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.
", "aboutText": "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.\n\nMode 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.”\n\nPengembang 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.\n\nUntuk 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.\n\nUntuk 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.\n\nRilis 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.\n\nPemanggilan 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.\n\nKartu 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.\n\nUntuk 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.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "5bc871857f0cbdd4054d098965d2356c77f08369cff57e10b742fbcf5b505771", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "id", "methods": [ { "html": "z-ai/glm-5.3:batchZ.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.
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.
POST /v1/batchestexttext| Kolom | Jenis | Persyaratan | Nilai & batasan | Bawaan |
|---|---|---|---|---|
Kolomendpoint | Jenisstring | PersyaratanWajib | Nilai & batasan /v1/chat/completions | Bawaan— |
Kolommodel | Jenisstring | PersyaratanWajib | Nilai & batasan z-ai/glm-5.3:batch | Bawaan— |
Kolomrequests | Jenisbatch_item[] | PersyaratanWajib | Nilai & batasan Item minimum: 1 | Bawaan— |
Kolomrequests[].custom_id | Jenisstring | PersyaratanWajib | Nilai & batasan | Bawaan— |
Kolomrequests[].body.messages | Jenismessage[] | PersyaratanWajib | Nilai & batasan | Bawaan— |
Kolomcompletion_window | Jenisstring | PersyaratanOpsional | Nilai & batasan 24h | Bawaan— |
Kolomprovider | Jenisobject|null | PersyaratanOpsional | Nilai & batasan | Bawaan— |
Kolomrequests[].body.model | Jenisstring | PersyaratanOpsional | Nilai & batasan z-ai/glm-5.3:batch, z-ai/glm-5.3 | Bawaan— |
Kolomprovider.only | Jenisstring[] | PersyaratanOpsional | Nilai & batasan deepinfra/fp4 | Bawaan— |
Kolomprovider.allow_fallbacks | Jenisboolean|null | PersyaratanOpsional | Nilai & batasan false, null | Bawaan— |
| Parameter | Kontrak |
|---|---|
Parametercontent_type | Kontrakapplication/json |
Parameterrequired | Kontrakendpoint, model, requests |
Parametermaterial_types | Kontraktext |
Parameterrepresentation | Kontrakrequests[] inline; setiap item memiliki custom_id dan body |
Parameterrequest_endpoint_profile | Kontrak/v1/chat/completions |
Parameterfile_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. |
Parameterserialization_order | Kontrakendpoint, model, provider (jika disertakan), completion_window (jika disertakan), requests paling akhir |
Parameteroptional_controls | Kontrakprovider.only, provider.allow_fallbacks, completion_window |
Parameterschema_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
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 $0.0009 / 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 $0.0002 / 1K token Masukan · Penulisan cache — / 1K token Masukan · Penulisan cache, 1 jam — / 1K token |
Ailoot mencadangkan perkiraan dana sebelum permintaan. Setelah hasil diterima, tagihan akhir diselesaikan berdasarkan penggunaan yang terukur. Penyelesaian tagihan streaming menggunakan catatan penggunaan akhir. Cara kerja cadangan dan penyelesaian tagihan →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json\nfrom pathlib import Path\nbody=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}}]}')\nPath("batch-request.json").write_text(json.dumps(body,ensure_ascii=False),encoding="utf-8")\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/batches \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @batch-request.json -D batch-response-headers.txt -o batch-create-response.json\nimport json, os\nfrom pathlib import Path\nfrom urllib.request import Request, urlopen\n\ndef prepare_requests(customer_path):\n path = Path(customer_path)\n if not path.is_file(): raise ValueError("Customer JSONL file is missing")\n items = [json.loads(line) for line in path.read_text(encoding="utf-8").splitlines() if line.strip()]\n if not items: raise ValueError("Customer JSONL contains no requests")\n ids = set()\n for item in items:\n if set(item) != {"custom_id", "body"}: raise ValueError("Each item needs custom_id and body")\n cid = item["custom_id"]\n if not isinstance(cid, str) or not cid.strip() or cid in ids: raise ValueError("custom_id must be nonempty and unique")\n ids.add(cid)\n if not isinstance(item["body"], dict) or not item["body"].get("messages"): raise ValueError("Supply actual text messages")\n supplied_model = item["body"].get("model")\n 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")\n return {"endpoint":"/v1/chat/completions", "model":"z-ai/glm-5.3:batch", "requests":items}\n\nif __name__ == "__main__":\n material = os.environ.get("AILOOT_BATCH_REQUESTS_JSONL", "")\n if not material: raise SystemExit("Set AILOOT_BATCH_REQUESTS_JSONL to your actual customer file")\n body = prepare_requests(material)\n key = os.environ.get("AILOOT_API_KEY", "")\n if not key: raise SystemExit("Set AILOOT_API_KEY")\n 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")\n with urlopen(request) as response:\n raw = response.read()\n Path("batch-create-response.json").write_bytes(raw)\n print(raw.decode("utf-8"))\nimport json\nfrom pathlib import Path\nraw = Path("batch-status-response.json").read_bytes()\nresponse = json.loads(raw)\nif response.get("status") != "completed":\n raise SystemExit("Keep the original operation; read its status without resubmitting")\nresults = response.get("results")\nif not isinstance(results, list) or not results:\n raise SystemExit("Preserve the original response; completed results are missing")\nPath("batch-results.jsonl").write_text("".join(json.dumps(item, ensure_ascii=False) + "\\n" for item in results), encoding="utf-8")\n# Preserve batch-status-response.json with aggregate usage and every result/error.\nJSON inline pada results[].response.body
GET /v1/batches/{operation_id}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\nBATCH_OPERATION_ID="$(python3 - <<'PY_ID'\nimport json\nfrom pathlib import Path\nfrom urllib.parse import quote\nresponse = json.loads(Path("batch-create-response.json").read_text(encoding="utf-8"))\noperation = response.get("id")\nif not isinstance(operation, str) or not operation: raise SystemExit("No actual original operation ID; preserve the response and do not resubmit")\nprint(quote(operation, safe=""))\nPY_ID\n)"\ncurl --fail-with-body --silent --show-error "https://api.ailoot.ai/v1/batches/$BATCH_OPERATION_ID" \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -o batch-status-response.json\nSimpan 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.
Pertahankan ID operasi asli. 503 result_pending_check memiliki X-Should-Retry:false; jangan pernah kirim ulang batch asli yang statusnya tidak diketahui.
| Kolom | Jenis |
|---|---|
Kolomresults[].custom_id | Jenisstring |
Kolomresults[].response.body.choices[].message.content | Jenisstring|null |
Kolomresults[].error | Jenisobject|null |
Kolomusage | Jenisobject|null |
Kolomid | Jenisstring |
Kolommodel | Jenisstring |
Kolomendpoint | Jenisstring |
Kolomstatus | Jenisstring |
Kolomrequest_counts | Jenisobject |
Kolomresults[].id | Jenisstring |
Kolomresults[].response.status_code | Jenisinteger |
Kolomresults[].response.request_id | Jenisstring |
| 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. |
Ailoot Ultra z-ai/glm-5.3:batch
Gunakan jalur metode yang ditampilkan di atas.