GLM-4-Long adalah model bahasa Zhipu AI untuk teks yang sangat panjang dan tugas percakapan berorientasi memori. Produsen menetapkan masukan teks dan keluaran teks, jendela konteks 1M, serta keluaran maksimum 4K token. Penekanannya adalah membaca, menerjemahkan, dan menganalisis materi yang luas, lalu menghasilkan respons terfokus berdasarkan konten yang diberikan.
Berikan teks dokumen bersama pertanyaan yang perlu dijawabnya. Jaga agar judul bagian, pengenal halaman atau bab, tanggal, dan satuan tabel tetap melekat pada isinya. Jendela masukan panjang berguna ketika jawaban bergantung pada hubungan di berbagai bagian, seperti tujuan yang dinyatakan, bukti pendukungnya, dan pengecualian di bagian lain dokumen.
Pengembang menjelaskan perluasan konteks bertahap dari 2K menjadi 1M melalui prapelatihan lanjutan, fine-tuning terawasi, dan pembelajaran penguatan dari umpan balik manusia. Untuk pekerjaan praktis, tentukan hubungan yang perlu diperiksa sebelum meminta ringkasan luas. Contoh instruksinya: “Bandingkan arsitektur usulan dengan bagian implementasi, dan identifikasi setiap perbedaan beserta bagian sumbernya.” Hasilnya dapat berupa perbandingan ringkas yang menjaga bukti asli tetap tersedia untuk peninjauan.
Produsen menyarankan analisis laporan tahunan, ekstraksi struktur pendapatan, pengungkapan risiko, dan pembahasan manajemen, serta perbandingan data keuangan antarperiode. Siapkan laporan bersama tanggal pelaporan dan label satuan serta mata uang yang konsisten. Minta tabel angka pilihan, kutipan di balik setiap nilai, dan penjelasan perubahan secara terpisah. Ini mempertahankan perbedaan antara angka yang dilaporkan dan penafsiran pergerakannya.
Untuk materi akademis, GLM-4-Long dapat menyusun latar belakang riset, metode eksperimen, dan kesimpulan menurut topik. Berikan kutipan lengkap yang diperlukan untuk perbandingan, termasuk definisi serta kualifikasi yang muncul di bab lain. Keluaran yang bermanfaat berupa peta klaim, metode, dan bagian pendukung, diikuti pertanyaan yang belum terjawab dalam teks yang diberikan. Pisahkan kutipan dan analisis model dalam kolom berbeda ketika menyiapkan catatan riset.
Skenario dokumen hukum pengembang mencakup undang-undang, perkara, dan kontrak, termasuk klausul hak, kewajiban, serta tanggung jawab. Sebutkan para pihak dan persoalan yang perlu dibandingkan, lalu minta klausul relevan beserta rujukan bagiannya. Ekstraksi terfokus dapat menjadi dokumen kerja untuk tinjauan profesional selanjutnya, dengan rumusan sumber di samping penjelasan.
Skenario fiksi berkaitan dengan hubungan tokoh, struktur plot, ringkasan terarah, dan kelanjutan berdasarkan gaya narasi panjang. Tentukan bab dan titik kronologi yang penting. Misalnya, minta peta hubungan tokoh dengan peristiwa yang mendukung setiap hubungan, atau brief kelanjutan yang mempertahankan nama yang telah ditetapkan serta alur cerita yang belum tuntas.
Keluaran maksimum 4K yang didokumentasikan jauh lebih kecil daripada konteks masukan. Pilih keluaran yang diinginkan: ringkasan eksekutif, perbandingan klausul, garis besar riset, atau analisis khusus bab. Untuk tinjauan besar, bagi keluaran yang diminta menjadi tugas bernama jelas sambil menjaga materi sumber relevan tetap terkait dengan setiap jawaban.
Untuk percakapan dokumen berkelanjutan, pertahankan pertanyaan sebelumnya, jawaban, dan kutipan yang diperlukan untuk pertanyaan berikutnya. Produsen menjelaskan chat berorientasi memori sebagai penggunaan konteks panjang; susun konteks itu agar tindak lanjut merujuk dokumen, periode pelaporan, atau bab yang sama. Simpan analisis selesai bersama pengenal sumber tersebut, lalu periksa nama, angka, dan kutipan yang diekstrak terhadap teks dasarnya sebelum memasukkannya ke laporan berikutnya.
", "aboutText": "GLM-4-Long adalah model bahasa Zhipu AI untuk teks yang sangat panjang dan tugas percakapan berorientasi memori. Produsen menetapkan masukan teks dan keluaran teks, jendela konteks 1M, serta keluaran maksimum 4K token. Penekanannya adalah membaca, menerjemahkan, dan menganalisis materi yang luas, lalu menghasilkan respons terfokus berdasarkan konten yang diberikan.\n\n### Siapkan materi untuk analisis menyeluruh\n\nBerikan teks dokumen bersama pertanyaan yang perlu dijawabnya. Jaga agar judul bagian, pengenal halaman atau bab, tanggal, dan satuan tabel tetap melekat pada isinya. Jendela masukan panjang berguna ketika jawaban bergantung pada hubungan di berbagai bagian, seperti tujuan yang dinyatakan, bukti pendukungnya, dan pengecualian di bagian lain dokumen.\n\nPengembang menjelaskan perluasan konteks bertahap dari 2K menjadi 1M melalui prapelatihan lanjutan, fine-tuning terawasi, dan pembelajaran penguatan dari umpan balik manusia. Untuk pekerjaan praktis, tentukan hubungan yang perlu diperiksa sebelum meminta ringkasan luas. Contoh instruksinya: “Bandingkan arsitektur usulan dengan bagian implementasi, dan identifikasi setiap perbedaan beserta bagian sumbernya.” Hasilnya dapat berupa perbandingan ringkas yang menjaga bukti asli tetap tersedia untuk peninjauan.\n\n### Baca laporan keuangan dan makalah akademis\n\nProdusen menyarankan analisis laporan tahunan, ekstraksi struktur pendapatan, pengungkapan risiko, dan pembahasan manajemen, serta perbandingan data keuangan antarperiode. Siapkan laporan bersama tanggal pelaporan dan label satuan serta mata uang yang konsisten. Minta tabel angka pilihan, kutipan di balik setiap nilai, dan penjelasan perubahan secara terpisah. Ini mempertahankan perbedaan antara angka yang dilaporkan dan penafsiran pergerakannya.\n\nUntuk materi akademis, GLM-4-Long dapat menyusun latar belakang riset, metode eksperimen, dan kesimpulan menurut topik. Berikan kutipan lengkap yang diperlukan untuk perbandingan, termasuk definisi serta kualifikasi yang muncul di bab lain. Keluaran yang bermanfaat berupa peta klaim, metode, dan bagian pendukung, diikuti pertanyaan yang belum terjawab dalam teks yang diberikan. Pisahkan kutipan dan analisis model dalam kolom berbeda ketika menyiapkan catatan riset.\n\n### Ikuti klausul, tokoh, dan peristiwa sepanjang teks panjang\n\nSkenario dokumen hukum pengembang mencakup undang-undang, perkara, dan kontrak, termasuk klausul hak, kewajiban, serta tanggung jawab. Sebutkan para pihak dan persoalan yang perlu dibandingkan, lalu minta klausul relevan beserta rujukan bagiannya. Ekstraksi terfokus dapat menjadi dokumen kerja untuk tinjauan profesional selanjutnya, dengan rumusan sumber di samping penjelasan.\n\nSkenario fiksi berkaitan dengan hubungan tokoh, struktur plot, ringkasan terarah, dan kelanjutan berdasarkan gaya narasi panjang. Tentukan bab dan titik kronologi yang penting. Misalnya, minta peta hubungan tokoh dengan peristiwa yang mendukung setiap hubungan, atau brief kelanjutan yang mempertahankan nama yang telah ditetapkan serta alur cerita yang belum tuntas.\n\n### Gunakan masukan panjang dengan jawaban terbatas\n\nKeluaran maksimum 4K yang didokumentasikan jauh lebih kecil daripada konteks masukan. Pilih keluaran yang diinginkan: ringkasan eksekutif, perbandingan klausul, garis besar riset, atau analisis khusus bab. Untuk tinjauan besar, bagi keluaran yang diminta menjadi tugas bernama jelas sambil menjaga materi sumber relevan tetap terkait dengan setiap jawaban.\n\nUntuk percakapan dokumen berkelanjutan, pertahankan pertanyaan sebelumnya, jawaban, dan kutipan yang diperlukan untuk pertanyaan berikutnya. Produsen menjelaskan chat berorientasi memori sebagai penggunaan konteks panjang; susun konteks itu agar tindak lanjut merujuk dokumen, periode pelaporan, atau bab yang sama. Simpan analisis selesai bersama pengenal sumber tersebut, lalu periksa nama, angka, dan kutipan yang diekstrak terhadap teks dasarnya sebelum memasukkannya ke laporan berikutnya.", "editorialOverlay": { "copy_fields": { "practical_html": "Contoh teknis dalam bahasa Inggris
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 adalah model Zhipu AI untuk membaca teks yang sangat panjang dan mempertahankan konteks dokumen sepanjang percakapan. Konteks 1M dan keluaran maksimum 4K yang didokumentasikan mendukung analisis terfokus atas laporan, makalah, kontrak, dan fiksi panjang.
Deskripsi ini mencakup kemampuan model. Masukan, keluaran, dan opsi yang tersedia di Ailoot tercantum di bawah untuk metode yang dipilih.
GLM-4-Long adalah model bahasa Zhipu AI untuk teks yang sangat panjang dan tugas percakapan berorientasi memori. Produsen menetapkan masukan teks dan keluaran teks, jendela konteks 1M, serta keluaran maksimum 4K token. Penekanannya adalah membaca, menerjemahkan, dan menganalisis materi yang luas, lalu menghasilkan respons terfokus berdasarkan konten yang diberikan.
Berikan teks dokumen bersama pertanyaan yang perlu dijawabnya. Jaga agar judul bagian, pengenal halaman atau bab, tanggal, dan satuan tabel tetap melekat pada isinya. Jendela masukan panjang berguna ketika jawaban bergantung pada hubungan di berbagai bagian, seperti tujuan yang dinyatakan, bukti pendukungnya, dan pengecualian di bagian lain dokumen.
Pengembang menjelaskan perluasan konteks bertahap dari 2K menjadi 1M melalui prapelatihan lanjutan, fine-tuning terawasi, dan pembelajaran penguatan dari umpan balik manusia. Untuk pekerjaan praktis, tentukan hubungan yang perlu diperiksa sebelum meminta ringkasan luas. Contoh instruksinya: “Bandingkan arsitektur usulan dengan bagian implementasi, dan identifikasi setiap perbedaan beserta bagian sumbernya.” Hasilnya dapat berupa perbandingan ringkas yang menjaga bukti asli tetap tersedia untuk peninjauan.
Produsen menyarankan analisis laporan tahunan, ekstraksi struktur pendapatan, pengungkapan risiko, dan pembahasan manajemen, serta perbandingan data keuangan antarperiode. Siapkan laporan bersama tanggal pelaporan dan label satuan serta mata uang yang konsisten. Minta tabel angka pilihan, kutipan di balik setiap nilai, dan penjelasan perubahan secara terpisah. Ini mempertahankan perbedaan antara angka yang dilaporkan dan penafsiran pergerakannya.
Untuk materi akademis, GLM-4-Long dapat menyusun latar belakang riset, metode eksperimen, dan kesimpulan menurut topik. Berikan kutipan lengkap yang diperlukan untuk perbandingan, termasuk definisi serta kualifikasi yang muncul di bab lain. Keluaran yang bermanfaat berupa peta klaim, metode, dan bagian pendukung, diikuti pertanyaan yang belum terjawab dalam teks yang diberikan. Pisahkan kutipan dan analisis model dalam kolom berbeda ketika menyiapkan catatan riset.
Skenario dokumen hukum pengembang mencakup undang-undang, perkara, dan kontrak, termasuk klausul hak, kewajiban, serta tanggung jawab. Sebutkan para pihak dan persoalan yang perlu dibandingkan, lalu minta klausul relevan beserta rujukan bagiannya. Ekstraksi terfokus dapat menjadi dokumen kerja untuk tinjauan profesional selanjutnya, dengan rumusan sumber di samping penjelasan.
Skenario fiksi berkaitan dengan hubungan tokoh, struktur plot, ringkasan terarah, dan kelanjutan berdasarkan gaya narasi panjang. Tentukan bab dan titik kronologi yang penting. Misalnya, minta peta hubungan tokoh dengan peristiwa yang mendukung setiap hubungan, atau brief kelanjutan yang mempertahankan nama yang telah ditetapkan serta alur cerita yang belum tuntas.
Keluaran maksimum 4K yang didokumentasikan jauh lebih kecil daripada konteks masukan. Pilih keluaran yang diinginkan: ringkasan eksekutif, perbandingan klausul, garis besar riset, atau analisis khusus bab. Untuk tinjauan besar, bagi keluaran yang diminta menjadi tugas bernama jelas sambil menjaga materi sumber relevan tetap terkait dengan setiap jawaban.
Untuk percakapan dokumen berkelanjutan, pertahankan pertanyaan sebelumnya, jawaban, dan kutipan yang diperlukan untuk pertanyaan berikutnya. Produsen menjelaskan chat berorientasi memori sebagai penggunaan konteks panjang; susun konteks itu agar tindak lanjut merujuk dokumen, periode pelaporan, atau bab yang sama. Simpan analisis selesai bersama pengenal sumber tersebut, lalu periksa nama, angka, dan kutipan yang diekstrak terhadap teks dasarnya sebelum memasukkannya ke laporan berikutnya.
POST /v1/chat/completionstexttext| Kolom | Jenis | Persyaratan | Nilai & batasan | Bawaan |
|---|---|---|---|---|
Kolommodel | Jenisstring | PersyaratanWajib | Nilai & batasan glm-4-long | Bawaan— |
Kolommessages | Jenismessage[] | PersyaratanWajib | Nilai & batasan Item minimum: 1 | Bawaan— |
Kolommessages[].role | Jenisstring | PersyaratanWajib | Nilai & batasan Contoh: system, user, assistant, tool, function Kondisi: Peran ini direpresentasikan secara eksplisit oleh tipe kompatibilitas dalam kode sumber; kumpulan peran model yang tepat tetap khusus untuk tiap model. Bergantung pada model | Bawaan— |
Kolommessages[].content | Jenisstring|content_part[]|null | PersyaratanOpsional | Nilai & batasan | Bawaan— |
Kolommessages[].tool_calls | Jenistool_call[] | PersyaratanOpsional | Nilai & batasan | Bawaan— |
Kolommessages[].tool_call_id | Jenisstring | PersyaratanOpsional | Nilai & batasan Berlaku jika: role=tool; gunakan ID yang benar-benar dikembalikan | Bawaan— |
Kolommessages[].name | Jenisstring | PersyaratanOpsional | Nilai & batasan | Bawaan— |
Kolommessages[].reasoning_content | Jenisstring | PersyaratanOpsional | Nilai & batasan Berlaku jika: Kirim kembali penalaran yang benar-benar dikembalikan jika model ini menggunakannya | Bawaan— |
Kolommessages[].reasoning_details | Jenisobject|array | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolommax_tokens | Jenisinteger | PersyaratanOpsional | Nilai & batasan Minimum: 1 Bergantung pada model | Bawaan— |
Kolommax_completion_tokens | Jenisinteger | PersyaratanOpsional | Nilai & batasan Minimum: 1 Bergantung pada model | Bawaan— |
Kolomstream | Jenisboolean | PersyaratanOpsional | Nilai & batasan | Bawaanfalse |
Kolomstream_options.include_usage | Jenisboolean | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolomtemperature | Jenisnumber | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolomtop_p | Jenisnumber | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolomstop | Jenisstring|string[] | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolomtools | Jenisfunction_tool[] | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolomtools[].type | Jenisstring | PersyaratanOpsional | Nilai & batasan function Bergantung pada model | Bawaan— |
Kolomtools[].function.name | Jenisstring | PersyaratanWajib | Nilai & batasan Berlaku jika: alat fungsi disediakan | Bawaan— |
Kolomtools[].function.description | Jenisstring | PersyaratanOpsional | Nilai & batasan | Bawaan— |
Kolomtools[].function.parameters | JenisJSON_schema | PersyaratanOpsional | Nilai & batasan | Bawaan— |
Kolomtool_choice | Jenisstring|object | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolomparallel_tool_calls | Jenisboolean | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolomresponse_format | Jenisobject | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolomreasoning_effort | Jenisstring | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolomreasoning | Jenisobject | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolomservice_tier | Jenisstring | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolominstructions | Jenisstring | PersyaratanOpsional | Nilai & batasan Kolom kompatibilitas | Bawaan— |
Kolomfunctions | Jenisfunction[] | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolomfunction_call | Jenisstring|object | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolomprompt_cache_options | Jenisobject | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolommodalities | Jenisstring[] | PersyaratanOpsional | Nilai & batasan text | Bawaan— |
Kolomprovider | Jenisobject | PersyaratanOpsional | Nilai & batasan Kondisi: provider.options ditolak pada rute teks Ultra ini | Bawaan— |
Kolomcache_control.ttl | Jenisstring | PersyaratanOpsional | Nilai & batasan Kondisi: 1h ditolak pada lokasi cache prompt yang digunakan | Bawaan— |
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, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametercontrol_scope | Kontrakkhusus model; alat fungsi pengguna berbeda dari alat yang dihosting |
Parameteroutput_modalities | Kontraktext |
Parameterhosted_operations | Kontrakfalse |
Parametermultimodal_input_binding | Kontraknull |
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.
| Konfigurasi | Jadwal tarif | Biaya |
|---|---|---|
| KonfigurasiTarif dasar token | Jadwal tarifTarif dasar | Biaya Masukan · Token masukan $0.00028 / 1K token Keluaran · Token keluaran $0.00028 / 1K token Masukan · Pembacaan cache $0 / 1K token Masukan · Penulisan cache $0 / 1K token Masukan · Penulisan cache, 1 jam — / 1K token |
Ailoot mencadangkan perkiraan dana sebelum permintaan. Setelah hasil diterima, tagihan akhir diselesaikan berdasarkan penggunaan yang terukur. Penyelesaian tagihan streaming menggunakan catatan penggunaan akhir. Cara kerja cadangan dan penyelesaian tagihan →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "glm-4-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 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-long
Gunakan jalur metode yang ditampilkan di atas.
glm-4-longGLM-4-Long adalah model Zhipu AI untuk membaca teks yang sangat panjang dan mempertahankan konteks dokumen sepanjang percakapan. Konteks 1M dan keluaran maksimum 4K yang didokumentasikan mendukung analisis terfokus atas laporan, makalah, kontrak, dan fiksi panjang.
Deskripsi ini mencakup kemampuan model. Masukan, keluaran, dan opsi yang tersedia di Ailoot tercantum di bawah untuk metode yang dipilih.
GLM-4-Long adalah model bahasa Zhipu AI untuk teks yang sangat panjang dan tugas percakapan berorientasi memori. Produsen menetapkan masukan teks dan keluaran teks, jendela konteks 1M, serta keluaran maksimum 4K token. Penekanannya adalah membaca, menerjemahkan, dan menganalisis materi yang luas, lalu menghasilkan respons terfokus berdasarkan konten yang diberikan.
Berikan teks dokumen bersama pertanyaan yang perlu dijawabnya. Jaga agar judul bagian, pengenal halaman atau bab, tanggal, dan satuan tabel tetap melekat pada isinya. Jendela masukan panjang berguna ketika jawaban bergantung pada hubungan di berbagai bagian, seperti tujuan yang dinyatakan, bukti pendukungnya, dan pengecualian di bagian lain dokumen.
Pengembang menjelaskan perluasan konteks bertahap dari 2K menjadi 1M melalui prapelatihan lanjutan, fine-tuning terawasi, dan pembelajaran penguatan dari umpan balik manusia. Untuk pekerjaan praktis, tentukan hubungan yang perlu diperiksa sebelum meminta ringkasan luas. Contoh instruksinya: “Bandingkan arsitektur usulan dengan bagian implementasi, dan identifikasi setiap perbedaan beserta bagian sumbernya.” Hasilnya dapat berupa perbandingan ringkas yang menjaga bukti asli tetap tersedia untuk peninjauan.
Produsen menyarankan analisis laporan tahunan, ekstraksi struktur pendapatan, pengungkapan risiko, dan pembahasan manajemen, serta perbandingan data keuangan antarperiode. Siapkan laporan bersama tanggal pelaporan dan label satuan serta mata uang yang konsisten. Minta tabel angka pilihan, kutipan di balik setiap nilai, dan penjelasan perubahan secara terpisah. Ini mempertahankan perbedaan antara angka yang dilaporkan dan penafsiran pergerakannya.
Untuk materi akademis, GLM-4-Long dapat menyusun latar belakang riset, metode eksperimen, dan kesimpulan menurut topik. Berikan kutipan lengkap yang diperlukan untuk perbandingan, termasuk definisi serta kualifikasi yang muncul di bab lain. Keluaran yang bermanfaat berupa peta klaim, metode, dan bagian pendukung, diikuti pertanyaan yang belum terjawab dalam teks yang diberikan. Pisahkan kutipan dan analisis model dalam kolom berbeda ketika menyiapkan catatan riset.
Skenario dokumen hukum pengembang mencakup undang-undang, perkara, dan kontrak, termasuk klausul hak, kewajiban, serta tanggung jawab. Sebutkan para pihak dan persoalan yang perlu dibandingkan, lalu minta klausul relevan beserta rujukan bagiannya. Ekstraksi terfokus dapat menjadi dokumen kerja untuk tinjauan profesional selanjutnya, dengan rumusan sumber di samping penjelasan.
Skenario fiksi berkaitan dengan hubungan tokoh, struktur plot, ringkasan terarah, dan kelanjutan berdasarkan gaya narasi panjang. Tentukan bab dan titik kronologi yang penting. Misalnya, minta peta hubungan tokoh dengan peristiwa yang mendukung setiap hubungan, atau brief kelanjutan yang mempertahankan nama yang telah ditetapkan serta alur cerita yang belum tuntas.
Keluaran maksimum 4K yang didokumentasikan jauh lebih kecil daripada konteks masukan. Pilih keluaran yang diinginkan: ringkasan eksekutif, perbandingan klausul, garis besar riset, atau analisis khusus bab. Untuk tinjauan besar, bagi keluaran yang diminta menjadi tugas bernama jelas sambil menjaga materi sumber relevan tetap terkait dengan setiap jawaban.
Untuk percakapan dokumen berkelanjutan, pertahankan pertanyaan sebelumnya, jawaban, dan kutipan yang diperlukan untuk pertanyaan berikutnya. Produsen menjelaskan chat berorientasi memori sebagai penggunaan konteks panjang; susun konteks itu agar tindak lanjut merujuk dokumen, periode pelaporan, atau bab yang sama. Simpan analisis selesai bersama pengenal sumber tersebut, lalu periksa nama, angka, dan kutipan yang diekstrak terhadap teks dasarnya sebelum memasukkannya ke laporan berikutnya.
POST /v1/messagestextjson, sse| Kolom | Jenis | Persyaratan | Nilai & batasan | Bawaan |
|---|---|---|---|---|
Kolommodel | Jenisstring | PersyaratanWajib | Nilai & batasan glm-4-long | 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.
| Konfigurasi | Jadwal tarif | Biaya |
|---|---|---|
| KonfigurasiTarif dasar token | Jadwal tarifTarif dasar | Biaya Masukan · Token masukan $0.00028 / 1K token Keluaran · Token keluaran $0.00028 / 1K token Masukan · Pembacaan cache $0 / 1K token Masukan · Penulisan cache $0 / 1K token Masukan · Penulisan cache, 1 jam — / 1K token |
Ailoot mencadangkan perkiraan dana sebelum permintaan. Setelah hasil diterima, tagihan akhir diselesaikan berdasarkan penggunaan yang terukur. Penyelesaian tagihan streaming menggunakan catatan penggunaan akhir. Cara kerja cadangan dan penyelesaian tagihan →
{\n "model": "glm-4-long",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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 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-long
Gunakan jalur metode yang ditampilkan di atas.
Contoh teknis dalam bahasa Inggris
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.