GLM-4-32B-0414 est l’édition textuelle fixe de classe 32B de la série GLM-4-0414 de Z.ai. Sa base a été préentraînée sur 15 billions de jetons, y compris du contenu de raisonnement synthétique. Le post-entraînement combine l’alignement sur les préférences de dialogue, l’échantillonnage par rejet et l’apprentissage par renforcement pour développer le suivi des consignes, le code d’ingénierie et les appels de fonctions. Ses usages annoncés comprennent les tâches logicielles, les livrables textuels, les questions fondées sur la recherche et les rapports. L’entrée et la sortie sont textuelles; le code généré devient un livrable exécutable ou rendu lorsque l’application le sauvegarde et l’exécute.
GLM-Z1-32B-0414, axé sur le raisonnement, et le modèle Rumination, axé sur la recherche, sont des éditions nommées séparément. Cette entrée suit les démonstrations plus larges de code et d’outils propres au modèle GLM-4 plutôt que de lui substituer les règles de réflexion d’une autre version.
Le fabricant montre la programmation d’une balle en mouvement dans un hexagone qui tourne. L’exemple GLM-4-32B-0414 utilise HTML et décrit le mouvement, les collisions et les hypothèses physiques. Il s’agit de code de simulation, et non d’un mode de génération vidéo. Pour préparer une tâche semblable, donnez la scène, les règles de mouvement, le comportement des collisions et l’environnement d’exécution prévu, puis demandez une implémentation autonome et une explication des hypothèses. L’application exécute ce code pour examiner le résultat.
Les exemples comprennent une interface de dessin pour des courbes de fonctions personnalisées, avec l’ajout et le retrait de fonctions et l’attribution de couleurs. Un autre exemple crée une interface mobile d’apprentissage automatique avec des tâches d’entraînement, la gestion du stockage et des statistiques personnelles, y compris des graphiques, organisée dans une page HTML. Ce sont des tâches d’interface concrètes dont les commandes et les états sont précisés.
Pour une sortie utile, décrivez les actions que chaque commande doit prendre en charge et les données que la vue doit afficher. Une demande d’interface peut solliciter le code de la page ainsi que le lien entre l’entrée, l’état affiché et le résultat. Un échange ultérieur peut fournir le rendu observé et demander une modification ciblée tout en conservant le comportement énuméré.
Le fabricant montre aussi des illustrations SVG, dont un paysage et une explication du processus d’entraînement d’un modèle de langue. SVG est du texte structuré; l’application peut donc le sauvegarder comme livrable vectoriel modifiable. Fournissez le sujet, les étiquettes, la disposition et les relations visuelles requises. Demandez le balisage SVG comme livrable distinct plutôt que de mélanger le code de l’illustration à une longue explication sans rapport.
Pour la rédaction de recherche, la fiche fournit des résultats de recherche comme observations et demande au modèle de les organiser et de les interpréter au lieu de les copier. Ses consignes distinguent les résultats pertinents des autres, privilégient les détails significatifs lorsque les éléments le permettent, utilisent une structure lisible et répondent dans la langue de l’utilisateur. L’exemple produit un rapport analytique sur la littérature jeunesse qui couvre les procédés narratifs, les thèmes et leurs effets.
Une tâche pratique peut fournir des extraits nommés et demander un rapport organisé autour de questions explicites, chaque conclusion étant liée au contenu qui l’appuie. La recherche et la récupération se déroulent dans l’application environnante; les passages retournés deviennent les éléments de preuve du modèle. Cela sert aussi à comparer des documents ou à préparer une explication à partir d’un ensemble de recherches fourni.
GLM-4-32B-0414 prend en charge les appels d’outils externes avec des arguments JSON. Le modèle identifie une fonction et ses arguments, l’application l’exécute et le résultat est retourné comme observation. La démonstration du fabricant répète cette boucle jusqu’à produire une réponse finale. Décrivez l’objectif et les champs requis de chaque outil et distinguez son observation de la consigne de l’utilisateur. Une consultation peut ainsi fournir des données pour une comparaison ultérieure sans prétendre que le modèle a obtenu de façon indépendante de l’information en direct.
La configuration publiée fixe max_position_embeddings à 32 768 et ne comprend pas d’entrée rope_scaling. Les exemples détaillés du fabricant utilisent des longueurs de génération propres aux requêtes; la fiche ne donne pas de maximum strict universel de sortie. Faites tenir le code pertinent, les passages récupérés et le dialogue dans le contexte actif, et précisez si le résultat final doit être du HTML, du SVG, un fragment de code, des arguments JSON ou un rapport. Ce sont des représentations textuelles produites pour la tâche décrite; l’exécution, la création de fichiers et l’accès aux données externes restent des actions de l’application.
", "aboutText": "### Introduction\n\nGLM-4-32B-0414 est l’édition textuelle fixe de classe 32B de la série GLM-4-0414 de Z.ai. Sa base a été préentraînée sur 15 billions de jetons, y compris du contenu de raisonnement synthétique. Le post-entraînement combine l’alignement sur les préférences de dialogue, l’échantillonnage par rejet et l’apprentissage par renforcement pour développer le suivi des consignes, le code d’ingénierie et les appels de fonctions. Ses usages annoncés comprennent les tâches logicielles, les livrables textuels, les questions fondées sur la recherche et les rapports. L’entrée et la sortie sont textuelles; le code généré devient un livrable exécutable ou rendu lorsque l’application le sauvegarde et l’exécute.\n\nGLM-Z1-32B-0414, axé sur le raisonnement, et le modèle Rumination, axé sur la recherche, sont des éditions nommées séparément. Cette entrée suit les démonstrations plus larges de code et d’outils propres au modèle GLM-4 plutôt que de lui substituer les règles de réflexion d’une autre version.\n\n### Démonstration : génération d’animation\n\nLe fabricant montre la programmation d’une balle en mouvement dans un hexagone qui tourne. L’exemple GLM-4-32B-0414 utilise HTML et décrit le mouvement, les collisions et les hypothèses physiques. Il s’agit de code de simulation, et non d’un mode de génération vidéo. Pour préparer une tâche semblable, donnez la scène, les règles de mouvement, le comportement des collisions et l’environnement d’exécution prévu, puis demandez une implémentation autonome et une explication des hypothèses. L’application exécute ce code pour examiner le résultat.\n\n### Démonstration : conception Web\n\nLes exemples comprennent une interface de dessin pour des courbes de fonctions personnalisées, avec l’ajout et le retrait de fonctions et l’attribution de couleurs. Un autre exemple crée une interface mobile d’apprentissage automatique avec des tâches d’entraînement, la gestion du stockage et des statistiques personnelles, y compris des graphiques, organisée dans une page HTML. Ce sont des tâches d’interface concrètes dont les commandes et les états sont précisés.\n\nPour une sortie utile, décrivez les actions que chaque commande doit prendre en charge et les données que la vue doit afficher. Une demande d’interface peut solliciter le code de la page ainsi que le lien entre l’entrée, l’état affiché et le résultat. Un échange ultérieur peut fournir le rendu observé et demander une modification ciblée tout en conservant le comportement énuméré.\n\n### Démonstration : génération SVG\n\nLe fabricant montre aussi des illustrations SVG, dont un paysage et une explication du processus d’entraînement d’un modèle de langue. SVG est du texte structuré; l’application peut donc le sauvegarder comme livrable vectoriel modifiable. Fournissez le sujet, les étiquettes, la disposition et les relations visuelles requises. Demandez le balisage SVG comme livrable distinct plutôt que de mélanger le code de l’illustration à une longue explication sans rapport.\n\n### Rédaction fondée sur la recherche\n\nPour la rédaction de recherche, la fiche fournit des résultats de recherche comme observations et demande au modèle de les organiser et de les interpréter au lieu de les copier. Ses consignes distinguent les résultats pertinents des autres, privilégient les détails significatifs lorsque les éléments le permettent, utilisent une structure lisible et répondent dans la langue de l’utilisateur. L’exemple produit un rapport analytique sur la littérature jeunesse qui couvre les procédés narratifs, les thèmes et leurs effets.\n\nUne tâche pratique peut fournir des extraits nommés et demander un rapport organisé autour de questions explicites, chaque conclusion étant liée au contenu qui l’appuie. La recherche et la récupération se déroulent dans l’application environnante; les passages retournés deviennent les éléments de preuve du modèle. Cela sert aussi à comparer des documents ou à préparer une explication à partir d’un ensemble de recherches fourni.\n\n### Appels de fonctions\n\nGLM-4-32B-0414 prend en charge les appels d’outils externes avec des arguments JSON. Le modèle identifie une fonction et ses arguments, l’application l’exécute et le résultat est retourné comme observation. La démonstration du fabricant répète cette boucle jusqu’à produire une réponse finale. Décrivez l’objectif et les champs requis de chaque outil et distinguez son observation de la consigne de l’utilisateur. Une consultation peut ainsi fournir des données pour une comparaison ultérieure sans prétendre que le modèle a obtenu de façon indépendante de l’information en direct.\n\n### Planifier le contexte et le résultat\n\nLa configuration publiée fixe max_position_embeddings à 32 768 et ne comprend pas d’entrée rope_scaling. Les exemples détaillés du fabricant utilisent des longueurs de génération propres aux requêtes; la fiche ne donne pas de maximum strict universel de sortie. Faites tenir le code pertinent, les passages récupérés et le dialogue dans le contexte actif, et précisez si le résultat final doit être du HTML, du SVG, un fragment de code, des arguments JSON ou un rapport. Ce sont des représentations textuelles produites pour la tâche décrite; l’exécution, la création de fichiers et l’accès aux données externes restent des actions de l’application.", "editorialOverlay": { "copy_fields": { "practical_html": "Exemple technique en anglais
Generate an editable process diagram\n\nCreate self-contained SVG markup for a left-to-right process: Receive -> Validate -> Store. Use three labelled rectangles and two arrows; all labels must remain readable in a 720 by 180 viewBox. Use no scripts, external fonts or external images. Return SVG code and a brief explanation of how the arrows encode the required order.A standalone editable SVG code block with three named nodes and two directional arrows, followed by a short order explanation.Render the SVG locally and check the exact labels, arrow direction and absence of clipped text or external dependencies.THUDM/GLM-4-32B-0414GLM-4-32B-0414 est l’édition textuelle fixe de Z.ai pour le code d’ingénierie, les livrables interactifs HTML/SVG, les rapports fondés sur la recherche et les appels de fonctions JSON. Sa fiche présente des flux de développement concrets et une boucle d’outils contrôlée par l’application.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
GLM-4-32B-0414 est l’édition textuelle fixe de classe 32B de la série GLM-4-0414 de Z.ai. Sa base a été préentraînée sur 15 billions de jetons, y compris du contenu de raisonnement synthétique. Le post-entraînement combine l’alignement sur les préférences de dialogue, l’échantillonnage par rejet et l’apprentissage par renforcement pour développer le suivi des consignes, le code d’ingénierie et les appels de fonctions. Ses usages annoncés comprennent les tâches logicielles, les livrables textuels, les questions fondées sur la recherche et les rapports. L’entrée et la sortie sont textuelles; le code généré devient un livrable exécutable ou rendu lorsque l’application le sauvegarde et l’exécute.
GLM-Z1-32B-0414, axé sur le raisonnement, et le modèle Rumination, axé sur la recherche, sont des éditions nommées séparément. Cette entrée suit les démonstrations plus larges de code et d’outils propres au modèle GLM-4 plutôt que de lui substituer les règles de réflexion d’une autre version.
Le fabricant montre la programmation d’une balle en mouvement dans un hexagone qui tourne. L’exemple GLM-4-32B-0414 utilise HTML et décrit le mouvement, les collisions et les hypothèses physiques. Il s’agit de code de simulation, et non d’un mode de génération vidéo. Pour préparer une tâche semblable, donnez la scène, les règles de mouvement, le comportement des collisions et l’environnement d’exécution prévu, puis demandez une implémentation autonome et une explication des hypothèses. L’application exécute ce code pour examiner le résultat.
Les exemples comprennent une interface de dessin pour des courbes de fonctions personnalisées, avec l’ajout et le retrait de fonctions et l’attribution de couleurs. Un autre exemple crée une interface mobile d’apprentissage automatique avec des tâches d’entraînement, la gestion du stockage et des statistiques personnelles, y compris des graphiques, organisée dans une page HTML. Ce sont des tâches d’interface concrètes dont les commandes et les états sont précisés.
Pour une sortie utile, décrivez les actions que chaque commande doit prendre en charge et les données que la vue doit afficher. Une demande d’interface peut solliciter le code de la page ainsi que le lien entre l’entrée, l’état affiché et le résultat. Un échange ultérieur peut fournir le rendu observé et demander une modification ciblée tout en conservant le comportement énuméré.
Le fabricant montre aussi des illustrations SVG, dont un paysage et une explication du processus d’entraînement d’un modèle de langue. SVG est du texte structuré; l’application peut donc le sauvegarder comme livrable vectoriel modifiable. Fournissez le sujet, les étiquettes, la disposition et les relations visuelles requises. Demandez le balisage SVG comme livrable distinct plutôt que de mélanger le code de l’illustration à une longue explication sans rapport.
Pour la rédaction de recherche, la fiche fournit des résultats de recherche comme observations et demande au modèle de les organiser et de les interpréter au lieu de les copier. Ses consignes distinguent les résultats pertinents des autres, privilégient les détails significatifs lorsque les éléments le permettent, utilisent une structure lisible et répondent dans la langue de l’utilisateur. L’exemple produit un rapport analytique sur la littérature jeunesse qui couvre les procédés narratifs, les thèmes et leurs effets.
Une tâche pratique peut fournir des extraits nommés et demander un rapport organisé autour de questions explicites, chaque conclusion étant liée au contenu qui l’appuie. La recherche et la récupération se déroulent dans l’application environnante; les passages retournés deviennent les éléments de preuve du modèle. Cela sert aussi à comparer des documents ou à préparer une explication à partir d’un ensemble de recherches fourni.
GLM-4-32B-0414 prend en charge les appels d’outils externes avec des arguments JSON. Le modèle identifie une fonction et ses arguments, l’application l’exécute et le résultat est retourné comme observation. La démonstration du fabricant répète cette boucle jusqu’à produire une réponse finale. Décrivez l’objectif et les champs requis de chaque outil et distinguez son observation de la consigne de l’utilisateur. Une consultation peut ainsi fournir des données pour une comparaison ultérieure sans prétendre que le modèle a obtenu de façon indépendante de l’information en direct.
La configuration publiée fixe max_position_embeddings à 32 768 et ne comprend pas d’entrée rope_scaling. Les exemples détaillés du fabricant utilisent des longueurs de génération propres aux requêtes; la fiche ne donne pas de maximum strict universel de sortie. Faites tenir le code pertinent, les passages récupérés et le dialogue dans le contexte actif, et précisez si le résultat final doit être du HTML, du SVG, un fragment de code, des arguments JSON ou un rapport. Ce sont des représentations textuelles produites pour la tâche décrite; l’exécution, la création de fichiers et l’accès aux données externes restent des actions de l’application.
POST /v1/chat/completionstexttext| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites THUDM/GLM-4-32B-0414 | 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 $0.00014 / 1K jetons Sortie · Jetons en sortie $0.00014 / 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": "THUDM/GLM-4-32B-0414", "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='THUDM/GLM-4-32B-0414',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='THUDM/GLM-4-32B-0414',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 THUDM/GLM-4-32B-0414
Utilisez les chemins de méthode indiqués ci-dessus.
THUDM/GLM-4-32B-0414GLM-4-32B-0414 est l’édition textuelle fixe de Z.ai pour le code d’ingénierie, les livrables interactifs HTML/SVG, les rapports fondés sur la recherche et les appels de fonctions JSON. Sa fiche présente des flux de développement concrets et une boucle d’outils contrôlée par l’application.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
GLM-4-32B-0414 est l’édition textuelle fixe de classe 32B de la série GLM-4-0414 de Z.ai. Sa base a été préentraînée sur 15 billions de jetons, y compris du contenu de raisonnement synthétique. Le post-entraînement combine l’alignement sur les préférences de dialogue, l’échantillonnage par rejet et l’apprentissage par renforcement pour développer le suivi des consignes, le code d’ingénierie et les appels de fonctions. Ses usages annoncés comprennent les tâches logicielles, les livrables textuels, les questions fondées sur la recherche et les rapports. L’entrée et la sortie sont textuelles; le code généré devient un livrable exécutable ou rendu lorsque l’application le sauvegarde et l’exécute.
GLM-Z1-32B-0414, axé sur le raisonnement, et le modèle Rumination, axé sur la recherche, sont des éditions nommées séparément. Cette entrée suit les démonstrations plus larges de code et d’outils propres au modèle GLM-4 plutôt que de lui substituer les règles de réflexion d’une autre version.
Le fabricant montre la programmation d’une balle en mouvement dans un hexagone qui tourne. L’exemple GLM-4-32B-0414 utilise HTML et décrit le mouvement, les collisions et les hypothèses physiques. Il s’agit de code de simulation, et non d’un mode de génération vidéo. Pour préparer une tâche semblable, donnez la scène, les règles de mouvement, le comportement des collisions et l’environnement d’exécution prévu, puis demandez une implémentation autonome et une explication des hypothèses. L’application exécute ce code pour examiner le résultat.
Les exemples comprennent une interface de dessin pour des courbes de fonctions personnalisées, avec l’ajout et le retrait de fonctions et l’attribution de couleurs. Un autre exemple crée une interface mobile d’apprentissage automatique avec des tâches d’entraînement, la gestion du stockage et des statistiques personnelles, y compris des graphiques, organisée dans une page HTML. Ce sont des tâches d’interface concrètes dont les commandes et les états sont précisés.
Pour une sortie utile, décrivez les actions que chaque commande doit prendre en charge et les données que la vue doit afficher. Une demande d’interface peut solliciter le code de la page ainsi que le lien entre l’entrée, l’état affiché et le résultat. Un échange ultérieur peut fournir le rendu observé et demander une modification ciblée tout en conservant le comportement énuméré.
Le fabricant montre aussi des illustrations SVG, dont un paysage et une explication du processus d’entraînement d’un modèle de langue. SVG est du texte structuré; l’application peut donc le sauvegarder comme livrable vectoriel modifiable. Fournissez le sujet, les étiquettes, la disposition et les relations visuelles requises. Demandez le balisage SVG comme livrable distinct plutôt que de mélanger le code de l’illustration à une longue explication sans rapport.
Pour la rédaction de recherche, la fiche fournit des résultats de recherche comme observations et demande au modèle de les organiser et de les interpréter au lieu de les copier. Ses consignes distinguent les résultats pertinents des autres, privilégient les détails significatifs lorsque les éléments le permettent, utilisent une structure lisible et répondent dans la langue de l’utilisateur. L’exemple produit un rapport analytique sur la littérature jeunesse qui couvre les procédés narratifs, les thèmes et leurs effets.
Une tâche pratique peut fournir des extraits nommés et demander un rapport organisé autour de questions explicites, chaque conclusion étant liée au contenu qui l’appuie. La recherche et la récupération se déroulent dans l’application environnante; les passages retournés deviennent les éléments de preuve du modèle. Cela sert aussi à comparer des documents ou à préparer une explication à partir d’un ensemble de recherches fourni.
GLM-4-32B-0414 prend en charge les appels d’outils externes avec des arguments JSON. Le modèle identifie une fonction et ses arguments, l’application l’exécute et le résultat est retourné comme observation. La démonstration du fabricant répète cette boucle jusqu’à produire une réponse finale. Décrivez l’objectif et les champs requis de chaque outil et distinguez son observation de la consigne de l’utilisateur. Une consultation peut ainsi fournir des données pour une comparaison ultérieure sans prétendre que le modèle a obtenu de façon indépendante de l’information en direct.
La configuration publiée fixe max_position_embeddings à 32 768 et ne comprend pas d’entrée rope_scaling. Les exemples détaillés du fabricant utilisent des longueurs de génération propres aux requêtes; la fiche ne donne pas de maximum strict universel de sortie. Faites tenir le code pertinent, les passages récupérés et le dialogue dans le contexte actif, et précisez si le résultat final doit être du HTML, du SVG, un fragment de code, des arguments JSON ou un rapport. Ce sont des représentations textuelles produites pour la tâche décrite; l’exécution, la création de fichiers et l’accès aux données externes restent des actions de l’application.
POST /v1/messagestextjson, sse| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites THUDM/GLM-4-32B-0414 | 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 $0.00014 / 1K jetons Sortie · Jetons en sortie $0.00014 / 1K jetons Entrée · Lecture du cache $0 / 1K jetons Entrée · Écriture dans le cache $0 / 1K jetons Entrée · Écriture dans le cache, 1 h — / 1K jetons |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
{\n "model": "THUDM/GLM-4-32B-0414",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'THUDM/GLM-4-32B-0414', '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': 'THUDM/GLM-4-32B-0414', '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 THUDM/GLM-4-32B-0414
Utilisez les chemins de méthode indiqués ci-dessus.
Exemple technique en anglais
Generate an editable process diagram\n\nCreate self-contained SVG markup for a left-to-right process: Receive -> Validate -> Store. Use three labelled rectangles and two arrows; all labels must remain readable in a 720 by 180 viewBox. Use no scripts, external fonts or external images. Return SVG code and a brief explanation of how the arrows encode the required order.A standalone editable SVG code block with three named nodes and two directional arrows, followed by a short order explanation.Render the SVG locally and check the exact labels, arrow direction and absence of clipped text or external dependencies.