GLM-4-Long est le modèle de langage de Zhipu AI pour les textes très longs et les tâches conversationnelles axées sur la mémoire. Le fabricant spécifie du texte en entrée et en sortie, une fenêtre de contexte de 1M et une sortie maximale de 4K tokens. L'accent porte sur la lecture, la traduction et l'analyse de contenus étendus, suivies d'une réponse ciblée fondée sur les éléments fournis.
Fournissez le texte du document avec la question à laquelle il doit répondre. Gardez les titres de sections, identifiants de pages ou chapitres, dates et unités des tableaux associés à leur contenu. Une longue fenêtre d'entrée est utile lorsqu'une réponse dépend de relations entre de nombreuses sections, comme un objectif déclaré, les preuves qui l'étayent et une exception située ailleurs dans le document.
Le fabricant décrit une extension progressive du contexte de 2K à 1M par poursuite du pré-entraînement, ajustement supervisé et apprentissage par renforcement à partir du retour humain. En pratique, définissez la relation à examiner avant de demander une synthèse générale. Exemple d'instruction : « Comparez l'architecture proposée aux sections d'implémentation et identifiez chaque différence avec sa section source. » Le résultat peut être une comparaison concise qui garde les preuves originales disponibles pour vérification.
Le fabricant recommande d'analyser les rapports annuels, d'extraire la structure des revenus, les informations sur les risques et les commentaires de la direction, et de comparer les données financières entre périodes. Préparez les rapports avec leurs dates de référence et des libellés cohérents pour les unités et devises. Demandez un tableau des chiffres sélectionnés, le passage à l'origine de chaque valeur et une explication distincte de l'évolution. Cela préserve la différence entre un chiffre publié et l'interprétation de sa variation.
Pour les contenus universitaires, GLM-4-Long peut organiser le contexte de recherche, les méthodes expérimentales et les conclusions par sujet. Fournissez les passages complets nécessaires à la comparaison, y compris les définitions et nuances figurant dans un autre chapitre. Une sortie utile est une cartographie des affirmations, méthodes et sections justificatives, suivie des questions non résolues dans le texte fourni. Conservez citations et analyse du modèle dans des champs séparés pour une note de recherche.
Le scénario juridique du fabricant couvre lois, affaires et contrats, notamment les droits, obligations et clauses de responsabilité. Nommez les parties et le point à comparer, puis demandez les clauses pertinentes avec leurs références de sections. Une extraction ciblée peut devenir un document de travail pour une vérification professionnelle ultérieure, avec le texte source à côté de l'explication.
Le scénario de fiction concerne les relations entre personnages, la structure de l'intrigue, les synthèses ciblées et la continuation respectant le style d'un long récit. Précisez les chapitres et le point chronologique pertinents. Demandez, par exemple, une carte des relations entre personnages avec les événements étayant chaque lien, ou un brief de continuation préservant les noms établis et les fils narratifs non résolus.
La sortie maximale documentée de 4K est bien plus petite que le contexte d'entrée. Choisissez le livrable voulu : synthèse exécutive, comparaison de clauses, plan de recherche ou analyse d'un chapitre précis. Pour une vaste vérification, divisez la sortie demandée en tâches clairement nommées, en gardant les sources pertinentes associées à chaque réponse.
Pour une conversation documentaire continue, conservez la question précédente, la réponse et les passages nécessaires à la question suivante. Le fabricant présente le dialogue axé sur la mémoire comme un usage du contexte long ; organisez celui-ci pour que le suivi se rapporte au même document, à la même période ou au même chapitre. Enregistrez l'analyse terminée avec ces identifiants sources, puis vérifiez noms, chiffres et citations extraits dans le texte original avant de les intégrer au rapport suivant.
", "aboutText": "GLM-4-Long est le modèle de langage de Zhipu AI pour les textes très longs et les tâches conversationnelles axées sur la mémoire. Le fabricant spécifie du texte en entrée et en sortie, une fenêtre de contexte de 1M et une sortie maximale de 4K tokens. L'accent porte sur la lecture, la traduction et l'analyse de contenus étendus, suivies d'une réponse ciblée fondée sur les éléments fournis.\n\n### Préparer les éléments pour une analyse globale\n\nFournissez le texte du document avec la question à laquelle il doit répondre. Gardez les titres de sections, identifiants de pages ou chapitres, dates et unités des tableaux associés à leur contenu. Une longue fenêtre d'entrée est utile lorsqu'une réponse dépend de relations entre de nombreuses sections, comme un objectif déclaré, les preuves qui l'étayent et une exception située ailleurs dans le document.\n\nLe fabricant décrit une extension progressive du contexte de 2K à 1M par poursuite du pré-entraînement, ajustement supervisé et apprentissage par renforcement à partir du retour humain. En pratique, définissez la relation à examiner avant de demander une synthèse générale. Exemple d'instruction : « Comparez l'architecture proposée aux sections d'implémentation et identifiez chaque différence avec sa section source. » Le résultat peut être une comparaison concise qui garde les preuves originales disponibles pour vérification.\n\n### Lire des rapports financiers et des articles universitaires\n\nLe fabricant recommande d'analyser les rapports annuels, d'extraire la structure des revenus, les informations sur les risques et les commentaires de la direction, et de comparer les données financières entre périodes. Préparez les rapports avec leurs dates de référence et des libellés cohérents pour les unités et devises. Demandez un tableau des chiffres sélectionnés, le passage à l'origine de chaque valeur et une explication distincte de l'évolution. Cela préserve la différence entre un chiffre publié et l'interprétation de sa variation.\n\nPour les contenus universitaires, GLM-4-Long peut organiser le contexte de recherche, les méthodes expérimentales et les conclusions par sujet. Fournissez les passages complets nécessaires à la comparaison, y compris les définitions et nuances figurant dans un autre chapitre. Une sortie utile est une cartographie des affirmations, méthodes et sections justificatives, suivie des questions non résolues dans le texte fourni. Conservez citations et analyse du modèle dans des champs séparés pour une note de recherche.\n\n### Suivre clauses, personnages et événements dans un texte long\n\nLe scénario juridique du fabricant couvre lois, affaires et contrats, notamment les droits, obligations et clauses de responsabilité. Nommez les parties et le point à comparer, puis demandez les clauses pertinentes avec leurs références de sections. Une extraction ciblée peut devenir un document de travail pour une vérification professionnelle ultérieure, avec le texte source à côté de l'explication.\n\nLe scénario de fiction concerne les relations entre personnages, la structure de l'intrigue, les synthèses ciblées et la continuation respectant le style d'un long récit. Précisez les chapitres et le point chronologique pertinents. Demandez, par exemple, une carte des relations entre personnages avec les événements étayant chaque lien, ou un brief de continuation préservant les noms établis et les fils narratifs non résolus.\n\n### Utiliser une longue entrée avec une réponse limitée\n\nLa sortie maximale documentée de 4K est bien plus petite que le contexte d'entrée. Choisissez le livrable voulu : synthèse exécutive, comparaison de clauses, plan de recherche ou analyse d'un chapitre précis. Pour une vaste vérification, divisez la sortie demandée en tâches clairement nommées, en gardant les sources pertinentes associées à chaque réponse.\n\nPour une conversation documentaire continue, conservez la question précédente, la réponse et les passages nécessaires à la question suivante. Le fabricant présente le dialogue axé sur la mémoire comme un usage du contexte long ; organisez celui-ci pour que le suivi se rapporte au même document, à la même période ou au même chapitre. Enregistrez l'analyse terminée avec ces identifiants sources, puis vérifiez noms, chiffres et citations extraits dans le texte original avant de les intégrer au rapport suivant.", "editorialOverlay": { "copy_fields": { "practical_html": "Exemple technique en anglais
Reconcile architecture and implementation notes\n\nCompare labeled excerpts. Architecture §2: every export job is resumable and stores its cursor after each completed page. Implementation §7: the exporter stores its cursor only when the entire job completes. Operations §4: interrupted jobs restart from page one. Return a concise discrepancy map with source references and a focused requirement for the next code review.A source-linked discrepancy table and one review requirement tied to the resumability objective.The answer connects all three excerpts and does not invent additional implementation details.glm-4-longGLM-4-Long est le modèle de Zhipu AI pour lire des textes très longs et maintenir le contexte documentaire au fil d'une conversation. Son contexte documenté de 1M et sa sortie maximale de 4K permettent des analyses ciblées de rapports, articles scientifiques, contrats et récits longs.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
GLM-4-Long est le modèle de langage de Zhipu AI pour les textes très longs et les tâches conversationnelles axées sur la mémoire. Le fabricant spécifie du texte en entrée et en sortie, une fenêtre de contexte de 1M et une sortie maximale de 4K tokens. L'accent porte sur la lecture, la traduction et l'analyse de contenus étendus, suivies d'une réponse ciblée fondée sur les éléments fournis.
Fournissez le texte du document avec la question à laquelle il doit répondre. Gardez les titres de sections, identifiants de pages ou chapitres, dates et unités des tableaux associés à leur contenu. Une longue fenêtre d'entrée est utile lorsqu'une réponse dépend de relations entre de nombreuses sections, comme un objectif déclaré, les preuves qui l'étayent et une exception située ailleurs dans le document.
Le fabricant décrit une extension progressive du contexte de 2K à 1M par poursuite du pré-entraînement, ajustement supervisé et apprentissage par renforcement à partir du retour humain. En pratique, définissez la relation à examiner avant de demander une synthèse générale. Exemple d'instruction : « Comparez l'architecture proposée aux sections d'implémentation et identifiez chaque différence avec sa section source. » Le résultat peut être une comparaison concise qui garde les preuves originales disponibles pour vérification.
Le fabricant recommande d'analyser les rapports annuels, d'extraire la structure des revenus, les informations sur les risques et les commentaires de la direction, et de comparer les données financières entre périodes. Préparez les rapports avec leurs dates de référence et des libellés cohérents pour les unités et devises. Demandez un tableau des chiffres sélectionnés, le passage à l'origine de chaque valeur et une explication distincte de l'évolution. Cela préserve la différence entre un chiffre publié et l'interprétation de sa variation.
Pour les contenus universitaires, GLM-4-Long peut organiser le contexte de recherche, les méthodes expérimentales et les conclusions par sujet. Fournissez les passages complets nécessaires à la comparaison, y compris les définitions et nuances figurant dans un autre chapitre. Une sortie utile est une cartographie des affirmations, méthodes et sections justificatives, suivie des questions non résolues dans le texte fourni. Conservez citations et analyse du modèle dans des champs séparés pour une note de recherche.
Le scénario juridique du fabricant couvre lois, affaires et contrats, notamment les droits, obligations et clauses de responsabilité. Nommez les parties et le point à comparer, puis demandez les clauses pertinentes avec leurs références de sections. Une extraction ciblée peut devenir un document de travail pour une vérification professionnelle ultérieure, avec le texte source à côté de l'explication.
Le scénario de fiction concerne les relations entre personnages, la structure de l'intrigue, les synthèses ciblées et la continuation respectant le style d'un long récit. Précisez les chapitres et le point chronologique pertinents. Demandez, par exemple, une carte des relations entre personnages avec les événements étayant chaque lien, ou un brief de continuation préservant les noms établis et les fils narratifs non résolus.
La sortie maximale documentée de 4K est bien plus petite que le contexte d'entrée. Choisissez le livrable voulu : synthèse exécutive, comparaison de clauses, plan de recherche ou analyse d'un chapitre précis. Pour une vaste vérification, divisez la sortie demandée en tâches clairement nommées, en gardant les sources pertinentes associées à chaque réponse.
Pour une conversation documentaire continue, conservez la question précédente, la réponse et les passages nécessaires à la question suivante. Le fabricant présente le dialogue axé sur la mémoire comme un usage du contexte long ; organisez celui-ci pour que le suivi se rapporte au même document, à la même période ou au même chapitre. Enregistrez l'analyse terminée avec ces identifiants sources, puis vérifiez noms, chiffres et citations extraits dans le texte original avant de les intégrer au rapport suivant.
POST /v1/chat/completionstexttext| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites glm-4-long | 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’identifiant 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: outil de fonction fourni | 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 rejeté sur cette route textuelle Ultra | Par défaut— |
Champcache_control.ttl | Typestring | ExigenceFacultatif | Valeurs et limites Conditions: 1h est rejeté dans les emplacements réels du cache de prompt | 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 sous forme de texte littéral ; aucun identifiant 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’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.
| Configuration | Barème tarifaire | Coût |
|---|---|---|
| ConfigurationTarifs de base des tokens | Barème tarifaireTarif de base | Coût Entrée · Tokens en entrée $0.00028 / 1K tokens Sortie · Tokens en sortie $0.00028 / 1K tokens Entrée · Lecture du cache $0 / 1K tokens Entrée · Écriture dans le cache $0 / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "glm-4-long", "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='glm-4-long',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='glm-4-long',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, 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-long
Utilisez les chemins de méthode indiqués ci-dessus.
glm-4-longGLM-4-Long est le modèle de Zhipu AI pour lire des textes très longs et maintenir le contexte documentaire au fil d'une conversation. Son contexte documenté de 1M et sa sortie maximale de 4K permettent des analyses ciblées de rapports, articles scientifiques, contrats et récits longs.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
GLM-4-Long est le modèle de langage de Zhipu AI pour les textes très longs et les tâches conversationnelles axées sur la mémoire. Le fabricant spécifie du texte en entrée et en sortie, une fenêtre de contexte de 1M et une sortie maximale de 4K tokens. L'accent porte sur la lecture, la traduction et l'analyse de contenus étendus, suivies d'une réponse ciblée fondée sur les éléments fournis.
Fournissez le texte du document avec la question à laquelle il doit répondre. Gardez les titres de sections, identifiants de pages ou chapitres, dates et unités des tableaux associés à leur contenu. Une longue fenêtre d'entrée est utile lorsqu'une réponse dépend de relations entre de nombreuses sections, comme un objectif déclaré, les preuves qui l'étayent et une exception située ailleurs dans le document.
Le fabricant décrit une extension progressive du contexte de 2K à 1M par poursuite du pré-entraînement, ajustement supervisé et apprentissage par renforcement à partir du retour humain. En pratique, définissez la relation à examiner avant de demander une synthèse générale. Exemple d'instruction : « Comparez l'architecture proposée aux sections d'implémentation et identifiez chaque différence avec sa section source. » Le résultat peut être une comparaison concise qui garde les preuves originales disponibles pour vérification.
Le fabricant recommande d'analyser les rapports annuels, d'extraire la structure des revenus, les informations sur les risques et les commentaires de la direction, et de comparer les données financières entre périodes. Préparez les rapports avec leurs dates de référence et des libellés cohérents pour les unités et devises. Demandez un tableau des chiffres sélectionnés, le passage à l'origine de chaque valeur et une explication distincte de l'évolution. Cela préserve la différence entre un chiffre publié et l'interprétation de sa variation.
Pour les contenus universitaires, GLM-4-Long peut organiser le contexte de recherche, les méthodes expérimentales et les conclusions par sujet. Fournissez les passages complets nécessaires à la comparaison, y compris les définitions et nuances figurant dans un autre chapitre. Une sortie utile est une cartographie des affirmations, méthodes et sections justificatives, suivie des questions non résolues dans le texte fourni. Conservez citations et analyse du modèle dans des champs séparés pour une note de recherche.
Le scénario juridique du fabricant couvre lois, affaires et contrats, notamment les droits, obligations et clauses de responsabilité. Nommez les parties et le point à comparer, puis demandez les clauses pertinentes avec leurs références de sections. Une extraction ciblée peut devenir un document de travail pour une vérification professionnelle ultérieure, avec le texte source à côté de l'explication.
Le scénario de fiction concerne les relations entre personnages, la structure de l'intrigue, les synthèses ciblées et la continuation respectant le style d'un long récit. Précisez les chapitres et le point chronologique pertinents. Demandez, par exemple, une carte des relations entre personnages avec les événements étayant chaque lien, ou un brief de continuation préservant les noms établis et les fils narratifs non résolus.
La sortie maximale documentée de 4K est bien plus petite que le contexte d'entrée. Choisissez le livrable voulu : synthèse exécutive, comparaison de clauses, plan de recherche ou analyse d'un chapitre précis. Pour une vaste vérification, divisez la sortie demandée en tâches clairement nommées, en gardant les sources pertinentes associées à chaque réponse.
Pour une conversation documentaire continue, conservez la question précédente, la réponse et les passages nécessaires à la question suivante. Le fabricant présente le dialogue axé sur la mémoire comme un usage du contexte long ; organisez celui-ci pour que le suivi se rapporte au même document, à la même période ou au même chapitre. Enregistrez l'analyse terminée avec ces identifiants sources, puis vérifiez noms, chiffres et citations extraits dans le texte original avant de les intégrer au rapport suivant.
POST /v1/messagestextjson, sse| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites glm-4-long | Par défaut— |
Champmessages | Typemessage[] | ExigenceObligatoire | Valeurs et limites | Par défaut— |
Champmessages[].role | Typestring | ExigenceObligatoire | Valeurs et limites user, assistant | Par défaut— |
Champmessages[].content | Typestring | ExigenceObligatoire | Valeurs et limites | Par défaut— |
Champmax_tokens | Typeinteger | ExigenceObligatoire | Valeurs et limites | Par défaut— |
Champstream | Typeboolean | ExigenceFacultatif | Valeurs et limites | Par défautfalse |
Texte · Texte UTF-8
chaîne messages[].content
| Paramètre | Contrat |
|---|---|
Paramètrecontent_type | Contratapplication/json |
Paramètrerequired | Contratmodel, messages, max_tokens |
Paramètreoptional_controls | Contratstream |
Paramètrematerial_types | Contrattext |
Paramètretext_file_material | ContratLisez le document UTF-8 réel et placez son texte dans l’entrée indiquée ou dans la chaîne de contenu du message. |
Cycle de vie : synchronous_or_streamed
Les tarifs n’ajoutent pas d’options de requête. Les paramètres pris en charge figurent dans la méthode sélectionnée.
| Configuration | Barème tarifaire | Coût |
|---|---|---|
| ConfigurationTarifs de base des tokens | Barème tarifaireTarif de base | Coût Entrée · Tokens en entrée $0.00028 / 1K tokens Sortie · Tokens en sortie $0.00028 / 1K tokens Entrée · Lecture du cache $0 / 1K tokens Entrée · Écriture dans le cache $0 / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
{\n "model": "glm-4-long",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-long', '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-long', '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-long
Utilisez les chemins de méthode indiqués ci-dessus.
Exemple technique en anglais
Reconcile architecture and implementation notes\n\nCompare labeled excerpts. Architecture §2: every export job is resumable and stores its cursor after each completed page. Implementation §7: the exporter stores its cursor only when the entire job completes. Operations §4: interrupted jobs restart from page one. Return a concise discrepancy map with source references and a focused requirement for the next code review.A source-linked discrepancy table and one review requirement tied to the resumability objective.The answer connects all three excerpts and does not invent additional implementation details.