Z.ai: GLM 5.3 (batch)

Z.ai GLM 5.3 adalah model penalaran teks untuk rekayasa perangkat lunak kompleks, pekerjaan terminal, dan agen dengan tugas berjangka panjang. Model ini mendukung konteks 1M token yang didokumentasikan pengembang, hingga 128K token keluaran, pemanggilan fungsi, serta tingkat upaya penalaran low/high/max, dengan penalaran yang selalu aktif.

Ailoot Ultra · Batch POST /v1/batches z-ai/glm-5.3:batch

Tentang model

Deskripsi ini mencakup kemampuan model. Masukan, keluaran, dan opsi yang tersedia di Ailoot tercantum di bawah untuk metode yang dipilih.

Z.ai GLM 5.3 adalah model penalaran teks berskala besar yang dirancang untuk rekayasa perangkat lunak kompleks dan pekerjaan agen berjangka panjang. Produsen menyatakan bahwa model ini menggunakan model dasar yang sama dengan GLM 5.2, dengan peningkatan baru berasal dari pascapelatihan. Rilis ini berfokus pada pemrograman yang lebih kuat, operasi terminal, dan tugas lebih luas yang melibatkan beberapa langkah saling bergantung. Model ini menerima teks dan menghasilkan teks, termasuk kode, penjelasan, rencana, serta permintaan pemanggilan alat dalam aplikasi yang terhubung dengan alat.

Mode penalaran yang didokumentasikan selalu aktif. GLM 5.3 menawarkan tiga tingkat upaya: low, high, dan max, dengan max sebagai nilai bawaan. Pengembang menyarankan max untuk pekerjaan pemrograman kompleks; low memberikan pilihan penalaran yang lebih ringan untuk langkah sederhana. Gunakan tingkat pilihan bersama keluaran akhir dan kriteria penyelesaian yang jelas. Misalnya: “Periksa berkas dan hasil gagal ini, telusuri penyebab di berbagai modul yang terdampak, usulkan koreksi yang mempertahankan antarmuka publik, dan jelaskan pemeriksaan mana yang membuktikan bahwa regresi telah teratasi.”

Pengembang menetapkan jendela konteks 1M token dan panjang keluaran maksimum 128K token. Susun materi panjang berdasarkan hubungan yang perlu diselidiki model. Pertahankan nama berkas, definisi yang relevan, label sumber, dan urutan pengamatan, serta sisakan ruang untuk penalaran dan jawaban akhir dalam konteks kerja yang berlaku. Jendela besar berguna untuk dependensi lintas modul atau rangkaian panjang pengamatan agen; hal itu tidak menjadikan arsip tak terarah berisi materi yang tidak berkaitan sebagai tugas yang terdefinisi dengan baik.

Untuk pekerjaan repositori, berikan perilaku yang diharapkan, teks sumber yang relevan, versi dependensi, dan keluaran galat sebenarnya. Minta model mengidentifikasi perilaku yang terdampak sebelum mengusulkan patch. Untuk refaktor, sebutkan antarmuka dan invarian yang harus tetap utuh. Respons yang bermanfaat berisi kode yang direvisi, alasan perubahan mengatasi masalah yang diamati, dan kasus yang diperlukan untuk memeriksa hasil. Masukkan hasil sebenarnya kembali ke alur kerja yang terhubung dengan alat agar langkah berikutnya didasarkan pada keadaan yang telah berubah, bukan usulan sebelumnya.

Untuk pekerjaan kinerja, berikan beban kerja, tolok ukur awal, dan pengukuran seperti waktu, profil, atau catatan alokasi. Z.ai menjelaskan tugas pelatihan yang melibatkan diagnosis hambatan, optimasi, eksperimen, dan hasil yang mempertahankan kebenaran. Permintaan praktisnya: “Gunakan profil ini untuk mengidentifikasi hambatan yang paling berdampak, usulkan satu perubahan yang dapat diukur, dan jelaskan hasil apa yang membenarkan dipertahankannya perubahan tersebut.” Bedakan hipotesis tentang kinerja dari peningkatan yang tercatat. Pertahankan beban kerja dan kondisi relevan yang sama ketika memeriksa hasil.

Rilis ini juga mengembangkan kemampuan analisis kerentanan. Untuk tinjauan sumber defensif, berikan kode yang relevan, batas kepercayaan yang dimaksudkan, dan kondisi tempat kode dijalankan. Minta temuan yang menghubungkan dugaan masalah dengan masukan dan perilaku yang terdampak, serta perbaikan yang terfokus. Pisahkan potensi kelemahan dari kesalahan yang berhasil direproduksi, dan simpan pengamatan yang digunakan untuk memvalidasinya. Laporan lebih berguna ketika memprioritaskan bukti konkret serta usulan perbaikan alih-alih memperlakukan setiap pola mencurigakan sebagai kerentanan yang dikonfirmasi.

Pemanggilan fungsi memungkinkan aplikasi di sekelilingnya menyediakan operasi eksternal kepada model. Definisikan tujuan, argumen, dan hasil yang diharapkan dari setiap alat, lalu kembalikan pengamatan alat sebenarnya untuk langkah berikutnya. Model dapat menalar atas hasil tersebut dan menentukan pengaruhnya terhadap tugas. Jaga agar tindakan yang diusulkan, operasi yang dijalankan, dan pemeriksaan yang belum tuntas dapat dibedakan. Pengembang juga mendokumentasikan respons streaming yang mengembalikan fragmen penalaran dan jawaban secara terpisah; rangkai jawaban lengkap sebelum memperlakukannya sebagai laporan akhir atau penjelasan kode.

Kartu model lokal memberikan detail pengaturan riwayat yang spesifik: templat chat-nya mempertahankan pemikiran secara bawaan, sedangkan pengembang menyarankan agar pemikiran lama secara eksplisit dihapus untuk skenario chat biasa. Terapkan struktur percakapan yang sesuai dengan kasus penggunaan, dengan mempertahankan jawaban yang benar-benar telah selesai dan hasil alat yang diperlukan untuk kelanjutan. Hindari memperlakukan pengaturan kontrol penalaran GLM 5.2 atau edisi terpisah GLM 5.3 Flash sebagai sesuatu yang dapat dipertukarkan dengan kontrol low/high/max model ini.

Untuk hasil terstruktur, tentukan kolom, tipe, dan aturan sumber yang diharapkan. Artefak yang bermanfaat dapat berupa tabel cacat, rencana perubahan, atau objek JSON yang merangkum pengamatan. Validasi struktur dan nilainya sebelum digunakan aplikasi. Hasil akhir perlu mengidentifikasi jawaban atau artefak yang direvisi, bukti pendukungnya, dan asumsi yang tersisa. Upaya penalaran lebih besar tidak membuktikan bahwa alat dijalankan, patch usulan lolos pemeriksaan, atau klaim faktual memiliki dukungan di luar materi yang diberikan.

Ailoot Ultra · Batch POST /v1/batches z-ai/glm-5.3:batch

z-ai/glm-5.3:batch

Z.ai /z-ai/glm-5.3:batch

Mulai

Masukan yang diterima: Teks
Hasil: Teks

Tersedia di Ailoot · masukan & metode

Ailoot Ultra · Batch POST /v1/batches

Masukan: text
Keluaran: text
Format keluaran: JSON inline pada results[].response.body

Kolom	Jenis	Persyaratan	Nilai & batasan	Bawaan
Kolom`endpoint`	Jenis`string`	PersyaratanWajib	Nilai & batasan /v1/chat/completions	Bawaan—
Kolom`model`	Jenis`string`	PersyaratanWajib	Nilai & batasan z-ai/glm-5.3:batch	Bawaan—
Kolom`requests`	Jenis`batch_item[]`	PersyaratanWajib	Nilai & batasan Item minimum: 1	Bawaan—
Kolom`requests[].custom_id`	Jenis`string`	PersyaratanWajib	Nilai & batasan	Bawaan—
Kolom`requests[].body.messages`	Jenis`message[]`	PersyaratanWajib	Nilai & batasan	Bawaan—
Kolom`completion_window`	Jenis`string`	PersyaratanOpsional	Nilai & batasan 24h	Bawaan—
Kolom`provider`	Jenis`object\|null`	PersyaratanOpsional	Nilai & batasan	Bawaan—
Kolom`requests[].body.model`	Jenis`string`	PersyaratanOpsional	Nilai & batasan z-ai/glm-5.3:batch, z-ai/glm-5.3	Bawaan—
Kolom`provider.only`	Jenis`string[]`	PersyaratanOpsional	Nilai & batasan deepinfra/fp4	Bawaan—
Kolom`provider.allow_fallbacks`	Jenis`boolean\|null`	PersyaratanOpsional	Nilai & batasan false, null	Bawaan—

Parameter metode dan siklus hidup

Parameter	Kontrak
Parameter`content_type`	Kontrakapplication/json
Parameter`required`	Kontrakendpoint, model, requests
Parameter`material_types`	Kontraktext
Parameter`representation`	Kontrakrequests[] inline; setiap item memiliki custom_id dan body
Parameter`request_endpoint_profile`	Kontrak/v1/chat/completions
Parameter`file_material`	KontrakPemanggil dapat membaca JSONL UTF-8 aktual secara lokal ke dalam requests[]. Tidak menggunakan purpose unggahan, input_file_id, atau referensi file. Materi pelanggan yang tidak ada atau kosong menghentikan persiapan sebelum POST.
Parameter`serialization_order`	Kontrakendpoint, model, provider (jika disertakan), completion_window (jika disertakan), requests paling akhir
Parameter`optional_controls`	Kontrakprovider.only, provider.allow_fallbacks, completion_window
Parameter`schema_scope`	Kontrakbody teks Chat Completions dalam envelope Batch inline yang didokumentasikan.

Siklus hidup: asynchronous

GET /v1/batches/{operation_id} · response.id aktual dari operasi create awal; user/key/group yang sama

Paket

Referensi tarif tidak menambah opsi permintaan. Parameter yang didukung tercantum pada metode yang dipilih.

Mode Fast: Tidak ditentukan Saat mode fast dipilih
Mode Flex: Tidak ditentukan Saat mode flex dipilih
Upaya penalaran maksimum: Tidak ditentukan Saat upaya penalaran maksimum menggunakan penyesuaian default
Harga cache eksplisit: Tidak diaktifkan Saat cache eksplisit diminta

Tarif Ailoot

Harga menurut konfigurasi

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 $0.0009 / 1K token Keluaran · Token keluaran $0.004 / 1K token Masukan · Pembacaan cache $0.0002 / 1K token Masukan · Penulisan cache — / 1K token Masukan · Penulisan cache, 1 jam — / 1K token
KonfigurasiPanjang permintaan · tingkat 1	Jadwal tarif—	Token konteks, lebih dari0	Token konteks, hingga dan termasukTanpa batas atas	Biaya Masukan · Token masukan $0.0009 / 1K token Keluaran · Token keluaran $0.004 / 1K token Masukan · Pembacaan cache $0.0002 / 1K token Masukan · Penulisan cache — / 1K token Masukan · Penulisan cache, 1 jam — / 1K token

Ailoot mencadangkan perkiraan dana sebelum permintaan. Setelah hasil diterima, tagihan akhir diselesaikan berdasarkan penggunaan yang terukur. Penyelesaian tagihan streaming menggunakan catatan penggunaan akhir. Cara kerja cadangan dan penyelesaian tagihan →

Contoh permintaan

Ailoot Ultra · Batch

curl · fixture yang disimpanPython HTTP · JSONL pelanggan yang sebenarnyaPython · simpan setiap hasil yang telah selesai

set -eu
: "${AILOOT_API_KEY:?Set your Ailoot API key}"
python3 - <<'PY_REQUEST'
import json
from pathlib import Path
body=json.loads('{"endpoint":"/v1/chat/completions","model":"z-ai/glm-5.3:batch","requests":[{"custom_id":"req-0001","body":{"messages":[{"role":"user","content":"Hello!"}],"max_tokens":16}}]}')
Path("batch-request.json").write_text(json.dumps(body,ensure_ascii=False),encoding="utf-8")
PY_REQUEST
curl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/batches \
  -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \
  --data-binary @batch-request.json -D batch-response-headers.txt -o batch-create-response.json

import json, os
from pathlib import Path
from urllib.request import Request, urlopen

def prepare_requests(customer_path):
    path = Path(customer_path)
    if not path.is_file(): raise ValueError("Customer JSONL file is missing")
    items = [json.loads(line) for line in path.read_text(encoding="utf-8").splitlines() if line.strip()]
    if not items: raise ValueError("Customer JSONL contains no requests")
    ids = set()
    for item in items:
        if set(item) != {"custom_id", "body"}: raise ValueError("Each item needs custom_id and body")
        cid = item["custom_id"]
        if not isinstance(cid, str) or not cid.strip() or cid in ids: raise ValueError("custom_id must be nonempty and unique")
        ids.add(cid)
        if not isinstance(item["body"], dict) or not item["body"].get("messages"): raise ValueError("Supply actual text messages")
        supplied_model = item["body"].get("model")
        if supplied_model is not None and supplied_model not in ['z-ai/glm-5.3:batch', 'z-ai/glm-5.3']: raise ValueError("body.model must be an exact documented caller or wire ID")
    return {"endpoint":"/v1/chat/completions", "model":"z-ai/glm-5.3:batch", "requests":items}

if __name__ == "__main__":
    material = os.environ.get("AILOOT_BATCH_REQUESTS_JSONL", "")
    if not material: raise SystemExit("Set AILOOT_BATCH_REQUESTS_JSONL to your actual customer file")
    body = prepare_requests(material)
    key = os.environ.get("AILOOT_API_KEY", "")
    if not key: raise SystemExit("Set AILOOT_API_KEY")
    request = Request("https://api.ailoot.ai/v1/batches", data=json.dumps(body, ensure_ascii=False).encode("utf-8"), headers={"Authorization":"Bearer " + key, "Content-Type":"application/json"}, method="POST")
    with urlopen(request) as response:
        raw = response.read()
        Path("batch-create-response.json").write_bytes(raw)
        print(raw.decode("utf-8"))

import json
from pathlib import Path
raw = Path("batch-status-response.json").read_bytes()
response = json.loads(raw)
if response.get("status") != "completed":
    raise SystemExit("Keep the original operation; read its status without resubmitting")
results = response.get("results")
if not isinstance(results, list) or not results:
    raise SystemExit("Preserve the original response; completed results are missing")
Path("batch-results.jsonl").write_text("".join(json.dumps(item, ensure_ascii=False) + "\n" for item in results), encoding="utf-8")
# Preserve batch-status-response.json with aggregate usage and every result/error.

Terima dan simpan hasil

Ailoot Ultra · Batch

JSON inline pada results[].response.body

GET /v1/batches/{operation_id}

Periksa status tugas

curl · status operasi asli

set -eu
: "${AILOOT_API_KEY:?Set your Ailoot API key}"
BATCH_OPERATION_ID="$(python3 - <<'PY_ID'
import json
from pathlib import Path
from urllib.parse import quote
response = json.loads(Path("batch-create-response.json").read_text(encoding="utf-8"))
operation = response.get("id")
if not isinstance(operation, str) or not operation: raise SystemExit("No actual original operation ID; preserve the response and do not resubmit")
print(quote(operation, safe=""))
PY_ID
)"
curl --fail-with-body --silent --show-error "https://api.ailoot.ai/v1/batches/$BATCH_OPERATION_ID" \
  -H "Authorization: Bearer $AILOOT_API_KEY" -o batch-status-response.json

Simpan semua hasil yang selesai

Simpan setiap respons lengkap, berkas, dan bagian konten yang dikembalikan.

Pertahankan JSON status asli secara lengkap, setiap result/custom_id, serta body response atau error yang lengkap. Simpan results[] yang telah selesai sebagai JSONL tanpa penyaringan.

Jika respons asli perlu diperiksa

Pertahankan ID operasi asli. 503 result_pending_check memiliki X-Should-Retry:false; jangan pernah kirim ulang batch asli yang statusnya tidak diketahui.

Kolom respons

Kolom	Jenis
Kolom`results[].custom_id`	Jenisstring
Kolom`results[].response.body.choices[].message.content`	Jenisstring\|null
Kolom`results[].error`	Jenisobject\|null
Kolom`usage`	Jenisobject\|null
Kolom`id`	Jenisstring
Kolom`model`	Jenisstring
Kolom`endpoint`	Jenisstring
Kolom`status`	Jenisstring
Kolom`request_counts`	Jenisobject
Kolom`results[].id`	Jenisstring
Kolom`results[].response.status_code`	Jenisinteger
Kolom`results[].response.request_id`	Jenisstring

Kesalahan dan langkah berikutnya

Respons	Kondisi	Langkah berikutnya
Respons400 · `invalid_request_error`	KondisiEnvelope inline yang didokumentasikan tidak valid, ada kunci duplikat, atau terdapat konflik pada identitas item atau kemampuan model yang dikonfigurasi.	Langkah berikutnyaPerbaiki kolom yang ditunjukkan sebelum pengiriman baru apa pun.
Respons401 · `authentication_error`	KondisiKunci API tidak valid.	Langkah berikutnyaGunakan kunci Ailoot yang berizin.
Respons403 · `permission_error`	KondisiGrup Batch tidak tersedia.	Langkah berikutnyaPeriksa hak akses key/group.
Respons422 · `invalid_request_error`	KondisiBatch menggunakan penagihan dari saldo; pembuatan dengan langganan ditolak.	Langkah berikutnyaGunakan grup berizin yang ditagih dari saldo.
Respons422 · `price_unavailable`	KondisiPenawaran harga untuk input Batch tidak dapat dibuat.	Langkah berikutnyaSimpan respons; gunakan input keluarga API yang didokumentasikan.
Respons402 · `billing_error`	KondisiCadangan Batch tidak tersedia.	Langkah berikutnyaSelesaikan kendala penerimaan sebelum mengirim permintaan baru.
Respons503 · `price_unavailable`	KondisiHarga metode Batch/tarif native tidak tersedia.	Langkah berikutnyaSimpan respons; jangan mengganti harga.
Respons503 · `api_error`	KondisiRute pemasok yang tepat tidak tersedia.	Langkah berikutnyaSimpan respons untuk perbaikan rute.
Respons503 · `result_pending_check`	KondisiHasil asli perlu diperiksa; X-Should-Retry:false.	Langkah berikutnyaSimpan operation_id/id asli dan baca statusnya; jangan pernah mengulangi POST asli.
Respons404 · `not_found`	KondisiOperasi status Batch tidak ada atau dimiliki oleh identitas lain.	Langkah berikutnyaGunakan id asli yang persis sama dan user/key/group yang sama.

Alias

Alias model

Ailoot Ultra z-ai/glm-5.3:batch

Alias jalur metode

Gunakan jalur metode yang ditampilkan di atas.

ID pemanggil terkait

z-ai/glm-5.3:batch

FAQ · Z.ai: GLM 5.3 (batch)

Input dan hasil apa yang tersedia?: POST /v1/batches · z-ai/glm-5.3:batch: text → text
Kolom apa yang digunakan permintaan?: POST /v1/batches · z-ai/glm-5.3:batch: endpoint, model, requests, completion_window, provider
Batasan apa yang berlaku?: POST /v1/batches · z-ai/glm-5.3:batch: requests.min_items: 1

Z.ai: GLM 5.3 (batch)

Z.ai: GLM 5.3 (batch)

Mulai

Tersedia di Ailoot · masukan & metode

Paket

Tarif Ailoot

Harga menurut konfigurasi

Contoh permintaan

Ailoot Ultra · Batch

Terima dan simpan hasil

Ailoot Ultra · Batch

Periksa status tugas

Simpan semua hasil yang selesai

Jika respons asli perlu diperiksa

Alias

Alias model

Alias jalur metode

ID pemanggil terkait

Perusahaan dan portofolio proyeknya

Beli token dengan diskon.

Hubungkan API ke produk yang Anda jual.