Z.ai GLM 5.3 est un modèle de raisonnement textuel à grande échelle conçu pour l’ingénierie logicielle complexe et le travail des agents sur de longues séquences. Le fabricant indique qu’il utilise le même modèle de base que GLM 5.2, les nouveaux gains venant du post-entraînement. La version se concentre sur une programmation renforcée, les opérations en terminal et les 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 par défaut. Le fabricant recommande max pour la programmation complexe ; low offre une option de raisonnement plus légère pour les étapes simples. Associez le niveau choisi à un livrable final clair et à des critères d’achèvement. Par exemple : « Examinez ces fichiers et les résultats en échec, retracez la cause dans les modules concernés, proposez une correction qui préserve l’interface publique et expliquez quels contrôles établissent que la régression est résolue. »
Le fabricant précise une fenêtre de contexte de 1M tokens et une longueur de sortie maximale de 128K tokens. Organisez les éléments longs autour de la relation que le modèle doit étudier. Préservez les noms de fichiers, les définitions pertinentes, les libellés des sources et l’ordre des observations, et laissez de la place au raisonnement et à la réponse finale dans le contexte de travail applicable. Une grande fenêtre est utile pour les dépendances entre modules ou une longue séquence d’observations d’agent ; elle ne transforme pas une archive non ciblée d’éléments sans lien en tâche bien définie.
Pour travailler sur un dépôt, fournissez le comportement attendu, le texte source pertinent, les versions des dépendances et la sortie d’erreur réelle. Demandez au modèle d’identifier le comportement concerné avant de proposer un correctif. Pour une refactorisation, nommez l’interface et les invariants qui doivent rester intacts. Une réponse utile contient le code révisé, la raison pour laquelle la modification traite le problème observé et les cas nécessaires pour vérifier le résultat. Réinjectez les résultats réels dans un processus connecté aux outils afin que l’étape suivante repose sur l’état modifié plutôt que sur la proposition antérieure.
Pour un travail de performance, fournissez une charge de travail, une référence et des mesures telles que des durées, des profils ou des relevés d’allocation. Z.ai décrit des tâches d’entraînement portant sur le diagnostic de goulots d’étranglement, l’optimisation, les expériences et les résultats préservant la validité du comportement. Une requête pratique est : « Utilisez ce profil pour identifier le goulot d’étranglement le plus important, proposez une modification mesurable et expliquez quel résultat justifierait de la conserver. » Distinguez une hypothèse de performance d’une amélioration constatée. Conservez la même charge de travail et les conditions pertinentes lors de l’examen d’un résultat.
La 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 les conditions d’exécution. Demandez un constat reliant un problème suspecté à l’entrée concernée, au comportement et à une correction ciblée. Distinguez une faiblesse potentielle d’un défaut reproduit et conservez l’observation utilisée pour la valider. Un rapport est plus utile lorsqu’il donne la priorité aux éléments concrets et aux corrections proposées, au lieu 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 renvoyez l’observation réelle de l’outil pour l’étape suivante. Le modèle peut raisonner sur ce résultat et déterminer comment il modifie la tâche. Distinguez les actions proposées, les opérations exécutées et les contrôles non résolus. Le fabricant documente aussi les réponses diffusées en continu, qui renvoient séparément les fragments de raisonnement et de réponse ; assemblez la réponse achevée avant de la considérer comme le rapport final ou l’explication du code.
La fiche du modèle local fournit un détail précis sur le réglage de l’historique : son gabarit de conversation conserve le raisonnement par défaut, tandis que le fabricant recommande d’effacer explicitement l’ancien raisonnement dans les scénarios de conversation ordinaires. Appliquez la structure de conversation adaptée au cas d’usage, en préservant les réponses réellement achevées et les résultats d’outils nécessaires à la poursuite. Évitez de considérer les réglages de raisonnement de GLM 5.2 ou des éditions distinctes GLM 5.3 Flash comme interchangeables avec les réglages low/high/max de ce modèle.
Pour des résultats structurés, précisez les champs attendus, les types et les règles relatives aux sources. Un livrable utile peut 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 identifier la réponse ou le livrable révisé, les éléments qui l’étayent et les hypothèses restantes. Un effort de raisonnement accru n’établit pas qu’un outil a été exécuté, qu’un correctif proposé a passé ses contrôles ou qu’une affirmation factuelle est étayée au-delà des éléments fournis.
", "aboutText": "Z.ai GLM 5.3 est un modèle de raisonnement textuel à grande échelle conçu pour l’ingénierie logicielle complexe et le travail des agents sur de longues séquences. Le fabricant indique qu’il utilise le même modèle de base que GLM 5.2, les nouveaux gains venant du post-entraînement. La version se concentre sur une programmation renforcée, les opérations en terminal et les 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 par défaut. Le fabricant recommande max pour la programmation complexe ; low offre une option de raisonnement plus légère pour les étapes simples. Associez le niveau choisi à un livrable final clair et à des critères d’achèvement. Par exemple : « Examinez ces fichiers et les résultats en échec, retracez la cause dans les modules concernés, proposez une correction qui préserve l’interface publique et expliquez quels contrôles établissent que la régression est résolue. »\n\nLe fabricant précise une fenêtre de contexte de 1M tokens et une longueur de sortie maximale de 128K tokens. Organisez les éléments longs autour de la relation que le modèle doit étudier. Préservez les noms de fichiers, les définitions pertinentes, les libellés des sources et l’ordre des observations, et laissez de la place au raisonnement et à la réponse finale dans le contexte de travail applicable. Une grande fenêtre est utile pour les dépendances entre modules ou une longue séquence d’observations d’agent ; elle ne transforme pas une archive non ciblée d’éléments sans lien en tâche bien définie.\n\nPour travailler sur un dépôt, fournissez le comportement attendu, le texte source pertinent, les versions des dépendances et la sortie d’erreur réelle. Demandez au modèle d’identifier le comportement concerné avant de proposer un correctif. Pour une refactorisation, nommez l’interface et les invariants qui doivent rester intacts. Une réponse utile contient le code révisé, la raison pour laquelle la modification traite le problème observé et les cas nécessaires pour vérifier le résultat. Réinjectez les résultats réels dans un processus connecté aux outils afin que l’étape suivante repose sur l’état modifié plutôt que sur la proposition antérieure.\n\nPour un travail de performance, fournissez une charge de travail, une référence et des mesures telles que des durées, des profils ou des relevés d’allocation. Z.ai décrit des tâches d’entraînement portant sur le diagnostic de goulots d’étranglement, l’optimisation, les expériences et les résultats préservant la validité du comportement. Une requête pratique est : « Utilisez ce profil pour identifier le goulot d’étranglement le plus important, proposez une modification mesurable et expliquez quel résultat justifierait de la conserver. » Distinguez une hypothèse de performance d’une amélioration constatée. Conservez la même charge de travail et les conditions pertinentes lors de l’examen d’un résultat.\n\nLa 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 les conditions d’exécution. Demandez un constat reliant un problème suspecté à l’entrée concernée, au comportement et à une correction ciblée. Distinguez une faiblesse potentielle d’un défaut reproduit et conservez l’observation utilisée pour la valider. Un rapport est plus utile lorsqu’il donne la priorité aux éléments concrets et aux corrections proposées, au lieu 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 renvoyez l’observation réelle de l’outil pour l’étape suivante. Le modèle peut raisonner sur ce résultat et déterminer comment il modifie la tâche. Distinguez les actions proposées, les opérations exécutées et les contrôles non résolus. Le fabricant documente aussi les réponses diffusées en continu, qui renvoient séparément les fragments de raisonnement et de réponse ; assemblez la réponse achevée avant de la considérer comme le rapport final ou l’explication du code.\n\nLa fiche du modèle local fournit un détail précis sur le réglage de l’historique : son gabarit de conversation conserve le raisonnement par défaut, tandis que le fabricant recommande d’effacer explicitement l’ancien raisonnement dans les scénarios de conversation ordinaires. Appliquez la structure de conversation adaptée au cas d’usage, en préservant les réponses réellement achevées et les résultats d’outils nécessaires à la poursuite. Évitez de considérer les réglages de raisonnement de GLM 5.2 ou des éditions distinctes GLM 5.3 Flash comme interchangeables avec les réglages low/high/max de ce modèle.\n\nPour des résultats structurés, précisez les champs attendus, les types et les règles relatives aux sources. Un livrable utile peut 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 identifier la réponse ou le livrable révisé, les éléments qui l’étayent et les hypothèses restantes. Un effort de raisonnement accru n’établit pas qu’un outil a été exécuté, qu’un correctif proposé a passé ses contrôles ou qu’une affirmation factuelle est étayée au-delà des éléments fournis.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "2708285a05ef52356e2cbbdda4c04325416ded65ff214ac3f0802aa9330e316e", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "fr-ch", "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 en terminal et les agents sur de longues séquences. Il prend en charge un contexte de 1M tokens documenté par le fabricant, jusqu’à 128K tokens de sortie, l’appel de fonctions et les niveaux d’effort de raisonnement low/high/max, avec le raisonnement activé en permanence.
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 des agents sur de longues séquences. Le fabricant indique qu’il utilise le même modèle de base que GLM 5.2, les nouveaux gains venant du post-entraînement. La version se concentre sur une programmation renforcée, les opérations en terminal et les 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 par défaut. Le fabricant recommande max pour la programmation complexe ; low offre une option de raisonnement plus légère pour les étapes simples. Associez le niveau choisi à un livrable final clair et à des critères d’achèvement. Par exemple : « Examinez ces fichiers et les résultats en échec, retracez la cause dans les modules concernés, proposez une correction qui préserve l’interface publique et expliquez quels contrôles établissent que la régression est résolue. »
Le fabricant précise une fenêtre de contexte de 1M tokens et une longueur de sortie maximale de 128K tokens. Organisez les éléments longs autour de la relation que le modèle doit étudier. Préservez les noms de fichiers, les définitions pertinentes, les libellés des sources et l’ordre des observations, et laissez de la place au raisonnement et à la réponse finale dans le contexte de travail applicable. Une grande fenêtre est utile pour les dépendances entre modules ou une longue séquence d’observations d’agent ; elle ne transforme pas une archive non ciblée d’éléments sans lien en tâche bien définie.
Pour travailler sur un dépôt, fournissez le comportement attendu, le texte source pertinent, les versions des dépendances et la sortie d’erreur réelle. Demandez au modèle d’identifier le comportement concerné avant de proposer un correctif. Pour une refactorisation, nommez l’interface et les invariants qui doivent rester intacts. Une réponse utile contient le code révisé, la raison pour laquelle la modification traite le problème observé et les cas nécessaires pour vérifier le résultat. Réinjectez les résultats réels dans un processus connecté aux outils afin que l’étape suivante repose sur l’état modifié plutôt que sur la proposition antérieure.
Pour un travail de performance, fournissez une charge de travail, une référence et des mesures telles que des durées, des profils ou des relevés d’allocation. Z.ai décrit des tâches d’entraînement portant sur le diagnostic de goulots d’étranglement, l’optimisation, les expériences et les résultats préservant la validité du comportement. Une requête pratique est : « Utilisez ce profil pour identifier le goulot d’étranglement le plus important, proposez une modification mesurable et expliquez quel résultat justifierait de la conserver. » Distinguez une hypothèse de performance d’une amélioration constatée. Conservez la même charge de travail et les conditions pertinentes lors de l’examen d’un résultat.
La 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 les conditions d’exécution. Demandez un constat reliant un problème suspecté à l’entrée concernée, au comportement et à une correction ciblée. Distinguez une faiblesse potentielle d’un défaut reproduit et conservez l’observation utilisée pour la valider. Un rapport est plus utile lorsqu’il donne la priorité aux éléments concrets et aux corrections proposées, au lieu 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 renvoyez l’observation réelle de l’outil pour l’étape suivante. Le modèle peut raisonner sur ce résultat et déterminer comment il modifie la tâche. Distinguez les actions proposées, les opérations exécutées et les contrôles non résolus. Le fabricant documente aussi les réponses diffusées en continu, qui renvoient séparément les fragments de raisonnement et de réponse ; assemblez la réponse achevée avant de la considérer comme le rapport final ou l’explication du code.
La fiche du modèle local fournit un détail précis sur le réglage de l’historique : son gabarit de conversation conserve le raisonnement par défaut, tandis que le fabricant recommande d’effacer explicitement l’ancien raisonnement dans les scénarios de conversation ordinaires. Appliquez la structure de conversation adaptée au cas d’usage, en préservant les réponses réellement achevées et les résultats d’outils nécessaires à la poursuite. Évitez de considérer les réglages de raisonnement de GLM 5.2 ou des éditions distinctes GLM 5.3 Flash comme interchangeables avec les réglages low/high/max de ce modèle.
Pour des résultats structurés, précisez les champs attendus, les types et les règles relatives aux sources. Un livrable utile peut 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 identifier la réponse ou le livrable révisé, les éléments qui l’étayent et les hypothèses restantes. Un effort de raisonnement accru n’établit pas qu’un outil a été exécuté, qu’un correctif proposé a passé ses contrôles ou qu’une affirmation factuelle est étayée au-delà des éléments fournis.
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 | Tokens de contexte, plus de | Tokens de contexte, jusqu’à la limite incluse | Coût |
|---|---|---|---|---|
| ConfigurationTarifs de base des tokens | Barème tarifaireTarif de base | Tokens de contexte, plus de— | Tokens de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Tokens en entrée $0.0009 / 1K tokens Sortie · Tokens en sortie $0.004 / 1K tokens Entrée · Lecture du cache $0.0002 / 1K tokens Entrée · Écriture dans le cache — / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
| ConfigurationPalier 1 de longueur de requête | Barème tarifaire— | Tokens de contexte, plus de0 | Tokens de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Tokens en entrée $0.0009 / 1K tokens Sortie · Tokens en sortie $0.004 / 1K tokens Entrée · Lecture du cache $0.0002 / 1K tokens Entrée · Écriture dans le cache — / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
set -eu\n: "${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 suivanteRéglez les conditions d’admission avant une nouvelle requête. |
Réponse503 · price_unavailable | ConditionPrix de la méthode Batch/tarifs natifs indisponibles. | Étape suivanteConservez la réponse ; ne substituez pas d’autres prix. |
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.