GLM-4-AirX adalah anggota berkecepatan tinggi dari lini GLM-4 Air Z.ai. Produsen memosisikannya untuk latensi rendah dan tugas aplikasi serentak, dengan perhatian khusus pada kepatuhan instruksi, kode rekayasa, dan pemanggilan fungsi. Model menerima teks dan mengembalikan teks. Profilnya sendiri mencantumkan jendela konteks 8K token dan keluaran maksimum 4K token. Ini berbeda dari konteks lebih besar yang diiklankan untuk GLM-4-Air-250414; AirX mempertahankan profil terbitannya sendiri.
Untuk asisten interaktif, hal ini mengarah pada permintaan terfokus: menjelaskan fungsi, mengklasifikasikan pesan, mengekstrak kolom dari paragraf yang diberikan, atau mengubah instruksi teknis menjadi respons ringkas. Berikan kutipan yang relevan, pertanyaan saat ini, dan hasil yang diinginkan secara bersama. Jaga percakapan lengkap dan setiap pengamatan alat dalam konteks aktif alih-alih menganggap korpus latar belakang besar akan muat.
Deskripsi GLM-4 mencantumkan teks streaming, pemanggilan fungsi, caching konteks, format terstruktur seperti JSON, dan integrasi dengan alat serta sumber data MCP. Streaming menyajikan jawaban saat dihasilkan, sehingga aplikasi dapat menampilkan teks yang berguna sebelum seluruh balasan tiba. Hal ini mengubah cara penyampaian, bukan modalitas masukan atau keluaran model.
Pemanggilan fungsi memungkinkan model mengusulkan tindakan dari fungsi yang dideskripsikan aplikasi. Aplikasi menjalankan tindakan tersebut dan mengembalikan pengamatan. Siklus yang sesuai berupa pencarian informasi kecil diikuti penjelasan ringkas atas data yang dikembalikan. Integrasi MCP juga bergantung pada alat dan data yang disediakan aplikasi. Caching konteks berkaitan dengan penggunaan kembali masukan berulang; hal itu tidak menyiratkan bahwa setiap percakapan berulang menghasilkan hit cache.
Untuk hasil JSON, nyatakan kolom dan maknanya sebelum memberikan materi. Misalnya, berikan permintaan teknis dan minta kategorinya, tindakan wajib, serta pertanyaan yang belum terjawab. Struktur hasilnya berguna untuk langkah aplikasi berikutnya, sementara nilainya tetap perlu diperiksa terhadap teks yang diberikan.
Produsen memasukkan penerjemahan, klasifikasi semantik, ekstraksi kolom dokumen, penulisan pemasaran, laporan analitis, dan perencanaan perjalanan dalam penerapan GLM-4. Profil AirX yang lebih pendek mengutamakan langkah langsung dalam alur kerja semacam itu. Permintaan penerjemahan dapat memberikan kutipan singkat, sasaran pembaca, dan terminologi; keluarannya berupa kutipan hasil penulisan ulang yang mempertahankan nama wajib. Permintaan klasifikasi dapat memberikan label yang diizinkan serta definisinya alih-alih meminta penilaian tanpa spesifikasi.
Untuk ekstraksi, definisikan pengenal dan kolom lain yang diminta serta sertakan hanya kutipan sumber yang relevan. Untuk penulisan, berikan fakta produk dan satu keluaran, seperti paragraf produk atau kalimat kampanye. Untuk laporan atau rencana perjalanan, berikan fakta serta batasan yang relevan bagi langkah saat ini. Jika informasi baru diperlukan, alat pencarian atau data aplikasi menyediakannya; model kemudian bekerja dengan materi yang dikembalikan itu.
AirX dijelaskan telah dipralatih pada 15 triliun token, termasuk materi penalaran sintetis yang substansial. Pascapelatihannya menggunakan penyelarasan preferensi dialog, rejection sampling, dan pembelajaran penguatan untuk memperkuat instruksi, kode rekayasa, serta penggunaan fungsi. Produsen memperkenalkannya sebagai varian GLM-4-Air-250414 yang lebih cepat, dengan perubahan komponen dasar mencakup pengisian awal prompt dan dekode autoregresif. Ini menjelaskan desain produsen, bukan jaminan latensi atau konkurensi yang diukur untuk deployment tertentu.
Berikan AirX satu tugas terbatas dan artefak yang diharapkan secara ringkas. Untuk kode, sertakan fungsi, nilai masukan yang relevan, dan perilaku wajib, lalu minta fragmen yang dikoreksi beserta penjelasannya. Untuk ekstraksi terstruktur, tempatkan definisi kolom sebelum kutipan dan minta informasi yang tidak ada ditandai secara eksplisit. Rencanakan hasil dalam profil keluaran 4K yang diterbitkan; bagi laporan besar menjadi tugas terfokus alih-alih mengharapkan dokumen tanpa batas dari satu balasan.
", "aboutText": "### Gambaran umum dan profil model\n\nGLM-4-AirX adalah anggota berkecepatan tinggi dari lini GLM-4 Air Z.ai. Produsen memosisikannya untuk latensi rendah dan tugas aplikasi serentak, dengan perhatian khusus pada kepatuhan instruksi, kode rekayasa, dan pemanggilan fungsi. Model menerima teks dan mengembalikan teks. Profilnya sendiri mencantumkan jendela konteks 8K token dan keluaran maksimum 4K token. Ini berbeda dari konteks lebih besar yang diiklankan untuk GLM-4-Air-250414; AirX mempertahankan profil terbitannya sendiri.\n\nUntuk asisten interaktif, hal ini mengarah pada permintaan terfokus: menjelaskan fungsi, mengklasifikasikan pesan, mengekstrak kolom dari paragraf yang diberikan, atau mengubah instruksi teknis menjadi respons ringkas. Berikan kutipan yang relevan, pertanyaan saat ini, dan hasil yang diinginkan secara bersama. Jaga percakapan lengkap dan setiap pengamatan alat dalam konteks aktif alih-alih menganggap korpus latar belakang besar akan muat.\n\n### Dukungan kemampuan\n\nDeskripsi GLM-4 mencantumkan teks streaming, pemanggilan fungsi, caching konteks, format terstruktur seperti JSON, dan integrasi dengan alat serta sumber data MCP. Streaming menyajikan jawaban saat dihasilkan, sehingga aplikasi dapat menampilkan teks yang berguna sebelum seluruh balasan tiba. Hal ini mengubah cara penyampaian, bukan modalitas masukan atau keluaran model.\n\nPemanggilan fungsi memungkinkan model mengusulkan tindakan dari fungsi yang dideskripsikan aplikasi. Aplikasi menjalankan tindakan tersebut dan mengembalikan pengamatan. Siklus yang sesuai berupa pencarian informasi kecil diikuti penjelasan ringkas atas data yang dikembalikan. Integrasi MCP juga bergantung pada alat dan data yang disediakan aplikasi. Caching konteks berkaitan dengan penggunaan kembali masukan berulang; hal itu tidak menyiratkan bahwa setiap percakapan berulang menghasilkan hit cache.\n\nUntuk hasil JSON, nyatakan kolom dan maknanya sebelum memberikan materi. Misalnya, berikan permintaan teknis dan minta kategorinya, tindakan wajib, serta pertanyaan yang belum terjawab. Struktur hasilnya berguna untuk langkah aplikasi berikutnya, sementara nilainya tetap perlu diperiksa terhadap teks yang diberikan.\n\n### Skenario yang direkomendasikan\n\nProdusen memasukkan penerjemahan, klasifikasi semantik, ekstraksi kolom dokumen, penulisan pemasaran, laporan analitis, dan perencanaan perjalanan dalam penerapan GLM-4. Profil AirX yang lebih pendek mengutamakan langkah langsung dalam alur kerja semacam itu. Permintaan penerjemahan dapat memberikan kutipan singkat, sasaran pembaca, dan terminologi; keluarannya berupa kutipan hasil penulisan ulang yang mempertahankan nama wajib. Permintaan klasifikasi dapat memberikan label yang diizinkan serta definisinya alih-alih meminta penilaian tanpa spesifikasi.\n\nUntuk ekstraksi, definisikan pengenal dan kolom lain yang diminta serta sertakan hanya kutipan sumber yang relevan. Untuk penulisan, berikan fakta produk dan satu keluaran, seperti paragraf produk atau kalimat kampanye. Untuk laporan atau rencana perjalanan, berikan fakta serta batasan yang relevan bagi langkah saat ini. Jika informasi baru diperlukan, alat pencarian atau data aplikasi menyediakannya; model kemudian bekerja dengan materi yang dikembalikan itu.\n\n### Persiapan terperinci dan fokus kecepatan\n\nAirX dijelaskan telah dipralatih pada 15 triliun token, termasuk materi penalaran sintetis yang substansial. Pascapelatihannya menggunakan penyelarasan preferensi dialog, rejection sampling, dan pembelajaran penguatan untuk memperkuat instruksi, kode rekayasa, serta penggunaan fungsi. Produsen memperkenalkannya sebagai varian GLM-4-Air-250414 yang lebih cepat, dengan perubahan komponen dasar mencakup pengisian awal prompt dan dekode autoregresif. Ini menjelaskan desain produsen, bukan jaminan latensi atau konkurensi yang diukur untuk deployment tertentu.\n\n### Menyiapkan permintaan yang bermanfaat\n\nBerikan AirX satu tugas terbatas dan artefak yang diharapkan secara ringkas. Untuk kode, sertakan fungsi, nilai masukan yang relevan, dan perilaku wajib, lalu minta fragmen yang dikoreksi beserta penjelasannya. Untuk ekstraksi terstruktur, tempatkan definisi kolom sebelum kutipan dan minta informasi yang tidak ada ditandai secara eksplisit. Rencanakan hasil dalam profil keluaran 4K yang diterbitkan; bagi laporan besar menjadi tugas terfokus alih-alih mengharapkan dokumen tanpa batas dari satu balasan.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "434e78b46f9ba581c5b081e77dfbbe7c928c4d822c862e0a2952c75476a4655f", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "id", "methods": [ { "html": "glm-4-airxGLM-4-AirX adalah model teks Z.ai yang berorientasi kecepatan untuk dialog berlatensi rendah, pemrograman, dan alur kerja berbantuan alat. Profil terbitannya menetapkan konteks 8K dan keluaran hingga 4K, sehingga sesuai untuk tugas terfokus dengan hasil ringkas dan terstruktur.
Deskripsi ini mencakup kemampuan model. Masukan, keluaran, dan opsi yang tersedia di Ailoot tercantum di bawah untuk metode yang dipilih.
GLM-4-AirX adalah anggota berkecepatan tinggi dari lini GLM-4 Air Z.ai. Produsen memosisikannya untuk latensi rendah dan tugas aplikasi serentak, dengan perhatian khusus pada kepatuhan instruksi, kode rekayasa, dan pemanggilan fungsi. Model menerima teks dan mengembalikan teks. Profilnya sendiri mencantumkan jendela konteks 8K token dan keluaran maksimum 4K token. Ini berbeda dari konteks lebih besar yang diiklankan untuk GLM-4-Air-250414; AirX mempertahankan profil terbitannya sendiri.
Untuk asisten interaktif, hal ini mengarah pada permintaan terfokus: menjelaskan fungsi, mengklasifikasikan pesan, mengekstrak kolom dari paragraf yang diberikan, atau mengubah instruksi teknis menjadi respons ringkas. Berikan kutipan yang relevan, pertanyaan saat ini, dan hasil yang diinginkan secara bersama. Jaga percakapan lengkap dan setiap pengamatan alat dalam konteks aktif alih-alih menganggap korpus latar belakang besar akan muat.
Deskripsi GLM-4 mencantumkan teks streaming, pemanggilan fungsi, caching konteks, format terstruktur seperti JSON, dan integrasi dengan alat serta sumber data MCP. Streaming menyajikan jawaban saat dihasilkan, sehingga aplikasi dapat menampilkan teks yang berguna sebelum seluruh balasan tiba. Hal ini mengubah cara penyampaian, bukan modalitas masukan atau keluaran model.
Pemanggilan fungsi memungkinkan model mengusulkan tindakan dari fungsi yang dideskripsikan aplikasi. Aplikasi menjalankan tindakan tersebut dan mengembalikan pengamatan. Siklus yang sesuai berupa pencarian informasi kecil diikuti penjelasan ringkas atas data yang dikembalikan. Integrasi MCP juga bergantung pada alat dan data yang disediakan aplikasi. Caching konteks berkaitan dengan penggunaan kembali masukan berulang; hal itu tidak menyiratkan bahwa setiap percakapan berulang menghasilkan hit cache.
Untuk hasil JSON, nyatakan kolom dan maknanya sebelum memberikan materi. Misalnya, berikan permintaan teknis dan minta kategorinya, tindakan wajib, serta pertanyaan yang belum terjawab. Struktur hasilnya berguna untuk langkah aplikasi berikutnya, sementara nilainya tetap perlu diperiksa terhadap teks yang diberikan.
Produsen memasukkan penerjemahan, klasifikasi semantik, ekstraksi kolom dokumen, penulisan pemasaran, laporan analitis, dan perencanaan perjalanan dalam penerapan GLM-4. Profil AirX yang lebih pendek mengutamakan langkah langsung dalam alur kerja semacam itu. Permintaan penerjemahan dapat memberikan kutipan singkat, sasaran pembaca, dan terminologi; keluarannya berupa kutipan hasil penulisan ulang yang mempertahankan nama wajib. Permintaan klasifikasi dapat memberikan label yang diizinkan serta definisinya alih-alih meminta penilaian tanpa spesifikasi.
Untuk ekstraksi, definisikan pengenal dan kolom lain yang diminta serta sertakan hanya kutipan sumber yang relevan. Untuk penulisan, berikan fakta produk dan satu keluaran, seperti paragraf produk atau kalimat kampanye. Untuk laporan atau rencana perjalanan, berikan fakta serta batasan yang relevan bagi langkah saat ini. Jika informasi baru diperlukan, alat pencarian atau data aplikasi menyediakannya; model kemudian bekerja dengan materi yang dikembalikan itu.
AirX dijelaskan telah dipralatih pada 15 triliun token, termasuk materi penalaran sintetis yang substansial. Pascapelatihannya menggunakan penyelarasan preferensi dialog, rejection sampling, dan pembelajaran penguatan untuk memperkuat instruksi, kode rekayasa, serta penggunaan fungsi. Produsen memperkenalkannya sebagai varian GLM-4-Air-250414 yang lebih cepat, dengan perubahan komponen dasar mencakup pengisian awal prompt dan dekode autoregresif. Ini menjelaskan desain produsen, bukan jaminan latensi atau konkurensi yang diukur untuk deployment tertentu.
Berikan AirX satu tugas terbatas dan artefak yang diharapkan secara ringkas. Untuk kode, sertakan fungsi, nilai masukan yang relevan, dan perilaku wajib, lalu minta fragmen yang dikoreksi beserta penjelasannya. Untuk ekstraksi terstruktur, tempatkan definisi kolom sebelum kutipan dan minta informasi yang tidak ada ditandai secara eksplisit. Rencanakan hasil dalam profil keluaran 4K yang diterbitkan; bagi laporan besar menjadi tugas terfokus alih-alih mengharapkan dokumen tanpa batas dari satu balasan.
POST /v1/chat/completionstexttext| Kolom | Jenis | Persyaratan | Nilai & batasan | Bawaan |
|---|---|---|---|---|
Kolommodel | Jenisstring | PersyaratanWajib | Nilai & batasan glm-4-airx | Bawaan— |
Kolommessages | Jenismessage[] | PersyaratanWajib | Nilai & batasan Item minimum: 1 | Bawaan— |
Kolommessages[].role | Jenisstring | PersyaratanWajib | Nilai & batasan Bergantung pada model | Bawaan— |
Kolommessages[].content | Jenisstring | PersyaratanOpsional | Nilai & batasan Berlaku jika: Percakapan teks | Bawaan— |
Kolomstream | Jenisboolean | PersyaratanOpsional | Nilai & batasan | Bawaanfalse |
Teks · Teks UTF8
messages[].content
| Parameter | Kontrak |
|---|---|
Parametercontent_type | Kontrakapplication/json |
Parameterrequired | Kontrakmodel, messages |
Parametermaterial_types | Kontraktext |
Parametermessages | Kontrakarray pesan dengan struktur role/content |
Parameterfile_material | Kontrakdokumen UTF-8 yang sebenarnya dimasukkan sebagai teks apa adanya; ID file tidak disimpulkan |
Parameteroptional_controls | Kontrakstream |
Parametercontrol_scope | KontrakPercakapan teks; stream adalah nilai boolean dengan false sebagai bawaan. |
Parameteroutput_modalities | Kontraktext |
Parameterhosted_operations | Kontrakfalse |
Parametermultimodal_input_binding | Kontraknull |
Alias metode: /chat/completions
Siklus hidup: synchronous_or_streamed
Kirim ID model yang tepat bersama messages.
Panjang konteks bukan batas keluaran.
File teks dapat menyediakan teks apa adanya; masukan gambar/audio/objek file memerlukan pengikatan yang tepat.
Referensi tarif tidak menambah opsi permintaan. Parameter yang didukung tercantum pada metode yang dipilih.
Cocokkan setiap biaya dengan kondisi yang ditampilkan. Gunakan satu tarif untuk setiap kelompok konfigurasi alternatif.
| Konfigurasi | Jadwal tarif | Token konteks, lebih dari | Token konteks, hingga dan termasuk | Biaya |
|---|---|---|---|---|
| KonfigurasiTarif dasar token | Jadwal tarifTarif dasar | Token konteks, lebih dari— | Token konteks, hingga dan termasukTanpa batas atas | Biaya Masukan · Token masukan $0.0028 / 1K token Keluaran · Token keluaran $0.0028 / 1K token Masukan · Pembacaan cache — / 1K token Masukan · Penulisan cache — / 1K token Masukan · Penulisan cache, 1 jam — / 1K token |
| KonfigurasiPanjang permintaan · tingkat 1 | Jadwal tarif— | Token konteks, lebih dari0 | Token konteks, hingga dan termasukTanpa batas atas | Biaya Masukan · Token masukan $0.0028 / 1K token Keluaran · Token keluaran $0.0028 / 1K token Masukan · Pembacaan cache — / 1K token Masukan · Penulisan cache — / 1K token Masukan · Penulisan cache, 1 jam — / 1K token |
Ailoot mencadangkan perkiraan dana sebelum permintaan. Setelah hasil diterima, tagihan akhir diselesaikan berdasarkan penggunaan yang terukur. Penyelesaian tagihan streaming menggunakan catatan penggunaan akhir. Cara kerja cadangan dan penyelesaian tagihan →
set -eu\n: "${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 atau SSE
Simpan setiap respons lengkap, berkas, dan bagian konten yang dikembalikan.
Simpan setiap alternatif jawaban beserta konten, panggilan alat, dan penalarannya. Dalam SSE, gabungkan delta menurut indeks alternatif jawaban/alat, lalu pertahankan alasan penghentian akhir dan data penggunaan.
Simpan ID permintaan/respons dan header. URL umum untuk pengambilan tugas teks tidak disediakan.
| Kolom | Jenis |
|---|---|
Kolomchoices[].index | Jenisinteger |
Kolomchoices[].message.content | Jenisstring|null |
Kolomchoices[].message.tool_calls | Jenistool_call[] |
Kolomchoices[].message.reasoning_content | Jenisstring |
Kolomchoices[].message.reasoning_details | Jenisobject|array |
Kolomchoices[].finish_reason | Jenisstring|null |
Kolomusage | Jenisobject |
| Respons | Kondisi | Langkah berikutnya |
|---|---|---|
Respons400 · invalid_request_error | KondisiBidang wajib, representasi materi, atau nilai parameter tidak valid | Langkah berikutnyaPerbaiki bidang yang ditunjukkan sebelum permintaan pembuatan baru. |
Ailoot Ultra glm-4-airx
/chat/completions
glm-4-airxGLM-4-AirX adalah model teks Z.ai yang berorientasi kecepatan untuk dialog berlatensi rendah, pemrograman, dan alur kerja berbantuan alat. Profil terbitannya menetapkan konteks 8K dan keluaran hingga 4K, sehingga sesuai untuk tugas terfokus dengan hasil ringkas dan terstruktur.
Deskripsi ini mencakup kemampuan model. Masukan, keluaran, dan opsi yang tersedia di Ailoot tercantum di bawah untuk metode yang dipilih.
GLM-4-AirX adalah anggota berkecepatan tinggi dari lini GLM-4 Air Z.ai. Produsen memosisikannya untuk latensi rendah dan tugas aplikasi serentak, dengan perhatian khusus pada kepatuhan instruksi, kode rekayasa, dan pemanggilan fungsi. Model menerima teks dan mengembalikan teks. Profilnya sendiri mencantumkan jendela konteks 8K token dan keluaran maksimum 4K token. Ini berbeda dari konteks lebih besar yang diiklankan untuk GLM-4-Air-250414; AirX mempertahankan profil terbitannya sendiri.
Untuk asisten interaktif, hal ini mengarah pada permintaan terfokus: menjelaskan fungsi, mengklasifikasikan pesan, mengekstrak kolom dari paragraf yang diberikan, atau mengubah instruksi teknis menjadi respons ringkas. Berikan kutipan yang relevan, pertanyaan saat ini, dan hasil yang diinginkan secara bersama. Jaga percakapan lengkap dan setiap pengamatan alat dalam konteks aktif alih-alih menganggap korpus latar belakang besar akan muat.
Deskripsi GLM-4 mencantumkan teks streaming, pemanggilan fungsi, caching konteks, format terstruktur seperti JSON, dan integrasi dengan alat serta sumber data MCP. Streaming menyajikan jawaban saat dihasilkan, sehingga aplikasi dapat menampilkan teks yang berguna sebelum seluruh balasan tiba. Hal ini mengubah cara penyampaian, bukan modalitas masukan atau keluaran model.
Pemanggilan fungsi memungkinkan model mengusulkan tindakan dari fungsi yang dideskripsikan aplikasi. Aplikasi menjalankan tindakan tersebut dan mengembalikan pengamatan. Siklus yang sesuai berupa pencarian informasi kecil diikuti penjelasan ringkas atas data yang dikembalikan. Integrasi MCP juga bergantung pada alat dan data yang disediakan aplikasi. Caching konteks berkaitan dengan penggunaan kembali masukan berulang; hal itu tidak menyiratkan bahwa setiap percakapan berulang menghasilkan hit cache.
Untuk hasil JSON, nyatakan kolom dan maknanya sebelum memberikan materi. Misalnya, berikan permintaan teknis dan minta kategorinya, tindakan wajib, serta pertanyaan yang belum terjawab. Struktur hasilnya berguna untuk langkah aplikasi berikutnya, sementara nilainya tetap perlu diperiksa terhadap teks yang diberikan.
Produsen memasukkan penerjemahan, klasifikasi semantik, ekstraksi kolom dokumen, penulisan pemasaran, laporan analitis, dan perencanaan perjalanan dalam penerapan GLM-4. Profil AirX yang lebih pendek mengutamakan langkah langsung dalam alur kerja semacam itu. Permintaan penerjemahan dapat memberikan kutipan singkat, sasaran pembaca, dan terminologi; keluarannya berupa kutipan hasil penulisan ulang yang mempertahankan nama wajib. Permintaan klasifikasi dapat memberikan label yang diizinkan serta definisinya alih-alih meminta penilaian tanpa spesifikasi.
Untuk ekstraksi, definisikan pengenal dan kolom lain yang diminta serta sertakan hanya kutipan sumber yang relevan. Untuk penulisan, berikan fakta produk dan satu keluaran, seperti paragraf produk atau kalimat kampanye. Untuk laporan atau rencana perjalanan, berikan fakta serta batasan yang relevan bagi langkah saat ini. Jika informasi baru diperlukan, alat pencarian atau data aplikasi menyediakannya; model kemudian bekerja dengan materi yang dikembalikan itu.
AirX dijelaskan telah dipralatih pada 15 triliun token, termasuk materi penalaran sintetis yang substansial. Pascapelatihannya menggunakan penyelarasan preferensi dialog, rejection sampling, dan pembelajaran penguatan untuk memperkuat instruksi, kode rekayasa, serta penggunaan fungsi. Produsen memperkenalkannya sebagai varian GLM-4-Air-250414 yang lebih cepat, dengan perubahan komponen dasar mencakup pengisian awal prompt dan dekode autoregresif. Ini menjelaskan desain produsen, bukan jaminan latensi atau konkurensi yang diukur untuk deployment tertentu.
Berikan AirX satu tugas terbatas dan artefak yang diharapkan secara ringkas. Untuk kode, sertakan fungsi, nilai masukan yang relevan, dan perilaku wajib, lalu minta fragmen yang dikoreksi beserta penjelasannya. Untuk ekstraksi terstruktur, tempatkan definisi kolom sebelum kutipan dan minta informasi yang tidak ada ditandai secara eksplisit. Rencanakan hasil dalam profil keluaran 4K yang diterbitkan; bagi laporan besar menjadi tugas terfokus alih-alih mengharapkan dokumen tanpa batas dari satu balasan.
POST /v1/messagestextjson, sse| Kolom | Jenis | Persyaratan | Nilai & batasan | Bawaan |
|---|---|---|---|---|
Kolommodel | Jenisstring | PersyaratanWajib | Nilai & batasan glm-4-airx | Bawaan— |
Kolommessages | Jenismessage[] | PersyaratanWajib | Nilai & batasan | Bawaan— |
Kolommessages[].role | Jenisstring | PersyaratanWajib | Nilai & batasan user, assistant | Bawaan— |
Kolommessages[].content | Jenisstring | PersyaratanWajib | Nilai & batasan | Bawaan— |
Kolommax_tokens | Jenisinteger | PersyaratanWajib | Nilai & batasan | Bawaan— |
Kolomstream | Jenisboolean | PersyaratanOpsional | Nilai & batasan | Bawaanfalse |
Teks · Teks UTF-8
string messages[].content
| Parameter | Kontrak |
|---|---|
Parametercontent_type | Kontrakapplication/json |
Parameterrequired | Kontrakmodel, messages, max_tokens |
Parameteroptional_controls | Kontrakstream |
Parametermaterial_types | Kontraktext |
Parametertext_file_material | KontrakBaca dokumen UTF-8 yang sebenarnya dan masukkan teksnya ke string masukan atau konten pesan yang ditunjukkan. |
Siklus hidup: synchronous_or_streamed
Referensi tarif tidak menambah opsi permintaan. Parameter yang didukung tercantum pada metode yang dipilih.
Cocokkan setiap biaya dengan kondisi yang ditampilkan. Gunakan satu tarif untuk setiap kelompok konfigurasi alternatif.
| Konfigurasi | Jadwal tarif | Token konteks, lebih dari | Token konteks, hingga dan termasuk | Biaya |
|---|---|---|---|---|
| KonfigurasiTarif dasar token | Jadwal tarifTarif dasar | Token konteks, lebih dari— | Token konteks, hingga dan termasukTanpa batas atas | Biaya Masukan · Token masukan $0.0028 / 1K token Keluaran · Token keluaran $0.0028 / 1K token Masukan · Pembacaan cache — / 1K token Masukan · Penulisan cache — / 1K token Masukan · Penulisan cache, 1 jam — / 1K token |
| KonfigurasiPanjang permintaan · tingkat 1 | Jadwal tarif— | Token konteks, lebih dari0 | Token konteks, hingga dan termasukTanpa batas atas | Biaya Masukan · Token masukan $0.0028 / 1K token Keluaran · Token keluaran $0.0028 / 1K token Masukan · Pembacaan cache — / 1K token Masukan · Penulisan cache — / 1K token Masukan · Penulisan cache, 1 jam — / 1K token |
Ailoot mencadangkan perkiraan dana sebelum permintaan. Setelah hasil diterima, tagihan akhir diselesaikan berdasarkan penggunaan yang terukur. Penyelesaian tagihan streaming menggunakan catatan penggunaan akhir. Cara kerja cadangan dan penyelesaian tagihan →
{\n "model": "glm-4-airx",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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 atau SSE
Simpan setiap respons lengkap, berkas, dan bagian konten yang dikembalikan.
Simpan semua blok konten, tanda tangan penalaran, dan ID penggunaan alat yang sebenarnya. Gabungkan semua delta blok SSE; blok teks pertama bukan keseluruhan keluaran.
Simpan ID permintaan/respons dan header. URL umum untuk pengambilan tugas teks tidak disediakan.
| Kolom | Jenis |
|---|---|
Kolomid | Jenisstring |
Kolommodel | Jenisstring |
Kolomcontent[] | Jenistext|thinking|tool_use|other content block |
Kolomstop_reason | Jenisstring|null |
Kolomusage | Jenisobject |
| Respons | Kondisi | Langkah berikutnya |
|---|---|---|
Respons400 · invalid_request_error | KondisiBidang wajib, representasi materi, atau nilai parameter tidak valid | Langkah berikutnyaPerbaiki bidang yang ditunjukkan sebelum permintaan pembuatan baru. |
Ailoot Ultra glm-4-airx
/chat/completions