GLM-4.7-Flash adalah edisi mixture-of-experts 30B-A3B dari keluarga GLM-4.7 Z.ai. Desain jarangnya memiliki sekitar 30 miliar parameter total dan tiga miliar parameter aktif, dan pengembang memperkenalkannya sebagai model ringan yang menyeimbangkan kemampuan serta efisiensi. Model ini menerima teks dan menghasilkan teks. Produsen secara khusus menyoroti pengembangan perangkat lunak, penulisan bahasa Tionghoa, penerjemahan, pemrosesan teks panjang, dan percakapan berbasis peran. Brief yang bermanfaat dapat meminta usulan kode, kutipan yang direvisi, penjelasan, atau hasil terstruktur yang berlandaskan materi yang diberikan.
Untuk pengembangan, Z.ai mengidentifikasi tugas antarmuka depan maupun logika aplikasi bagi edisi Flash ini. Berikan perilaku yang perlu diimplementasikan, sumber yang relevan, dan kondisi yang harus tetap utuh. Untuk halaman atau komponen, jelaskan status, tata letak, dan interaksi wajibnya, lalu minta kode yang dapat diedit serta penjelasan pilihan penting. Untuk fungsi yang sudah ada, sertakan kegagalan yang diamati dan contoh hasil yang diharapkan. Model menghasilkan kode usulan; kompilasi, eksekusi, atau rendering antarmuka merupakan tugas lingkungan aplikasi yang terhubung.
Profil seri GLM-4.7 yang dihosting produsen mencantumkan masukan teks, keluaran teks, konteks 200K token, dan hingga 128K token keluaran untuk Flash. Kartu model terbuka dan profil hosting menjelaskan aspek berbeda dari edisi bernama yang sama: karakteristik checkpoint dan konfigurasi layanan produsen. Siapkan masukan panjang dengan judul sumber, pengenal kode, dan batas dokumen yang jelas, dengan menyisakan ruang untuk penalaran serta jawaban yang diminta. Model teks saja dapat menulis kode untuk aplikasi yang memproses gambar atau masukan kamera, tetapi itu tidak memberi checkpoint ini mode masukan visual native.
Penalaran aktif secara bawaan dalam seri GLM-4.7. Produsen mendokumentasikan sakelar per giliran sehingga percakapan dapat meminta penalaran untuk pertanyaan sulit dan menonaktifkannya untuk penulisan ulang sederhana atau jawaban singkat. Model ini juga mendukung pemikiran berselang di antara pemanggilan alat, sehingga model dapat menafsirkan pengamatan yang dikembalikan sebelum merencanakan langkah lain. Definisikan alat yang tersedia dan artefak akhir yang diperlukan sebelum memulai tugas semacam itu. Asisten dokumen dapat meminta informasi pilihan, menerima hasil pengambilan yang sebenarnya, lalu menyiapkan penjelasan yang didukung hasil tersebut.
Pemikiran yang dipertahankan merupakan pilihan tersendiri untuk pekerjaan pemrograman atau agen berkelanjutan. Panduan pengembang menggunakan clear_thinking=false dan mewajibkan reasoning_content lengkap tanpa perubahan dari giliran assistant sebelumnya dikembalikan dalam urutan asli. Mengubah atau menata ulang blok tersebut dapat menurunkan hasil dan memengaruhi perilaku cache. Nilai bawaannya berbeda antara antarmuka coding dan standar produsen, sehingga opsi ini merupakan alur kerja yang dikonfigurasi, bukan sifat otomatis setiap percakapan. Pisahkan jawaban yang terlihat dari penalaran yang dipertahankan, dan simpan bukti atau keluaran alat yang menjadi dasar langkah selanjutnya.
Antarmuka keluarga yang didokumentasikan mencakup teks streaming, pemanggilan fungsi, caching konteks, dan keluaran terstruktur seperti JSON. Untuk hasil terstruktur, berikan kolom wajib dan apa yang diwakili setiap nilai; untuk permintaan alat, definisikan tujuan fungsi, argumen, dan kondisi penyelesaian. Panggilan yang dihasilkan merupakan permintaan agar aplikasi bertindak, bukan bukti eksekusi. Hasil akhir dapat berupa laporan singkat, objek data, atau artefak kode, dengan informasi yang digunakan untuk menghasilkannya tetap dapat diidentifikasi.
Untuk penulisan atau penerjemahan, tentukan pembaca, bahasa, nada, dan istilah yang harus tetap sama. Pengembang menyarankan mencoba Flash dalam penulisan bahasa Tionghoa serta dialog naratif atau berbasis peran, selain pekerjaan teknis. Contoh brief penyuntingan dapat memberikan kutipan dan meminta revisi ringkas yang mempertahankan faktanya; brief penerjemahan dapat menyediakan glosarium dan membedakan teks kutipan dari instruksi. Dalam percakapan lebih panjang, pertahankan batasan dan tentukan hasil berikutnya yang diperlukan agar respons model tetap terhubung dengan tugas asli.
Kartu model terbuka yang tepat menerbitkan pengaturan generasi berbeda untuk tugas evaluasinya: temperature bawaan 1.0 dan top-p 0.95, dengan pengaturan tugas perangkat lunak tersendiri sebesar 0.7 dan 1.0. Contoh panjang generasinya merupakan bagian dari prosedur tersebut, bukan batas universal tambahan. Checkpoint ini berbeda dari GLM-4.7, GLM-4.7-FlashX, dan model GLM-5 berikutnya. Sesuaikan tugas serta mode respons dengan kemampuan teks edisi ini yang didokumentasikan, lalu nilai kode, nilai hasil ekstraksi, atau prosa hasil revisi yang disampaikan terhadap masukannya.
", "aboutText": "GLM-4.7-Flash adalah edisi mixture-of-experts 30B-A3B dari keluarga GLM-4.7 Z.ai. Desain jarangnya memiliki sekitar 30 miliar parameter total dan tiga miliar parameter aktif, dan pengembang memperkenalkannya sebagai model ringan yang menyeimbangkan kemampuan serta efisiensi. Model ini menerima teks dan menghasilkan teks. Produsen secara khusus menyoroti pengembangan perangkat lunak, penulisan bahasa Tionghoa, penerjemahan, pemrosesan teks panjang, dan percakapan berbasis peran. Brief yang bermanfaat dapat meminta usulan kode, kutipan yang direvisi, penjelasan, atau hasil terstruktur yang berlandaskan materi yang diberikan.\n\nUntuk pengembangan, Z.ai mengidentifikasi tugas antarmuka depan maupun logika aplikasi bagi edisi Flash ini. Berikan perilaku yang perlu diimplementasikan, sumber yang relevan, dan kondisi yang harus tetap utuh. Untuk halaman atau komponen, jelaskan status, tata letak, dan interaksi wajibnya, lalu minta kode yang dapat diedit serta penjelasan pilihan penting. Untuk fungsi yang sudah ada, sertakan kegagalan yang diamati dan contoh hasil yang diharapkan. Model menghasilkan kode usulan; kompilasi, eksekusi, atau rendering antarmuka merupakan tugas lingkungan aplikasi yang terhubung.\n\nProfil seri GLM-4.7 yang dihosting produsen mencantumkan masukan teks, keluaran teks, konteks 200K token, dan hingga 128K token keluaran untuk Flash. Kartu model terbuka dan profil hosting menjelaskan aspek berbeda dari edisi bernama yang sama: karakteristik checkpoint dan konfigurasi layanan produsen. Siapkan masukan panjang dengan judul sumber, pengenal kode, dan batas dokumen yang jelas, dengan menyisakan ruang untuk penalaran serta jawaban yang diminta. Model teks saja dapat menulis kode untuk aplikasi yang memproses gambar atau masukan kamera, tetapi itu tidak memberi checkpoint ini mode masukan visual native.\n\nPenalaran aktif secara bawaan dalam seri GLM-4.7. Produsen mendokumentasikan sakelar per giliran sehingga percakapan dapat meminta penalaran untuk pertanyaan sulit dan menonaktifkannya untuk penulisan ulang sederhana atau jawaban singkat. Model ini juga mendukung pemikiran berselang di antara pemanggilan alat, sehingga model dapat menafsirkan pengamatan yang dikembalikan sebelum merencanakan langkah lain. Definisikan alat yang tersedia dan artefak akhir yang diperlukan sebelum memulai tugas semacam itu. Asisten dokumen dapat meminta informasi pilihan, menerima hasil pengambilan yang sebenarnya, lalu menyiapkan penjelasan yang didukung hasil tersebut.\n\nPemikiran yang dipertahankan merupakan pilihan tersendiri untuk pekerjaan pemrograman atau agen berkelanjutan. Panduan pengembang menggunakan clear_thinking=false dan mewajibkan reasoning_content lengkap tanpa perubahan dari giliran assistant sebelumnya dikembalikan dalam urutan asli. Mengubah atau menata ulang blok tersebut dapat menurunkan hasil dan memengaruhi perilaku cache. Nilai bawaannya berbeda antara antarmuka coding dan standar produsen, sehingga opsi ini merupakan alur kerja yang dikonfigurasi, bukan sifat otomatis setiap percakapan. Pisahkan jawaban yang terlihat dari penalaran yang dipertahankan, dan simpan bukti atau keluaran alat yang menjadi dasar langkah selanjutnya.\n\nAntarmuka keluarga yang didokumentasikan mencakup teks streaming, pemanggilan fungsi, caching konteks, dan keluaran terstruktur seperti JSON. Untuk hasil terstruktur, berikan kolom wajib dan apa yang diwakili setiap nilai; untuk permintaan alat, definisikan tujuan fungsi, argumen, dan kondisi penyelesaian. Panggilan yang dihasilkan merupakan permintaan agar aplikasi bertindak, bukan bukti eksekusi. Hasil akhir dapat berupa laporan singkat, objek data, atau artefak kode, dengan informasi yang digunakan untuk menghasilkannya tetap dapat diidentifikasi.\n\nUntuk penulisan atau penerjemahan, tentukan pembaca, bahasa, nada, dan istilah yang harus tetap sama. Pengembang menyarankan mencoba Flash dalam penulisan bahasa Tionghoa serta dialog naratif atau berbasis peran, selain pekerjaan teknis. Contoh brief penyuntingan dapat memberikan kutipan dan meminta revisi ringkas yang mempertahankan faktanya; brief penerjemahan dapat menyediakan glosarium dan membedakan teks kutipan dari instruksi. Dalam percakapan lebih panjang, pertahankan batasan dan tentukan hasil berikutnya yang diperlukan agar respons model tetap terhubung dengan tugas asli.\n\nKartu model terbuka yang tepat menerbitkan pengaturan generasi berbeda untuk tugas evaluasinya: temperature bawaan 1.0 dan top-p 0.95, dengan pengaturan tugas perangkat lunak tersendiri sebesar 0.7 dan 1.0. Contoh panjang generasinya merupakan bagian dari prosedur tersebut, bukan batas universal tambahan. Checkpoint ini berbeda dari GLM-4.7, GLM-4.7-FlashX, dan model GLM-5 berikutnya. Sesuaikan tugas serta mode respons dengan kemampuan teks edisi ini yang didokumentasikan, lalu nilai kode, nilai hasil ekstraksi, atau prosa hasil revisi yang disampaikan terhadap masukannya.", "editorialOverlay": { "copy_fields": { "practical_html": "Contoh teknis dalam bahasa Inggris
Translate a notice with a fixed glossary\n\nTranslate this Chinese notice into English: '订单已审核，但尚未发货。更改收货地址需要重新审核。' Use this glossary consistently: 审核 = review; 发货 = dispatch; 收货地址 = delivery address. Write a clear customer-facing notice and preserve the distinction between completed review and pending dispatch. Do not add a dispatch date or an approval guarantee.A concise English notice applying the glossary and preserving the two different order states.The translation retains the requirement for another review after an address change and does not state that dispatch occurred.z-ai/glm-4.7-flashGLM-4.7-Flash adalah model teks mixture-of-experts 30B-A3B Z.ai untuk pemrograman, teks panjang, penulisan bahasa Tionghoa, dan penerjemahan. Model ini mendukung penalaran serta alur kerja yang diarahkan alat, dengan profil hosting produsen berupa konteks 200K token dan keluaran hingga 128K.
Deskripsi ini mencakup kemampuan model. Masukan, keluaran, dan opsi yang tersedia di Ailoot tercantum di bawah untuk metode yang dipilih.
GLM-4.7-Flash adalah edisi mixture-of-experts 30B-A3B dari keluarga GLM-4.7 Z.ai. Desain jarangnya memiliki sekitar 30 miliar parameter total dan tiga miliar parameter aktif, dan pengembang memperkenalkannya sebagai model ringan yang menyeimbangkan kemampuan serta efisiensi. Model ini menerima teks dan menghasilkan teks. Produsen secara khusus menyoroti pengembangan perangkat lunak, penulisan bahasa Tionghoa, penerjemahan, pemrosesan teks panjang, dan percakapan berbasis peran. Brief yang bermanfaat dapat meminta usulan kode, kutipan yang direvisi, penjelasan, atau hasil terstruktur yang berlandaskan materi yang diberikan.
Untuk pengembangan, Z.ai mengidentifikasi tugas antarmuka depan maupun logika aplikasi bagi edisi Flash ini. Berikan perilaku yang perlu diimplementasikan, sumber yang relevan, dan kondisi yang harus tetap utuh. Untuk halaman atau komponen, jelaskan status, tata letak, dan interaksi wajibnya, lalu minta kode yang dapat diedit serta penjelasan pilihan penting. Untuk fungsi yang sudah ada, sertakan kegagalan yang diamati dan contoh hasil yang diharapkan. Model menghasilkan kode usulan; kompilasi, eksekusi, atau rendering antarmuka merupakan tugas lingkungan aplikasi yang terhubung.
Profil seri GLM-4.7 yang dihosting produsen mencantumkan masukan teks, keluaran teks, konteks 200K token, dan hingga 128K token keluaran untuk Flash. Kartu model terbuka dan profil hosting menjelaskan aspek berbeda dari edisi bernama yang sama: karakteristik checkpoint dan konfigurasi layanan produsen. Siapkan masukan panjang dengan judul sumber, pengenal kode, dan batas dokumen yang jelas, dengan menyisakan ruang untuk penalaran serta jawaban yang diminta. Model teks saja dapat menulis kode untuk aplikasi yang memproses gambar atau masukan kamera, tetapi itu tidak memberi checkpoint ini mode masukan visual native.
Penalaran aktif secara bawaan dalam seri GLM-4.7. Produsen mendokumentasikan sakelar per giliran sehingga percakapan dapat meminta penalaran untuk pertanyaan sulit dan menonaktifkannya untuk penulisan ulang sederhana atau jawaban singkat. Model ini juga mendukung pemikiran berselang di antara pemanggilan alat, sehingga model dapat menafsirkan pengamatan yang dikembalikan sebelum merencanakan langkah lain. Definisikan alat yang tersedia dan artefak akhir yang diperlukan sebelum memulai tugas semacam itu. Asisten dokumen dapat meminta informasi pilihan, menerima hasil pengambilan yang sebenarnya, lalu menyiapkan penjelasan yang didukung hasil tersebut.
Pemikiran yang dipertahankan merupakan pilihan tersendiri untuk pekerjaan pemrograman atau agen berkelanjutan. Panduan pengembang menggunakan clear_thinking=false dan mewajibkan reasoning_content lengkap tanpa perubahan dari giliran assistant sebelumnya dikembalikan dalam urutan asli. Mengubah atau menata ulang blok tersebut dapat menurunkan hasil dan memengaruhi perilaku cache. Nilai bawaannya berbeda antara antarmuka coding dan standar produsen, sehingga opsi ini merupakan alur kerja yang dikonfigurasi, bukan sifat otomatis setiap percakapan. Pisahkan jawaban yang terlihat dari penalaran yang dipertahankan, dan simpan bukti atau keluaran alat yang menjadi dasar langkah selanjutnya.
Antarmuka keluarga yang didokumentasikan mencakup teks streaming, pemanggilan fungsi, caching konteks, dan keluaran terstruktur seperti JSON. Untuk hasil terstruktur, berikan kolom wajib dan apa yang diwakili setiap nilai; untuk permintaan alat, definisikan tujuan fungsi, argumen, dan kondisi penyelesaian. Panggilan yang dihasilkan merupakan permintaan agar aplikasi bertindak, bukan bukti eksekusi. Hasil akhir dapat berupa laporan singkat, objek data, atau artefak kode, dengan informasi yang digunakan untuk menghasilkannya tetap dapat diidentifikasi.
Untuk penulisan atau penerjemahan, tentukan pembaca, bahasa, nada, dan istilah yang harus tetap sama. Pengembang menyarankan mencoba Flash dalam penulisan bahasa Tionghoa serta dialog naratif atau berbasis peran, selain pekerjaan teknis. Contoh brief penyuntingan dapat memberikan kutipan dan meminta revisi ringkas yang mempertahankan faktanya; brief penerjemahan dapat menyediakan glosarium dan membedakan teks kutipan dari instruksi. Dalam percakapan lebih panjang, pertahankan batasan dan tentukan hasil berikutnya yang diperlukan agar respons model tetap terhubung dengan tugas asli.
Kartu model terbuka yang tepat menerbitkan pengaturan generasi berbeda untuk tugas evaluasinya: temperature bawaan 1.0 dan top-p 0.95, dengan pengaturan tugas perangkat lunak tersendiri sebesar 0.7 dan 1.0. Contoh panjang generasinya merupakan bagian dari prosedur tersebut, bukan batas universal tambahan. Checkpoint ini berbeda dari GLM-4.7, GLM-4.7-FlashX, dan model GLM-5 berikutnya. Sesuaikan tugas serta mode respons dengan kemampuan teks edisi ini yang didokumentasikan, lalu nilai kode, nilai hasil ekstraksi, atau prosa hasil revisi yang disampaikan terhadap masukannya.
POST /v1/chat/completionstexttext| Kolom | Jenis | Persyaratan | Nilai & batasan | Bawaan |
|---|---|---|---|---|
Kolommodel | Jenisstring | PersyaratanWajib | Nilai & batasan z-ai/glm-4.7-flash | 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.
Cocokkan setiap biaya dengan kondisi yang ditampilkan. Gunakan satu tarif untuk setiap kelompok konfigurasi alternatif.
| Konfigurasi | Jadwal tarif | Token konteks, lebih dari | Token konteks, hingga dan termasuk | Biaya |
|---|---|---|---|---|
| KonfigurasiTarif dasar token | Jadwal tarifTarif dasar | Token konteks, lebih dari— | Token konteks, hingga dan termasukTanpa batas atas | Biaya Masukan · Token masukan $0.000144 / 1K token Keluaran · Token keluaran $0.000858 / 1K token Masukan · Pembacaan cache $0.00002 / 1K token Masukan · Penulisan cache $0 / 1K token Masukan · Penulisan cache, 1 jam — / 1K token |
| KonfigurasiPanjang permintaan · tingkat 1 | Jadwal tarif— | Token konteks, lebih dari0 | Token konteks, hingga dan termasukTanpa batas atas | Biaya Masukan · Token masukan $0.000144 / 1K token Keluaran · Token keluaran $0.000858 / 1K token Masukan · Pembacaan cache $0.00002 / 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": "z-ai/glm-4.7-flash", "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='z-ai/glm-4.7-flash',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='z-ai/glm-4.7-flash',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 z-ai/glm-4.7-flash
Gunakan jalur metode yang ditampilkan di atas.
z-ai/glm-4.7-flashGLM-4.7-Flash adalah model teks mixture-of-experts 30B-A3B Z.ai untuk pemrograman, teks panjang, penulisan bahasa Tionghoa, dan penerjemahan. Model ini mendukung penalaran serta alur kerja yang diarahkan alat, dengan profil hosting produsen berupa konteks 200K token dan keluaran hingga 128K.
Deskripsi ini mencakup kemampuan model. Masukan, keluaran, dan opsi yang tersedia di Ailoot tercantum di bawah untuk metode yang dipilih.
GLM-4.7-Flash adalah edisi mixture-of-experts 30B-A3B dari keluarga GLM-4.7 Z.ai. Desain jarangnya memiliki sekitar 30 miliar parameter total dan tiga miliar parameter aktif, dan pengembang memperkenalkannya sebagai model ringan yang menyeimbangkan kemampuan serta efisiensi. Model ini menerima teks dan menghasilkan teks. Produsen secara khusus menyoroti pengembangan perangkat lunak, penulisan bahasa Tionghoa, penerjemahan, pemrosesan teks panjang, dan percakapan berbasis peran. Brief yang bermanfaat dapat meminta usulan kode, kutipan yang direvisi, penjelasan, atau hasil terstruktur yang berlandaskan materi yang diberikan.
Untuk pengembangan, Z.ai mengidentifikasi tugas antarmuka depan maupun logika aplikasi bagi edisi Flash ini. Berikan perilaku yang perlu diimplementasikan, sumber yang relevan, dan kondisi yang harus tetap utuh. Untuk halaman atau komponen, jelaskan status, tata letak, dan interaksi wajibnya, lalu minta kode yang dapat diedit serta penjelasan pilihan penting. Untuk fungsi yang sudah ada, sertakan kegagalan yang diamati dan contoh hasil yang diharapkan. Model menghasilkan kode usulan; kompilasi, eksekusi, atau rendering antarmuka merupakan tugas lingkungan aplikasi yang terhubung.
Profil seri GLM-4.7 yang dihosting produsen mencantumkan masukan teks, keluaran teks, konteks 200K token, dan hingga 128K token keluaran untuk Flash. Kartu model terbuka dan profil hosting menjelaskan aspek berbeda dari edisi bernama yang sama: karakteristik checkpoint dan konfigurasi layanan produsen. Siapkan masukan panjang dengan judul sumber, pengenal kode, dan batas dokumen yang jelas, dengan menyisakan ruang untuk penalaran serta jawaban yang diminta. Model teks saja dapat menulis kode untuk aplikasi yang memproses gambar atau masukan kamera, tetapi itu tidak memberi checkpoint ini mode masukan visual native.
Penalaran aktif secara bawaan dalam seri GLM-4.7. Produsen mendokumentasikan sakelar per giliran sehingga percakapan dapat meminta penalaran untuk pertanyaan sulit dan menonaktifkannya untuk penulisan ulang sederhana atau jawaban singkat. Model ini juga mendukung pemikiran berselang di antara pemanggilan alat, sehingga model dapat menafsirkan pengamatan yang dikembalikan sebelum merencanakan langkah lain. Definisikan alat yang tersedia dan artefak akhir yang diperlukan sebelum memulai tugas semacam itu. Asisten dokumen dapat meminta informasi pilihan, menerima hasil pengambilan yang sebenarnya, lalu menyiapkan penjelasan yang didukung hasil tersebut.
Pemikiran yang dipertahankan merupakan pilihan tersendiri untuk pekerjaan pemrograman atau agen berkelanjutan. Panduan pengembang menggunakan clear_thinking=false dan mewajibkan reasoning_content lengkap tanpa perubahan dari giliran assistant sebelumnya dikembalikan dalam urutan asli. Mengubah atau menata ulang blok tersebut dapat menurunkan hasil dan memengaruhi perilaku cache. Nilai bawaannya berbeda antara antarmuka coding dan standar produsen, sehingga opsi ini merupakan alur kerja yang dikonfigurasi, bukan sifat otomatis setiap percakapan. Pisahkan jawaban yang terlihat dari penalaran yang dipertahankan, dan simpan bukti atau keluaran alat yang menjadi dasar langkah selanjutnya.
Antarmuka keluarga yang didokumentasikan mencakup teks streaming, pemanggilan fungsi, caching konteks, dan keluaran terstruktur seperti JSON. Untuk hasil terstruktur, berikan kolom wajib dan apa yang diwakili setiap nilai; untuk permintaan alat, definisikan tujuan fungsi, argumen, dan kondisi penyelesaian. Panggilan yang dihasilkan merupakan permintaan agar aplikasi bertindak, bukan bukti eksekusi. Hasil akhir dapat berupa laporan singkat, objek data, atau artefak kode, dengan informasi yang digunakan untuk menghasilkannya tetap dapat diidentifikasi.
Untuk penulisan atau penerjemahan, tentukan pembaca, bahasa, nada, dan istilah yang harus tetap sama. Pengembang menyarankan mencoba Flash dalam penulisan bahasa Tionghoa serta dialog naratif atau berbasis peran, selain pekerjaan teknis. Contoh brief penyuntingan dapat memberikan kutipan dan meminta revisi ringkas yang mempertahankan faktanya; brief penerjemahan dapat menyediakan glosarium dan membedakan teks kutipan dari instruksi. Dalam percakapan lebih panjang, pertahankan batasan dan tentukan hasil berikutnya yang diperlukan agar respons model tetap terhubung dengan tugas asli.
Kartu model terbuka yang tepat menerbitkan pengaturan generasi berbeda untuk tugas evaluasinya: temperature bawaan 1.0 dan top-p 0.95, dengan pengaturan tugas perangkat lunak tersendiri sebesar 0.7 dan 1.0. Contoh panjang generasinya merupakan bagian dari prosedur tersebut, bukan batas universal tambahan. Checkpoint ini berbeda dari GLM-4.7, GLM-4.7-FlashX, dan model GLM-5 berikutnya. Sesuaikan tugas serta mode respons dengan kemampuan teks edisi ini yang didokumentasikan, lalu nilai kode, nilai hasil ekstraksi, atau prosa hasil revisi yang disampaikan terhadap masukannya.
POST /v1/messagestextjson, sse| Kolom | Jenis | Persyaratan | Nilai & batasan | Bawaan |
|---|---|---|---|---|
Kolommodel | Jenisstring | PersyaratanWajib | Nilai & batasan z-ai/glm-4.7-flash | Bawaan— |
Kolommessages | Jenismessage[] | PersyaratanWajib | Nilai & batasan | Bawaan— |
Kolommessages[].role | Jenisstring | PersyaratanWajib | Nilai & batasan user, assistant | Bawaan— |
Kolommessages[].content | Jenisstring | PersyaratanWajib | Nilai & batasan | Bawaan— |
Kolommax_tokens | Jenisinteger | PersyaratanWajib | Nilai & batasan | Bawaan— |
Kolomstream | Jenisboolean | PersyaratanOpsional | Nilai & batasan | Bawaanfalse |
Teks · Teks UTF-8
string messages[].content
| Parameter | Kontrak |
|---|---|
Parametercontent_type | Kontrakapplication/json |
Parameterrequired | Kontrakmodel, messages, max_tokens |
Parameteroptional_controls | Kontrakstream |
Parametermaterial_types | Kontraktext |
Parametertext_file_material | KontrakBaca dokumen UTF-8 yang sebenarnya dan masukkan teksnya ke string masukan atau konten pesan yang ditunjukkan. |
Siklus hidup: synchronous_or_streamed
Referensi tarif tidak menambah opsi permintaan. Parameter yang didukung tercantum pada metode yang dipilih.
Cocokkan setiap biaya dengan kondisi yang ditampilkan. Gunakan satu tarif untuk setiap kelompok konfigurasi alternatif.
| Konfigurasi | Jadwal tarif | Token konteks, lebih dari | Token konteks, hingga dan termasuk | Biaya |
|---|---|---|---|---|
| KonfigurasiTarif dasar token | Jadwal tarifTarif dasar | Token konteks, lebih dari— | Token konteks, hingga dan termasukTanpa batas atas | Biaya Masukan · Token masukan $0.000144 / 1K token Keluaran · Token keluaran $0.000858 / 1K token Masukan · Pembacaan cache $0.00002 / 1K token Masukan · Penulisan cache $0 / 1K token Masukan · Penulisan cache, 1 jam — / 1K token |
| KonfigurasiPanjang permintaan · tingkat 1 | Jadwal tarif— | Token konteks, lebih dari0 | Token konteks, hingga dan termasukTanpa batas atas | Biaya Masukan · Token masukan $0.000144 / 1K token Keluaran · Token keluaran $0.000858 / 1K token Masukan · Pembacaan cache $0.00002 / 1K token Masukan · Penulisan cache $0 / 1K token Masukan · Penulisan cache, 1 jam — / 1K token |
Ailoot mencadangkan perkiraan dana sebelum permintaan. Setelah hasil diterima, tagihan akhir diselesaikan berdasarkan penggunaan yang terukur. Penyelesaian tagihan streaming menggunakan catatan penggunaan akhir. Cara kerja cadangan dan penyelesaian tagihan →
{\n "model": "z-ai/glm-4.7-flash",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'z-ai/glm-4.7-flash', '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': 'z-ai/glm-4.7-flash', '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 z-ai/glm-4.7-flash
Gunakan jalur metode yang ditampilkan di atas.
Contoh teknis dalam bahasa Inggris
Translate a notice with a fixed glossary\n\nTranslate this Chinese notice into English: '订单已审核，但尚未发货。更改收货地址需要重新审核。' Use this glossary consistently: 审核 = review; 发货 = dispatch; 收货地址 = delivery address. Write a clear customer-facing notice and preserve the distinction between completed review and pending dispatch. Do not add a dispatch date or an approval guarantee.A concise English notice applying the glossary and preserving the two different order states.The translation retains the requirement for another review after an address change and does not state that dispatch occurred.