GLM 5.3 Prime est l’édition textuelle accélérée de la famille GLM 5.3 de Z.ai. Il accepte du texte et renvoie du texte, en mettant l’accent sur la programmation, la génération de code en continu, la conversation en temps réel et les tâches d’agents à plusieurs tours. Son profil publié décrit une accélération de l’inférence tout en conservant les capacités de l’édition sous-jacente. Une requête utile relie la tâche, ses éléments de preuve et le livrable nécessaire à l’étape suivante, comme un correctif, une explication ou une séquence d’actions proposée.
Le raisonnement reste activé dans ce profil. Les choix d’effort documentés sont low, high et max, avec max comme valeur par défaut. Choisissez la profondeur souhaitée en fonction de la tâche : une revue de code ciblée nécessite la logique pertinente et le comportement observé, tandis qu’une modification à l’échelle du projet nécessite les interfaces environnantes, les contraintes et les conditions d’acceptation. Gardez le résultat réel séparé de l’analyse intermédiaire du modèle afin qu’un lecteur puisse examiner directement la réponse ou la modification proposée.
La fenêtre de contexte publiée est de 1 000 000 jetons, avec jusqu’à 131 072 jetons de complétion. Organisez un long cahier des charges en sections nommées : contenu source, décisions établies, questions ouvertes et livrable demandé. Conservez les identifiants exacts de fichiers ou de passages lorsque la réponse doit renvoyer aux éléments de preuve. Un grand contexte de travail aide à garder le contenu lié ensemble; une question ciblée rend ce contenu utile.
Pour la programmation, fournissez le comportement existant, l’exemple qui échoue et le comportement attendu après la modification. Demandez une correction concrète et ses étapes de validation. Pour une tâche d’agent à plusieurs tours, transmettez le travail terminé et les observations les plus récentes afin qu’une étape ultérieure puisse partir du résultat plutôt que reconstruire la tâche à partir d’une conversation qui s’allonge.
Le contrat d’hébergement publié comprend les outils de fonction et le formatage des réponses JSON. Définissez les outils ou les champs de résultat dont le processus a besoin. Un appel d’outil nomme une action que l’application environnante doit effectuer; l’observation retournée devient un élément de preuve pour l’étape suivante du modèle. Le mode JSON documenté prend en charge une sortie JSON sans imposer un schéma JSON; validez donc les champs obligatoires, les types et les valeurs dans l’application.
Pour une tâche d’extraction, fournissez le texte source et les champs à retourner, y compris la représentation des valeurs manquantes. Pour une tâche de planification, demandez la prochaine action, ses entrées et l’observation qui établirait son achèvement. Conservez la réponse avec ses identifiants de source et les résultats réels des outils, afin que le livrable remis reste relié au travail qu’il décrit.
", "aboutText": "GLM 5.3 Prime est l’édition textuelle accélérée de la famille GLM 5.3 de Z.ai. Il accepte du texte et renvoie du texte, en mettant l’accent sur la programmation, la génération de code en continu, la conversation en temps réel et les tâches d’agents à plusieurs tours. Son profil publié décrit une accélération de l’inférence tout en conservant les capacités de l’édition sous-jacente. Une requête utile relie la tâche, ses éléments de preuve et le livrable nécessaire à l’étape suivante, comme un correctif, une explication ou une séquence d’actions proposée.\n\n### Le raisonnement pour une tâche prolongée\n\nLe raisonnement reste activé dans ce profil. Les choix d’effort documentés sont low, high et max, avec max comme valeur par défaut. Choisissez la profondeur souhaitée en fonction de la tâche : une revue de code ciblée nécessite la logique pertinente et le comportement observé, tandis qu’une modification à l’échelle du projet nécessite les interfaces environnantes, les contraintes et les conditions d’acceptation. Gardez le résultat réel séparé de l’analyse intermédiaire du modèle afin qu’un lecteur puisse examiner directement la réponse ou la modification proposée.\n\n### Un contexte long et une sortie bornée\n\nLa fenêtre de contexte publiée est de 1 000 000 jetons, avec jusqu’à 131 072 jetons de complétion. Organisez un long cahier des charges en sections nommées : contenu source, décisions établies, questions ouvertes et livrable demandé. Conservez les identifiants exacts de fichiers ou de passages lorsque la réponse doit renvoyer aux éléments de preuve. Un grand contexte de travail aide à garder le contenu lié ensemble; une question ciblée rend ce contenu utile.\n\nPour la programmation, fournissez le comportement existant, l’exemple qui échoue et le comportement attendu après la modification. Demandez une correction concrète et ses étapes de validation. Pour une tâche d’agent à plusieurs tours, transmettez le travail terminé et les observations les plus récentes afin qu’une étape ultérieure puisse partir du résultat plutôt que reconstruire la tâche à partir d’une conversation qui s’allonge.\n\n### Les outils et les résultats structurés\n\nLe contrat d’hébergement publié comprend les outils de fonction et le formatage des réponses JSON. Définissez les outils ou les champs de résultat dont le processus a besoin. Un appel d’outil nomme une action que l’application environnante doit effectuer; l’observation retournée devient un élément de preuve pour l’étape suivante du modèle. Le mode JSON documenté prend en charge une sortie JSON sans imposer un schéma JSON; validez donc les champs obligatoires, les types et les valeurs dans l’application.\n\nPour une tâche d’extraction, fournissez le texte source et les champs à retourner, y compris la représentation des valeurs manquantes. Pour une tâche de planification, demandez la prochaine action, ses entrées et l’observation qui établirait son achèvement. Conservez la réponse avec ses identifiants de source et les résultats réels des outils, afin que le livrable remis reste relié au travail qu’il décrit.", "editorialOverlay": { "copy_fields": { "practical_html": "Exemple technique en anglais
Choose the next debugging action\n\nContinue this debugging task from supplied observations. Goal: imports preserve accented names. [SOURCE] CSV is read with encoding='ascii', errors='replace'. [TEST] 'José' becomes 'Jos?'. [DECISION] Input files are UTF-8. Propose the next code change, identify its exact inputs and define the observation that would establish completion. Include one negative case for malformed UTF-8; do not report an unexecuted pass.A focused code proposal plus a next-action record containing inputs, expected verification evidence and a malformed-input case.Check the proposal preserves accented text and makes malformed-input handling explicit rather than silently replacing bytes.z-ai/glm-5.3-primeGLM 5.3 Prime est le modèle textuel accéléré de Z.ai pour la programmation, la conversation et les processus d’agents prolongés. Il combine un contexte d’un million de jetons avec un raisonnement toujours actif et prend en charge les efforts low, high et max, max étant la valeur par défaut documentée.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
GLM 5.3 Prime est l’édition textuelle accélérée de la famille GLM 5.3 de Z.ai. Il accepte du texte et renvoie du texte, en mettant l’accent sur la programmation, la génération de code en continu, la conversation en temps réel et les tâches d’agents à plusieurs tours. Son profil publié décrit une accélération de l’inférence tout en conservant les capacités de l’édition sous-jacente. Une requête utile relie la tâche, ses éléments de preuve et le livrable nécessaire à l’étape suivante, comme un correctif, une explication ou une séquence d’actions proposée.
Le raisonnement reste activé dans ce profil. Les choix d’effort documentés sont low, high et max, avec max comme valeur par défaut. Choisissez la profondeur souhaitée en fonction de la tâche : une revue de code ciblée nécessite la logique pertinente et le comportement observé, tandis qu’une modification à l’échelle du projet nécessite les interfaces environnantes, les contraintes et les conditions d’acceptation. Gardez le résultat réel séparé de l’analyse intermédiaire du modèle afin qu’un lecteur puisse examiner directement la réponse ou la modification proposée.
La fenêtre de contexte publiée est de 1 000 000 jetons, avec jusqu’à 131 072 jetons de complétion. Organisez un long cahier des charges en sections nommées : contenu source, décisions établies, questions ouvertes et livrable demandé. Conservez les identifiants exacts de fichiers ou de passages lorsque la réponse doit renvoyer aux éléments de preuve. Un grand contexte de travail aide à garder le contenu lié ensemble; une question ciblée rend ce contenu utile.
Pour la programmation, fournissez le comportement existant, l’exemple qui échoue et le comportement attendu après la modification. Demandez une correction concrète et ses étapes de validation. Pour une tâche d’agent à plusieurs tours, transmettez le travail terminé et les observations les plus récentes afin qu’une étape ultérieure puisse partir du résultat plutôt que reconstruire la tâche à partir d’une conversation qui s’allonge.
Le contrat d’hébergement publié comprend les outils de fonction et le formatage des réponses JSON. Définissez les outils ou les champs de résultat dont le processus a besoin. Un appel d’outil nomme une action que l’application environnante doit effectuer; l’observation retournée devient un élément de preuve pour l’étape suivante du modèle. Le mode JSON documenté prend en charge une sortie JSON sans imposer un schéma JSON; validez donc les champs obligatoires, les types et les valeurs dans l’application.
Pour une tâche d’extraction, fournissez le texte source et les champs à retourner, y compris la représentation des valeurs manquantes. Pour une tâche de planification, demandez la prochaine action, ses entrées et l’observation qui établirait son achèvement. Conservez la réponse avec ses identifiants de source et les résultats réels des outils, afin que le livrable remis reste relié au travail qu’il décrit.
POST /v1/chat/completionstexttext| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites z-ai/glm-5.3-prime | 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 $0.0056 / 1K jetons Sortie · Jetons en sortie $0.0176 / 1K jetons Entrée · Lecture du cache $0.00112 / 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 $0.0056 / 1K jetons Sortie · Jetons en sortie $0.0176 / 1K jetons Entrée · Lecture du cache $0.00112 / 1K jetons Entrée · Écriture dans le cache — / 1K jetons Entrée · Écriture dans le cache, 1 h — / 1K jetons |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
set -eu\n: "${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-prime", "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-prime',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-prime',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 z-ai/glm-5.3-prime
Utilisez les chemins de méthode indiqués ci-dessus.
z-ai/glm-5.3-primeGLM 5.3 Prime est le modèle textuel accéléré de Z.ai pour la programmation, la conversation et les processus d’agents prolongés. Il combine un contexte d’un million de jetons avec un raisonnement toujours actif et prend en charge les efforts low, high et max, max étant la valeur par défaut documentée.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
GLM 5.3 Prime est l’édition textuelle accélérée de la famille GLM 5.3 de Z.ai. Il accepte du texte et renvoie du texte, en mettant l’accent sur la programmation, la génération de code en continu, la conversation en temps réel et les tâches d’agents à plusieurs tours. Son profil publié décrit une accélération de l’inférence tout en conservant les capacités de l’édition sous-jacente. Une requête utile relie la tâche, ses éléments de preuve et le livrable nécessaire à l’étape suivante, comme un correctif, une explication ou une séquence d’actions proposée.
Le raisonnement reste activé dans ce profil. Les choix d’effort documentés sont low, high et max, avec max comme valeur par défaut. Choisissez la profondeur souhaitée en fonction de la tâche : une revue de code ciblée nécessite la logique pertinente et le comportement observé, tandis qu’une modification à l’échelle du projet nécessite les interfaces environnantes, les contraintes et les conditions d’acceptation. Gardez le résultat réel séparé de l’analyse intermédiaire du modèle afin qu’un lecteur puisse examiner directement la réponse ou la modification proposée.
La fenêtre de contexte publiée est de 1 000 000 jetons, avec jusqu’à 131 072 jetons de complétion. Organisez un long cahier des charges en sections nommées : contenu source, décisions établies, questions ouvertes et livrable demandé. Conservez les identifiants exacts de fichiers ou de passages lorsque la réponse doit renvoyer aux éléments de preuve. Un grand contexte de travail aide à garder le contenu lié ensemble; une question ciblée rend ce contenu utile.
Pour la programmation, fournissez le comportement existant, l’exemple qui échoue et le comportement attendu après la modification. Demandez une correction concrète et ses étapes de validation. Pour une tâche d’agent à plusieurs tours, transmettez le travail terminé et les observations les plus récentes afin qu’une étape ultérieure puisse partir du résultat plutôt que reconstruire la tâche à partir d’une conversation qui s’allonge.
Le contrat d’hébergement publié comprend les outils de fonction et le formatage des réponses JSON. Définissez les outils ou les champs de résultat dont le processus a besoin. Un appel d’outil nomme une action que l’application environnante doit effectuer; l’observation retournée devient un élément de preuve pour l’étape suivante du modèle. Le mode JSON documenté prend en charge une sortie JSON sans imposer un schéma JSON; validez donc les champs obligatoires, les types et les valeurs dans l’application.
Pour une tâche d’extraction, fournissez le texte source et les champs à retourner, y compris la représentation des valeurs manquantes. Pour une tâche de planification, demandez la prochaine action, ses entrées et l’observation qui établirait son achèvement. Conservez la réponse avec ses identifiants de source et les résultats réels des outils, afin que le livrable remis reste relié au travail qu’il décrit.
POST /v1/messagestextjson, sse| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites z-ai/glm-5.3-prime | 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 $0.0056 / 1K jetons Sortie · Jetons en sortie $0.0176 / 1K jetons Entrée · Lecture du cache $0.00112 / 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 $0.0056 / 1K jetons Sortie · Jetons en sortie $0.0176 / 1K jetons Entrée · Lecture du cache $0.00112 / 1K jetons Entrée · Écriture dans le cache — / 1K jetons Entrée · Écriture dans le cache, 1 h — / 1K jetons |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
{\n "model": "z-ai/glm-5.3-prime",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-prime', '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-prime', '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 z-ai/glm-5.3-prime
Utilisez les chemins de méthode indiqués ci-dessus.
Exemple technique en anglais
Choose the next debugging action\n\nContinue this debugging task from supplied observations. Goal: imports preserve accented names. [SOURCE] CSV is read with encoding='ascii', errors='replace'. [TEST] 'José' becomes 'Jos?'. [DECISION] Input files are UTF-8. Propose the next code change, identify its exact inputs and define the observation that would establish completion. Include one negative case for malformed UTF-8; do not report an unexecuted pass.A focused code proposal plus a next-action record containing inputs, expected verification evidence and a malformed-input case.Check the proposal preserves accented text and makes malformed-input handling explicit rather than silently replacing bytes.