Z.ai GLM 5.3 est un modèle de raisonnement textuel à grande échelle conçu pour l’ingénierie logicielle complexe et le travail d’agents à long horizon. Le fabricant indique qu’il utilise le même modèle de base que GLM 5.2, les nouveaux gains provenant du post-entraînement. Cette version met l’accent sur une programmation renforcée, les opérations dans le terminal et des tâches plus larges comportant plusieurs étapes dépendantes. Il accepte du texte et produit du texte, notamment du code, des explications, des plans et des demandes d’appel d’outils dans une application connectée à des outils.
Le mode de raisonnement documenté est toujours activé. GLM 5.3 propose trois niveaux d’effort : low, high et max, avec max comme valeur par défaut. Le fabricant recommande max pour les travaux de programmation complexes; low offre une option de raisonnement plus légère pour les étapes simples. Utilisez le niveau sélectionné avec un livrable final clair et des critères d’achèvement. Par exemple : « Examine ces fichiers et ces résultats d’échec, retrace la cause dans les modules touchés, propose une correction qui préserve l’interface publique et explique quels contrôles établissent que la régression est résolue. »
Le fabricant précise une fenêtre de contexte de 1M jetons et une longueur de sortie maximale de 128K jetons. Organisez le contenu long autour de la relation que le modèle doit examiner. Préservez les noms de fichiers, les définitions pertinentes, les étiquettes des sources et l’ordre des observations, et laissez de l’espace pour le raisonnement et la réponse finale à l’intérieur du contexte de travail applicable. Une grande fenêtre est utile pour les dépendances entre modules ou pour une longue séquence d’observations d’agent; elle ne transforme pas une archive non ciblée de contenus sans rapport entre eux en une tâche bien définie.
Pour le travail sur un dépôt, fournissez le comportement attendu, le texte source pertinent, les versions des dépendances et la sortie d’erreur réelle. Demandez au modèle de préciser le comportement touché avant de proposer un correctif. Pour un remaniement, nommez l’interface et les invariants qui doivent rester intacts. Une réponse utile contient le code révisé, la raison pour laquelle la modification corrige le problème observé et les cas nécessaires pour vérifier le résultat. Réinjectez les résultats réels dans un processus connecté à des outils afin que l’étape suivante repose sur l’état modifié plutôt que sur la proposition précédente.
Pour le travail sur les performances, fournissez une charge de travail, une référence initiale et des mesures comme des durées, des profils ou des relevés d’allocation. Z.ai décrit des tâches d’entraînement portant sur le diagnostic des goulots d’étranglement, l’optimisation, les expériences et les résultats qui préservent l’exactitude. Une demande pratique est : « Utilise ce profil pour repérer le goulot d’étranglement le plus important, propose une modification mesurable et explique quel résultat justifierait de la conserver. » Distinguez une hypothèse sur les performances d’une amélioration mesurée. Conservez la même charge de travail et les conditions pertinentes lorsque vous examinez un résultat.
Cette version développe aussi la capacité d’analyse des vulnérabilités. Pour une revue défensive du code source, fournissez le code pertinent, ses frontières de confiance prévues et ses conditions d’exécution. Demandez un constat qui relie un problème présumé à l’entrée et au comportement touchés ainsi qu’à une correction ciblée. Séparez une faiblesse potentielle d’une défaillance reproduite et conservez l’observation utilisée pour la valider. Un rapport est plus utile lorsqu’il donne priorité aux preuves concrètes et aux corrections proposées plutôt que de traiter chaque motif suspect comme une vulnérabilité confirmée.
L’appel de fonctions permet à une application environnante d’exposer des opérations externes au modèle. Définissez l’objectif, les arguments et le résultat attendu de chaque outil, puis retournez l’observation réelle de l’outil pour l’étape suivante. Le modèle peut raisonner sur ce résultat et déterminer comment il modifie la tâche. Gardez distinctes les actions proposées, les opérations exécutées et les vérifications non résolues. Le fabricant documente aussi des réponses diffusées en continu, qui renvoient séparément les fragments de raisonnement et de réponse; assemblez la réponse terminée avant de la traiter comme le rapport final ou l’explication de code finale.
La fiche locale du modèle donne un détail précis sur le réglage de l’historique : son gabarit de clavardage conserve la réflexion par défaut, tandis que le fabricant recommande d’effacer explicitement l’ancienne réflexion pour les scénarios de clavardage ordinaires. Appliquez la structure de conversation appropriée au cas d’usage, en conservant les réponses réellement terminées et les résultats d’outils nécessaires à la poursuite du travail. Évitez de considérer les paramètres de raisonnement de GLM 5.2 ou des éditions distinctes GLM 5.3 Flash comme interchangeables avec les commandes low/high/max de ce modèle.
Pour les résultats structurés, précisez les champs, les types et les règles de source attendus. Un livrable utile pourrait être un tableau de défauts, un plan de modification ou un objet JSON résumant les observations. Validez la structure et les valeurs avant qu’une application les utilise. Le résultat final doit préciser la réponse ou le livrable révisé, les éléments de preuve qui l’appuient et les hypothèses restantes. Un effort de raisonnement accru n’établit pas qu’un outil a été exécuté, qu’un correctif proposé a réussi ses contrôles ou qu’une affirmation factuelle est appuyée au-delà du contenu fourni.
", "aboutText": "Z.ai GLM 5.3 est un modèle de raisonnement textuel à grande échelle conçu pour l’ingénierie logicielle complexe et le travail d’agents à long horizon. Le fabricant indique qu’il utilise le même modèle de base que GLM 5.2, les nouveaux gains provenant du post-entraînement. Cette version met l’accent sur une programmation renforcée, les opérations dans le terminal et des tâches plus larges comportant plusieurs étapes dépendantes. Il accepte du texte et produit du texte, notamment du code, des explications, des plans et des demandes d’appel d’outils dans une application connectée à des outils.\n\nLe mode de raisonnement documenté est toujours activé. GLM 5.3 propose trois niveaux d’effort : low, high et max, avec max comme valeur par défaut. Le fabricant recommande max pour les travaux de programmation complexes; low offre une option de raisonnement plus légère pour les étapes simples. Utilisez le niveau sélectionné avec un livrable final clair et des critères d’achèvement. Par exemple : « Examine ces fichiers et ces résultats d’échec, retrace la cause dans les modules touchés, propose une correction qui préserve l’interface publique et explique quels contrôles établissent que la régression est résolue. »\n\nLe fabricant précise une fenêtre de contexte de 1M jetons et une longueur de sortie maximale de 128K jetons. Organisez le contenu long autour de la relation que le modèle doit examiner. Préservez les noms de fichiers, les définitions pertinentes, les étiquettes des sources et l’ordre des observations, et laissez de l’espace pour le raisonnement et la réponse finale à l’intérieur du contexte de travail applicable. Une grande fenêtre est utile pour les dépendances entre modules ou pour une longue séquence d’observations d’agent; elle ne transforme pas une archive non ciblée de contenus sans rapport entre eux en une tâche bien définie.\n\nPour le travail sur un dépôt, fournissez le comportement attendu, le texte source pertinent, les versions des dépendances et la sortie d’erreur réelle. Demandez au modèle de préciser le comportement touché avant de proposer un correctif. Pour un remaniement, nommez l’interface et les invariants qui doivent rester intacts. Une réponse utile contient le code révisé, la raison pour laquelle la modification corrige le problème observé et les cas nécessaires pour vérifier le résultat. Réinjectez les résultats réels dans un processus connecté à des outils afin que l’étape suivante repose sur l’état modifié plutôt que sur la proposition précédente.\n\nPour le travail sur les performances, fournissez une charge de travail, une référence initiale et des mesures comme des durées, des profils ou des relevés d’allocation. Z.ai décrit des tâches d’entraînement portant sur le diagnostic des goulots d’étranglement, l’optimisation, les expériences et les résultats qui préservent l’exactitude. Une demande pratique est : « Utilise ce profil pour repérer le goulot d’étranglement le plus important, propose une modification mesurable et explique quel résultat justifierait de la conserver. » Distinguez une hypothèse sur les performances d’une amélioration mesurée. Conservez la même charge de travail et les conditions pertinentes lorsque vous examinez un résultat.\n\nCette version développe aussi la capacité d’analyse des vulnérabilités. Pour une revue défensive du code source, fournissez le code pertinent, ses frontières de confiance prévues et ses conditions d’exécution. Demandez un constat qui relie un problème présumé à l’entrée et au comportement touchés ainsi qu’à une correction ciblée. Séparez une faiblesse potentielle d’une défaillance reproduite et conservez l’observation utilisée pour la valider. Un rapport est plus utile lorsqu’il donne priorité aux preuves concrètes et aux corrections proposées plutôt que de traiter chaque motif suspect comme une vulnérabilité confirmée.\n\nL’appel de fonctions permet à une application environnante d’exposer des opérations externes au modèle. Définissez l’objectif, les arguments et le résultat attendu de chaque outil, puis retournez l’observation réelle de l’outil pour l’étape suivante. Le modèle peut raisonner sur ce résultat et déterminer comment il modifie la tâche. Gardez distinctes les actions proposées, les opérations exécutées et les vérifications non résolues. Le fabricant documente aussi des réponses diffusées en continu, qui renvoient séparément les fragments de raisonnement et de réponse; assemblez la réponse terminée avant de la traiter comme le rapport final ou l’explication de code finale.\n\nLa fiche locale du modèle donne un détail précis sur le réglage de l’historique : son gabarit de clavardage conserve la réflexion par défaut, tandis que le fabricant recommande d’effacer explicitement l’ancienne réflexion pour les scénarios de clavardage ordinaires. Appliquez la structure de conversation appropriée au cas d’usage, en conservant les réponses réellement terminées et les résultats d’outils nécessaires à la poursuite du travail. Évitez de considérer les paramètres de raisonnement de GLM 5.2 ou des éditions distinctes GLM 5.3 Flash comme interchangeables avec les commandes low/high/max de ce modèle.\n\nPour les résultats structurés, précisez les champs, les types et les règles de source attendus. Un livrable utile pourrait être un tableau de défauts, un plan de modification ou un objet JSON résumant les observations. Validez la structure et les valeurs avant qu’une application les utilise. Le résultat final doit préciser la réponse ou le livrable révisé, les éléments de preuve qui l’appuient et les hypothèses restantes. Un effort de raisonnement accru n’établit pas qu’un outil a été exécuté, qu’un correctif proposé a réussi ses contrôles ou qu’une affirmation factuelle est appuyée au-delà du contenu fourni.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "c2d3bc1e79fa9855148d6085549b2ceafedeac565e7bb79bb14399efde28f9eb", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "fr-ca", "methods": [ { "html": "z-ai/glm-5.3:batchZ.ai GLM 5.3 est un modèle de raisonnement textuel pour l’ingénierie logicielle complexe, le travail dans le terminal et les agents à long horizon. Il prend en charge un contexte de 1M jetons documenté par le fabricant, jusqu’à 128K jetons de sortie, l’appel de fonctions et les niveaux d’effort de raisonnement low/high/max, avec le raisonnement activé tout au long du traitement.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
Z.ai GLM 5.3 est un modèle de raisonnement textuel à grande échelle conçu pour l’ingénierie logicielle complexe et le travail d’agents à long horizon. Le fabricant indique qu’il utilise le même modèle de base que GLM 5.2, les nouveaux gains provenant du post-entraînement. Cette version met l’accent sur une programmation renforcée, les opérations dans le terminal et des tâches plus larges comportant plusieurs étapes dépendantes. Il accepte du texte et produit du texte, notamment du code, des explications, des plans et des demandes d’appel d’outils dans une application connectée à des outils.
Le mode de raisonnement documenté est toujours activé. GLM 5.3 propose trois niveaux d’effort : low, high et max, avec max comme valeur par défaut. Le fabricant recommande max pour les travaux de programmation complexes; low offre une option de raisonnement plus légère pour les étapes simples. Utilisez le niveau sélectionné avec un livrable final clair et des critères d’achèvement. Par exemple : « Examine ces fichiers et ces résultats d’échec, retrace la cause dans les modules touchés, propose une correction qui préserve l’interface publique et explique quels contrôles établissent que la régression est résolue. »
Le fabricant précise une fenêtre de contexte de 1M jetons et une longueur de sortie maximale de 128K jetons. Organisez le contenu long autour de la relation que le modèle doit examiner. Préservez les noms de fichiers, les définitions pertinentes, les étiquettes des sources et l’ordre des observations, et laissez de l’espace pour le raisonnement et la réponse finale à l’intérieur du contexte de travail applicable. Une grande fenêtre est utile pour les dépendances entre modules ou pour une longue séquence d’observations d’agent; elle ne transforme pas une archive non ciblée de contenus sans rapport entre eux en une tâche bien définie.
Pour le travail sur un dépôt, fournissez le comportement attendu, le texte source pertinent, les versions des dépendances et la sortie d’erreur réelle. Demandez au modèle de préciser le comportement touché avant de proposer un correctif. Pour un remaniement, nommez l’interface et les invariants qui doivent rester intacts. Une réponse utile contient le code révisé, la raison pour laquelle la modification corrige le problème observé et les cas nécessaires pour vérifier le résultat. Réinjectez les résultats réels dans un processus connecté à des outils afin que l’étape suivante repose sur l’état modifié plutôt que sur la proposition précédente.
Pour le travail sur les performances, fournissez une charge de travail, une référence initiale et des mesures comme des durées, des profils ou des relevés d’allocation. Z.ai décrit des tâches d’entraînement portant sur le diagnostic des goulots d’étranglement, l’optimisation, les expériences et les résultats qui préservent l’exactitude. Une demande pratique est : « Utilise ce profil pour repérer le goulot d’étranglement le plus important, propose une modification mesurable et explique quel résultat justifierait de la conserver. » Distinguez une hypothèse sur les performances d’une amélioration mesurée. Conservez la même charge de travail et les conditions pertinentes lorsque vous examinez un résultat.
Cette version développe aussi la capacité d’analyse des vulnérabilités. Pour une revue défensive du code source, fournissez le code pertinent, ses frontières de confiance prévues et ses conditions d’exécution. Demandez un constat qui relie un problème présumé à l’entrée et au comportement touchés ainsi qu’à une correction ciblée. Séparez une faiblesse potentielle d’une défaillance reproduite et conservez l’observation utilisée pour la valider. Un rapport est plus utile lorsqu’il donne priorité aux preuves concrètes et aux corrections proposées plutôt que de traiter chaque motif suspect comme une vulnérabilité confirmée.
L’appel de fonctions permet à une application environnante d’exposer des opérations externes au modèle. Définissez l’objectif, les arguments et le résultat attendu de chaque outil, puis retournez l’observation réelle de l’outil pour l’étape suivante. Le modèle peut raisonner sur ce résultat et déterminer comment il modifie la tâche. Gardez distinctes les actions proposées, les opérations exécutées et les vérifications non résolues. Le fabricant documente aussi des réponses diffusées en continu, qui renvoient séparément les fragments de raisonnement et de réponse; assemblez la réponse terminée avant de la traiter comme le rapport final ou l’explication de code finale.
La fiche locale du modèle donne un détail précis sur le réglage de l’historique : son gabarit de clavardage conserve la réflexion par défaut, tandis que le fabricant recommande d’effacer explicitement l’ancienne réflexion pour les scénarios de clavardage ordinaires. Appliquez la structure de conversation appropriée au cas d’usage, en conservant les réponses réellement terminées et les résultats d’outils nécessaires à la poursuite du travail. Évitez de considérer les paramètres de raisonnement de GLM 5.2 ou des éditions distinctes GLM 5.3 Flash comme interchangeables avec les commandes low/high/max de ce modèle.
Pour les résultats structurés, précisez les champs, les types et les règles de source attendus. Un livrable utile pourrait être un tableau de défauts, un plan de modification ou un objet JSON résumant les observations. Validez la structure et les valeurs avant qu’une application les utilise. Le résultat final doit préciser la réponse ou le livrable révisé, les éléments de preuve qui l’appuient et les hypothèses restantes. Un effort de raisonnement accru n’établit pas qu’un outil a été exécuté, qu’un correctif proposé a réussi ses contrôles ou qu’une affirmation factuelle est appuyée au-delà du contenu fourni.
POST /v1/batchestexttext| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champendpoint | Typestring | ExigenceObligatoire | Valeurs et limites /v1/chat/completions | Par défaut— |
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites z-ai/glm-5.3:batch | Par défaut— |
Champrequests | Typebatch_item[] | ExigenceObligatoire | Valeurs et limites Nombre minimal d’éléments: 1 | Par défaut— |
Champrequests[].custom_id | Typestring | ExigenceObligatoire | Valeurs et limites | Par défaut— |
Champrequests[].body.messages | Typemessage[] | ExigenceObligatoire | Valeurs et limites | Par défaut— |
Champcompletion_window | Typestring | ExigenceFacultatif | Valeurs et limites 24h | Par défaut— |
Champprovider | Typeobject|null | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champrequests[].body.model | Typestring | ExigenceFacultatif | Valeurs et limites z-ai/glm-5.3:batch, z-ai/glm-5.3 | Par défaut— |
Champprovider.only | Typestring[] | ExigenceFacultatif | Valeurs et limites deepinfra/fp4 | Par défaut— |
Champprovider.allow_fallbacks | Typeboolean|null | ExigenceFacultatif | Valeurs et limites false, null | Par défaut— |
| Paramètre | Contrat |
|---|---|
Paramètrecontent_type | Contratapplication/json |
Paramètrerequired | Contratendpoint, model, requests |
Paramètrematerial_types | Contrattext |
Paramètrerepresentation | Contratrequests[] intégré ; chaque élément comporte custom_id et body |
Paramètrerequest_endpoint_profile | Contrat/v1/chat/completions |
Paramètrefile_material | ContratL’appelant peut charger localement le contenu JSONL UTF-8 effectif dans requests[]. Aucun paramètre purpose de téléversement, input_file_id ni référence à un fichier n’est utilisé. Si les données du client sont absentes ou vides, la préparation s’arrête avant le POST. |
Paramètreserialization_order | Contratendpoint, model, provider (si fourni), completion_window (si fourni), requests en dernier |
Paramètreoptional_controls | Contratprovider.only, provider.allow_fallbacks, completion_window |
Paramètreschema_scope | ContratCorps de requêtes Chat Completions textuelles dans l’enveloppe Batch intégrée documentée. |
Cycle de vie : asynchronous
GET /v1/batches/{operation_id} · response.id effectivement renvoyé lors de la création d’origine ; même utilisateur, même clé et même groupe
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 $0.0009 / 1K jetons Sortie · Jetons en sortie $0.004 / 1K jetons Entrée · Lecture du cache $0.0002 / 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 $0.0009 / 1K jetons Sortie · Jetons en sortie $0.004 / 1K jetons Entrée · Lecture du cache $0.0002 / 1K jetons Entrée · Écriture dans le cache — / 1K jetons Entrée · Écriture dans le cache, 1 h — / 1K jetons |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json\nfrom pathlib import Path\nbody=json.loads('{"endpoint":"/v1/chat/completions","model":"z-ai/glm-5.3:batch","requests":[{"custom_id":"req-0001","body":{"messages":[{"role":"user","content":"Hello!"}],"max_tokens":16}}]}')\nPath("batch-request.json").write_text(json.dumps(body,ensure_ascii=False),encoding="utf-8")\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/batches \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @batch-request.json -D batch-response-headers.txt -o batch-create-response.json\nimport json, os\nfrom pathlib import Path\nfrom urllib.request import Request, urlopen\n\ndef prepare_requests(customer_path):\n path = Path(customer_path)\n if not path.is_file(): raise ValueError("Customer JSONL file is missing")\n items = [json.loads(line) for line in path.read_text(encoding="utf-8").splitlines() if line.strip()]\n if not items: raise ValueError("Customer JSONL contains no requests")\n ids = set()\n for item in items:\n if set(item) != {"custom_id", "body"}: raise ValueError("Each item needs custom_id and body")\n cid = item["custom_id"]\n if not isinstance(cid, str) or not cid.strip() or cid in ids: raise ValueError("custom_id must be nonempty and unique")\n ids.add(cid)\n if not isinstance(item["body"], dict) or not item["body"].get("messages"): raise ValueError("Supply actual text messages")\n supplied_model = item["body"].get("model")\n if supplied_model is not None and supplied_model not in ['z-ai/glm-5.3:batch', 'z-ai/glm-5.3']: raise ValueError("body.model must be an exact documented caller or wire ID")\n return {"endpoint":"/v1/chat/completions", "model":"z-ai/glm-5.3:batch", "requests":items}\n\nif __name__ == "__main__":\n material = os.environ.get("AILOOT_BATCH_REQUESTS_JSONL", "")\n if not material: raise SystemExit("Set AILOOT_BATCH_REQUESTS_JSONL to your actual customer file")\n body = prepare_requests(material)\n key = os.environ.get("AILOOT_API_KEY", "")\n if not key: raise SystemExit("Set AILOOT_API_KEY")\n request = Request("https://api.ailoot.ai/v1/batches", data=json.dumps(body, ensure_ascii=False).encode("utf-8"), headers={"Authorization":"Bearer " + key, "Content-Type":"application/json"}, method="POST")\n with urlopen(request) as response:\n raw = response.read()\n Path("batch-create-response.json").write_bytes(raw)\n print(raw.decode("utf-8"))\nimport json\nfrom pathlib import Path\nraw = Path("batch-status-response.json").read_bytes()\nresponse = json.loads(raw)\nif response.get("status") != "completed":\n raise SystemExit("Keep the original operation; read its status without resubmitting")\nresults = response.get("results")\nif not isinstance(results, list) or not results:\n raise SystemExit("Preserve the original response; completed results are missing")\nPath("batch-results.jsonl").write_text("".join(json.dumps(item, ensure_ascii=False) + "\\n" for item in results), encoding="utf-8")\n# Preserve batch-status-response.json with aggregate usage and every result/error.\nJSON results[].response.body intégré
GET /v1/batches/{operation_id}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\nBATCH_OPERATION_ID="$(python3 - <<'PY_ID'\nimport json\nfrom pathlib import Path\nfrom urllib.parse import quote\nresponse = json.loads(Path("batch-create-response.json").read_text(encoding="utf-8"))\noperation = response.get("id")\nif not isinstance(operation, str) or not operation: raise SystemExit("No actual original operation ID; preserve the response and do not resubmit")\nprint(quote(operation, safe=""))\nPY_ID\n)"\ncurl --fail-with-body --silent --show-error "https://api.ailoot.ai/v1/batches/$BATCH_OPERATION_ID" \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -o batch-status-response.json\nConservez chaque réponse, fichier et partie de contenu renvoyés dans leur intégralité.
Conservez l’intégralité du JSON de statut d’origine, chaque résultat/custom_id et le corps complet de la réponse ou de l’erreur. Enregistrez les results[] terminés au format JSONL sans filtrage.
Conservez l’identifiant de l’opération d’origine. La réponse 503 result_pending_check contient X-Should-Retry:false ; ne soumettez jamais à nouveau un lot d’origine dont l’issue est inconnue.
| Champ | Type |
|---|---|
Champresults[].custom_id | Typestring |
Champresults[].response.body.choices[].message.content | Typestring|null |
Champresults[].error | Typeobject|null |
Champusage | Typeobject|null |
Champid | Typestring |
Champmodel | Typestring |
Champendpoint | Typestring |
Champstatus | Typestring |
Champrequest_counts | Typeobject |
Champresults[].id | Typestring |
Champresults[].response.status_code | Typeinteger |
Champresults[].response.request_id | Typestring |
| Réponse | Condition | Étape suivante |
|---|---|---|
Réponse400 · invalid_request_error | ConditionEnveloppe intégrée documentée invalide, clés dupliquées, identité d’élément incorrecte ou conflit avec les capacités configurées du modèle. | Étape suivanteCorrigez les champs indiqués avant toute nouvelle soumission. |
Réponse401 · authentication_error | ConditionClé API invalide. | Étape suivanteUtilisez la clé Ailoot autorisée. |
Réponse403 · permission_error | ConditionGroupe de traitement par lots indisponible. | Étape suivanteVérifiez les droits d’accès de la clé/du groupe. |
Réponse422 · invalid_request_error | ConditionLe traitement par lots est facturé sur le solde ; la création via un abonnement est refusée. | Étape suivanteUtilisez le groupe autorisé dont la facturation est prélevée sur le solde. |
Réponse422 · price_unavailable | ConditionImpossible d’établir un devis pour les données d’entrée du traitement par lots. | Étape suivanteConservez la réponse ; utilisez les données d’entrée documentées pour cette famille. |
Réponse402 · billing_error | ConditionRéserve pour le traitement par lots indisponible. | Étape suivanteRésolvez le problème d’admission avant d’envoyer une nouvelle requête. |
Réponse503 · price_unavailable | ConditionPrix de la méthode Batch/tarifs natifs indisponibles. | Étape suivanteConservez la réponse ; ne remplacez pas les prix par d’autres. |
Réponse503 · api_error | ConditionRoute exacte du fournisseur indisponible. | Étape suivanteConservez la réponse pour réparer la route. |
Réponse503 · result_pending_check | ConditionLe résultat d’origine nécessite une vérification ; X-Should-Retry:false. | Étape suivanteConservez l’operation_id/id d’origine et consultez son statut ; ne répétez jamais le POST d’origine. |
Réponse404 · not_found | ConditionOpération de suivi du traitement par lots absente ou appartenant à une autre identité. | Étape suivanteUtilisez l’id exact d’origine avec le même utilisateur, la même clé et le même groupe. |
Ailoot Ultra z-ai/glm-5.3:batch
Utilisez les chemins de méthode indiqués ci-dessus.