GLM-4-Long הוא מודל השפה של Zhipu AI לטקסטים ארוכים מאוד ולמשימות שיחה מוכוונות זיכרון. היצרן מגדיר קלט טקסטואלי ופלט טקסטואלי, חלון הקשר של 1M ופלט מרבי של 4K טוקנים. הדגש שלו הוא קריאה, תרגום וניתוח של חומר נרחב, ולאחר מכן הפקת תגובה ממוקדת על בסיס התוכן שסופק.
ספקו את טקסט המסמך יחד עם השאלה שעליו לענות עליה. שמרו כותרות חלקים, מזהי עמודים או פרקים, תאריכים ויחידות טבלה צמודים לתוכנם. חלון קלט ארוך מועיל כאשר תשובה תלויה בקשרים בין חלקים רבים, כגון מטרה שהוגדרה, הראיות התומכות בה וחריג במקום אחר במסמך.
היצרן מתאר הרחבה הדרגתית של ההקשר מ־2K ל־1M באמצעות המשך אימון מקדים, כוונון עדין מפוקח ולמידת חיזוק ממשוב אנושי. בעבודה מעשית, הגדירו את הקשר שיש לבחון לפני בקשת סיכום רחב. הוראה לדוגמה היא: ״השווה את הארכיטקטורה המוצעת לחלקי המימוש, וזהה כל הבדל עם חלק המקור שלו.״ התוצאה יכולה להיות השוואה תמציתית השומרת את הראיות המקוריות זמינות לבדיקה.
היצרן ממליץ לנתח דוחות שנתיים, לחלץ את מבנה ההכנסות, גילויי הסיכון ודיון ההנהלה, ולהשוות נתונים פיננסיים בין תקופות. הכינו דוחות עם תאריכי הדיווח ותוויות עקביות ליחידות ולמטבעות. בקשו טבלה של הנתונים שנבחרו, את הקטע שמאחורי כל ערך והסבר נפרד לשינוי. כך נשמרת ההבחנה בין מספר שדווח לפרשנות של תנועתו.
בחומר אקדמי, GLM-4-Long יכול לארגן רקע מחקרי, שיטות ניסוי ומסקנות לפי נושא. ספקו את הקטעים המלאים הנחוצים להשוואה, כולל הגדרות והסתייגויות המופיעות בפרק אחר. פלט מועיל הוא מפת טענות, שיטות וחלקים תומכים, ולאחריה שאלות שנותרו בלתי פתורות בטקסט שסופק. שמרו ציטוטים ואת ניתוח המודל בשדות נפרדים בהכנת הערת מחקר.
תרחיש המסמכים המשפטיים של היצרן מכסה חוקים, תיקים וחוזים, כולל סעיפי זכויות, חובות ואחריות. ציינו את הצדדים ואת הנושא להשוואה, ואז בקשו את הסעיפים הרלוונטיים עם הפניות לחלקיהם. חילוץ ממוקד יכול להפוך למסמך עבודה לבדיקה מקצועית בהמשך, עם נוסח המקור לצד ההסבר.
תרחיש הסיפורת עוסק בקשרים בין דמויות, במבנה העלילה, בסיכומים ממוקדים ובהמשך המבוסס על סגנון סיפור ארוך. הגדירו את הפרקים ואת הנקודה ברצף הזמן החשובים. לדוגמה, בקשו מפת קשרים בין דמויות עם האירועים התומכים בכל קשר, או בריף להמשך המשמר שמות מבוססים וקווי עלילה שטרם נפתרו.
הפלט המרבי המתועד של 4K קטן בהרבה מהקשר הקלט. בחרו את התוצר הרצוי: תקציר מנהלים, השוואת סעיפים, מתווה מחקר או ניתוח ממוקד פרק. בסקירה גדולה, חלקו את הפלט המבוקש למשימות בעלות שמות ברורים, תוך שמירת חומר המקור הרלוונטי משויך לכל תשובה.
בשיחת מסמכים מתמשכת, שמרו את השאלה הקודמת, התשובה והקטעים הנחוצים לשאלה הבאה. היצרן מתאר צ'אט מוכוון זיכרון כשימוש בהקשר ארוך; ארגנו את ההקשר כך שבקשת ההמשך תתייחס לאותו מסמך, תקופת דיווח או פרק. שמרו את הניתוח המלא עם מזהי המקור האלה, ואז בדקו שמות, נתונים וציטוטים שחולצו מול הטקסט הבסיסי לפני שילובם בדוח הבא.
", "aboutText": "GLM-4-Long הוא מודל השפה של Zhipu AI לטקסטים ארוכים מאוד ולמשימות שיחה מוכוונות זיכרון. היצרן מגדיר קלט טקסטואלי ופלט טקסטואלי, חלון הקשר של 1M ופלט מרבי של 4K טוקנים. הדגש שלו הוא קריאה, תרגום וניתוח של חומר נרחב, ולאחר מכן הפקת תגובה ממוקדת על בסיס התוכן שסופק.\n\n### הכינו את החומר לניתוח כולל\n\nספקו את טקסט המסמך יחד עם השאלה שעליו לענות עליה. שמרו כותרות חלקים, מזהי עמודים או פרקים, תאריכים ויחידות טבלה צמודים לתוכנם. חלון קלט ארוך מועיל כאשר תשובה תלויה בקשרים בין חלקים רבים, כגון מטרה שהוגדרה, הראיות התומכות בה וחריג במקום אחר במסמך.\n\nהיצרן מתאר הרחבה הדרגתית של ההקשר מ־2K ל־1M באמצעות המשך אימון מקדים, כוונון עדין מפוקח ולמידת חיזוק ממשוב אנושי. בעבודה מעשית, הגדירו את הקשר שיש לבחון לפני בקשת סיכום רחב. הוראה לדוגמה היא: ״השווה את הארכיטקטורה המוצעת לחלקי המימוש, וזהה כל הבדל עם חלק המקור שלו.״ התוצאה יכולה להיות השוואה תמציתית השומרת את הראיות המקוריות זמינות לבדיקה.\n\n### קראו דוחות פיננסיים ומאמרים אקדמיים\n\nהיצרן ממליץ לנתח דוחות שנתיים, לחלץ את מבנה ההכנסות, גילויי הסיכון ודיון ההנהלה, ולהשוות נתונים פיננסיים בין תקופות. הכינו דוחות עם תאריכי הדיווח ותוויות עקביות ליחידות ולמטבעות. בקשו טבלה של הנתונים שנבחרו, את הקטע שמאחורי כל ערך והסבר נפרד לשינוי. כך נשמרת ההבחנה בין מספר שדווח לפרשנות של תנועתו.\n\nבחומר אקדמי, GLM-4-Long יכול לארגן רקע מחקרי, שיטות ניסוי ומסקנות לפי נושא. ספקו את הקטעים המלאים הנחוצים להשוואה, כולל הגדרות והסתייגויות המופיעות בפרק אחר. פלט מועיל הוא מפת טענות, שיטות וחלקים תומכים, ולאחריה שאלות שנותרו בלתי פתורות בטקסט שסופק. שמרו ציטוטים ואת ניתוח המודל בשדות נפרדים בהכנת הערת מחקר.\n\n### עקבו אחר סעיפים, דמויות ואירועים לאורך טקסט ארוך\n\nתרחיש המסמכים המשפטיים של היצרן מכסה חוקים, תיקים וחוזים, כולל סעיפי זכויות, חובות ואחריות. ציינו את הצדדים ואת הנושא להשוואה, ואז בקשו את הסעיפים הרלוונטיים עם הפניות לחלקיהם. חילוץ ממוקד יכול להפוך למסמך עבודה לבדיקה מקצועית בהמשך, עם נוסח המקור לצד ההסבר.\n\nתרחיש הסיפורת עוסק בקשרים בין דמויות, במבנה העלילה, בסיכומים ממוקדים ובהמשך המבוסס על סגנון סיפור ארוך. הגדירו את הפרקים ואת הנקודה ברצף הזמן החשובים. לדוגמה, בקשו מפת קשרים בין דמויות עם האירועים התומכים בכל קשר, או בריף להמשך המשמר שמות מבוססים וקווי עלילה שטרם נפתרו.\n\n### השתמשו בקלט הארוך עם תשובה מוגבלת\n\nהפלט המרבי המתועד של 4K קטן בהרבה מהקשר הקלט. בחרו את התוצר הרצוי: תקציר מנהלים, השוואת סעיפים, מתווה מחקר או ניתוח ממוקד פרק. בסקירה גדולה, חלקו את הפלט המבוקש למשימות בעלות שמות ברורים, תוך שמירת חומר המקור הרלוונטי משויך לכל תשובה.\n\nבשיחת מסמכים מתמשכת, שמרו את השאלה הקודמת, התשובה והקטעים הנחוצים לשאלה הבאה. היצרן מתאר צ'אט מוכוון זיכרון כשימוש בהקשר ארוך; ארגנו את ההקשר כך שבקשת ההמשך תתייחס לאותו מסמך, תקופת דיווח או פרק. שמרו את הניתוח המלא עם מזהי המקור האלה, ואז בדקו שמות, נתונים וציטוטים שחולצו מול הטקסט הבסיסי לפני שילובם בדוח הבא.", "editorialOverlay": { "copy_fields": { "practical_html": "דוגמה טכנית באנגלית
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 הוא המודל של Zhipu AI לקריאת טקסטים ארוכים מאוד ולשמירת הקשר מסמכים לאורך שיחה. ההקשר המתועד שלו של 1M והפלט המרבי של 4K תומכים בניתוחים ממוקדים של דוחות, מאמרים, חוזים וסיפורת ארוכה.
התיאור הזה מציג את יכולות המודל. הקלט, הפלט והאפשרויות הזמינים ב-Ailoot מפורטים בהמשך לפי השיטה שנבחרה.
GLM-4-Long הוא מודל השפה של Zhipu AI לטקסטים ארוכים מאוד ולמשימות שיחה מוכוונות זיכרון. היצרן מגדיר קלט טקסטואלי ופלט טקסטואלי, חלון הקשר של 1M ופלט מרבי של 4K טוקנים. הדגש שלו הוא קריאה, תרגום וניתוח של חומר נרחב, ולאחר מכן הפקת תגובה ממוקדת על בסיס התוכן שסופק.
ספקו את טקסט המסמך יחד עם השאלה שעליו לענות עליה. שמרו כותרות חלקים, מזהי עמודים או פרקים, תאריכים ויחידות טבלה צמודים לתוכנם. חלון קלט ארוך מועיל כאשר תשובה תלויה בקשרים בין חלקים רבים, כגון מטרה שהוגדרה, הראיות התומכות בה וחריג במקום אחר במסמך.
היצרן מתאר הרחבה הדרגתית של ההקשר מ־2K ל־1M באמצעות המשך אימון מקדים, כוונון עדין מפוקח ולמידת חיזוק ממשוב אנושי. בעבודה מעשית, הגדירו את הקשר שיש לבחון לפני בקשת סיכום רחב. הוראה לדוגמה היא: ״השווה את הארכיטקטורה המוצעת לחלקי המימוש, וזהה כל הבדל עם חלק המקור שלו.״ התוצאה יכולה להיות השוואה תמציתית השומרת את הראיות המקוריות זמינות לבדיקה.
היצרן ממליץ לנתח דוחות שנתיים, לחלץ את מבנה ההכנסות, גילויי הסיכון ודיון ההנהלה, ולהשוות נתונים פיננסיים בין תקופות. הכינו דוחות עם תאריכי הדיווח ותוויות עקביות ליחידות ולמטבעות. בקשו טבלה של הנתונים שנבחרו, את הקטע שמאחורי כל ערך והסבר נפרד לשינוי. כך נשמרת ההבחנה בין מספר שדווח לפרשנות של תנועתו.
בחומר אקדמי, GLM-4-Long יכול לארגן רקע מחקרי, שיטות ניסוי ומסקנות לפי נושא. ספקו את הקטעים המלאים הנחוצים להשוואה, כולל הגדרות והסתייגויות המופיעות בפרק אחר. פלט מועיל הוא מפת טענות, שיטות וחלקים תומכים, ולאחריה שאלות שנותרו בלתי פתורות בטקסט שסופק. שמרו ציטוטים ואת ניתוח המודל בשדות נפרדים בהכנת הערת מחקר.
תרחיש המסמכים המשפטיים של היצרן מכסה חוקים, תיקים וחוזים, כולל סעיפי זכויות, חובות ואחריות. ציינו את הצדדים ואת הנושא להשוואה, ואז בקשו את הסעיפים הרלוונטיים עם הפניות לחלקיהם. חילוץ ממוקד יכול להפוך למסמך עבודה לבדיקה מקצועית בהמשך, עם נוסח המקור לצד ההסבר.
תרחיש הסיפורת עוסק בקשרים בין דמויות, במבנה העלילה, בסיכומים ממוקדים ובהמשך המבוסס על סגנון סיפור ארוך. הגדירו את הפרקים ואת הנקודה ברצף הזמן החשובים. לדוגמה, בקשו מפת קשרים בין דמויות עם האירועים התומכים בכל קשר, או בריף להמשך המשמר שמות מבוססים וקווי עלילה שטרם נפתרו.
הפלט המרבי המתועד של 4K קטן בהרבה מהקשר הקלט. בחרו את התוצר הרצוי: תקציר מנהלים, השוואת סעיפים, מתווה מחקר או ניתוח ממוקד פרק. בסקירה גדולה, חלקו את הפלט המבוקש למשימות בעלות שמות ברורים, תוך שמירת חומר המקור הרלוונטי משויך לכל תשובה.
בשיחת מסמכים מתמשכת, שמרו את השאלה הקודמת, התשובה והקטעים הנחוצים לשאלה הבאה. היצרן מתאר צ'אט מוכוון זיכרון כשימוש בהקשר ארוך; ארגנו את ההקשר כך שבקשת ההמשך תתייחס לאותו מסמך, תקופת דיווח או פרק. שמרו את הניתוח המלא עם מזהי המקור האלה, ואז בדקו שמות, נתונים וציטוטים שחולצו מול הטקסט הבסיסי לפני שילובם בדוח הבא.
POST /v1/chat/completionstexttext| שדה | סוג | דרישה | ערכים ומגבלות | ברירת מחדל |
|---|---|---|---|---|
שדהmodel | סוגstring | דרישהחובה | ערכים ומגבלות glm-4-long | ברירת מחדל— |
שדהmessages | סוגmessage[] | דרישהחובה | ערכים ומגבלות מספר פריטים מזערי: 1 | ברירת מחדל— |
שדהmessages[].role | סוגstring | דרישהחובה | ערכים ומגבלות דוגמאות: system, user, assistant, tool, function תנאים: התפקידים האלה מיוצגים במפורש בטיפוסי התאימות בקוד המקור; מערך התפקידים המדויק נשאר ייחודי לכל מודל. תלוי במודל | ברירת מחדל— |
שדהmessages[].content | סוגstring|content_part[]|null | דרישהרשות | ערכים ומגבלות | ברירת מחדל— |
שדהmessages[].tool_calls | סוגtool_call[] | דרישהרשות | ערכים ומגבלות | ברירת מחדל— |
שדהmessages[].tool_call_id | סוגstring | דרישהרשות | ערכים ומגבלות חל כאשר: role=tool; השתמשו במזהה שהוחזר בפועל | ברירת מחדל— |
שדהmessages[].name | סוגstring | דרישהרשות | ערכים ומגבלות | ברירת מחדל— |
שדהmessages[].reasoning_content | סוגstring | דרישהרשות | ערכים ומגבלות חל כאשר: החזירו בהמשך את ההנמקה שהתקבלה בפועל כאשר המודל הזה משתמש בה | ברירת מחדל— |
שדהmessages[].reasoning_details | סוגobject|array | דרישהרשות | ערכים ומגבלות תלוי במודל | ברירת מחדל— |
שדהmax_tokens | סוגinteger | דרישהרשות | ערכים ומגבלות מינימום: 1 תלוי במודל | ברירת מחדל— |
שדהmax_completion_tokens | סוגinteger | דרישהרשות | ערכים ומגבלות מינימום: 1 תלוי במודל | ברירת מחדל— |
שדהstream | סוגboolean | דרישהרשות | ערכים ומגבלות | ברירת מחדלfalse |
שדהstream_options.include_usage | סוגboolean | דרישהרשות | ערכים ומגבלות תלוי במודל | ברירת מחדל— |
שדהtemperature | סוגnumber | דרישהרשות | ערכים ומגבלות תלוי במודל | ברירת מחדל— |
שדהtop_p | סוגnumber | דרישהרשות | ערכים ומגבלות תלוי במודל | ברירת מחדל— |
שדהstop | סוגstring|string[] | דרישהרשות | ערכים ומגבלות תלוי במודל | ברירת מחדל— |
שדהtools | סוגfunction_tool[] | דרישהרשות | ערכים ומגבלות תלוי במודל | ברירת מחדל— |
שדהtools[].type | סוגstring | דרישהרשות | ערכים ומגבלות function תלוי במודל | ברירת מחדל— |
שדהtools[].function.name | סוגstring | דרישהחובה | ערכים ומגבלות חל כאשר: סופק כלי פונקציה | ברירת מחדל— |
שדהtools[].function.description | סוגstring | דרישהרשות | ערכים ומגבלות | ברירת מחדל— |
שדהtools[].function.parameters | סוגJSON_schema | דרישהרשות | ערכים ומגבלות | ברירת מחדל— |
שדהtool_choice | סוגstring|object | דרישהרשות | ערכים ומגבלות תלוי במודל | ברירת מחדל— |
שדהparallel_tool_calls | סוגboolean | דרישהרשות | ערכים ומגבלות תלוי במודל | ברירת מחדל— |
שדהresponse_format | סוגobject | דרישהרשות | ערכים ומגבלות תלוי במודל | ברירת מחדל— |
שדהreasoning_effort | סוגstring | דרישהרשות | ערכים ומגבלות תלוי במודל | ברירת מחדל— |
שדהreasoning | סוגobject | דרישהרשות | ערכים ומגבלות תלוי במודל | ברירת מחדל— |
שדהservice_tier | סוגstring | דרישהרשות | ערכים ומגבלות תלוי במודל | ברירת מחדל— |
שדהinstructions | סוגstring | דרישהרשות | ערכים ומגבלות שדה תאימות | ברירת מחדל— |
שדהfunctions | סוגfunction[] | דרישהרשות | ערכים ומגבלות תלוי במודל | ברירת מחדל— |
שדהfunction_call | סוגstring|object | דרישהרשות | ערכים ומגבלות תלוי במודל | ברירת מחדל— |
שדהprompt_cache_options | סוגobject | דרישהרשות | ערכים ומגבלות תלוי במודל | ברירת מחדל— |
שדהmodalities | סוגstring[] | דרישהרשות | ערכים ומגבלות text | ברירת מחדל— |
שדהprovider | סוגobject | דרישהרשות | ערכים ומגבלות תנאים: provider.options נדחה במסלול הטקסט הזה של Ultra | ברירת מחדל— |
שדהcache_control.ttl | סוגstring | דרישהרשות | ערכים ומגבלות תנאים: 1h נדחה במיקומים המשמשים בפועל למטמון הנחיות | ברירת מחדל— |
טקסט · טקסט UTF8
messages[].content
| פרמטר | מפרט |
|---|---|
פרמטרcontent_type | מפרטapplication/json |
פרמטרrequired | מפרטmodel, messages |
פרמטרmaterial_types | מפרטtext |
פרמטרmessages | מפרטמערך הודעות במבנה role/content |
פרמטרfile_material | מפרטמסמך UTF-8 בפועל מוכנס כטקסט מילולי; לא מוסק מזהה קובץ |
פרמטרoptional_controls | מפרטstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
פרמטרcontrol_scope | מפרטייחודי למודל; כלי פונקציות של המשתמש שונים מכלים מתארחים |
פרמטרoutput_modalities | מפרטtext |
פרמטרhosted_operations | מפרטfalse |
פרמטרmultimodal_input_binding | מפרטnull |
מחזור חיים: synchronous_or_streamed
שלחו את מזהה המודל המדויק עם messages.
אורך ההקשר אינו תקרת פלט.
קובץ טקסט יכול לספק טקסט מילולי; קלטי תמונה/אודיו/אובייקט קובץ דורשים קישור מדויק.
מידע תעריפים אינו מוסיף אפשרויות לבקשה. הפרמטרים הנתמכים מפורטים בשיטה שנבחרה.
| תצורה | טבלת תעריפים | חיוב |
|---|---|---|
| תצורהתעריפי הבסיס לטוקנים | טבלת תעריפיםתעריף בסיס | חיוב קלט · טוקני קלט $0.00028 / 1K טוקנים פלט · טוקני פלט $0.00028 / 1K טוקנים קלט · קריאה מהמטמון $0 / 1K טוקנים קלט · כתיבה למטמון $0 / 1K טוקנים קלט · כתיבה למטמון, 1 שעה — / 1K טוקנים |
לפני הבקשה Ailoot משריינת סכום משוער. לאחר קבלת התוצאה היא מסדירה את החיוב הסופי לפי השימוש המדוד. הסדרת חיוב בהזרמה משתמשת ברשומת השימוש הסופית. איך פועלים שריון הסכום והסדרת החיוב →
set -eu\n: "${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 או SSE
שמרו כל תגובה מלאה, קובץ ומקטע תוכן שהוחזרו.
שמרו כל בחירה ואת התוכן, קריאות הכלים וההנמקה שלה. ב-SSE הרכיבו עדכונים לפי אינדקס הבחירה/הכלי ושמרו את סיבת הסיום הסופית ואת השימוש.
שמרו מזהי בקשות/תגובות וכותרות. לא מסופק URL כללי לאחזור משימת טקסט.
| שדה | סוג |
|---|---|
שדהchoices[].index | סוגinteger |
שדהchoices[].message.content | סוגstring|null |
שדהchoices[].message.tool_calls | סוגtool_call[] |
שדהchoices[].message.reasoning_content | סוגstring |
שדהchoices[].message.reasoning_details | סוגobject|array |
שדהchoices[].finish_reason | סוגstring|null |
שדהusage | סוגobject |
| תגובה | תנאי | השלב הבא |
|---|---|---|
תגובה400 · invalid_request_error | תנאישדות נדרשים, ייצוג חומר או ערך פרמטר שאינם תקינים | השלב הבאתקנו את השדות שצוינו לפני בקשת יצירה חדשה. |
Ailoot Ultra glm-4-long
השתמשו בנתיבי השיטות המוצגים למעלה.
glm-4-longGLM-4-Long הוא המודל של Zhipu AI לקריאת טקסטים ארוכים מאוד ולשמירת הקשר מסמכים לאורך שיחה. ההקשר המתועד שלו של 1M והפלט המרבי של 4K תומכים בניתוחים ממוקדים של דוחות, מאמרים, חוזים וסיפורת ארוכה.
התיאור הזה מציג את יכולות המודל. הקלט, הפלט והאפשרויות הזמינים ב-Ailoot מפורטים בהמשך לפי השיטה שנבחרה.
GLM-4-Long הוא מודל השפה של Zhipu AI לטקסטים ארוכים מאוד ולמשימות שיחה מוכוונות זיכרון. היצרן מגדיר קלט טקסטואלי ופלט טקסטואלי, חלון הקשר של 1M ופלט מרבי של 4K טוקנים. הדגש שלו הוא קריאה, תרגום וניתוח של חומר נרחב, ולאחר מכן הפקת תגובה ממוקדת על בסיס התוכן שסופק.
ספקו את טקסט המסמך יחד עם השאלה שעליו לענות עליה. שמרו כותרות חלקים, מזהי עמודים או פרקים, תאריכים ויחידות טבלה צמודים לתוכנם. חלון קלט ארוך מועיל כאשר תשובה תלויה בקשרים בין חלקים רבים, כגון מטרה שהוגדרה, הראיות התומכות בה וחריג במקום אחר במסמך.
היצרן מתאר הרחבה הדרגתית של ההקשר מ־2K ל־1M באמצעות המשך אימון מקדים, כוונון עדין מפוקח ולמידת חיזוק ממשוב אנושי. בעבודה מעשית, הגדירו את הקשר שיש לבחון לפני בקשת סיכום רחב. הוראה לדוגמה היא: ״השווה את הארכיטקטורה המוצעת לחלקי המימוש, וזהה כל הבדל עם חלק המקור שלו.״ התוצאה יכולה להיות השוואה תמציתית השומרת את הראיות המקוריות זמינות לבדיקה.
היצרן ממליץ לנתח דוחות שנתיים, לחלץ את מבנה ההכנסות, גילויי הסיכון ודיון ההנהלה, ולהשוות נתונים פיננסיים בין תקופות. הכינו דוחות עם תאריכי הדיווח ותוויות עקביות ליחידות ולמטבעות. בקשו טבלה של הנתונים שנבחרו, את הקטע שמאחורי כל ערך והסבר נפרד לשינוי. כך נשמרת ההבחנה בין מספר שדווח לפרשנות של תנועתו.
בחומר אקדמי, GLM-4-Long יכול לארגן רקע מחקרי, שיטות ניסוי ומסקנות לפי נושא. ספקו את הקטעים המלאים הנחוצים להשוואה, כולל הגדרות והסתייגויות המופיעות בפרק אחר. פלט מועיל הוא מפת טענות, שיטות וחלקים תומכים, ולאחריה שאלות שנותרו בלתי פתורות בטקסט שסופק. שמרו ציטוטים ואת ניתוח המודל בשדות נפרדים בהכנת הערת מחקר.
תרחיש המסמכים המשפטיים של היצרן מכסה חוקים, תיקים וחוזים, כולל סעיפי זכויות, חובות ואחריות. ציינו את הצדדים ואת הנושא להשוואה, ואז בקשו את הסעיפים הרלוונטיים עם הפניות לחלקיהם. חילוץ ממוקד יכול להפוך למסמך עבודה לבדיקה מקצועית בהמשך, עם נוסח המקור לצד ההסבר.
תרחיש הסיפורת עוסק בקשרים בין דמויות, במבנה העלילה, בסיכומים ממוקדים ובהמשך המבוסס על סגנון סיפור ארוך. הגדירו את הפרקים ואת הנקודה ברצף הזמן החשובים. לדוגמה, בקשו מפת קשרים בין דמויות עם האירועים התומכים בכל קשר, או בריף להמשך המשמר שמות מבוססים וקווי עלילה שטרם נפתרו.
הפלט המרבי המתועד של 4K קטן בהרבה מהקשר הקלט. בחרו את התוצר הרצוי: תקציר מנהלים, השוואת סעיפים, מתווה מחקר או ניתוח ממוקד פרק. בסקירה גדולה, חלקו את הפלט המבוקש למשימות בעלות שמות ברורים, תוך שמירת חומר המקור הרלוונטי משויך לכל תשובה.
בשיחת מסמכים מתמשכת, שמרו את השאלה הקודמת, התשובה והקטעים הנחוצים לשאלה הבאה. היצרן מתאר צ'אט מוכוון זיכרון כשימוש בהקשר ארוך; ארגנו את ההקשר כך שבקשת ההמשך תתייחס לאותו מסמך, תקופת דיווח או פרק. שמרו את הניתוח המלא עם מזהי המקור האלה, ואז בדקו שמות, נתונים וציטוטים שחולצו מול הטקסט הבסיסי לפני שילובם בדוח הבא.
POST /v1/messagestextjson, sse| שדה | סוג | דרישה | ערכים ומגבלות | ברירת מחדל |
|---|---|---|---|---|
שדהmodel | סוגstring | דרישהחובה | ערכים ומגבלות glm-4-long | ברירת מחדל— |
שדהmessages | סוגmessage[] | דרישהחובה | ערכים ומגבלות | ברירת מחדל— |
שדהmessages[].role | סוגstring | דרישהחובה | ערכים ומגבלות user, assistant | ברירת מחדל— |
שדהmessages[].content | סוגstring | דרישהחובה | ערכים ומגבלות | ברירת מחדל— |
שדהmax_tokens | סוגinteger | דרישהחובה | ערכים ומגבלות | ברירת מחדל— |
שדהstream | סוגboolean | דרישהרשות | ערכים ומגבלות | ברירת מחדלfalse |
טקסט · טקסט UTF-8
מחרוזת messages[].content
| פרמטר | מפרט |
|---|---|
פרמטרcontent_type | מפרטapplication/json |
פרמטרrequired | מפרטmodel, messages, max_tokens |
פרמטרoptional_controls | מפרטstream |
פרמטרmaterial_types | מפרטtext |
פרמטרtext_file_material | מפרטקראו את מסמך UTF-8 בפועל והכניסו את הטקסט שלו לקלט שצוין או למחרוזת תוכן ההודעה. |
מחזור חיים: synchronous_or_streamed
מידע תעריפים אינו מוסיף אפשרויות לבקשה. הפרמטרים הנתמכים מפורטים בשיטה שנבחרה.
| תצורה | טבלת תעריפים | חיוב |
|---|---|---|
| תצורהתעריפי הבסיס לטוקנים | טבלת תעריפיםתעריף בסיס | חיוב קלט · טוקני קלט $0.00028 / 1K טוקנים פלט · טוקני פלט $0.00028 / 1K טוקנים קלט · קריאה מהמטמון $0 / 1K טוקנים קלט · כתיבה למטמון $0 / 1K טוקנים קלט · כתיבה למטמון, 1 שעה — / 1K טוקנים |
לפני הבקשה Ailoot משריינת סכום משוער. לאחר קבלת התוצאה היא מסדירה את החיוב הסופי לפי השימוש המדוד. הסדרת חיוב בהזרמה משתמשת ברשומת השימוש הסופית. איך פועלים שריון הסכום והסדרת החיוב →
{\n "model": "glm-4-long",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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 או SSE
שמרו כל תגובה מלאה, קובץ ומקטע תוכן שהוחזרו.
שמרו את כל בלוקי התוכן, חתימות החשיבה ומזהי השימוש בכלים בפועל. הרכיבו את כל עדכוני הבלוקים של SSE; בלוק הטקסט הראשון אינו הפלט המלא.
שמרו מזהי בקשות/תגובות וכותרות. לא מסופק URL כללי לאחזור משימת טקסט.
| שדה | סוג |
|---|---|
שדהid | סוגstring |
שדהmodel | סוגstring |
שדהcontent[] | סוגtext|thinking|tool_use|other content block |
שדהstop_reason | סוגstring|null |
שדהusage | סוגobject |
| תגובה | תנאי | השלב הבא |
|---|---|---|
תגובה400 · invalid_request_error | תנאישדות נדרשים, ייצוג חומר או ערך פרמטר שאינם תקינים | השלב הבאתקנו את השדות שצוינו לפני בקשת יצירה חדשה. |
Ailoot Ultra glm-4-long
השתמשו בנתיבי השיטות המוצגים למעלה.
דוגמה טכנית באנגלית
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.