GLM-4-Plus adalah model teks berkemampuan tinggi dalam lini GLM-4 Z.ai. Fokusnya memadukan pemahaman bahasa, penalaran logis, kepatuhan pada instruksi, dan pemrosesan teks panjang. Produsen mencantumkan teks sebagai masukan maupun keluaran, jendela konteks 128K token, dan keluaran maksimum 4K token. Karena itu, masukan panjang dan hasil ringkas merupakan bagian profil yang terpisah: kumpulan dokumen besar dapat mendukung hasil ringkasan, perbandingan, atau ekstraksi yang terfokus.
Asisten dokumen dapat menerima bagian bernama dan pertanyaan, lalu menghasilkan analisis ringkas yang terkait dengan bagian tersebut. Tentukan sasaran pembaca serta keputusan sebelum meminta jawaban: misalnya, bandingkan dua prosedur, cantumkan kondisi yang berlaku bagi suatu kasus, atau identifikasi persyaratan yang bertentangan. Pisahkan kutipan sumber dari instruksi Anda agar respons dapat membedakan bukti dari analisis yang diminta.
Deskripsi GLM-4 mencantumkan streaming, pemanggilan fungsi, caching konteks, format terstruktur seperti JSON, serta interaksi dengan alat dan sumber data MCP. Streaming menyediakan teks yang dihasilkan secara bertahap. Keluaran terstruktur membantu ketika hasil perlu memuat kolom bernama, bukan esai terbuka: ringkasan, pengenal yang diekstrak, label bagian sumber, dan pertanyaan yang belum terselesaikan.
Penggunaan alat menghubungkan model bahasa dengan tindakan yang disediakan aplikasi. Aplikasi mendeskripsikan fungsi, menjalankan panggilan pilihan, dan mengembalikan hasilnya untuk langkah berikutnya. Ini dapat mendukung pencarian informasi diikuti laporan, atau hasil pencarian yang menjadi bukti untuk jawaban. Teks model berbeda dari eksekusi tindakan eksternal. Instruksi berulang atau awalan dokumen dapat memanfaatkan mekanisme caching konteks produsen; penggunaan kembali cache tidak dengan sendirinya membuktikan bahwa permintaan tertentu menghasilkan cache hit.
Penerjemahan dijelaskan sebagai lebih dari sekadar mengonversi kata terpisah: produsen mencakup teks campuran bahasa, nada, slang, emoji, dan istilah khusus sambil mempertimbangkan perbedaan budaya. Berikan kutipan sumber, sasaran pembaca, dan terminologi yang harus tetap sama. Untuk penyuntingan, minta artefak tertentu—surat yang direvisi, deskripsi produk, atau penjelasan ringkas—dan nyatakan fakta mana yang harus dipertahankan.
Klasifikasi semantik dan ekstraksi kolom menggunakan materi yang diberikan sebagai dasarnya. Definisikan kategori atau kolom wajib terlebih dahulu, lalu berikan dokumennya. Misalnya, aplikasi dapat meminta pengenal proyek dan kategori klausul bersama label bagian yang relevan. Aturan eksplisit untuk nilai yang hilang mencegah skema keluaran menjadi alasan untuk mengarang data yang tidak ada.
Produsen juga menjelaskan materi pemasaran, laporan risiko analitis, dan perencanaan perjalanan. Untuk penulisan, berikan fakta produk atau kampanye yang sebenarnya serta format yang diinginkan. Untuk pekerjaan analitis, berikan laporan yang relevan dan kriteria perbandingan; informasi terkini perlu diperoleh melalui alat pencarian atau data yang disediakan aplikasi. Untuk rencana perjalanan, tentukan preferensi dan batasan waktu agar keluarannya menjadi rencana untuk situasi yang dijelaskan, bukan esai perjalanan generik.
GLM-4-Plus menggunakan data sintetis berbantuan model dan pascapelatihan berbasis PPO untuk mengembangkan penalaran matematika serta pemrograman dan lebih mencerminkan preferensi manusia. Untuk teks panjang, persiapannya menyesuaikan campuran materi pendek dan panjang untuk memperkuat penalaran atas masukan yang panjang. Ini merupakan pilihan persiapan model Plus spesifik ini. Hal itu tidak mengubah profil teks saja menjadi pemahaman gambar dari edisi GLM-4V bernama terpisah.
Gunakan konteks yang lebih besar untuk memberikan materi yang benar-benar mendukung pertanyaan, dengan nama bagian stabil dan kontrak keluaran yang jelas. Permintaan praktisnya adalah membandingkan dua dokumen, mencantumkan kesepakatan serta konflik, dan mengidentifikasi kutipan di balik setiap kesimpulan. Pertahankan artefak akhir dalam profil keluaran 4K: minta brief keputusan atau perbandingan terstruktur, lalu lanjutkan dengan tindak lanjut yang terdefinisi jika bagian tertentu perlu diperluas. Struktur JSON yang valid dan nilai kolom yang benar secara faktual merupakan pemeriksaan terpisah.
", "aboutText": "### Gambaran umum dan profil model\n\nGLM-4-Plus adalah model teks berkemampuan tinggi dalam lini GLM-4 Z.ai. Fokusnya memadukan pemahaman bahasa, penalaran logis, kepatuhan pada instruksi, dan pemrosesan teks panjang. Produsen mencantumkan teks sebagai masukan maupun keluaran, jendela konteks 128K token, dan keluaran maksimum 4K token. Karena itu, masukan panjang dan hasil ringkas merupakan bagian profil yang terpisah: kumpulan dokumen besar dapat mendukung hasil ringkasan, perbandingan, atau ekstraksi yang terfokus.\n\nAsisten dokumen dapat menerima bagian bernama dan pertanyaan, lalu menghasilkan analisis ringkas yang terkait dengan bagian tersebut. Tentukan sasaran pembaca serta keputusan sebelum meminta jawaban: misalnya, bandingkan dua prosedur, cantumkan kondisi yang berlaku bagi suatu kasus, atau identifikasi persyaratan yang bertentangan. Pisahkan kutipan sumber dari instruksi Anda agar respons dapat membedakan bukti dari analisis yang diminta.\n\n### Dukungan kemampuan\n\nDeskripsi GLM-4 mencantumkan streaming, pemanggilan fungsi, caching konteks, format terstruktur seperti JSON, serta interaksi dengan alat dan sumber data MCP. Streaming menyediakan teks yang dihasilkan secara bertahap. Keluaran terstruktur membantu ketika hasil perlu memuat kolom bernama, bukan esai terbuka: ringkasan, pengenal yang diekstrak, label bagian sumber, dan pertanyaan yang belum terselesaikan.\n\nPenggunaan alat menghubungkan model bahasa dengan tindakan yang disediakan aplikasi. Aplikasi mendeskripsikan fungsi, menjalankan panggilan pilihan, dan mengembalikan hasilnya untuk langkah berikutnya. Ini dapat mendukung pencarian informasi diikuti laporan, atau hasil pencarian yang menjadi bukti untuk jawaban. Teks model berbeda dari eksekusi tindakan eksternal. Instruksi berulang atau awalan dokumen dapat memanfaatkan mekanisme caching konteks produsen; penggunaan kembali cache tidak dengan sendirinya membuktikan bahwa permintaan tertentu menghasilkan cache hit.\n\n### Skenario yang direkomendasikan\n\nPenerjemahan dijelaskan sebagai lebih dari sekadar mengonversi kata terpisah: produsen mencakup teks campuran bahasa, nada, slang, emoji, dan istilah khusus sambil mempertimbangkan perbedaan budaya. Berikan kutipan sumber, sasaran pembaca, dan terminologi yang harus tetap sama. Untuk penyuntingan, minta artefak tertentu—surat yang direvisi, deskripsi produk, atau penjelasan ringkas—dan nyatakan fakta mana yang harus dipertahankan.\n\nKlasifikasi semantik dan ekstraksi kolom menggunakan materi yang diberikan sebagai dasarnya. Definisikan kategori atau kolom wajib terlebih dahulu, lalu berikan dokumennya. Misalnya, aplikasi dapat meminta pengenal proyek dan kategori klausul bersama label bagian yang relevan. Aturan eksplisit untuk nilai yang hilang mencegah skema keluaran menjadi alasan untuk mengarang data yang tidak ada.\n\nProdusen juga menjelaskan materi pemasaran, laporan risiko analitis, dan perencanaan perjalanan. Untuk penulisan, berikan fakta produk atau kampanye yang sebenarnya serta format yang diinginkan. Untuk pekerjaan analitis, berikan laporan yang relevan dan kriteria perbandingan; informasi terkini perlu diperoleh melalui alat pencarian atau data yang disediakan aplikasi. Untuk rencana perjalanan, tentukan preferensi dan batasan waktu agar keluarannya menjadi rencana untuk situasi yang dijelaskan, bukan esai perjalanan generik.\n\n### Persiapan model secara terperinci\n\nGLM-4-Plus menggunakan data sintetis berbantuan model dan pascapelatihan berbasis PPO untuk mengembangkan penalaran matematika serta pemrograman dan lebih mencerminkan preferensi manusia. Untuk teks panjang, persiapannya menyesuaikan campuran materi pendek dan panjang untuk memperkuat penalaran atas masukan yang panjang. Ini merupakan pilihan persiapan model Plus spesifik ini. Hal itu tidak mengubah profil teks saja menjadi pemahaman gambar dari edisi GLM-4V bernama terpisah.\n\n### Persiapan permintaan dan keluaran\n\nGunakan konteks yang lebih besar untuk memberikan materi yang benar-benar mendukung pertanyaan, dengan nama bagian stabil dan kontrak keluaran yang jelas. Permintaan praktisnya adalah membandingkan dua dokumen, mencantumkan kesepakatan serta konflik, dan mengidentifikasi kutipan di balik setiap kesimpulan. Pertahankan artefak akhir dalam profil keluaran 4K: minta brief keputusan atau perbandingan terstruktur, lalu lanjutkan dengan tindak lanjut yang terdefinisi jika bagian tertentu perlu diperluas. Struktur JSON yang valid dan nilai kolom yang benar secara faktual merupakan pemeriksaan terpisah.", "editorialOverlay": { "copy_fields": { "practical_html": "Contoh teknis dalam bahasa Inggris
Find contradictions between two procedures\n\nCompare procedure P: approve a supplier before issuing an order; emergency orders need the same approval. Procedure Q: emergency orders may be issued immediately and reviewed the next day. Prepare a decision brief identifying the conflict, the passages involved and the exact policy question an owner must resolve before the procedures can agree.A concise conflict statement, two supporting passages and one decision question.Check that the answer exposes the approval-timing conflict without silently choosing a governing procedure.glm-4-plusGLM-4-Plus adalah model teks Z.ai untuk pemahaman bahasa, analisis logis, kepatuhan pada instruksi, dan dokumen panjang. Profil konteks 128K serta keluaran 4K-nya sesuai untuk ringkasan berbasis bukti, penyuntingan multibahasa, ekstraksi kolom, dan laporan berbantuan alat.
Deskripsi ini mencakup kemampuan model. Masukan, keluaran, dan opsi yang tersedia di Ailoot tercantum di bawah untuk metode yang dipilih.
GLM-4-Plus adalah model teks berkemampuan tinggi dalam lini GLM-4 Z.ai. Fokusnya memadukan pemahaman bahasa, penalaran logis, kepatuhan pada instruksi, dan pemrosesan teks panjang. Produsen mencantumkan teks sebagai masukan maupun keluaran, jendela konteks 128K token, dan keluaran maksimum 4K token. Karena itu, masukan panjang dan hasil ringkas merupakan bagian profil yang terpisah: kumpulan dokumen besar dapat mendukung hasil ringkasan, perbandingan, atau ekstraksi yang terfokus.
Asisten dokumen dapat menerima bagian bernama dan pertanyaan, lalu menghasilkan analisis ringkas yang terkait dengan bagian tersebut. Tentukan sasaran pembaca serta keputusan sebelum meminta jawaban: misalnya, bandingkan dua prosedur, cantumkan kondisi yang berlaku bagi suatu kasus, atau identifikasi persyaratan yang bertentangan. Pisahkan kutipan sumber dari instruksi Anda agar respons dapat membedakan bukti dari analisis yang diminta.
Deskripsi GLM-4 mencantumkan streaming, pemanggilan fungsi, caching konteks, format terstruktur seperti JSON, serta interaksi dengan alat dan sumber data MCP. Streaming menyediakan teks yang dihasilkan secara bertahap. Keluaran terstruktur membantu ketika hasil perlu memuat kolom bernama, bukan esai terbuka: ringkasan, pengenal yang diekstrak, label bagian sumber, dan pertanyaan yang belum terselesaikan.
Penggunaan alat menghubungkan model bahasa dengan tindakan yang disediakan aplikasi. Aplikasi mendeskripsikan fungsi, menjalankan panggilan pilihan, dan mengembalikan hasilnya untuk langkah berikutnya. Ini dapat mendukung pencarian informasi diikuti laporan, atau hasil pencarian yang menjadi bukti untuk jawaban. Teks model berbeda dari eksekusi tindakan eksternal. Instruksi berulang atau awalan dokumen dapat memanfaatkan mekanisme caching konteks produsen; penggunaan kembali cache tidak dengan sendirinya membuktikan bahwa permintaan tertentu menghasilkan cache hit.
Penerjemahan dijelaskan sebagai lebih dari sekadar mengonversi kata terpisah: produsen mencakup teks campuran bahasa, nada, slang, emoji, dan istilah khusus sambil mempertimbangkan perbedaan budaya. Berikan kutipan sumber, sasaran pembaca, dan terminologi yang harus tetap sama. Untuk penyuntingan, minta artefak tertentu—surat yang direvisi, deskripsi produk, atau penjelasan ringkas—dan nyatakan fakta mana yang harus dipertahankan.
Klasifikasi semantik dan ekstraksi kolom menggunakan materi yang diberikan sebagai dasarnya. Definisikan kategori atau kolom wajib terlebih dahulu, lalu berikan dokumennya. Misalnya, aplikasi dapat meminta pengenal proyek dan kategori klausul bersama label bagian yang relevan. Aturan eksplisit untuk nilai yang hilang mencegah skema keluaran menjadi alasan untuk mengarang data yang tidak ada.
Produsen juga menjelaskan materi pemasaran, laporan risiko analitis, dan perencanaan perjalanan. Untuk penulisan, berikan fakta produk atau kampanye yang sebenarnya serta format yang diinginkan. Untuk pekerjaan analitis, berikan laporan yang relevan dan kriteria perbandingan; informasi terkini perlu diperoleh melalui alat pencarian atau data yang disediakan aplikasi. Untuk rencana perjalanan, tentukan preferensi dan batasan waktu agar keluarannya menjadi rencana untuk situasi yang dijelaskan, bukan esai perjalanan generik.
GLM-4-Plus menggunakan data sintetis berbantuan model dan pascapelatihan berbasis PPO untuk mengembangkan penalaran matematika serta pemrograman dan lebih mencerminkan preferensi manusia. Untuk teks panjang, persiapannya menyesuaikan campuran materi pendek dan panjang untuk memperkuat penalaran atas masukan yang panjang. Ini merupakan pilihan persiapan model Plus spesifik ini. Hal itu tidak mengubah profil teks saja menjadi pemahaman gambar dari edisi GLM-4V bernama terpisah.
Gunakan konteks yang lebih besar untuk memberikan materi yang benar-benar mendukung pertanyaan, dengan nama bagian stabil dan kontrak keluaran yang jelas. Permintaan praktisnya adalah membandingkan dua dokumen, mencantumkan kesepakatan serta konflik, dan mengidentifikasi kutipan di balik setiap kesimpulan. Pertahankan artefak akhir dalam profil keluaran 4K: minta brief keputusan atau perbandingan terstruktur, lalu lanjutkan dengan tindak lanjut yang terdefinisi jika bagian tertentu perlu diperluas. Struktur JSON yang valid dan nilai kolom yang benar secara faktual merupakan pemeriksaan terpisah.
POST /v1/chat/completionstexttext| Kolom | Jenis | Persyaratan | Nilai & batasan | Bawaan |
|---|---|---|---|---|
Kolommodel | Jenisstring | PersyaratanWajib | Nilai & batasan glm-4-plus | 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 $0.014 / 1K token Keluaran · Token keluaran $0.014 / 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-plus", "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-plus',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-plus',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-plus
Gunakan jalur metode yang ditampilkan di atas.
glm-4-plusGLM-4-Plus adalah model teks Z.ai untuk pemahaman bahasa, analisis logis, kepatuhan pada instruksi, dan dokumen panjang. Profil konteks 128K serta keluaran 4K-nya sesuai untuk ringkasan berbasis bukti, penyuntingan multibahasa, ekstraksi kolom, dan laporan berbantuan alat.
Deskripsi ini mencakup kemampuan model. Masukan, keluaran, dan opsi yang tersedia di Ailoot tercantum di bawah untuk metode yang dipilih.
GLM-4-Plus adalah model teks berkemampuan tinggi dalam lini GLM-4 Z.ai. Fokusnya memadukan pemahaman bahasa, penalaran logis, kepatuhan pada instruksi, dan pemrosesan teks panjang. Produsen mencantumkan teks sebagai masukan maupun keluaran, jendela konteks 128K token, dan keluaran maksimum 4K token. Karena itu, masukan panjang dan hasil ringkas merupakan bagian profil yang terpisah: kumpulan dokumen besar dapat mendukung hasil ringkasan, perbandingan, atau ekstraksi yang terfokus.
Asisten dokumen dapat menerima bagian bernama dan pertanyaan, lalu menghasilkan analisis ringkas yang terkait dengan bagian tersebut. Tentukan sasaran pembaca serta keputusan sebelum meminta jawaban: misalnya, bandingkan dua prosedur, cantumkan kondisi yang berlaku bagi suatu kasus, atau identifikasi persyaratan yang bertentangan. Pisahkan kutipan sumber dari instruksi Anda agar respons dapat membedakan bukti dari analisis yang diminta.
Deskripsi GLM-4 mencantumkan streaming, pemanggilan fungsi, caching konteks, format terstruktur seperti JSON, serta interaksi dengan alat dan sumber data MCP. Streaming menyediakan teks yang dihasilkan secara bertahap. Keluaran terstruktur membantu ketika hasil perlu memuat kolom bernama, bukan esai terbuka: ringkasan, pengenal yang diekstrak, label bagian sumber, dan pertanyaan yang belum terselesaikan.
Penggunaan alat menghubungkan model bahasa dengan tindakan yang disediakan aplikasi. Aplikasi mendeskripsikan fungsi, menjalankan panggilan pilihan, dan mengembalikan hasilnya untuk langkah berikutnya. Ini dapat mendukung pencarian informasi diikuti laporan, atau hasil pencarian yang menjadi bukti untuk jawaban. Teks model berbeda dari eksekusi tindakan eksternal. Instruksi berulang atau awalan dokumen dapat memanfaatkan mekanisme caching konteks produsen; penggunaan kembali cache tidak dengan sendirinya membuktikan bahwa permintaan tertentu menghasilkan cache hit.
Penerjemahan dijelaskan sebagai lebih dari sekadar mengonversi kata terpisah: produsen mencakup teks campuran bahasa, nada, slang, emoji, dan istilah khusus sambil mempertimbangkan perbedaan budaya. Berikan kutipan sumber, sasaran pembaca, dan terminologi yang harus tetap sama. Untuk penyuntingan, minta artefak tertentu—surat yang direvisi, deskripsi produk, atau penjelasan ringkas—dan nyatakan fakta mana yang harus dipertahankan.
Klasifikasi semantik dan ekstraksi kolom menggunakan materi yang diberikan sebagai dasarnya. Definisikan kategori atau kolom wajib terlebih dahulu, lalu berikan dokumennya. Misalnya, aplikasi dapat meminta pengenal proyek dan kategori klausul bersama label bagian yang relevan. Aturan eksplisit untuk nilai yang hilang mencegah skema keluaran menjadi alasan untuk mengarang data yang tidak ada.
Produsen juga menjelaskan materi pemasaran, laporan risiko analitis, dan perencanaan perjalanan. Untuk penulisan, berikan fakta produk atau kampanye yang sebenarnya serta format yang diinginkan. Untuk pekerjaan analitis, berikan laporan yang relevan dan kriteria perbandingan; informasi terkini perlu diperoleh melalui alat pencarian atau data yang disediakan aplikasi. Untuk rencana perjalanan, tentukan preferensi dan batasan waktu agar keluarannya menjadi rencana untuk situasi yang dijelaskan, bukan esai perjalanan generik.
GLM-4-Plus menggunakan data sintetis berbantuan model dan pascapelatihan berbasis PPO untuk mengembangkan penalaran matematika serta pemrograman dan lebih mencerminkan preferensi manusia. Untuk teks panjang, persiapannya menyesuaikan campuran materi pendek dan panjang untuk memperkuat penalaran atas masukan yang panjang. Ini merupakan pilihan persiapan model Plus spesifik ini. Hal itu tidak mengubah profil teks saja menjadi pemahaman gambar dari edisi GLM-4V bernama terpisah.
Gunakan konteks yang lebih besar untuk memberikan materi yang benar-benar mendukung pertanyaan, dengan nama bagian stabil dan kontrak keluaran yang jelas. Permintaan praktisnya adalah membandingkan dua dokumen, mencantumkan kesepakatan serta konflik, dan mengidentifikasi kutipan di balik setiap kesimpulan. Pertahankan artefak akhir dalam profil keluaran 4K: minta brief keputusan atau perbandingan terstruktur, lalu lanjutkan dengan tindak lanjut yang terdefinisi jika bagian tertentu perlu diperluas. Struktur JSON yang valid dan nilai kolom yang benar secara faktual merupakan pemeriksaan terpisah.
POST /v1/messagestextjson, sse| Kolom | Jenis | Persyaratan | Nilai & batasan | Bawaan |
|---|---|---|---|---|
Kolommodel | Jenisstring | PersyaratanWajib | Nilai & batasan glm-4-plus | 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 $0.014 / 1K token Keluaran · Token keluaran $0.014 / 1K token Masukan · Pembacaan cache $0 / 1K token Masukan · Penulisan cache $0 / 1K token Masukan · Penulisan cache, 1 jam — / 1K token |
Ailoot mencadangkan perkiraan dana sebelum permintaan. Setelah hasil diterima, tagihan akhir diselesaikan berdasarkan penggunaan yang terukur. Penyelesaian tagihan streaming menggunakan catatan penggunaan akhir. Cara kerja cadangan dan penyelesaian tagihan →
{\n "model": "glm-4-plus",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-plus', '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-plus', '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-plus
Gunakan jalur metode yang ditampilkan di atas.
Contoh teknis dalam bahasa Inggris
Find contradictions between two procedures\n\nCompare procedure P: approve a supplier before issuing an order; emergency orders need the same approval. Procedure Q: emergency orders may be issued immediately and reviewed the next day. Prepare a decision brief identifying the conflict, the passages involved and the exact policy question an owner must resolve before the procedures can agree.A concise conflict statement, two supporting passages and one decision question.Check that the answer exposes the approval-timing conflict without silently choosing a governing procedure.