K, puis soumis à un post-entraînement avec la chaîne de traitement et les données utilisées pour GLM-4-0520. La longueur d’entraînement initiale n’est pas la limite de contexte de cette version Chat : sa fenêtre publiée destinée aux utilisateurs est de 128K. Cette distinction compte lorsqu’on choisit entre une spécification d’entraînement et la variante réelle du modèle nommé.
Une tâche de programmation utile consiste à fournir une fonction, son comportement prévu et une entrée en échec, puis à demander une explication suivie d’un fragment corrigé. Pour un assistant documentaire, fournissez les sections pertinentes et demandez-lui d’extraire les exigences, de comparer les passages ou d’expliquer un terme inconnu. Ce sont des applications des capacités linguistiques et de programmation du modèle, et non un produit distinct ou un mode de génération de fichiers.
Cette édition Chat prend en charge un contexte de 128K jetons. Cette capacité permet à un assistant de conserver les sources et le dialogue antérieur dans une même tâche. Donnez des noms de section clairs aux longs documents et indiquez si la réponse doit être un résumé, une comparaison ou une explication d’un passage précis. Dans les messages de suivi, identifiez le passage modifié au lieu de remplacer silencieusement la tâche.
GLM-4-9B-Chat-1M est une édition à contexte long nommée séparément. L’entrée Chat ordinaire n’acquiert pas sa fenêtre d’un million de jetons. De même, le modèle visuel GLM-4V-9B est distinct : l’entrée de cette édition demeure textuelle. Les exemples de génération publiés utilisent des réglages de longueur propres à chaque requête; ils n’établissent pas une longueur maximale universelle unique de réponse.
Le modèle prend en charge 26 langues, dont le japonais, le coréen et l’allemand parmi les exemples nommés. Le rapport d’entraînement GLM-4 décrit le chinois et l’anglais comme principales langues d’alignement, aux côtés d’un corpus multilingue plus large. Pour la traduction ou le dialogue de soutien, précisez la langue cible, la terminologie et le ton, et fournissez le matériel à conserver tel quel. Par exemple, un assistant peut expliquer un passage dans la langue demandée tout en conservant les noms de produits et les identifiants de code.
GLM-4-9B-Chat est préparé pour la navigation Web, l’exécution de code et les appels de fonctions personnalisées. L’approche all-tools de GLM-4 relie la planification de tâches aux actions externes et aux observations qu’elles retournent. Un assistant documentaire peut demander une recherche, utiliser l’extrait retourné et poursuivre son explication; une tâche numérique peut utiliser un outil Python fourni par l’application qui l’entoure.
L’application définit et exécute ces outils. Le texte du modèle ne navigue pas à lui seul sur un site, n’exécute pas un programme et ne crée pas une image. Si l’application fournit une fonction de génération d’images, cette fonction externe produit l’image; ce modèle textuel planifie l’appel et discute du résultat retourné. Donnez à chaque fonction un but clair et une définition de ses arguments, puis réinjectez le résultat dans le dialogue avant de demander la réponse finale.
L’édition utilise un gabarit de dialogue fondé sur les rôles. Conservez les instructions de l’utilisateur, les réponses pertinentes de l’assistant et les résultats d’outils comme des tours distincts. Voici une demande pratique : « En utilisant ces sections de document nommées, énumérez les exigences, expliquez les contradictions et citez les étiquettes de section qui appuient chaque conclusion. » En voici une autre : « Expliquez comment cette fonction traite l’entrée fournie, puis proposez un changement qui conserve l’interface indiquée. » Le livrable demandé doit être explicite pour permettre de vérifier la réponse par rapport aux sources et au comportement prévu du programme.
POST /v1/chat/completionstexttext| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites Pro/THUDM/glm-4-9b-chat | Par défaut— |
Champmessages | Typemessage[] | ExigenceObligatoire | Valeurs et limites Nombre minimal d’éléments: 1 | Par défaut— |
Champmessages[].role | Typestring | ExigenceObligatoire | Valeurs et limites Exemples : system, user, assistant, tool, function Conditions: Ces rôles sont explicitement représentés par les types de compatibilité du code source ; l’ensemble exact des rôles reste propre à chaque modèle. Selon le modèle | Par défaut— |
Champmessages[].content | Typestring|content_part[]|null | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champmessages[].tool_calls | Typetool_call[] | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champmessages[].tool_call_id | Typestring | ExigenceFacultatif | Valeurs et limites S’applique lorsque: role=tool ; utilisez l’ID réellement renvoyé | Par défaut— |
Champmessages[].name | Typestring | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champmessages[].reasoning_content | Typestring | ExigenceFacultatif | Valeurs et limites S’applique lorsque: Réinjectez le raisonnement réellement renvoyé lorsque ce modèle l’utilise | Par défaut— |
Champmessages[].reasoning_details | Typeobject|array | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champmax_tokens | Typeinteger | ExigenceFacultatif | Valeurs et limites Minimum: 1 Selon le modèle | Par défaut— |
Champmax_completion_tokens | Typeinteger | ExigenceFacultatif | Valeurs et limites Minimum: 1 Selon le modèle | Par défaut— |
Champstream | Typeboolean | ExigenceFacultatif | Valeurs et limites | Par défautfalse |
Champstream_options.include_usage | Typeboolean | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champtemperature | Typenumber | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champtop_p | Typenumber | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champstop | Typestring|string[] | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champtools | Typefunction_tool[] | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champtools[].type | Typestring | ExigenceFacultatif | Valeurs et limites function Selon le modèle | Par défaut— |
Champtools[].function.name | Typestring | ExigenceObligatoire | Valeurs et limites S’applique lorsque: Fonction fournie comme outil | Par défaut— |
Champtools[].function.description | Typestring | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champtools[].function.parameters | TypeJSON_schema | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champtool_choice | Typestring|object | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champparallel_tool_calls | Typeboolean | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champresponse_format | Typeobject | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champreasoning_effort | Typestring | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champreasoning | Typeobject | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champservice_tier | Typestring | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champinstructions | Typestring | ExigenceFacultatif | Valeurs et limites Champ de compatibilité | Par défaut— |
Champfunctions | Typefunction[] | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champfunction_call | Typestring|object | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champprompt_cache_options | Typeobject | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champmodalities | Typestring[] | ExigenceFacultatif | Valeurs et limites text | Par défaut— |
Champprovider | Typeobject | ExigenceFacultatif | Valeurs et limites Conditions: provider.options est refusé sur cette route textuelle Ultra | Par défaut— |
Champcache_control.ttl | Typestring | ExigenceFacultatif | Valeurs et limites Conditions: La valeur 1h est refusée là où le cache des prompts est configuré | Par défaut— |
Texte · Texte UTF8
messages[].content
| Paramètre | Contrat |
|---|---|
Paramètrecontent_type | Contratapplication/json |
Paramètrerequired | Contratmodel, messages |
Paramètrematerial_types | Contrattext |
Paramètremessages | ContratTableau de messages avec une structure role/content |
Paramètrefile_material | ContratDocument UTF-8 réel inséré comme texte littéral ; aucun ID de fichier déduit |
Paramètreoptional_controls | Contratstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Paramètrecontrol_scope | ContratPropre au modèle ; les outils de fonctions de l’utilisateur diffèrent des outils hébergés |
Paramètreoutput_modalities | Contrattext |
Paramètrehosted_operations | Contratfalse |
Paramètremultimodal_input_binding | Contratnull |
Cycle de vie : synchronous_or_streamed
Envoyez l’ID exact du modèle avec messages.
La longueur du contexte n’est pas un plafond de sortie.
Un fichier texte peut fournir du texte littéral ; les entrées image/audio/objet fichier nécessitent une liaison exacte.
Les tarifs n’ajoutent pas d’options de requête. Les paramètres pris en charge figurent dans la méthode sélectionnée.
| Configuration | Barème tarifaire | Coût |
|---|---|---|
| ConfigurationTarifs de base des jetons | Barème tarifaireTarif de base | Coût Entrée · Jetons en entrée $0.000172 / 1K jetons Sortie · Jetons en sortie $0.000172 / 1K jetons Entrée · Lecture du cache $0 / 1K jetons Entrée · Écriture dans le cache $0 / 1K jetons Entrée · Écriture dans le cache, 1 h — / 1K jetons |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "Pro/THUDM/glm-4-9b-chat", "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='Pro/THUDM/glm-4-9b-chat',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='Pro/THUDM/glm-4-9b-chat',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson ou SSE
Conservez chaque réponse, fichier et partie de contenu renvoyés dans leur intégralité.
Conservez chaque choix avec son contenu, ses appels d’outils et son raisonnement. En SSE, assemblez les deltas par index de choix et d’outil, et conservez le motif final d’arrêt et les données d’utilisation.
Conservez les ID et les en-têtes de requête/réponse. Aucune URL générique de récupération de tâche textuelle n’est fournie.
| Champ | Type |
|---|---|
Champchoices[].index | Typeinteger |
Champchoices[].message.content | Typestring|null |
Champchoices[].message.tool_calls | Typetool_call[] |
Champchoices[].message.reasoning_content | Typestring |
Champchoices[].message.reasoning_details | Typeobject|array |
Champchoices[].finish_reason | Typestring|null |
Champusage | Typeobject |
| Réponse | Condition | Étape suivante |
|---|---|---|
Réponse400 · invalid_request_error | ConditionChamps obligatoires, représentation des éléments fournis ou valeur de paramètre invalides | Étape suivanteCorrigez les champs indiqués avant une nouvelle requête de création. |
Ailoot Ultra Pro/THUDM/glm-4-9b-chat
Utilisez les chemins de méthode indiqués ci-dessus.
Pro/THUDM/glm-4-9b-chatGLM-4-9B-Chat est un modèle textuel multilingue pour le dialogue soutenu, l’analyse documentaire et la programmation, avec un contexte de 128K. Il peut sélectionner des actions de navigation, d’exécution de code et de fonctions personnalisées fournies par une application, puis utiliser leurs résultats dans sa réponse.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
GLM-4-9B-Chat est l’édition adaptée au dialogue du modèle de langage ouvert GLM-4-9B de Z.ai. Sa préparation combine une base multilingue et un alignement sur les préférences humaines. Le modèle travaille avec du texte : les questions, les documents, le code et l’historique de conversation constituent l’entrée, et le résultat visible est du texte ou une action d’outil demandée. Les domaines annoncés comprennent la compréhension du langage, les mathématiques, le raisonnement, la programmation et les questions fondées sur des connaissances.
Le rapport GLM-4 décrit le modèle de 9 milliards de paramètres comme préentraîné sur environ dix mille milliards de jetons de matériel multilingue, initialement avec un contexte de 8K, puis soumis à un post-entraînement avec la chaîne de traitement et les données utilisées pour GLM-4-0520. La longueur d’entraînement initiale n’est pas la limite de contexte de cette version Chat : sa fenêtre publiée destinée aux utilisateurs est de 128K. Cette distinction compte lorsqu’on choisit entre une spécification d’entraînement et la variante réelle du modèle nommé.
Une tâche de programmation utile consiste à fournir une fonction, son comportement prévu et une entrée en échec, puis à demander une explication suivie d’un fragment corrigé. Pour un assistant documentaire, fournissez les sections pertinentes et demandez-lui d’extraire les exigences, de comparer les passages ou d’expliquer un terme inconnu. Ce sont des applications des capacités linguistiques et de programmation du modèle, et non un produit distinct ou un mode de génération de fichiers.
Cette édition Chat prend en charge un contexte de 128K jetons. Cette capacité permet à un assistant de conserver les sources et le dialogue antérieur dans une même tâche. Donnez des noms de section clairs aux longs documents et indiquez si la réponse doit être un résumé, une comparaison ou une explication d’un passage précis. Dans les messages de suivi, identifiez le passage modifié au lieu de remplacer silencieusement la tâche.
GLM-4-9B-Chat-1M est une édition à contexte long nommée séparément. L’entrée Chat ordinaire n’acquiert pas sa fenêtre d’un million de jetons. De même, le modèle visuel GLM-4V-9B est distinct : l’entrée de cette édition demeure textuelle. Les exemples de génération publiés utilisent des réglages de longueur propres à chaque requête; ils n’établissent pas une longueur maximale universelle unique de réponse.
Le modèle prend en charge 26 langues, dont le japonais, le coréen et l’allemand parmi les exemples nommés. Le rapport d’entraînement GLM-4 décrit le chinois et l’anglais comme principales langues d’alignement, aux côtés d’un corpus multilingue plus large. Pour la traduction ou le dialogue de soutien, précisez la langue cible, la terminologie et le ton, et fournissez le matériel à conserver tel quel. Par exemple, un assistant peut expliquer un passage dans la langue demandée tout en conservant les noms de produits et les identifiants de code.
GLM-4-9B-Chat est préparé pour la navigation Web, l’exécution de code et les appels de fonctions personnalisées. L’approche all-tools de GLM-4 relie la planification de tâches aux actions externes et aux observations qu’elles retournent. Un assistant documentaire peut demander une recherche, utiliser l’extrait retourné et poursuivre son explication; une tâche numérique peut utiliser un outil Python fourni par l’application qui l’entoure.
L’application définit et exécute ces outils. Le texte du modèle ne navigue pas à lui seul sur un site, n’exécute pas un programme et ne crée pas une image. Si l’application fournit une fonction de génération d’images, cette fonction externe produit l’image; ce modèle textuel planifie l’appel et discute du résultat retourné. Donnez à chaque fonction un but clair et une définition de ses arguments, puis réinjectez le résultat dans le dialogue avant de demander la réponse finale.
L’édition utilise un gabarit de dialogue fondé sur les rôles. Conservez les instructions de l’utilisateur, les réponses pertinentes de l’assistant et les résultats d’outils comme des tours distincts. Voici une demande pratique : « En utilisant ces sections de document nommées, énumérez les exigences, expliquez les contradictions et citez les étiquettes de section qui appuient chaque conclusion. » En voici une autre : « Expliquez comment cette fonction traite l’entrée fournie, puis proposez un changement qui conserve l’interface indiquée. » Le livrable demandé doit être explicite pour permettre de vérifier la réponse par rapport aux sources et au comportement prévu du programme.
POST /v1/messagestextjson, sse| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites Pro/THUDM/glm-4-9b-chat | Par défaut— |
Champmessages | Typemessage[] | ExigenceObligatoire | Valeurs et limites | Par défaut— |
Champmessages[].role | Typestring | ExigenceObligatoire | Valeurs et limites user, assistant | Par défaut— |
Champmessages[].content | Typestring | ExigenceObligatoire | Valeurs et limites | Par défaut— |
Champmax_tokens | Typeinteger | ExigenceObligatoire | Valeurs et limites | Par défaut— |
Champstream | Typeboolean | ExigenceFacultatif | Valeurs et limites | Par défautfalse |
Texte · Texte UTF-8
Chaîne messages[].content
| Paramètre | Contrat |
|---|---|
Paramètrecontent_type | Contratapplication/json |
Paramètrerequired | Contratmodel, messages, max_tokens |
Paramètreoptional_controls | Contratstream |
Paramètrematerial_types | Contrattext |
Paramètretext_file_material | ContratLisez le document UTF-8 réel et placez son texte dans l’entrée indiquée ou dans la chaîne de contenu du message. |
Cycle de vie : synchronous_or_streamed
Les tarifs n’ajoutent pas d’options de requête. Les paramètres pris en charge figurent dans la méthode sélectionnée.
| Configuration | Barème tarifaire | Coût |
|---|---|---|
| ConfigurationTarifs de base des jetons | Barème tarifaireTarif de base | Coût Entrée · Jetons en entrée $0.000172 / 1K jetons Sortie · Jetons en sortie $0.000172 / 1K jetons Entrée · Lecture du cache $0 / 1K jetons Entrée · Écriture dans le cache $0 / 1K jetons Entrée · Écriture dans le cache, 1 h — / 1K jetons |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
{\n "model": "Pro/THUDM/glm-4-9b-chat",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'Pro/THUDM/glm-4-9b-chat', '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': 'Pro/THUDM/glm-4-9b-chat', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON ou SSE
Conservez chaque réponse, fichier et partie de contenu renvoyés dans leur intégralité.
Conservez tous les blocs de contenu, les signatures de raisonnement et les ID réels d’utilisation d’outils. Assemblez tous les deltas de blocs SSE ; un premier bloc de texte ne constitue pas la sortie complète.
Conservez les ID et les en-têtes de requête/réponse. Aucune URL générique de récupération de tâche textuelle n’est fournie.
| Champ | Type |
|---|---|
Champid | Typestring |
Champmodel | Typestring |
Champcontent[] | Typetext|thinking|tool_use|other content block |
Champstop_reason | Typestring|null |
Champusage | Typeobject |
| Réponse | Condition | Étape suivante |
|---|---|---|
Réponse400 · invalid_request_error | ConditionChamps obligatoires, représentation des éléments fournis ou valeur de paramètre invalides | Étape suivanteCorrigez les champs indiqués avant une nouvelle requête de création. |
Ailoot Ultra Pro/THUDM/glm-4-9b-chat
Utilisez les chemins de méthode indiqués ci-dessus.
Exemple technique en anglais
Explain a conditional leave procedure\n\nExplain this procedure to a colleague. Section L1: 'Submit a leave request to the team lead.' L2: 'Trips over five working days also require department approval.' L3: 'A calendar invitation is sent only after approval.' The colleague requests eight working days. Return the required sequence and identify why an invitation alone does not demonstrate approval.A section-linked sequence and a short explanation of the invitation condition.The eight-day request must retain both the team-lead and department requirements.