GLM-4-AirX est le membre à haute vitesse de la gamme GLM-4 Air de Z.ai. Le fabricant le positionne pour une faible latence et des tâches applicatives concurrentes, en insistant sur le suivi des instructions, le code d'ingénierie et les appels de fonctions. Le modèle reçoit et retourne du texte. Son propre profil indique une fenêtre de contexte de 8K tokens et une sortie maximale de 4K tokens. Ces valeurs sont distinctes du contexte plus vaste annoncé pour GLM-4-Air-250414 ; AirX conserve son profil publié propre.
Pour un assistant interactif, cela invite à des demandes ciblées : expliquer une fonction, classer un message, extraire les champs d'un paragraphe fourni ou transformer une instruction technique en réponse concise. Fournissez ensemble l'extrait pertinent, la question actuelle et le résultat souhaité. Gardez l'intégralité de la conversation et les observations des outils dans le contexte actif au lieu de supposer qu'un vaste corpus de référence y tiendra.
La description GLM-4 mentionne texte en streaming, appels de fonctions, cache du contexte, formats structurés tels que JSON et intégration avec outils et sources de données MCP. Le streaming présente la réponse à mesure qu'elle est générée, pour qu'une application affiche du texte utile avant la réception de la réponse complète. Il change la livraison, pas la modalité d'entrée ou de sortie du modèle.
Les appels de fonctions permettent au modèle de proposer une action parmi les fonctions décrites par l'application. Celle-ci réalise l'action et retourne l'observation. Un cycle adapté est une petite consultation suivie d'une explication concise des données retournées. L'intégration MCP dépend également des outils et données fournis par l'application. Le cache du contexte concerne la réutilisation des entrées répétées ; il ne signifie pas que chaque conversation répétée ait bénéficié d'un accès au cache.
Pour un résultat JSON, indiquez les champs et leur signification avant de fournir le contenu. Par exemple, donnez une demande technique et demandez sa catégorie, l'action requise et les questions sans réponse. La structure obtenue est utile à l'étape applicative suivante, mais les valeurs doivent toujours être vérifiées dans le texte fourni.
Le fabricant inclut traduction, classification sémantique, extraction de champs documentaires, rédaction marketing, rapports analytiques et planification d'itinéraires parmi les applications GLM-4. Le profil plus court d'AirX favorise l'étape immédiate de ces processus. Une demande de traduction peut fournir un court passage, un public et une terminologie ; la sortie est un passage réécrit conservant les noms requis. Une demande de classification peut donner les libellés autorisés et leurs définitions plutôt que demander un jugement non précisé.
Pour l'extraction, définissez les identifiants et autres champs requis et n'incluez que le passage pertinent. Pour la rédaction, fournissez les faits du produit et un seul livrable, comme un paragraphe produit ou une phrase de campagne. Pour un rapport ou itinéraire, transmettez les faits et contraintes pertinents pour l'étape actuelle. Si des informations récentes sont nécessaires, l'outil de recherche ou de données de l'application les fournit ; le modèle travaille ensuite sur ces éléments retournés.
AirX est présenté comme pré-entraîné sur 15 billions de tokens, dont une quantité importante de contenus de raisonnement synthétiques. Son post-entraînement utilise alignement sur les préférences de dialogue, échantillonnage par rejet et apprentissage par renforcement pour améliorer instructions, code d'ingénierie et usage des fonctions. Le fabricant le présente comme une variante plus rapide de GLM-4-Air-250414, avec des modifications des composants sous-jacents de préremplissage du prompt et décodage autorégressif. Cela décrit la conception du fabricant, pas une latence mesurée ou une garantie de concurrence pour un déploiement donné.
Confiez à AirX une tâche délimitée et un livrable attendu compact. Pour le code, incluez la fonction, les valeurs d'entrée pertinentes et le comportement requis, puis demandez un fragment corrigé et son explication. Pour l'extraction structurée, placez les définitions des champs avant le passage et demandez de signaler explicitement les informations absentes. Dimensionnez le résultat dans le profil de sortie publié de 4K ; divisez un grand rapport en tâches ciblées plutôt que d'attendre un document sans limite d'une seule réponse.
", "aboutText": "### Présentation et profil du modèle\n\nGLM-4-AirX est le membre à haute vitesse de la gamme GLM-4 Air de Z.ai. Le fabricant le positionne pour une faible latence et des tâches applicatives concurrentes, en insistant sur le suivi des instructions, le code d'ingénierie et les appels de fonctions. Le modèle reçoit et retourne du texte. Son propre profil indique une fenêtre de contexte de 8K tokens et une sortie maximale de 4K tokens. Ces valeurs sont distinctes du contexte plus vaste annoncé pour GLM-4-Air-250414 ; AirX conserve son profil publié propre.\n\nPour un assistant interactif, cela invite à des demandes ciblées : expliquer une fonction, classer un message, extraire les champs d'un paragraphe fourni ou transformer une instruction technique en réponse concise. Fournissez ensemble l'extrait pertinent, la question actuelle et le résultat souhaité. Gardez l'intégralité de la conversation et les observations des outils dans le contexte actif au lieu de supposer qu'un vaste corpus de référence y tiendra.\n\n### Capacités prises en charge\n\nLa description GLM-4 mentionne texte en streaming, appels de fonctions, cache du contexte, formats structurés tels que JSON et intégration avec outils et sources de données MCP. Le streaming présente la réponse à mesure qu'elle est générée, pour qu'une application affiche du texte utile avant la réception de la réponse complète. Il change la livraison, pas la modalité d'entrée ou de sortie du modèle.\n\nLes appels de fonctions permettent au modèle de proposer une action parmi les fonctions décrites par l'application. Celle-ci réalise l'action et retourne l'observation. Un cycle adapté est une petite consultation suivie d'une explication concise des données retournées. L'intégration MCP dépend également des outils et données fournis par l'application. Le cache du contexte concerne la réutilisation des entrées répétées ; il ne signifie pas que chaque conversation répétée ait bénéficié d'un accès au cache.\n\nPour un résultat JSON, indiquez les champs et leur signification avant de fournir le contenu. Par exemple, donnez une demande technique et demandez sa catégorie, l'action requise et les questions sans réponse. La structure obtenue est utile à l'étape applicative suivante, mais les valeurs doivent toujours être vérifiées dans le texte fourni.\n\n### Scénarios recommandés\n\nLe fabricant inclut traduction, classification sémantique, extraction de champs documentaires, rédaction marketing, rapports analytiques et planification d'itinéraires parmi les applications GLM-4. Le profil plus court d'AirX favorise l'étape immédiate de ces processus. Une demande de traduction peut fournir un court passage, un public et une terminologie ; la sortie est un passage réécrit conservant les noms requis. Une demande de classification peut donner les libellés autorisés et leurs définitions plutôt que demander un jugement non précisé.\n\nPour l'extraction, définissez les identifiants et autres champs requis et n'incluez que le passage pertinent. Pour la rédaction, fournissez les faits du produit et un seul livrable, comme un paragraphe produit ou une phrase de campagne. Pour un rapport ou itinéraire, transmettez les faits et contraintes pertinents pour l'étape actuelle. Si des informations récentes sont nécessaires, l'outil de recherche ou de données de l'application les fournit ; le modèle travaille ensuite sur ces éléments retournés.\n\n### Préparation détaillée et priorité à la vitesse\n\nAirX est présenté comme pré-entraîné sur 15 billions de tokens, dont une quantité importante de contenus de raisonnement synthétiques. Son post-entraînement utilise alignement sur les préférences de dialogue, échantillonnage par rejet et apprentissage par renforcement pour améliorer instructions, code d'ingénierie et usage des fonctions. Le fabricant le présente comme une variante plus rapide de GLM-4-Air-250414, avec des modifications des composants sous-jacents de préremplissage du prompt et décodage autorégressif. Cela décrit la conception du fabricant, pas une latence mesurée ou une garantie de concurrence pour un déploiement donné.\n\n### Préparer une demande utile\n\nConfiez à AirX une tâche délimitée et un livrable attendu compact. Pour le code, incluez la fonction, les valeurs d'entrée pertinentes et le comportement requis, puis demandez un fragment corrigé et son explication. Pour l'extraction structurée, placez les définitions des champs avant le passage et demandez de signaler explicitement les informations absentes. Dimensionnez le résultat dans le profil de sortie publié de 4K ; divisez un grand rapport en tâches ciblées plutôt que d'attendre un document sans limite d'une seule réponse.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "964023e66af0e3ca08ce7452f12a917165f67a28e75f13412d60e104e4fba6ed", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "fr", "methods": [ { "html": "glm-4-airxGLM-4-AirX est le modèle textuel de Z.ai axé sur la vitesse pour le dialogue à faible latence, la programmation et les processus assistés par des outils. Son profil publié spécifie un contexte de 8K et jusqu'à 4K de sortie, adaptés aux tâches ciblées avec des résultats concis et structurés.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
GLM-4-AirX est le membre à haute vitesse de la gamme GLM-4 Air de Z.ai. Le fabricant le positionne pour une faible latence et des tâches applicatives concurrentes, en insistant sur le suivi des instructions, le code d'ingénierie et les appels de fonctions. Le modèle reçoit et retourne du texte. Son propre profil indique une fenêtre de contexte de 8K tokens et une sortie maximale de 4K tokens. Ces valeurs sont distinctes du contexte plus vaste annoncé pour GLM-4-Air-250414 ; AirX conserve son profil publié propre.
Pour un assistant interactif, cela invite à des demandes ciblées : expliquer une fonction, classer un message, extraire les champs d'un paragraphe fourni ou transformer une instruction technique en réponse concise. Fournissez ensemble l'extrait pertinent, la question actuelle et le résultat souhaité. Gardez l'intégralité de la conversation et les observations des outils dans le contexte actif au lieu de supposer qu'un vaste corpus de référence y tiendra.
La description GLM-4 mentionne texte en streaming, appels de fonctions, cache du contexte, formats structurés tels que JSON et intégration avec outils et sources de données MCP. Le streaming présente la réponse à mesure qu'elle est générée, pour qu'une application affiche du texte utile avant la réception de la réponse complète. Il change la livraison, pas la modalité d'entrée ou de sortie du modèle.
Les appels de fonctions permettent au modèle de proposer une action parmi les fonctions décrites par l'application. Celle-ci réalise l'action et retourne l'observation. Un cycle adapté est une petite consultation suivie d'une explication concise des données retournées. L'intégration MCP dépend également des outils et données fournis par l'application. Le cache du contexte concerne la réutilisation des entrées répétées ; il ne signifie pas que chaque conversation répétée ait bénéficié d'un accès au cache.
Pour un résultat JSON, indiquez les champs et leur signification avant de fournir le contenu. Par exemple, donnez une demande technique et demandez sa catégorie, l'action requise et les questions sans réponse. La structure obtenue est utile à l'étape applicative suivante, mais les valeurs doivent toujours être vérifiées dans le texte fourni.
Le fabricant inclut traduction, classification sémantique, extraction de champs documentaires, rédaction marketing, rapports analytiques et planification d'itinéraires parmi les applications GLM-4. Le profil plus court d'AirX favorise l'étape immédiate de ces processus. Une demande de traduction peut fournir un court passage, un public et une terminologie ; la sortie est un passage réécrit conservant les noms requis. Une demande de classification peut donner les libellés autorisés et leurs définitions plutôt que demander un jugement non précisé.
Pour l'extraction, définissez les identifiants et autres champs requis et n'incluez que le passage pertinent. Pour la rédaction, fournissez les faits du produit et un seul livrable, comme un paragraphe produit ou une phrase de campagne. Pour un rapport ou itinéraire, transmettez les faits et contraintes pertinents pour l'étape actuelle. Si des informations récentes sont nécessaires, l'outil de recherche ou de données de l'application les fournit ; le modèle travaille ensuite sur ces éléments retournés.
AirX est présenté comme pré-entraîné sur 15 billions de tokens, dont une quantité importante de contenus de raisonnement synthétiques. Son post-entraînement utilise alignement sur les préférences de dialogue, échantillonnage par rejet et apprentissage par renforcement pour améliorer instructions, code d'ingénierie et usage des fonctions. Le fabricant le présente comme une variante plus rapide de GLM-4-Air-250414, avec des modifications des composants sous-jacents de préremplissage du prompt et décodage autorégressif. Cela décrit la conception du fabricant, pas une latence mesurée ou une garantie de concurrence pour un déploiement donné.
Confiez à AirX une tâche délimitée et un livrable attendu compact. Pour le code, incluez la fonction, les valeurs d'entrée pertinentes et le comportement requis, puis demandez un fragment corrigé et son explication. Pour l'extraction structurée, placez les définitions des champs avant le passage et demandez de signaler explicitement les informations absentes. Dimensionnez le résultat dans le profil de sortie publié de 4K ; divisez un grand rapport en tâches ciblées plutôt que d'attendre un document sans limite d'une seule réponse.
POST /v1/chat/completionstexttext| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites glm-4-airx | Par défaut— |
Champmessages | Typemessage[] | ExigenceObligatoire | Valeurs et limites Nombre minimal d’éléments: 1 | Par défaut— |
Champmessages[].role | Typestring | ExigenceObligatoire | Valeurs et limites Selon le modèle | Par défaut— |
Champmessages[].content | Typestring | ExigenceFacultatif | Valeurs et limites S’applique lorsque: Conversation textuelle | Par défaut— |
Champstream | Typeboolean | ExigenceFacultatif | Valeurs et limites | Par défautfalse |
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 sous forme de texte littéral ; aucun identifiant de fichier déduit |
Paramètreoptional_controls | Contratstream |
Paramètrecontrol_scope | ContratConversation textuelle ; stream est un booléen dont la valeur par défaut est false. |
Paramètreoutput_modalities | Contrattext |
Paramètrehosted_operations | Contratfalse |
Paramètremultimodal_input_binding | Contratnull |
Alias de méthode : /chat/completions
Cycle de vie : synchronous_or_streamed
Envoyez l’identifiant 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/objets 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 | 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 $0.0028 / 1K tokens Sortie · Tokens en sortie $0.0028 / 1K tokens Entrée · Lecture du cache — / 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 $0.0028 / 1K tokens Sortie · Tokens en sortie $0.0028 / 1K tokens Entrée · Lecture du cache — / 1K tokens Entrée · Écriture dans le cache — / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model":"glm-4-airx","messages":[{"role":"user","content":"hello"}],"stream":false}')\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="glm-4-airx", messages=[{"role":"user","content":"hello"}], stream=False)\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"))\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, puis conservez le motif final de terminaison et les données d’utilisation.
Conservez les identifiants de requête et de réponse ainsi que les en-têtes. Aucune URL générique de récupération des tâches textuelles 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 contenus ou valeur de paramètre non valides | Étape suivanteCorrigez les champs indiqués avant une nouvelle requête de création. |
Ailoot Ultra glm-4-airx
/chat/completions
glm-4-airxGLM-4-AirX est le modèle textuel de Z.ai axé sur la vitesse pour le dialogue à faible latence, la programmation et les processus assistés par des outils. Son profil publié spécifie un contexte de 8K et jusqu'à 4K de sortie, adaptés aux tâches ciblées avec des résultats concis et structurés.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
GLM-4-AirX est le membre à haute vitesse de la gamme GLM-4 Air de Z.ai. Le fabricant le positionne pour une faible latence et des tâches applicatives concurrentes, en insistant sur le suivi des instructions, le code d'ingénierie et les appels de fonctions. Le modèle reçoit et retourne du texte. Son propre profil indique une fenêtre de contexte de 8K tokens et une sortie maximale de 4K tokens. Ces valeurs sont distinctes du contexte plus vaste annoncé pour GLM-4-Air-250414 ; AirX conserve son profil publié propre.
Pour un assistant interactif, cela invite à des demandes ciblées : expliquer une fonction, classer un message, extraire les champs d'un paragraphe fourni ou transformer une instruction technique en réponse concise. Fournissez ensemble l'extrait pertinent, la question actuelle et le résultat souhaité. Gardez l'intégralité de la conversation et les observations des outils dans le contexte actif au lieu de supposer qu'un vaste corpus de référence y tiendra.
La description GLM-4 mentionne texte en streaming, appels de fonctions, cache du contexte, formats structurés tels que JSON et intégration avec outils et sources de données MCP. Le streaming présente la réponse à mesure qu'elle est générée, pour qu'une application affiche du texte utile avant la réception de la réponse complète. Il change la livraison, pas la modalité d'entrée ou de sortie du modèle.
Les appels de fonctions permettent au modèle de proposer une action parmi les fonctions décrites par l'application. Celle-ci réalise l'action et retourne l'observation. Un cycle adapté est une petite consultation suivie d'une explication concise des données retournées. L'intégration MCP dépend également des outils et données fournis par l'application. Le cache du contexte concerne la réutilisation des entrées répétées ; il ne signifie pas que chaque conversation répétée ait bénéficié d'un accès au cache.
Pour un résultat JSON, indiquez les champs et leur signification avant de fournir le contenu. Par exemple, donnez une demande technique et demandez sa catégorie, l'action requise et les questions sans réponse. La structure obtenue est utile à l'étape applicative suivante, mais les valeurs doivent toujours être vérifiées dans le texte fourni.
Le fabricant inclut traduction, classification sémantique, extraction de champs documentaires, rédaction marketing, rapports analytiques et planification d'itinéraires parmi les applications GLM-4. Le profil plus court d'AirX favorise l'étape immédiate de ces processus. Une demande de traduction peut fournir un court passage, un public et une terminologie ; la sortie est un passage réécrit conservant les noms requis. Une demande de classification peut donner les libellés autorisés et leurs définitions plutôt que demander un jugement non précisé.
Pour l'extraction, définissez les identifiants et autres champs requis et n'incluez que le passage pertinent. Pour la rédaction, fournissez les faits du produit et un seul livrable, comme un paragraphe produit ou une phrase de campagne. Pour un rapport ou itinéraire, transmettez les faits et contraintes pertinents pour l'étape actuelle. Si des informations récentes sont nécessaires, l'outil de recherche ou de données de l'application les fournit ; le modèle travaille ensuite sur ces éléments retournés.
AirX est présenté comme pré-entraîné sur 15 billions de tokens, dont une quantité importante de contenus de raisonnement synthétiques. Son post-entraînement utilise alignement sur les préférences de dialogue, échantillonnage par rejet et apprentissage par renforcement pour améliorer instructions, code d'ingénierie et usage des fonctions. Le fabricant le présente comme une variante plus rapide de GLM-4-Air-250414, avec des modifications des composants sous-jacents de préremplissage du prompt et décodage autorégressif. Cela décrit la conception du fabricant, pas une latence mesurée ou une garantie de concurrence pour un déploiement donné.
Confiez à AirX une tâche délimitée et un livrable attendu compact. Pour le code, incluez la fonction, les valeurs d'entrée pertinentes et le comportement requis, puis demandez un fragment corrigé et son explication. Pour l'extraction structurée, placez les définitions des champs avant le passage et demandez de signaler explicitement les informations absentes. Dimensionnez le résultat dans le profil de sortie publié de 4K ; divisez un grand rapport en tâches ciblées plutôt que d'attendre un document sans limite d'une seule réponse.
POST /v1/messagestextjson, sse| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites glm-4-airx | 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 | 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 $0.0028 / 1K tokens Sortie · Tokens en sortie $0.0028 / 1K tokens Entrée · Lecture du cache — / 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 $0.0028 / 1K tokens Sortie · Tokens en sortie $0.0028 / 1K tokens Entrée · Lecture du cache — / 1K tokens Entrée · Écriture dans le cache — / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
{\n "model": "glm-4-airx",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'glm-4-airx', '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': 'glm-4-airx', '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 identifiants 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 identifiants de requête et de réponse ainsi que les en-têtes. Aucune URL générique de récupération des tâches textuelles 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 contenus ou valeur de paramètre non valides | Étape suivanteCorrigez les champs indiqués avant une nouvelle requête de création. |
Ailoot Ultra glm-4-airx
/chat/completions