GLM-4-9B-Chat adalah edisi model bahasa terbuka GLM-4-9B Z.ai yang diselaraskan untuk dialog. Persiapannya menggabungkan fondasi multibahasa dengan penyelarasan terhadap preferensi manusia. Model ini bekerja dengan teks: pertanyaan, dokumen, kode, dan riwayat percakapan menjadi masukan, sedangkan hasil yang terlihat berupa teks atau tindakan alat yang diminta. Bidang yang disebutkan mencakup pemahaman bahasa, matematika, penalaran, pemrograman, dan pertanyaan berbasis pengetahuan.
Laporan GLM-4 menjelaskan bahwa model 9B menjalani prapelatihan pada sekitar sepuluh triliun token materi multibahasa, awalnya dengan konteks 8K, kemudian menjalani pascapelatihan menggunakan pipeline dan data yang digunakan untuk GLM-4-0520. Panjang pelatihan awal bukan batas konteks rilis Chat ini: jendela yang diterbitkan untuk pengguna adalah 128K. Perbedaan ini penting saat memilih antara spesifikasi pelatihan dan varian katalog aktual model bernama tersebut.
Tugas pemrograman yang berguna adalah memberikan sebuah fungsi, perilaku yang dituju, dan masukan yang gagal, lalu meminta penjelasan diikuti potongan kode yang diperbaiki. Untuk asisten dokumen, berikan bagian yang relevan dan minta model mengekstrak persyaratan, membandingkan bagian teks, atau menjelaskan istilah yang belum dikenal. Ini merupakan penerapan kemampuan bahasa dan pemrograman model, bukan produk terpisah atau mode pembuatan berkas.
Edisi Chat ini mendukung konteks 128K token. Kapasitas tersebut memungkinkan asisten membawa materi sumber dan dialog sebelumnya ke dalam tugas yang sama. Beri nama bagian yang jelas pada dokumen panjang dan nyatakan apakah jawaban harus berupa ringkasan, perbandingan, atau penjelasan bagian tertentu. Dalam pesan lanjutan, tentukan bagian yang diubah alih-alih mengganti tugas secara diam-diam.
GLM-4-9B-Chat-1M adalah edisi konteks panjang yang diberi nama terpisah. Entri Chat biasa tidak memperoleh jendela satu juta token miliknya. Demikian pula, GLM-4V-9B visual merupakan model terpisah: masukan edisi ini tetap berupa teks. Contoh generasi yang diterbitkan menggunakan pengaturan panjang khusus permintaan; contoh tersebut tidak menetapkan satu panjang respons maksimum universal.
Model ini mendukung 26 bahasa, dengan bahasa Jepang, Korea, dan Jerman sebagai beberapa contoh yang disebutkan. Laporan pelatihan GLM-4 menyebut bahasa Mandarin dan Inggris sebagai bahasa utama penyelarasan, bersama korpus multibahasa yang lebih luas. Untuk penerjemahan atau dialog dukungan, tentukan bahasa sasaran, terminologi, dan nada, lalu berikan materi yang harus tetap tidak berubah. Misalnya, asisten dapat menjelaskan suatu bagian dalam bahasa yang diminta sambil mempertahankan nama produk dan pengenal kode.
GLM-4-9B-Chat disiapkan untuk penelusuran web, eksekusi kode, dan pemanggilan fungsi khusus. Pendekatan all-tools GLM-4 menghubungkan perencanaan tugas dengan tindakan eksternal dan pengamatan yang dikembalikan. Asisten dokumen dapat meminta penelusuran, menggunakan kutipan yang dikembalikan, dan melanjutkan penjelasannya; tugas numerik dapat menggunakan alat Python yang disediakan aplikasi yang menaunginya.
Aplikasi mendefinisikan dan menjalankan alat-alat ini. Teks model tidak dengan sendirinya menelusuri situs, menjalankan program, atau membuat gambar. Jika aplikasi menyediakan fungsi pembuatan gambar, fungsi eksternal itulah yang menghasilkan gambar; model teks ini merencanakan pemanggilan dan membahas hasil yang dikembalikan. Beri setiap fungsi tujuan dan definisi argumen yang jelas, lalu masukkan hasilnya kembali ke dialog sebelum meminta jawaban akhir.
Edisi ini menggunakan templat chat berbasis peran. Pertahankan instruksi pengguna, jawaban asisten yang relevan, dan hasil alat sebagai giliran yang berbeda. Permintaan praktisnya: “Dengan menggunakan bagian dokumen bernama ini, cantumkan persyaratan, jelaskan pertentangan, dan kutip label bagian yang mendukung setiap kesimpulan.” Contoh lainnya: “Jelaskan bagaimana fungsi ini memproses masukan yang diberikan, lalu usulkan perubahan yang mempertahankan antarmuka yang tercantum.” Hasil yang diminta harus dinyatakan secara eksplisit agar respons dapat diperiksa terhadap materi sumber dan perilaku program yang dituju.
", "aboutText": "### Pengantar model\n\nGLM-4-9B-Chat adalah edisi model bahasa terbuka GLM-4-9B Z.ai yang diselaraskan untuk dialog. Persiapannya menggabungkan fondasi multibahasa dengan penyelarasan terhadap preferensi manusia. Model ini bekerja dengan teks: pertanyaan, dokumen, kode, dan riwayat percakapan menjadi masukan, sedangkan hasil yang terlihat berupa teks atau tindakan alat yang diminta. Bidang yang disebutkan mencakup pemahaman bahasa, matematika, penalaran, pemrograman, dan pertanyaan berbasis pengetahuan.\n\nLaporan GLM-4 menjelaskan bahwa model 9B menjalani prapelatihan pada sekitar sepuluh triliun token materi multibahasa, awalnya dengan konteks 8K, kemudian menjalani pascapelatihan menggunakan pipeline dan data yang digunakan untuk GLM-4-0520. Panjang pelatihan awal bukan batas konteks rilis Chat ini: jendela yang diterbitkan untuk pengguna adalah 128K. Perbedaan ini penting saat memilih antara spesifikasi pelatihan dan varian katalog aktual model bernama tersebut.\n\nTugas pemrograman yang berguna adalah memberikan sebuah fungsi, perilaku yang dituju, dan masukan yang gagal, lalu meminta penjelasan diikuti potongan kode yang diperbaiki. Untuk asisten dokumen, berikan bagian yang relevan dan minta model mengekstrak persyaratan, membandingkan bagian teks, atau menjelaskan istilah yang belum dikenal. Ini merupakan penerapan kemampuan bahasa dan pemrograman model, bukan produk terpisah atau mode pembuatan berkas.\n\n### Konteks panjang\n\nEdisi Chat ini mendukung konteks 128K token. Kapasitas tersebut memungkinkan asisten membawa materi sumber dan dialog sebelumnya ke dalam tugas yang sama. Beri nama bagian yang jelas pada dokumen panjang dan nyatakan apakah jawaban harus berupa ringkasan, perbandingan, atau penjelasan bagian tertentu. Dalam pesan lanjutan, tentukan bagian yang diubah alih-alih mengganti tugas secara diam-diam.\n\nGLM-4-9B-Chat-1M adalah edisi konteks panjang yang diberi nama terpisah. Entri Chat biasa tidak memperoleh jendela satu juta token miliknya. Demikian pula, GLM-4V-9B visual merupakan model terpisah: masukan edisi ini tetap berupa teks. Contoh generasi yang diterbitkan menggunakan pengaturan panjang khusus permintaan; contoh tersebut tidak menetapkan satu panjang respons maksimum universal.\n\n### Pekerjaan multibahasa\n\nModel ini mendukung 26 bahasa, dengan bahasa Jepang, Korea, dan Jerman sebagai beberapa contoh yang disebutkan. Laporan pelatihan GLM-4 menyebut bahasa Mandarin dan Inggris sebagai bahasa utama penyelarasan, bersama korpus multibahasa yang lebih luas. Untuk penerjemahan atau dialog dukungan, tentukan bahasa sasaran, terminologi, dan nada, lalu berikan materi yang harus tetap tidak berubah. Misalnya, asisten dapat menjelaskan suatu bagian dalam bahasa yang diminta sambil mempertahankan nama produk dan pengenal kode.\n\n### Pemanggilan fungsi dan alat aplikasi\n\nGLM-4-9B-Chat disiapkan untuk penelusuran web, eksekusi kode, dan pemanggilan fungsi khusus. Pendekatan all-tools GLM-4 menghubungkan perencanaan tugas dengan tindakan eksternal dan pengamatan yang dikembalikan. Asisten dokumen dapat meminta penelusuran, menggunakan kutipan yang dikembalikan, dan melanjutkan penjelasannya; tugas numerik dapat menggunakan alat Python yang disediakan aplikasi yang menaunginya.\n\nAplikasi mendefinisikan dan menjalankan alat-alat ini. Teks model tidak dengan sendirinya menelusuri situs, menjalankan program, atau membuat gambar. Jika aplikasi menyediakan fungsi pembuatan gambar, fungsi eksternal itulah yang menghasilkan gambar; model teks ini merencanakan pemanggilan dan membahas hasil yang dikembalikan. Beri setiap fungsi tujuan dan definisi argumen yang jelas, lalu masukkan hasilnya kembali ke dialog sebelum meminta jawaban akhir.\n\n### Menyiapkan percakapan\n\nEdisi ini menggunakan templat chat berbasis peran. Pertahankan instruksi pengguna, jawaban asisten yang relevan, dan hasil alat sebagai giliran yang berbeda. Permintaan praktisnya: “Dengan menggunakan bagian dokumen bernama ini, cantumkan persyaratan, jelaskan pertentangan, dan kutip label bagian yang mendukung setiap kesimpulan.” Contoh lainnya: “Jelaskan bagaimana fungsi ini memproses masukan yang diberikan, lalu usulkan perubahan yang mempertahankan antarmuka yang tercantum.” Hasil yang diminta harus dinyatakan secara eksplisit agar respons dapat diperiksa terhadap materi sumber dan perilaku program yang dituju.", "editorialOverlay": { "copy_fields": { "practical_html": "Contoh teknis dalam bahasa Inggris
Explain a conditional leave procedure\n\nExplain this procedure to a colleague. Section L1: 'Submit a leave request to the team lead.' L2: 'Trips over five working days also require department approval.' L3: 'A calendar invitation is sent only after approval.' The colleague requests eight working days. Return the required sequence and identify why an invitation alone does not demonstrate approval.A section-linked sequence and a short explanation of the invitation condition.The eight-day request must retain both the team-lead and department requirements.Pro/THUDM/glm-4-9b-chatGLM-4-9B-Chat adalah model teks multibahasa untuk dialog berkelanjutan, analisis dokumen, dan pemrograman, dengan konteks 128K. Model ini dapat memilih tindakan browser, eksekusi kode, dan fungsi khusus yang disediakan aplikasi, lalu menggunakan hasilnya dalam jawaban.
Deskripsi ini mencakup kemampuan model. Masukan, keluaran, dan opsi yang tersedia di Ailoot tercantum di bawah untuk metode yang dipilih.
GLM-4-9B-Chat adalah edisi model bahasa terbuka GLM-4-9B Z.ai yang diselaraskan untuk dialog. Persiapannya menggabungkan fondasi multibahasa dengan penyelarasan terhadap preferensi manusia. Model ini bekerja dengan teks: pertanyaan, dokumen, kode, dan riwayat percakapan menjadi masukan, sedangkan hasil yang terlihat berupa teks atau tindakan alat yang diminta. Bidang yang disebutkan mencakup pemahaman bahasa, matematika, penalaran, pemrograman, dan pertanyaan berbasis pengetahuan.
Laporan GLM-4 menjelaskan bahwa model 9B menjalani prapelatihan pada sekitar sepuluh triliun token materi multibahasa, awalnya dengan konteks 8K, kemudian menjalani pascapelatihan menggunakan pipeline dan data yang digunakan untuk GLM-4-0520. Panjang pelatihan awal bukan batas konteks rilis Chat ini: jendela yang diterbitkan untuk pengguna adalah 128K. Perbedaan ini penting saat memilih antara spesifikasi pelatihan dan varian katalog aktual model bernama tersebut.
Tugas pemrograman yang berguna adalah memberikan sebuah fungsi, perilaku yang dituju, dan masukan yang gagal, lalu meminta penjelasan diikuti potongan kode yang diperbaiki. Untuk asisten dokumen, berikan bagian yang relevan dan minta model mengekstrak persyaratan, membandingkan bagian teks, atau menjelaskan istilah yang belum dikenal. Ini merupakan penerapan kemampuan bahasa dan pemrograman model, bukan produk terpisah atau mode pembuatan berkas.
Edisi Chat ini mendukung konteks 128K token. Kapasitas tersebut memungkinkan asisten membawa materi sumber dan dialog sebelumnya ke dalam tugas yang sama. Beri nama bagian yang jelas pada dokumen panjang dan nyatakan apakah jawaban harus berupa ringkasan, perbandingan, atau penjelasan bagian tertentu. Dalam pesan lanjutan, tentukan bagian yang diubah alih-alih mengganti tugas secara diam-diam.
GLM-4-9B-Chat-1M adalah edisi konteks panjang yang diberi nama terpisah. Entri Chat biasa tidak memperoleh jendela satu juta token miliknya. Demikian pula, GLM-4V-9B visual merupakan model terpisah: masukan edisi ini tetap berupa teks. Contoh generasi yang diterbitkan menggunakan pengaturan panjang khusus permintaan; contoh tersebut tidak menetapkan satu panjang respons maksimum universal.
Model ini mendukung 26 bahasa, dengan bahasa Jepang, Korea, dan Jerman sebagai beberapa contoh yang disebutkan. Laporan pelatihan GLM-4 menyebut bahasa Mandarin dan Inggris sebagai bahasa utama penyelarasan, bersama korpus multibahasa yang lebih luas. Untuk penerjemahan atau dialog dukungan, tentukan bahasa sasaran, terminologi, dan nada, lalu berikan materi yang harus tetap tidak berubah. Misalnya, asisten dapat menjelaskan suatu bagian dalam bahasa yang diminta sambil mempertahankan nama produk dan pengenal kode.
GLM-4-9B-Chat disiapkan untuk penelusuran web, eksekusi kode, dan pemanggilan fungsi khusus. Pendekatan all-tools GLM-4 menghubungkan perencanaan tugas dengan tindakan eksternal dan pengamatan yang dikembalikan. Asisten dokumen dapat meminta penelusuran, menggunakan kutipan yang dikembalikan, dan melanjutkan penjelasannya; tugas numerik dapat menggunakan alat Python yang disediakan aplikasi yang menaunginya.
Aplikasi mendefinisikan dan menjalankan alat-alat ini. Teks model tidak dengan sendirinya menelusuri situs, menjalankan program, atau membuat gambar. Jika aplikasi menyediakan fungsi pembuatan gambar, fungsi eksternal itulah yang menghasilkan gambar; model teks ini merencanakan pemanggilan dan membahas hasil yang dikembalikan. Beri setiap fungsi tujuan dan definisi argumen yang jelas, lalu masukkan hasilnya kembali ke dialog sebelum meminta jawaban akhir.
Edisi ini menggunakan templat chat berbasis peran. Pertahankan instruksi pengguna, jawaban asisten yang relevan, dan hasil alat sebagai giliran yang berbeda. Permintaan praktisnya: “Dengan menggunakan bagian dokumen bernama ini, cantumkan persyaratan, jelaskan pertentangan, dan kutip label bagian yang mendukung setiap kesimpulan.” Contoh lainnya: “Jelaskan bagaimana fungsi ini memproses masukan yang diberikan, lalu usulkan perubahan yang mempertahankan antarmuka yang tercantum.” Hasil yang diminta harus dinyatakan secara eksplisit agar respons dapat diperiksa terhadap materi sumber dan perilaku program yang dituju.
POST /v1/chat/completionstexttext| Kolom | Jenis | Persyaratan | Nilai & batasan | Bawaan |
|---|---|---|---|---|
Kolommodel | Jenisstring | PersyaratanWajib | Nilai & batasan Pro/THUDM/glm-4-9b-chat | 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 $0.000172 / 1K token Keluaran · Token keluaran $0.000172 / 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": "Pro/THUDM/glm-4-9b-chat", "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='Pro/THUDM/glm-4-9b-chat',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='Pro/THUDM/glm-4-9b-chat',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 Pro/THUDM/glm-4-9b-chat
Gunakan jalur metode yang ditampilkan di atas.
Pro/THUDM/glm-4-9b-chatGLM-4-9B-Chat adalah model teks multibahasa untuk dialog berkelanjutan, analisis dokumen, dan pemrograman, dengan konteks 128K. Model ini dapat memilih tindakan browser, eksekusi kode, dan fungsi khusus yang disediakan aplikasi, lalu menggunakan hasilnya dalam jawaban.
Deskripsi ini mencakup kemampuan model. Masukan, keluaran, dan opsi yang tersedia di Ailoot tercantum di bawah untuk metode yang dipilih.
GLM-4-9B-Chat adalah edisi model bahasa terbuka GLM-4-9B Z.ai yang diselaraskan untuk dialog. Persiapannya menggabungkan fondasi multibahasa dengan penyelarasan terhadap preferensi manusia. Model ini bekerja dengan teks: pertanyaan, dokumen, kode, dan riwayat percakapan menjadi masukan, sedangkan hasil yang terlihat berupa teks atau tindakan alat yang diminta. Bidang yang disebutkan mencakup pemahaman bahasa, matematika, penalaran, pemrograman, dan pertanyaan berbasis pengetahuan.
Laporan GLM-4 menjelaskan bahwa model 9B menjalani prapelatihan pada sekitar sepuluh triliun token materi multibahasa, awalnya dengan konteks 8K, kemudian menjalani pascapelatihan menggunakan pipeline dan data yang digunakan untuk GLM-4-0520. Panjang pelatihan awal bukan batas konteks rilis Chat ini: jendela yang diterbitkan untuk pengguna adalah 128K. Perbedaan ini penting saat memilih antara spesifikasi pelatihan dan varian katalog aktual model bernama tersebut.
Tugas pemrograman yang berguna adalah memberikan sebuah fungsi, perilaku yang dituju, dan masukan yang gagal, lalu meminta penjelasan diikuti potongan kode yang diperbaiki. Untuk asisten dokumen, berikan bagian yang relevan dan minta model mengekstrak persyaratan, membandingkan bagian teks, atau menjelaskan istilah yang belum dikenal. Ini merupakan penerapan kemampuan bahasa dan pemrograman model, bukan produk terpisah atau mode pembuatan berkas.
Edisi Chat ini mendukung konteks 128K token. Kapasitas tersebut memungkinkan asisten membawa materi sumber dan dialog sebelumnya ke dalam tugas yang sama. Beri nama bagian yang jelas pada dokumen panjang dan nyatakan apakah jawaban harus berupa ringkasan, perbandingan, atau penjelasan bagian tertentu. Dalam pesan lanjutan, tentukan bagian yang diubah alih-alih mengganti tugas secara diam-diam.
GLM-4-9B-Chat-1M adalah edisi konteks panjang yang diberi nama terpisah. Entri Chat biasa tidak memperoleh jendela satu juta token miliknya. Demikian pula, GLM-4V-9B visual merupakan model terpisah: masukan edisi ini tetap berupa teks. Contoh generasi yang diterbitkan menggunakan pengaturan panjang khusus permintaan; contoh tersebut tidak menetapkan satu panjang respons maksimum universal.
Model ini mendukung 26 bahasa, dengan bahasa Jepang, Korea, dan Jerman sebagai beberapa contoh yang disebutkan. Laporan pelatihan GLM-4 menyebut bahasa Mandarin dan Inggris sebagai bahasa utama penyelarasan, bersama korpus multibahasa yang lebih luas. Untuk penerjemahan atau dialog dukungan, tentukan bahasa sasaran, terminologi, dan nada, lalu berikan materi yang harus tetap tidak berubah. Misalnya, asisten dapat menjelaskan suatu bagian dalam bahasa yang diminta sambil mempertahankan nama produk dan pengenal kode.
GLM-4-9B-Chat disiapkan untuk penelusuran web, eksekusi kode, dan pemanggilan fungsi khusus. Pendekatan all-tools GLM-4 menghubungkan perencanaan tugas dengan tindakan eksternal dan pengamatan yang dikembalikan. Asisten dokumen dapat meminta penelusuran, menggunakan kutipan yang dikembalikan, dan melanjutkan penjelasannya; tugas numerik dapat menggunakan alat Python yang disediakan aplikasi yang menaunginya.
Aplikasi mendefinisikan dan menjalankan alat-alat ini. Teks model tidak dengan sendirinya menelusuri situs, menjalankan program, atau membuat gambar. Jika aplikasi menyediakan fungsi pembuatan gambar, fungsi eksternal itulah yang menghasilkan gambar; model teks ini merencanakan pemanggilan dan membahas hasil yang dikembalikan. Beri setiap fungsi tujuan dan definisi argumen yang jelas, lalu masukkan hasilnya kembali ke dialog sebelum meminta jawaban akhir.
Edisi ini menggunakan templat chat berbasis peran. Pertahankan instruksi pengguna, jawaban asisten yang relevan, dan hasil alat sebagai giliran yang berbeda. Permintaan praktisnya: “Dengan menggunakan bagian dokumen bernama ini, cantumkan persyaratan, jelaskan pertentangan, dan kutip label bagian yang mendukung setiap kesimpulan.” Contoh lainnya: “Jelaskan bagaimana fungsi ini memproses masukan yang diberikan, lalu usulkan perubahan yang mempertahankan antarmuka yang tercantum.” Hasil yang diminta harus dinyatakan secara eksplisit agar respons dapat diperiksa terhadap materi sumber dan perilaku program yang dituju.
POST /v1/messagestextjson, sse| Kolom | Jenis | Persyaratan | Nilai & batasan | Bawaan |
|---|---|---|---|---|
Kolommodel | Jenisstring | PersyaratanWajib | Nilai & batasan Pro/THUDM/glm-4-9b-chat | 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 $0.000172 / 1K token Keluaran · Token keluaran $0.000172 / 1K token Masukan · Pembacaan cache $0 / 1K token Masukan · Penulisan cache $0 / 1K token Masukan · Penulisan cache, 1 jam — / 1K token |
Ailoot mencadangkan perkiraan dana sebelum permintaan. Setelah hasil diterima, tagihan akhir diselesaikan berdasarkan penggunaan yang terukur. Penyelesaian tagihan streaming menggunakan catatan penggunaan akhir. Cara kerja cadangan dan penyelesaian tagihan →
{\n "model": "Pro/THUDM/glm-4-9b-chat",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'Pro/THUDM/glm-4-9b-chat', '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': 'Pro/THUDM/glm-4-9b-chat', '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 Pro/THUDM/glm-4-9b-chat
Gunakan jalur metode yang ditampilkan di atas.
Contoh teknis dalam bahasa Inggris
Explain a conditional leave procedure\n\nExplain this procedure to a colleague. Section L1: 'Submit a leave request to the team lead.' L2: 'Trips over five working days also require department approval.' L3: 'A calendar invitation is sent only after approval.' The colleague requests eight working days. Return the required sequence and identify why an invitation alone does not demonstrate approval.A section-linked sequence and a short explanation of the invitation condition.The eight-day request must retain both the team-lead and department requirements.