Z.ai GLM 5.3 è un modello di ragionamento testuale su larga scala, progettato per ingegneria del software complessa e attività prolungate degli agenti. Il produttore afferma che utilizza lo stesso modello di base di GLM 5.2 e che i nuovi miglioramenti derivano dall'addestramento successivo. La versione si concentra su capacità potenziate di programmazione, operazioni da terminale e compiti più ampi che coinvolgono più passaggi dipendenti tra loro. Accetta testo e produce testo, inclusi codice, spiegazioni, piani e richieste di chiamata a strumenti in un'applicazione collegata a strumenti.
La modalità di ragionamento documentata è sempre attiva. GLM 5.3 offre tre livelli di impegno: low, high e max, con max come valore predefinito. Il produttore raccomanda max per la programmazione complessa; low offre un'opzione di ragionamento più leggera per i passaggi semplici. Usa il livello selezionato insieme a un elaborato finale chiaro e a criteri di completamento. Per esempio: «Esamina questi file e gli esiti negativi, risali alla causa nei moduli coinvolti, proponi una correzione che preservi l'interfaccia pubblica e spiega quali verifiche dimostrano la risoluzione della regressione».
Il produttore specifica una finestra di contesto di 1M token e una lunghezza massima di output di 128K token. Organizza il materiale esteso attorno alla relazione che il modello deve indagare. Conserva nomi dei file, definizioni pertinenti, etichette delle fonti e ordine delle osservazioni, lasciando spazio al ragionamento e alla risposta finale entro il contesto di lavoro applicabile. Una finestra ampia è utile per dipendenze tra moduli o lunghe sequenze di osservazioni di un agente; non trasforma un archivio privo di direzione e composto da materiale non correlato in un compito ben definito.
Per il lavoro su un repository, fornisci il comportamento atteso, il testo sorgente pertinente, le versioni delle dipendenze e l'output effettivo degli errori. Chiedi al modello di identificare il comportamento coinvolto prima di proporre una modifica. Per una ristrutturazione del codice, nomina l'interfaccia e le invarianti che devono rimanere intatte. Una risposta utile contiene il codice rivisto, il motivo per cui la modifica affronta il problema osservato e i casi necessari per verificarne l'esito. Riporta i risultati effettivi nel flusso collegato agli strumenti, affinché il passaggio successivo si basi sullo stato modificato anziché sulla proposta precedente.
Per il lavoro sulle prestazioni, fornisci un carico di lavoro, un riferimento iniziale e misurazioni come tempi, profili di esecuzione o registri delle allocazioni. Z.ai descrive compiti di addestramento che coinvolgono diagnosi dei colli di bottiglia, ottimizzazione, esperimenti e risultati che preservano la correttezza. Una richiesta pratica è: «Usa questo profilo per identificare il collo di bottiglia più rilevante, proponi una modifica misurabile e spiega quale risultato ne giustificherebbe il mantenimento». Distingui un'ipotesi sulle prestazioni da un miglioramento registrato. Mantieni lo stesso carico e le condizioni pertinenti nell'esaminare un risultato.
La versione sviluppa anche capacità di analisi delle vulnerabilità. Per una revisione difensiva del sorgente, fornisci il codice pertinente, i confini di fiducia previsti e le condizioni in cui viene eseguito. Richiedi un riscontro che colleghi un problema sospetto all'input interessato, al comportamento e a una correzione mirata. Distingui una debolezza potenziale da un difetto riprodotto e conserva l'osservazione usata per convalidarlo. Una relazione è più utile quando dà priorità a evidenze concrete e correzioni proposte, anziché trattare ogni schema sospetto come una vulnerabilità confermata.
Le chiamate a funzioni consentono a un'applicazione circostante di esporre operazioni esterne al modello. Definisci lo scopo, gli argomenti e il risultato atteso di ogni strumento, quindi restituisci l'osservazione effettiva dello strumento per il passaggio successivo. Il modello può ragionare su tale risultato e stabilire come cambi il compito. Mantieni distinguibili azioni proposte, operazioni eseguite e verifiche irrisolte. Il produttore documenta anche risposte in streaming che restituiscono separatamente frammenti di ragionamento e di risposta; ricomponi la risposta completa prima di considerarla la relazione finale o la spiegazione del codice.
La scheda locale del modello fornisce un dettaglio specifico sulla gestione della cronologia: il template di chat conserva il ragionamento per impostazione predefinita, mentre il produttore raccomanda di cancellare esplicitamente il ragionamento precedente negli scenari di chat ordinaria. Applica la struttura conversazionale adatta al caso d'uso, preservando le risposte effettivamente completate e i risultati degli strumenti necessari per proseguire. Evita di considerare intercambiabili le impostazioni di controllo del ragionamento di GLM 5.2 o delle edizioni separate GLM 5.3 Flash con i controlli low/high/max di questo modello.
Per risultati strutturati, specifica campi, tipi e regole relative alle fonti. Un elaborato utile può essere una tabella dei difetti, un piano di modifiche o un oggetto JSON che riepiloga le osservazioni. Convalida sia la struttura sia i valori prima che un'applicazione li utilizzi. Il risultato finale deve identificare la risposta o l'elaborato rivisto, le evidenze a sostegno e le ipotesi residue. Un maggiore impegno di ragionamento non dimostra che uno strumento sia stato eseguito, che una modifica proposta abbia superato le verifiche o che un'affermazione fattuale disponga di supporto oltre il materiale fornito.
", "aboutText": "Z.ai GLM 5.3 è un modello di ragionamento testuale su larga scala, progettato per ingegneria del software complessa e attività prolungate degli agenti. Il produttore afferma che utilizza lo stesso modello di base di GLM 5.2 e che i nuovi miglioramenti derivano dall'addestramento successivo. La versione si concentra su capacità potenziate di programmazione, operazioni da terminale e compiti più ampi che coinvolgono più passaggi dipendenti tra loro. Accetta testo e produce testo, inclusi codice, spiegazioni, piani e richieste di chiamata a strumenti in un'applicazione collegata a strumenti.\n\nLa modalità di ragionamento documentata è sempre attiva. GLM 5.3 offre tre livelli di impegno: low, high e max, con max come valore predefinito. Il produttore raccomanda max per la programmazione complessa; low offre un'opzione di ragionamento più leggera per i passaggi semplici. Usa il livello selezionato insieme a un elaborato finale chiaro e a criteri di completamento. Per esempio: «Esamina questi file e gli esiti negativi, risali alla causa nei moduli coinvolti, proponi una correzione che preservi l'interfaccia pubblica e spiega quali verifiche dimostrano la risoluzione della regressione».\n\nIl produttore specifica una finestra di contesto di 1M token e una lunghezza massima di output di 128K token. Organizza il materiale esteso attorno alla relazione che il modello deve indagare. Conserva nomi dei file, definizioni pertinenti, etichette delle fonti e ordine delle osservazioni, lasciando spazio al ragionamento e alla risposta finale entro il contesto di lavoro applicabile. Una finestra ampia è utile per dipendenze tra moduli o lunghe sequenze di osservazioni di un agente; non trasforma un archivio privo di direzione e composto da materiale non correlato in un compito ben definito.\n\nPer il lavoro su un repository, fornisci il comportamento atteso, il testo sorgente pertinente, le versioni delle dipendenze e l'output effettivo degli errori. Chiedi al modello di identificare il comportamento coinvolto prima di proporre una modifica. Per una ristrutturazione del codice, nomina l'interfaccia e le invarianti che devono rimanere intatte. Una risposta utile contiene il codice rivisto, il motivo per cui la modifica affronta il problema osservato e i casi necessari per verificarne l'esito. Riporta i risultati effettivi nel flusso collegato agli strumenti, affinché il passaggio successivo si basi sullo stato modificato anziché sulla proposta precedente.\n\nPer il lavoro sulle prestazioni, fornisci un carico di lavoro, un riferimento iniziale e misurazioni come tempi, profili di esecuzione o registri delle allocazioni. Z.ai descrive compiti di addestramento che coinvolgono diagnosi dei colli di bottiglia, ottimizzazione, esperimenti e risultati che preservano la correttezza. Una richiesta pratica è: «Usa questo profilo per identificare il collo di bottiglia più rilevante, proponi una modifica misurabile e spiega quale risultato ne giustificherebbe il mantenimento». Distingui un'ipotesi sulle prestazioni da un miglioramento registrato. Mantieni lo stesso carico e le condizioni pertinenti nell'esaminare un risultato.\n\nLa versione sviluppa anche capacità di analisi delle vulnerabilità. Per una revisione difensiva del sorgente, fornisci il codice pertinente, i confini di fiducia previsti e le condizioni in cui viene eseguito. Richiedi un riscontro che colleghi un problema sospetto all'input interessato, al comportamento e a una correzione mirata. Distingui una debolezza potenziale da un difetto riprodotto e conserva l'osservazione usata per convalidarlo. Una relazione è più utile quando dà priorità a evidenze concrete e correzioni proposte, anziché trattare ogni schema sospetto come una vulnerabilità confermata.\n\nLe chiamate a funzioni consentono a un'applicazione circostante di esporre operazioni esterne al modello. Definisci lo scopo, gli argomenti e il risultato atteso di ogni strumento, quindi restituisci l'osservazione effettiva dello strumento per il passaggio successivo. Il modello può ragionare su tale risultato e stabilire come cambi il compito. Mantieni distinguibili azioni proposte, operazioni eseguite e verifiche irrisolte. Il produttore documenta anche risposte in streaming che restituiscono separatamente frammenti di ragionamento e di risposta; ricomponi la risposta completa prima di considerarla la relazione finale o la spiegazione del codice.\n\nLa scheda locale del modello fornisce un dettaglio specifico sulla gestione della cronologia: il template di chat conserva il ragionamento per impostazione predefinita, mentre il produttore raccomanda di cancellare esplicitamente il ragionamento precedente negli scenari di chat ordinaria. Applica la struttura conversazionale adatta al caso d'uso, preservando le risposte effettivamente completate e i risultati degli strumenti necessari per proseguire. Evita di considerare intercambiabili le impostazioni di controllo del ragionamento di GLM 5.2 o delle edizioni separate GLM 5.3 Flash con i controlli low/high/max di questo modello.\n\nPer risultati strutturati, specifica campi, tipi e regole relative alle fonti. Un elaborato utile può essere una tabella dei difetti, un piano di modifiche o un oggetto JSON che riepiloga le osservazioni. Convalida sia la struttura sia i valori prima che un'applicazione li utilizzi. Il risultato finale deve identificare la risposta o l'elaborato rivisto, le evidenze a sostegno e le ipotesi residue. Un maggiore impegno di ragionamento non dimostra che uno strumento sia stato eseguito, che una modifica proposta abbia superato le verifiche o che un'affermazione fattuale disponga di supporto oltre il materiale fornito.", "editorialOverlay": { "copy_fields": { "practical_html": "Esempio tecnico in inglese
Target a measured bottleneck\n\nProfile P1 for one import: parsing 0.4 s, per-row database lookups 8.1 s, writing 0.8 s. The import handles 10,000 rows, including repeated customer IDs. Propose one correctness-preserving optimization, describe what lookup behavior must remain identical and define a same-workload check before claiming an improvement.A bottleneck hypothesis, one proposed change and a correctness plus timing comparison plan.The proposal must use P1 without inventing an observed speedup or losing missing-customer behavior.glm-5.3Z.ai GLM 5.3 è un modello di ragionamento testuale per ingegneria del software complessa, lavoro da terminale e agenti impegnati in attività prolungate. Supporta un contesto di 1M token documentato dal produttore, un massimo di 128K token di output, chiamate a funzioni e livelli di ragionamento low/high/max, con il ragionamento sempre attivo.
Questa descrizione illustra le funzionalità del modello. Gli input, gli output e le opzioni disponibili in Ailoot per il metodo selezionato sono elencati di seguito.
Z.ai GLM 5.3 è un modello di ragionamento testuale su larga scala, progettato per ingegneria del software complessa e attività prolungate degli agenti. Il produttore afferma che utilizza lo stesso modello di base di GLM 5.2 e che i nuovi miglioramenti derivano dall'addestramento successivo. La versione si concentra su capacità potenziate di programmazione, operazioni da terminale e compiti più ampi che coinvolgono più passaggi dipendenti tra loro. Accetta testo e produce testo, inclusi codice, spiegazioni, piani e richieste di chiamata a strumenti in un'applicazione collegata a strumenti.
La modalità di ragionamento documentata è sempre attiva. GLM 5.3 offre tre livelli di impegno: low, high e max, con max come valore predefinito. Il produttore raccomanda max per la programmazione complessa; low offre un'opzione di ragionamento più leggera per i passaggi semplici. Usa il livello selezionato insieme a un elaborato finale chiaro e a criteri di completamento. Per esempio: «Esamina questi file e gli esiti negativi, risali alla causa nei moduli coinvolti, proponi una correzione che preservi l'interfaccia pubblica e spiega quali verifiche dimostrano la risoluzione della regressione».
Il produttore specifica una finestra di contesto di 1M token e una lunghezza massima di output di 128K token. Organizza il materiale esteso attorno alla relazione che il modello deve indagare. Conserva nomi dei file, definizioni pertinenti, etichette delle fonti e ordine delle osservazioni, lasciando spazio al ragionamento e alla risposta finale entro il contesto di lavoro applicabile. Una finestra ampia è utile per dipendenze tra moduli o lunghe sequenze di osservazioni di un agente; non trasforma un archivio privo di direzione e composto da materiale non correlato in un compito ben definito.
Per il lavoro su un repository, fornisci il comportamento atteso, il testo sorgente pertinente, le versioni delle dipendenze e l'output effettivo degli errori. Chiedi al modello di identificare il comportamento coinvolto prima di proporre una modifica. Per una ristrutturazione del codice, nomina l'interfaccia e le invarianti che devono rimanere intatte. Una risposta utile contiene il codice rivisto, il motivo per cui la modifica affronta il problema osservato e i casi necessari per verificarne l'esito. Riporta i risultati effettivi nel flusso collegato agli strumenti, affinché il passaggio successivo si basi sullo stato modificato anziché sulla proposta precedente.
Per il lavoro sulle prestazioni, fornisci un carico di lavoro, un riferimento iniziale e misurazioni come tempi, profili di esecuzione o registri delle allocazioni. Z.ai descrive compiti di addestramento che coinvolgono diagnosi dei colli di bottiglia, ottimizzazione, esperimenti e risultati che preservano la correttezza. Una richiesta pratica è: «Usa questo profilo per identificare il collo di bottiglia più rilevante, proponi una modifica misurabile e spiega quale risultato ne giustificherebbe il mantenimento». Distingui un'ipotesi sulle prestazioni da un miglioramento registrato. Mantieni lo stesso carico e le condizioni pertinenti nell'esaminare un risultato.
La versione sviluppa anche capacità di analisi delle vulnerabilità. Per una revisione difensiva del sorgente, fornisci il codice pertinente, i confini di fiducia previsti e le condizioni in cui viene eseguito. Richiedi un riscontro che colleghi un problema sospetto all'input interessato, al comportamento e a una correzione mirata. Distingui una debolezza potenziale da un difetto riprodotto e conserva l'osservazione usata per convalidarlo. Una relazione è più utile quando dà priorità a evidenze concrete e correzioni proposte, anziché trattare ogni schema sospetto come una vulnerabilità confermata.
Le chiamate a funzioni consentono a un'applicazione circostante di esporre operazioni esterne al modello. Definisci lo scopo, gli argomenti e il risultato atteso di ogni strumento, quindi restituisci l'osservazione effettiva dello strumento per il passaggio successivo. Il modello può ragionare su tale risultato e stabilire come cambi il compito. Mantieni distinguibili azioni proposte, operazioni eseguite e verifiche irrisolte. Il produttore documenta anche risposte in streaming che restituiscono separatamente frammenti di ragionamento e di risposta; ricomponi la risposta completa prima di considerarla la relazione finale o la spiegazione del codice.
La scheda locale del modello fornisce un dettaglio specifico sulla gestione della cronologia: il template di chat conserva il ragionamento per impostazione predefinita, mentre il produttore raccomanda di cancellare esplicitamente il ragionamento precedente negli scenari di chat ordinaria. Applica la struttura conversazionale adatta al caso d'uso, preservando le risposte effettivamente completate e i risultati degli strumenti necessari per proseguire. Evita di considerare intercambiabili le impostazioni di controllo del ragionamento di GLM 5.2 o delle edizioni separate GLM 5.3 Flash con i controlli low/high/max di questo modello.
Per risultati strutturati, specifica campi, tipi e regole relative alle fonti. Un elaborato utile può essere una tabella dei difetti, un piano di modifiche o un oggetto JSON che riepiloga le osservazioni. Convalida sia la struttura sia i valori prima che un'applicazione li utilizzi. Il risultato finale deve identificare la risposta o l'elaborato rivisto, le evidenze a sostegno e le ipotesi residue. Un maggiore impegno di ragionamento non dimostra che uno strumento sia stato eseguito, che una modifica proposta abbia superato le verifiche o che un'affermazione fattuale disponga di supporto oltre il materiale fornito.
POST /v1/messagestexttext| Campo | Tipo | Requisito | Valori e limiti | Predefinito |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObbligatorio | Valori e limiti glm-5.3 | Predefinito— |
Campomessages | Tipomessage[] | RequisitoObbligatorio | Valori e limiti Numero minimo di elementi: 1 | Predefinito— |
Campomessages[].role | Tipostring | RequisitoObbligatorio | Valori e limiti user, assistant | Predefinito— |
Campomessages[].content | Tipostring|content_block[] | RequisitoObbligatorio | Valori e limiti | Predefinito— |
Camposystem | Tipostring|content_block[] | RequisitoFacoltativo | Valori e limiti | Predefinito— |
Campomax_tokens | Tipointeger | RequisitoObbligatorio | Valori e limiti Minimo: 1 Il limite si applica a: Limite esatto del modello o della scheda selezionati | Predefinito— |
Campostream | Tipoboolean | RequisitoFacoltativo | Valori e limiti | Predefinitofalse |
Campotemperature | Tiponumber | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campotop_p | Tiponumber | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campostop_sequences | Tipostring[] | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campotools | Tipotool[] | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campotools[].name | Tipostring | RequisitoFacoltativo | Valori e limiti Si applica quando: Strumento fornito | Predefinito— |
Campotools[].description | Tipostring | RequisitoFacoltativo | Valori e limiti | Predefinito— |
Campotools[].input_schema | TipoJSON_schema | RequisitoFacoltativo | Valori e limiti | Predefinito— |
Campotool_choice | Tipoobject | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campothinking.type | Tipostring | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campothinking.budget_tokens | Tipointeger | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campooutput_config.effort | Tipostring | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campometadata | Tipoobject | RequisitoFacoltativo | Valori e limiti | Predefinito— |
Campocache_control | Tipoobject | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Testo · Testo UTF8
messages[].content o blocco type=text
| Parametro | Contratto |
|---|---|
Parametromaterial_types | Contrattotext |
Parametrorequired | Contrattomodel, messages, max_tokens |
Parametrooptional_controls | Contrattonull |
Parametrocontent_type | Contrattoapplication/json |
Parametrotext_file_material | ContrattoContenuto UTF-8 effettivo inserito come testo; ID di file/URLs richiedono supporto separato ed esatto |
Ciclo di vita: exact retained published method
Le strutture dei metodi e gli ID sono esatti; la capacità del fornitore è distinta dall’ammissione delle richieste.
POST /v1/messagesAiloot prenota un importo stimato prima di una richiesta. Dopo il risultato, addebita il costo finale in base all’utilizzo misurato. Per lo streaming, l’addebito usa il record finale di utilizzo. Come funzionano la prenotazione e l’addebito finale →
I listini di riferimento del modello non modificano la selezione del metodo, i preventivi o gli addebiti. Gli addebiti attivi usano le tariffe del metodo Ailoot selezionato.
Associa ogni costo alle condizioni indicate. Usa una sola tariffa per ogni insieme di configurazioni alternative.
| Configurazione | Listino delle tariffe | Token di contesto, più di | Token di contesto, fino al limite incluso | Costo |
|---|---|---|---|---|
| ConfigurazioneOpenAI Chat · Tariffe base per token | Listino delle tariffeTariffa base | Token di contesto, più di— | Token di contesto, fino al limite inclusoNessun limite superiore | Costo Input · Token in input $0.0028 / 1K token Output · Token in output $0.0088 / 1K token Input · Lettura dalla cache $0.00052 / 1K token Input · Scrittura nella cache — / 1K token Input · Scrittura nella cache, 1 ora — / 1K token |
| ConfigurazioneOpenAI Chat · Fascia 1 in base alla lunghezza della richiesta | Listino delle tariffe— | Token di contesto, più di0 | Token di contesto, fino al limite inclusoNessun limite superiore | Costo Input · Token in input $0.0028 / 1K token Output · Token in output $0.0088 / 1K token Input · Lettura dalla cache $0.00052 / 1K token Input · Scrittura nella cache — / 1K token Input · Scrittura nella cache, 1 ora — / 1K token |
| ConfigurazioneAnthropic Messages · Tariffe base per token | Listino delle tariffeTariffa base | Token di contesto, più di— | Token di contesto, fino al limite inclusoNessun limite superiore | Costo Input · Token in input $0.0028 / 1K token Output · Token in output $0.0088 / 1K token Input · Lettura dalla cache $0.00052 / 1K token Input · Scrittura nella cache — / 1K token Input · Scrittura nella cache, 1 ora — / 1K token |
| ConfigurazioneAnthropic Messages · Fascia 1 in base alla lunghezza della richiesta | Listino delle tariffe— | Token di contesto, più di0 | Token di contesto, fino al limite inclusoNessun limite superiore | Costo Input · Token in input $0.0028 / 1K token Output · Token in output $0.0088 / 1K token Input · Lettura dalla cache $0.00052 / 1K token Input · Scrittura nella cache — / 1K token Input · Scrittura nella cache, 1 ora — / 1K token |
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 source-material file}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "glm-5.3", "max_tokens": 1024, "messages": []}')\nf=Path(os.environ["AILOOT_TEXT_FILE"])\nif not f.is_file():raise SystemExit("Choose your actual UTF-8 source material")\ntext=f.read_text(encoding="utf-8")\nif not text.strip():raise SystemExit("Source material must contain text")\np["messages"]=[{"role":"user","content":"Summarize this material and quote supporting source passages.\\n\\n"+text}]\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/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\nprint(json.dumps(json.loads(Path("result.json").read_text()),ensure_ascii=False,indent=2))\nPY_RESULT\nimport anthropic\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient = anthropic.Anthropic(base_url="https://api.ailoot.ai", api_key=os.environ["AILOOT_API_KEY"], max_retries=0)\nmsg = client.messages.create(\n model="glm-5.3",\n max_tokens=1024,\n messages=[{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}],\n)\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(msg.to_dict(mode="json"))\nimport Anthropic from "@anthropic-ai/sdk";\n\nif (!process.env.AILOOT_API_KEY?.trim()) throw new Error("Set AILOOT_API_KEY before making a request");\nconst client = new Anthropic({ baseURL: "https://api.ailoot.ai", apiKey: process.env.AILOOT_API_KEY, maxRetries: 0 });\nconst msg = await client.messages.create({\n model: "glm-5.3",\n max_tokens: 1024,\n messages: [{ role: "user", content: "Explain the difference between an observation and a hypothesis in three sentences." }],\n});\nimport { writeFileSync } from "node:fs";\n\nfunction saveResult(data, stem = "result") {\n writeFileSync(stem + ".json", JSON.stringify(data, null, 2));\n console.log(JSON.stringify(data, null, 2));\n const saveBlob = (encoded, suffix, label) => {\n const raw = Buffer.from(encoded, "base64");\n const ext = raw.subarray(0,8).equals(Buffer.from([137,80,78,71,13,10,26,10])) ? "png" : raw[0]===255 && raw[1]===216 ? "jpg" : raw.subarray(0,4).toString()==="RIFF" && raw.subarray(8,12).toString()==="WEBP" ? "webp" : suffix;\n const file = `${stem}-${label}.${ext}`;\n writeFileSync(file, raw); console.log("Saved", file);\n };\n for (const [i, block] of (data.content || []).entries()) console.log("Content", i, JSON.stringify(block));\n for (const choice of data.choices || []) console.log("Choice", choice.index, JSON.stringify(choice.message || choice.delta || {}));\n for (const [i, item] of (data.output || []).entries()) {\n console.log("Output", i, JSON.stringify(item));\n if (item.type === "image_generation_call" && item.result) saveBlob(item.result, item.output_format || "bin", `output-${i}`);\n }\n for (const [ci, candidate] of (data.candidates || []).entries()) {\n for (const [pi, part] of (candidate.content?.parts || []).entries()) {\n console.log("Candidate/part", ci, pi, JSON.stringify(part));\n const blob = part.inlineData || part.inline_data;\n if (blob?.data) {\n const mime = blob.mimeType || blob.mime_type;\n const suffix = ({"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"})[mime] || "bin";\n saveBlob(blob.data, suffix, `candidate-${ci}-part-${pi}`);\n }\n }\n }\n}\n\nsaveResult(msg);\nimport anthropic,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=anthropic.Anthropic(base_url="https://api.ailoot.ai",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.messages.stream(model='glm-5.3',max_tokens=1024,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_message()\n save_result(final.to_dict(mode="json"),"stream-result")\njson o SSE
Conserva ogni risposta, file e parte di contenuto restituiti per intero.
Conserva tutti i blocchi di contenuto, le firme di ragionamento e gli ID effettivi di utilizzo degli strumenti. Assembla tutti i delta dei blocchi SSE; il primo blocco di testo non è l’uscita completa.
Conserva gli ID e le intestazioni di richiesta/risposta. Non viene fornito alcun URL generico per recuperare un’attività testuale.
| Campo | Tipo |
|---|---|
Campoid | Tipostring |
Campomodel | Tipostring |
Campocontent[] | Tipotext|thinking|tool_use|other content block |
Campostop_reason | Tipostring|null |
Campousage | Tipoobject |
| Risposta | Condizione | Passaggio successivo |
|---|---|---|
Risposta400 · invalid_request_error | CondizioneCampi obbligatori, rappresentazione del materiale o valore del parametro non validi | Passaggio successivoCorreggi i campi indicati prima di una nuova richiesta di creazione. |
Ailoot glm-5.3, glm, glm-5, glm-5.1, glm-5.2, glm-latest
Ailoot Ultra glm-5.3, z-ai/glm-5.3, ~z-ai/glm-latest
/chat/completions
z-ai/glm-5.3, glm, glm-5, glm-5.1, glm-5.2, glm-latest, ~z-ai/glm-latest, glm-5.3, glm-5.3
glm-5.3Z.ai GLM 5.3 è un modello di ragionamento testuale per ingegneria del software complessa, lavoro da terminale e agenti impegnati in attività prolungate. Supporta un contesto di 1M token documentato dal produttore, un massimo di 128K token di output, chiamate a funzioni e livelli di ragionamento low/high/max, con il ragionamento sempre attivo.
Questa descrizione illustra le funzionalità del modello. Gli input, gli output e le opzioni disponibili in Ailoot per il metodo selezionato sono elencati di seguito.
Z.ai GLM 5.3 è un modello di ragionamento testuale su larga scala, progettato per ingegneria del software complessa e attività prolungate degli agenti. Il produttore afferma che utilizza lo stesso modello di base di GLM 5.2 e che i nuovi miglioramenti derivano dall'addestramento successivo. La versione si concentra su capacità potenziate di programmazione, operazioni da terminale e compiti più ampi che coinvolgono più passaggi dipendenti tra loro. Accetta testo e produce testo, inclusi codice, spiegazioni, piani e richieste di chiamata a strumenti in un'applicazione collegata a strumenti.
La modalità di ragionamento documentata è sempre attiva. GLM 5.3 offre tre livelli di impegno: low, high e max, con max come valore predefinito. Il produttore raccomanda max per la programmazione complessa; low offre un'opzione di ragionamento più leggera per i passaggi semplici. Usa il livello selezionato insieme a un elaborato finale chiaro e a criteri di completamento. Per esempio: «Esamina questi file e gli esiti negativi, risali alla causa nei moduli coinvolti, proponi una correzione che preservi l'interfaccia pubblica e spiega quali verifiche dimostrano la risoluzione della regressione».
Il produttore specifica una finestra di contesto di 1M token e una lunghezza massima di output di 128K token. Organizza il materiale esteso attorno alla relazione che il modello deve indagare. Conserva nomi dei file, definizioni pertinenti, etichette delle fonti e ordine delle osservazioni, lasciando spazio al ragionamento e alla risposta finale entro il contesto di lavoro applicabile. Una finestra ampia è utile per dipendenze tra moduli o lunghe sequenze di osservazioni di un agente; non trasforma un archivio privo di direzione e composto da materiale non correlato in un compito ben definito.
Per il lavoro su un repository, fornisci il comportamento atteso, il testo sorgente pertinente, le versioni delle dipendenze e l'output effettivo degli errori. Chiedi al modello di identificare il comportamento coinvolto prima di proporre una modifica. Per una ristrutturazione del codice, nomina l'interfaccia e le invarianti che devono rimanere intatte. Una risposta utile contiene il codice rivisto, il motivo per cui la modifica affronta il problema osservato e i casi necessari per verificarne l'esito. Riporta i risultati effettivi nel flusso collegato agli strumenti, affinché il passaggio successivo si basi sullo stato modificato anziché sulla proposta precedente.
Per il lavoro sulle prestazioni, fornisci un carico di lavoro, un riferimento iniziale e misurazioni come tempi, profili di esecuzione o registri delle allocazioni. Z.ai descrive compiti di addestramento che coinvolgono diagnosi dei colli di bottiglia, ottimizzazione, esperimenti e risultati che preservano la correttezza. Una richiesta pratica è: «Usa questo profilo per identificare il collo di bottiglia più rilevante, proponi una modifica misurabile e spiega quale risultato ne giustificherebbe il mantenimento». Distingui un'ipotesi sulle prestazioni da un miglioramento registrato. Mantieni lo stesso carico e le condizioni pertinenti nell'esaminare un risultato.
La versione sviluppa anche capacità di analisi delle vulnerabilità. Per una revisione difensiva del sorgente, fornisci il codice pertinente, i confini di fiducia previsti e le condizioni in cui viene eseguito. Richiedi un riscontro che colleghi un problema sospetto all'input interessato, al comportamento e a una correzione mirata. Distingui una debolezza potenziale da un difetto riprodotto e conserva l'osservazione usata per convalidarlo. Una relazione è più utile quando dà priorità a evidenze concrete e correzioni proposte, anziché trattare ogni schema sospetto come una vulnerabilità confermata.
Le chiamate a funzioni consentono a un'applicazione circostante di esporre operazioni esterne al modello. Definisci lo scopo, gli argomenti e il risultato atteso di ogni strumento, quindi restituisci l'osservazione effettiva dello strumento per il passaggio successivo. Il modello può ragionare su tale risultato e stabilire come cambi il compito. Mantieni distinguibili azioni proposte, operazioni eseguite e verifiche irrisolte. Il produttore documenta anche risposte in streaming che restituiscono separatamente frammenti di ragionamento e di risposta; ricomponi la risposta completa prima di considerarla la relazione finale o la spiegazione del codice.
La scheda locale del modello fornisce un dettaglio specifico sulla gestione della cronologia: il template di chat conserva il ragionamento per impostazione predefinita, mentre il produttore raccomanda di cancellare esplicitamente il ragionamento precedente negli scenari di chat ordinaria. Applica la struttura conversazionale adatta al caso d'uso, preservando le risposte effettivamente completate e i risultati degli strumenti necessari per proseguire. Evita di considerare intercambiabili le impostazioni di controllo del ragionamento di GLM 5.2 o delle edizioni separate GLM 5.3 Flash con i controlli low/high/max di questo modello.
Per risultati strutturati, specifica campi, tipi e regole relative alle fonti. Un elaborato utile può essere una tabella dei difetti, un piano di modifiche o un oggetto JSON che riepiloga le osservazioni. Convalida sia la struttura sia i valori prima che un'applicazione li utilizzi. Il risultato finale deve identificare la risposta o l'elaborato rivisto, le evidenze a sostegno e le ipotesi residue. Un maggiore impegno di ragionamento non dimostra che uno strumento sia stato eseguito, che una modifica proposta abbia superato le verifiche o che un'affermazione fattuale disponga di supporto oltre il materiale fornito.
POST /v1/responsestexttext| Campo | Tipo | Requisito | Valori e limiti | Predefinito |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObbligatorio | Valori e limiti glm-5.3 | Predefinito— |
Campoinput | Tipostring|input_item[] | RequisitoObbligatorio | Valori e limiti | Predefinito— |
Campoinstructions | Tipostring | RequisitoFacoltativo | Valori e limiti | Predefinito— |
Campoinput[].type | Tipostring | RequisitoFacoltativo | Valori e limiti message, reasoning, function_call, function_call_output | Predefinito— |
Campoinput[].content | Tipostring|content_part[] | RequisitoFacoltativo | Valori e limiti | Predefinito— |
Campoinput[].call_id | Tipostring | RequisitoFacoltativo | Valori e limiti Si applica quando: function_call_output; conserva il call_id effettivamente restituito | Predefinito— |
Campoinput[].output | Tipostring|content_part[] | RequisitoFacoltativo | Valori e limiti Si applica quando: function_call_output | Predefinito— |
Campomax_output_tokens | Tipointeger | RequisitoFacoltativo | Valori e limiti Minimo: 1 Dipende dal modello | Predefinito— |
Campostream | Tipoboolean | RequisitoFacoltativo | Valori e limiti | Predefinitofalse |
Campotemperature | Tiponumber | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campotop_p | Tiponumber | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campotools | Tipotool[] | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campotool_choice | Tipostring|object | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campoparallel_tool_calls | Tipoboolean | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Camporeasoning.effort | Tipostring | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Camporeasoning.summary | Tipostring | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campotext.format | Tipoobject | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campotext.verbosity | Tipostring | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campoinclude | Tipostring[] | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campostore | Tipoboolean | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campoprevious_response_id | Tipostring | RequisitoFacoltativo | Valori e limiti Requisito dell’ID: Solo un ID di risposta effettivo proveniente da una continuazione supportata Dipende dal modello | Predefinito— |
Camposervice_tier | Tipostring | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campoprompt_cache_key | Tipostring | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campoprompt_cache_options | Tipoobject | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Testo · Testo UTF8
Testo in ingresso o parte input_text
| Parametro | Contratto |
|---|---|
Parametromaterial_types | Contrattotext |
Parametrorequired | Contrattomodel, input |
Parametrooptional_controls | Contrattonull |
Parametrocontent_type | Contrattoapplication/json |
Parametrotext_file_material | ContrattoContenuto UTF-8 effettivo inserito come testo; ID di file/URLs richiedono supporto separato ed esatto |
Ciclo di vita: exact retained published method
Le strutture dei metodi e gli ID sono esatti; la capacità del fornitore è distinta dall’ammissione delle richieste.
POST /v1/responsesAiloot prenota un importo stimato prima di una richiesta. Dopo il risultato, addebita il costo finale in base all’utilizzo misurato. Per lo streaming, l’addebito usa il record finale di utilizzo. Come funzionano la prenotazione e l’addebito finale →
I listini di riferimento del modello non modificano la selezione del metodo, i preventivi o gli addebiti. Gli addebiti attivi usano le tariffe del metodo Ailoot selezionato.
Associa ogni costo alle condizioni indicate. Usa una sola tariffa per ogni insieme di configurazioni alternative.
| Configurazione | Listino delle tariffe | Token di contesto, più di | Token di contesto, fino al limite incluso | Costo |
|---|---|---|---|---|
| ConfigurazioneOpenAI Chat · Tariffe base per token | Listino delle tariffeTariffa base | Token di contesto, più di— | Token di contesto, fino al limite inclusoNessun limite superiore | Costo Input · Token in input $0.0028 / 1K token Output · Token in output $0.0088 / 1K token Input · Lettura dalla cache $0.00052 / 1K token Input · Scrittura nella cache — / 1K token Input · Scrittura nella cache, 1 ora — / 1K token |
| ConfigurazioneOpenAI Chat · Fascia 1 in base alla lunghezza della richiesta | Listino delle tariffe— | Token di contesto, più di0 | Token di contesto, fino al limite inclusoNessun limite superiore | Costo Input · Token in input $0.0028 / 1K token Output · Token in output $0.0088 / 1K token Input · Lettura dalla cache $0.00052 / 1K token Input · Scrittura nella cache — / 1K token Input · Scrittura nella cache, 1 ora — / 1K token |
| ConfigurazioneAnthropic Messages · Tariffe base per token | Listino delle tariffeTariffa base | Token di contesto, più di— | Token di contesto, fino al limite inclusoNessun limite superiore | Costo Input · Token in input $0.0028 / 1K token Output · Token in output $0.0088 / 1K token Input · Lettura dalla cache $0.00052 / 1K token Input · Scrittura nella cache — / 1K token Input · Scrittura nella cache, 1 ora — / 1K token |
| ConfigurazioneAnthropic Messages · Fascia 1 in base alla lunghezza della richiesta | Listino delle tariffe— | Token di contesto, più di0 | Token di contesto, fino al limite inclusoNessun limite superiore | Costo Input · Token in input $0.0028 / 1K token Output · Token in output $0.0088 / 1K token Input · Lettura dalla cache $0.00052 / 1K token Input · Scrittura nella cache — / 1K token Input · Scrittura nella cache, 1 ora — / 1K token |
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 source-material file}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "glm-5.3", "input": ""}')\nf=Path(os.environ["AILOOT_TEXT_FILE"])\nif not f.is_file():raise SystemExit("Choose your actual UTF-8 source material")\ntext=f.read_text(encoding="utf-8")\nif not text.strip():raise SystemExit("Source material must contain text")\np["input"]="Summarize this material and quote supporting source passages.\\n\\n"+text\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/responses \\\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 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(json.loads(Path("result.json").read_text(encoding="utf-8")))\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)\nresp = client.responses.create(model="glm-5.3", input="Explain the difference between an observation and a hypothesis 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(resp.to_dict(mode="json"))\nimport OpenAI from "openai";\n\nif (!process.env.AILOOT_API_KEY?.trim()) throw new Error("Set AILOOT_API_KEY before making a request");\nconst client = new OpenAI({ baseURL: "https://api.ailoot.ai/v1", apiKey: process.env.AILOOT_API_KEY, maxRetries: 0 });\nconst resp = await client.responses.create({ model: "glm-5.3", input: "Explain the difference between an observation and a hypothesis in three sentences." });\nimport { writeFileSync } from "node:fs";\n\nfunction saveResult(data, stem = "result") {\n writeFileSync(stem + ".json", JSON.stringify(data, null, 2));\n console.log(JSON.stringify(data, null, 2));\n const saveBlob = (encoded, suffix, label) => {\n const raw = Buffer.from(encoded, "base64");\n const ext = raw.subarray(0,8).equals(Buffer.from([137,80,78,71,13,10,26,10])) ? "png" : raw[0]===255 && raw[1]===216 ? "jpg" : raw.subarray(0,4).toString()==="RIFF" && raw.subarray(8,12).toString()==="WEBP" ? "webp" : suffix;\n const file = `${stem}-${label}.${ext}`;\n writeFileSync(file, raw); console.log("Saved", file);\n };\n for (const [i, block] of (data.content || []).entries()) console.log("Content", i, JSON.stringify(block));\n for (const choice of data.choices || []) console.log("Choice", choice.index, JSON.stringify(choice.message || choice.delta || {}));\n for (const [i, item] of (data.output || []).entries()) {\n console.log("Output", i, JSON.stringify(item));\n if (item.type === "image_generation_call" && item.result) saveBlob(item.result, item.output_format || "bin", `output-${i}`);\n }\n for (const [ci, candidate] of (data.candidates || []).entries()) {\n for (const [pi, part] of (candidate.content?.parts || []).entries()) {\n console.log("Candidate/part", ci, pi, JSON.stringify(part));\n const blob = part.inlineData || part.inline_data;\n if (blob?.data) {\n const mime = blob.mimeType || blob.mime_type;\n const suffix = ({"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"})[mime] || "bin";\n saveBlob(blob.data, suffix, `candidate-${ci}-part-${pi}`);\n }\n }\n }\n}\n\nsaveResult(resp);\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\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\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)\nwith client.responses.stream(model="glm-5.3", input="Explain the difference between an observation and a hypothesis 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_response()\n save_result(final.to_dict(mode="json"),"stream-result")\njson o SSE
Conserva ogni risposta, file e parte di contenuto restituiti per intero.
Conserva ogni elemento di uscita e parte di contenuto, il call_id effettivo della funzione, il ragionamento cifrato e i dati di utilizzo. Nello streaming conserva l’identità completa di eventi ed elementi.
Conserva gli ID e le intestazioni di richiesta/risposta. Non viene fornito alcun URL generico per recuperare un’attività testuale.
| Campo | Tipo |
|---|---|
Campoid | Tipostring |
Campostatus | Tipostring |
Campooutput[] | Tipomessage|reasoning|function_call|other item |
Campooutput[].content[] | Tipocontent part |
Campousage | Tipoobject |
| Risposta | Condizione | Passaggio successivo |
|---|---|---|
Risposta400 · invalid_request_error | CondizioneCampi obbligatori, rappresentazione del materiale o valore del parametro non validi | Passaggio successivoCorreggi i campi indicati prima di una nuova richiesta di creazione. |
Ailoot glm-5.3, glm, glm-5, glm-5.1, glm-5.2, glm-latest
Ailoot Ultra glm-5.3, z-ai/glm-5.3, ~z-ai/glm-latest
/chat/completions
z-ai/glm-5.3, glm, glm-5, glm-5.1, glm-5.2, glm-latest, ~z-ai/glm-latest, glm-5.3, glm-5.3
glm-5.3Z.ai GLM 5.3 è un modello di ragionamento testuale per ingegneria del software complessa, lavoro da terminale e agenti impegnati in attività prolungate. Supporta un contesto di 1M token documentato dal produttore, un massimo di 128K token di output, chiamate a funzioni e livelli di ragionamento low/high/max, con il ragionamento sempre attivo.
Questa descrizione illustra le funzionalità del modello. Gli input, gli output e le opzioni disponibili in Ailoot per il metodo selezionato sono elencati di seguito.
Z.ai GLM 5.3 è un modello di ragionamento testuale su larga scala, progettato per ingegneria del software complessa e attività prolungate degli agenti. Il produttore afferma che utilizza lo stesso modello di base di GLM 5.2 e che i nuovi miglioramenti derivano dall'addestramento successivo. La versione si concentra su capacità potenziate di programmazione, operazioni da terminale e compiti più ampi che coinvolgono più passaggi dipendenti tra loro. Accetta testo e produce testo, inclusi codice, spiegazioni, piani e richieste di chiamata a strumenti in un'applicazione collegata a strumenti.
La modalità di ragionamento documentata è sempre attiva. GLM 5.3 offre tre livelli di impegno: low, high e max, con max come valore predefinito. Il produttore raccomanda max per la programmazione complessa; low offre un'opzione di ragionamento più leggera per i passaggi semplici. Usa il livello selezionato insieme a un elaborato finale chiaro e a criteri di completamento. Per esempio: «Esamina questi file e gli esiti negativi, risali alla causa nei moduli coinvolti, proponi una correzione che preservi l'interfaccia pubblica e spiega quali verifiche dimostrano la risoluzione della regressione».
Il produttore specifica una finestra di contesto di 1M token e una lunghezza massima di output di 128K token. Organizza il materiale esteso attorno alla relazione che il modello deve indagare. Conserva nomi dei file, definizioni pertinenti, etichette delle fonti e ordine delle osservazioni, lasciando spazio al ragionamento e alla risposta finale entro il contesto di lavoro applicabile. Una finestra ampia è utile per dipendenze tra moduli o lunghe sequenze di osservazioni di un agente; non trasforma un archivio privo di direzione e composto da materiale non correlato in un compito ben definito.
Per il lavoro su un repository, fornisci il comportamento atteso, il testo sorgente pertinente, le versioni delle dipendenze e l'output effettivo degli errori. Chiedi al modello di identificare il comportamento coinvolto prima di proporre una modifica. Per una ristrutturazione del codice, nomina l'interfaccia e le invarianti che devono rimanere intatte. Una risposta utile contiene il codice rivisto, il motivo per cui la modifica affronta il problema osservato e i casi necessari per verificarne l'esito. Riporta i risultati effettivi nel flusso collegato agli strumenti, affinché il passaggio successivo si basi sullo stato modificato anziché sulla proposta precedente.
Per il lavoro sulle prestazioni, fornisci un carico di lavoro, un riferimento iniziale e misurazioni come tempi, profili di esecuzione o registri delle allocazioni. Z.ai descrive compiti di addestramento che coinvolgono diagnosi dei colli di bottiglia, ottimizzazione, esperimenti e risultati che preservano la correttezza. Una richiesta pratica è: «Usa questo profilo per identificare il collo di bottiglia più rilevante, proponi una modifica misurabile e spiega quale risultato ne giustificherebbe il mantenimento». Distingui un'ipotesi sulle prestazioni da un miglioramento registrato. Mantieni lo stesso carico e le condizioni pertinenti nell'esaminare un risultato.
La versione sviluppa anche capacità di analisi delle vulnerabilità. Per una revisione difensiva del sorgente, fornisci il codice pertinente, i confini di fiducia previsti e le condizioni in cui viene eseguito. Richiedi un riscontro che colleghi un problema sospetto all'input interessato, al comportamento e a una correzione mirata. Distingui una debolezza potenziale da un difetto riprodotto e conserva l'osservazione usata per convalidarlo. Una relazione è più utile quando dà priorità a evidenze concrete e correzioni proposte, anziché trattare ogni schema sospetto come una vulnerabilità confermata.
Le chiamate a funzioni consentono a un'applicazione circostante di esporre operazioni esterne al modello. Definisci lo scopo, gli argomenti e il risultato atteso di ogni strumento, quindi restituisci l'osservazione effettiva dello strumento per il passaggio successivo. Il modello può ragionare su tale risultato e stabilire come cambi il compito. Mantieni distinguibili azioni proposte, operazioni eseguite e verifiche irrisolte. Il produttore documenta anche risposte in streaming che restituiscono separatamente frammenti di ragionamento e di risposta; ricomponi la risposta completa prima di considerarla la relazione finale o la spiegazione del codice.
La scheda locale del modello fornisce un dettaglio specifico sulla gestione della cronologia: il template di chat conserva il ragionamento per impostazione predefinita, mentre il produttore raccomanda di cancellare esplicitamente il ragionamento precedente negli scenari di chat ordinaria. Applica la struttura conversazionale adatta al caso d'uso, preservando le risposte effettivamente completate e i risultati degli strumenti necessari per proseguire. Evita di considerare intercambiabili le impostazioni di controllo del ragionamento di GLM 5.2 o delle edizioni separate GLM 5.3 Flash con i controlli low/high/max di questo modello.
Per risultati strutturati, specifica campi, tipi e regole relative alle fonti. Un elaborato utile può essere una tabella dei difetti, un piano di modifiche o un oggetto JSON che riepiloga le osservazioni. Convalida sia la struttura sia i valori prima che un'applicazione li utilizzi. Il risultato finale deve identificare la risposta o l'elaborato rivisto, le evidenze a sostegno e le ipotesi residue. Un maggiore impegno di ragionamento non dimostra che uno strumento sia stato eseguito, che una modifica proposta abbia superato le verifiche o che un'affermazione fattuale disponga di supporto oltre il materiale fornito.
POST /v1/chat/completionstexttext| Campo | Tipo | Requisito | Valori e limiti | Predefinito |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObbligatorio | Valori e limiti glm-5.3 | Predefinito— |
Campomessages | Tipomessage[] | RequisitoObbligatorio | Valori e limiti Numero minimo di elementi: 1 | Predefinito— |
Campomessages[].role | Tipostring | RequisitoObbligatorio | Valori e limiti Esempi: system, user, assistant, tool, function Condizioni: Questi ruoli sono rappresentati esplicitamente dai tipi di compatibilità del codice sorgente; l’insieme esatto dei ruoli rimane specifico del modello. Dipende dal modello | Predefinito— |
Campomessages[].content | Tipostring|content_part[]|null | RequisitoFacoltativo | Valori e limiti | Predefinito— |
Campomessages[].tool_calls | Tipotool_call[] | RequisitoFacoltativo | Valori e limiti | Predefinito— |
Campomessages[].tool_call_id | Tipostring | RequisitoFacoltativo | Valori e limiti Si applica quando: role=tool; usa l’ID effettivamente restituito | Predefinito— |
Campomessages[].name | Tipostring | RequisitoFacoltativo | Valori e limiti | Predefinito— |
Campomessages[].reasoning_content | Tipostring | RequisitoFacoltativo | Valori e limiti Si applica quando: Reinserisci il ragionamento effettivamente restituito quando il modello lo utilizza | Predefinito— |
Campomessages[].reasoning_details | Tipoobject|array | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campomax_tokens | Tipointeger | RequisitoFacoltativo | Valori e limiti Minimo: 1 Dipende dal modello | Predefinito— |
Campomax_completion_tokens | Tipointeger | RequisitoFacoltativo | Valori e limiti Minimo: 1 Dipende dal modello | Predefinito— |
Campostream | Tipoboolean | RequisitoFacoltativo | Valori e limiti | Predefinitofalse |
Campostream_options.include_usage | Tipoboolean | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campotemperature | Tiponumber | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campotop_p | Tiponumber | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campostop | Tipostring|string[] | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campotools | Tipofunction_tool[] | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campotools[].type | Tipostring | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campotools[].function.name | Tipostring | RequisitoObbligatorio | Valori e limiti Si applica quando: Funzione fornita come strumento | Predefinito— |
Campotools[].function.description | Tipostring | RequisitoFacoltativo | Valori e limiti | Predefinito— |
Campotools[].function.parameters | TipoJSON_schema | RequisitoFacoltativo | Valori e limiti | Predefinito— |
Campotool_choice | Tipostring|object | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campoparallel_tool_calls | Tipoboolean | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Camporesponse_format | Tipoobject | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Camporeasoning_effort | Tipostring | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Camporeasoning | Tipoobject | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Camposervice_tier | Tipostring | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campoinstructions | Tipostring | RequisitoFacoltativo | Valori e limiti Campo di compatibilità | Predefinito— |
Campofunctions | Tipofunction[] | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campofunction_call | Tipostring|object | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campoprompt_cache_options | Tipoobject | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Testo · Testo UTF8
messages[].content
| Parametro | Contratto |
|---|---|
Parametromaterial_types | Contrattotext |
Parametrorequired | Contrattomodel, messages |
Parametrooptional_controls | Contrattonull |
Parametrocontent_type | Contrattoapplication/json |
Parametrotext_file_material | ContrattoContenuto UTF-8 effettivo inserito come testo; ID di file/URLs richiedono supporto separato ed esatto |
Ciclo di vita: exact retained published method
Le strutture dei metodi e gli ID sono esatti; la capacità del fornitore è distinta dall’ammissione delle richieste.
POST /v1/chat/completionsAiloot prenota un importo stimato prima di una richiesta. Dopo il risultato, addebita il costo finale in base all’utilizzo misurato. Per lo streaming, l’addebito usa il record finale di utilizzo. Come funzionano la prenotazione e l’addebito finale →
I listini di riferimento del modello non modificano la selezione del metodo, i preventivi o gli addebiti. Gli addebiti attivi usano le tariffe del metodo Ailoot selezionato.
Associa ogni costo alle condizioni indicate. Usa una sola tariffa per ogni insieme di configurazioni alternative.
| Configurazione | Listino delle tariffe | Token di contesto, più di | Token di contesto, fino al limite incluso | Costo |
|---|---|---|---|---|
| ConfigurazioneOpenAI Chat · Tariffe base per token | Listino delle tariffeTariffa base | Token di contesto, più di— | Token di contesto, fino al limite inclusoNessun limite superiore | Costo Input · Token in input $0.0028 / 1K token Output · Token in output $0.0088 / 1K token Input · Lettura dalla cache $0.00052 / 1K token Input · Scrittura nella cache — / 1K token Input · Scrittura nella cache, 1 ora — / 1K token |
| ConfigurazioneOpenAI Chat · Fascia 1 in base alla lunghezza della richiesta | Listino delle tariffe— | Token di contesto, più di0 | Token di contesto, fino al limite inclusoNessun limite superiore | Costo Input · Token in input $0.0028 / 1K token Output · Token in output $0.0088 / 1K token Input · Lettura dalla cache $0.00052 / 1K token Input · Scrittura nella cache — / 1K token Input · Scrittura nella cache, 1 ora — / 1K token |
| ConfigurazioneAnthropic Messages · Tariffe base per token | Listino delle tariffeTariffa base | Token di contesto, più di— | Token di contesto, fino al limite inclusoNessun limite superiore | Costo Input · Token in input $0.0028 / 1K token Output · Token in output $0.0088 / 1K token Input · Lettura dalla cache $0.00052 / 1K token Input · Scrittura nella cache — / 1K token Input · Scrittura nella cache, 1 ora — / 1K token |
| ConfigurazioneAnthropic Messages · Fascia 1 in base alla lunghezza della richiesta | Listino delle tariffe— | Token di contesto, più di0 | Token di contesto, fino al limite inclusoNessun limite superiore | Costo Input · Token in input $0.0028 / 1K token Output · Token in output $0.0088 / 1K token Input · Lettura dalla cache $0.00052 / 1K token Input · Scrittura nella cache — / 1K token Input · Scrittura nella cache, 1 ora — / 1K token |
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 source-material file}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "glm-5.3", "messages": []}')\nf=Path(os.environ["AILOOT_TEXT_FILE"])\nif not f.is_file():raise SystemExit("Choose your actual UTF-8 source material")\ntext=f.read_text(encoding="utf-8")\nif not text.strip():raise SystemExit("Source material must contain text")\np["messages"]=[{"role":"user","content":"Summarize this material and quote supporting source passages.\\n\\n"+text}]\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\nprint(json.dumps(json.loads(Path("result.json").read_text()),ensure_ascii=False,indent=2))\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)\nresp = client.chat.completions.create(\n model="glm-5.3",\n messages=[{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}],\n)\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(resp.to_dict(mode="json"))\nimport OpenAI from "openai";\n\nif (!process.env.AILOOT_API_KEY?.trim()) throw new Error("Set AILOOT_API_KEY before making a request");\nconst client = new OpenAI({ baseURL: "https://api.ailoot.ai/v1", apiKey: process.env.AILOOT_API_KEY, maxRetries: 0 });\nconst resp = await client.chat.completions.create({\n model: "glm-5.3",\n messages: [{ role: "user", content: "Explain the difference between an observation and a hypothesis in three sentences." }],\n});\nimport { writeFileSync } from "node:fs";\n\nfunction saveResult(data, stem = "result") {\n writeFileSync(stem + ".json", JSON.stringify(data, null, 2));\n console.log(JSON.stringify(data, null, 2));\n const saveBlob = (encoded, suffix, label) => {\n const raw = Buffer.from(encoded, "base64");\n const ext = raw.subarray(0,8).equals(Buffer.from([137,80,78,71,13,10,26,10])) ? "png" : raw[0]===255 && raw[1]===216 ? "jpg" : raw.subarray(0,4).toString()==="RIFF" && raw.subarray(8,12).toString()==="WEBP" ? "webp" : suffix;\n const file = `${stem}-${label}.${ext}`;\n writeFileSync(file, raw); console.log("Saved", file);\n };\n for (const [i, block] of (data.content || []).entries()) console.log("Content", i, JSON.stringify(block));\n for (const choice of data.choices || []) console.log("Choice", choice.index, JSON.stringify(choice.message || choice.delta || {}));\n for (const [i, item] of (data.output || []).entries()) {\n console.log("Output", i, JSON.stringify(item));\n if (item.type === "image_generation_call" && item.result) saveBlob(item.result, item.output_format || "bin", `output-${i}`);\n }\n for (const [ci, candidate] of (data.candidates || []).entries()) {\n for (const [pi, part] of (candidate.content?.parts || []).entries()) {\n console.log("Candidate/part", ci, pi, JSON.stringify(part));\n const blob = part.inlineData || part.inline_data;\n if (blob?.data) {\n const mime = blob.mimeType || blob.mime_type;\n const suffix = ({"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"})[mime] || "bin";\n saveBlob(blob.data, suffix, `candidate-${ci}-part-${pi}`);\n }\n }\n }\n}\n\nsaveResult(resp);\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='glm-5.3',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 o SSE
Conserva ogni risposta, file e parte di contenuto restituiti per intero.
Conserva ogni scelta con contenuto, chiamate agli strumenti e ragionamento. In SSE assembla i delta per indice di scelta e strumento e conserva il motivo finale di completamento e i dati di utilizzo.
Conserva gli ID e le intestazioni di richiesta/risposta. Non viene fornito alcun URL generico per recuperare un’attività testuale.
| Campo | Tipo |
|---|---|
Campochoices[].index | Tipointeger |
Campochoices[].message.content | Tipostring|null |
Campochoices[].message.tool_calls | Tipotool_call[] |
Campochoices[].message.reasoning_content | Tipostring |
Campochoices[].message.reasoning_details | Tipoobject|array |
Campochoices[].finish_reason | Tipostring|null |
Campousage | Tipoobject |
| Risposta | Condizione | Passaggio successivo |
|---|---|---|
Risposta400 · invalid_request_error | CondizioneCampi obbligatori, rappresentazione del materiale o valore del parametro non validi | Passaggio successivoCorreggi i campi indicati prima di una nuova richiesta di creazione. |
Ailoot glm-5.3, glm, glm-5, glm-5.1, glm-5.2, glm-latest
Ailoot Ultra glm-5.3, z-ai/glm-5.3, ~z-ai/glm-latest
/chat/completions
z-ai/glm-5.3, glm, glm-5, glm-5.1, glm-5.2, glm-latest, ~z-ai/glm-latest, glm-5.3, glm-5.3
glm-5.3Z.ai GLM 5.3 è un modello di ragionamento testuale per ingegneria del software complessa, lavoro da terminale e agenti impegnati in attività prolungate. Supporta un contesto di 1M token documentato dal produttore, un massimo di 128K token di output, chiamate a funzioni e livelli di ragionamento low/high/max, con il ragionamento sempre attivo.
Questa descrizione illustra le funzionalità del modello. Gli input, gli output e le opzioni disponibili in Ailoot per il metodo selezionato sono elencati di seguito.
Z.ai GLM 5.3 è un modello di ragionamento testuale su larga scala, progettato per ingegneria del software complessa e attività prolungate degli agenti. Il produttore afferma che utilizza lo stesso modello di base di GLM 5.2 e che i nuovi miglioramenti derivano dall'addestramento successivo. La versione si concentra su capacità potenziate di programmazione, operazioni da terminale e compiti più ampi che coinvolgono più passaggi dipendenti tra loro. Accetta testo e produce testo, inclusi codice, spiegazioni, piani e richieste di chiamata a strumenti in un'applicazione collegata a strumenti.
La modalità di ragionamento documentata è sempre attiva. GLM 5.3 offre tre livelli di impegno: low, high e max, con max come valore predefinito. Il produttore raccomanda max per la programmazione complessa; low offre un'opzione di ragionamento più leggera per i passaggi semplici. Usa il livello selezionato insieme a un elaborato finale chiaro e a criteri di completamento. Per esempio: «Esamina questi file e gli esiti negativi, risali alla causa nei moduli coinvolti, proponi una correzione che preservi l'interfaccia pubblica e spiega quali verifiche dimostrano la risoluzione della regressione».
Il produttore specifica una finestra di contesto di 1M token e una lunghezza massima di output di 128K token. Organizza il materiale esteso attorno alla relazione che il modello deve indagare. Conserva nomi dei file, definizioni pertinenti, etichette delle fonti e ordine delle osservazioni, lasciando spazio al ragionamento e alla risposta finale entro il contesto di lavoro applicabile. Una finestra ampia è utile per dipendenze tra moduli o lunghe sequenze di osservazioni di un agente; non trasforma un archivio privo di direzione e composto da materiale non correlato in un compito ben definito.
Per il lavoro su un repository, fornisci il comportamento atteso, il testo sorgente pertinente, le versioni delle dipendenze e l'output effettivo degli errori. Chiedi al modello di identificare il comportamento coinvolto prima di proporre una modifica. Per una ristrutturazione del codice, nomina l'interfaccia e le invarianti che devono rimanere intatte. Una risposta utile contiene il codice rivisto, il motivo per cui la modifica affronta il problema osservato e i casi necessari per verificarne l'esito. Riporta i risultati effettivi nel flusso collegato agli strumenti, affinché il passaggio successivo si basi sullo stato modificato anziché sulla proposta precedente.
Per il lavoro sulle prestazioni, fornisci un carico di lavoro, un riferimento iniziale e misurazioni come tempi, profili di esecuzione o registri delle allocazioni. Z.ai descrive compiti di addestramento che coinvolgono diagnosi dei colli di bottiglia, ottimizzazione, esperimenti e risultati che preservano la correttezza. Una richiesta pratica è: «Usa questo profilo per identificare il collo di bottiglia più rilevante, proponi una modifica misurabile e spiega quale risultato ne giustificherebbe il mantenimento». Distingui un'ipotesi sulle prestazioni da un miglioramento registrato. Mantieni lo stesso carico e le condizioni pertinenti nell'esaminare un risultato.
La versione sviluppa anche capacità di analisi delle vulnerabilità. Per una revisione difensiva del sorgente, fornisci il codice pertinente, i confini di fiducia previsti e le condizioni in cui viene eseguito. Richiedi un riscontro che colleghi un problema sospetto all'input interessato, al comportamento e a una correzione mirata. Distingui una debolezza potenziale da un difetto riprodotto e conserva l'osservazione usata per convalidarlo. Una relazione è più utile quando dà priorità a evidenze concrete e correzioni proposte, anziché trattare ogni schema sospetto come una vulnerabilità confermata.
Le chiamate a funzioni consentono a un'applicazione circostante di esporre operazioni esterne al modello. Definisci lo scopo, gli argomenti e il risultato atteso di ogni strumento, quindi restituisci l'osservazione effettiva dello strumento per il passaggio successivo. Il modello può ragionare su tale risultato e stabilire come cambi il compito. Mantieni distinguibili azioni proposte, operazioni eseguite e verifiche irrisolte. Il produttore documenta anche risposte in streaming che restituiscono separatamente frammenti di ragionamento e di risposta; ricomponi la risposta completa prima di considerarla la relazione finale o la spiegazione del codice.
La scheda locale del modello fornisce un dettaglio specifico sulla gestione della cronologia: il template di chat conserva il ragionamento per impostazione predefinita, mentre il produttore raccomanda di cancellare esplicitamente il ragionamento precedente negli scenari di chat ordinaria. Applica la struttura conversazionale adatta al caso d'uso, preservando le risposte effettivamente completate e i risultati degli strumenti necessari per proseguire. Evita di considerare intercambiabili le impostazioni di controllo del ragionamento di GLM 5.2 o delle edizioni separate GLM 5.3 Flash con i controlli low/high/max di questo modello.
Per risultati strutturati, specifica campi, tipi e regole relative alle fonti. Un elaborato utile può essere una tabella dei difetti, un piano di modifiche o un oggetto JSON che riepiloga le osservazioni. Convalida sia la struttura sia i valori prima che un'applicazione li utilizzi. Il risultato finale deve identificare la risposta o l'elaborato rivisto, le evidenze a sostegno e le ipotesi residue. Un maggiore impegno di ragionamento non dimostra che uno strumento sia stato eseguito, che una modifica proposta abbia superato le verifiche o che un'affermazione fattuale disponga di supporto oltre il materiale fornito.
POST /v1/chat/completionstexttext| Campo | Tipo | Requisito | Valori e limiti | Predefinito |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObbligatorio | Valori e limiti glm-5.3 | Predefinito— |
Campomessages | Tipomessage[] | RequisitoObbligatorio | Valori e limiti Numero minimo di elementi: 1 | Predefinito— |
Campomessages[].role | Tipostring | RequisitoObbligatorio | Valori e limiti Dipende dal modello | Predefinito— |
Campomessages[].content | Tipostring | RequisitoFacoltativo | Valori e limiti Si applica quando: Conversazione testuale | Predefinito— |
Campostream | Tipoboolean | RequisitoFacoltativo | Valori e limiti | Predefinitofalse |
Testo · Testo UTF8
messages[].content
| Parametro | Contratto |
|---|---|
Parametrocontent_type | Contrattoapplication/json |
Parametrorequired | Contrattomodel, messages |
Parametromaterial_types | Contrattotext |
Parametromessages | ContrattoArray di messaggi con struttura role/content |
Parametrofile_material | ContrattoDocumento UTF-8 effettivo inserito come testo letterale; nessun ID di file dedotto |
Parametrooptional_controls | Contrattostream |
Parametrocontrol_scope | ContrattoConversazione testuale; stream è un booleano e per impostazione predefinita vale false. |
Parametrooutput_modalities | Contrattotext |
Parametrohosted_operations | Contrattofalse |
Parametromultimodal_input_binding | Contrattonull |
Alias del metodo: /chat/completions
Ciclo di vita: synchronous_or_streamed
Invia l’ID esatto del modello con messages.
La lunghezza del contesto non è un limite di uscita.
Un file di testo può fornire testo letterale; gli ingressi immagine/audio/oggetto file richiedono un’associazione esatta.
Le tariffe non aggiungono opzioni alla richiesta. I parametri supportati sono elencati nel metodo selezionato.
Associa ogni costo alle condizioni indicate. Usa una sola tariffa per ogni insieme di configurazioni alternative.
| Configurazione | Listino delle tariffe | Token di contesto, più di | Token di contesto, fino al limite incluso | Costo |
|---|---|---|---|---|
| ConfigurazioneTariffe di base dei token | Listino delle tariffeTariffa base | Token di contesto, più di— | Token di contesto, fino al limite inclusoNessun limite superiore | Costo Input · Token in input $0.0028 / 1K token Output · Token in output $0.0088 / 1K token Input · Lettura dalla cache $0.00052 / 1K token Input · Scrittura nella cache — / 1K token Input · Scrittura nella cache, 1 ora — / 1K token |
| ConfigurazioneFascia 1 di lunghezza della richiesta | Listino delle tariffe— | Token di contesto, più di0 | Token di contesto, fino al limite inclusoNessun limite superiore | Costo Input · Token in input $0.0028 / 1K token Output · Token in output $0.0088 / 1K token Input · Lettura dalla cache $0.00052 / 1K token Input · Scrittura nella cache — / 1K token Input · Scrittura nella cache, 1 ora — / 1K token |
Ailoot prenota un importo stimato prima di una richiesta. Dopo il risultato, addebita il costo finale in base all’utilizzo misurato. Per lo streaming, l’addebito usa il record finale di utilizzo. Come funzionano la prenotazione e l’addebito finale →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model":"glm-5.3","messages":[{"role":"user","content":"hello"}],"stream":false}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model="glm-5.3", messages=[{"role":"user","content":"hello"}], stream=False)\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"))\njson o SSE
Conserva ogni risposta, file e parte di contenuto restituiti per intero.
Conserva ogni scelta con contenuto, chiamate agli strumenti e ragionamento. In SSE assembla i delta per indice di scelta e strumento e conserva il motivo finale di completamento e i dati di utilizzo.
Conserva gli ID e le intestazioni di richiesta/risposta. Non viene fornito alcun URL generico per recuperare un’attività testuale.
| Campo | Tipo |
|---|---|
Campochoices[].index | Tipointeger |
Campochoices[].message.content | Tipostring|null |
Campochoices[].message.tool_calls | Tipotool_call[] |
Campochoices[].message.reasoning_content | Tipostring |
Campochoices[].message.reasoning_details | Tipoobject|array |
Campochoices[].finish_reason | Tipostring|null |
Campousage | Tipoobject |
| Risposta | Condizione | Passaggio successivo |
|---|---|---|
Risposta400 · invalid_request_error | CondizioneCampi obbligatori, rappresentazione del materiale o valore del parametro non validi | Passaggio successivoCorreggi i campi indicati prima di una nuova richiesta di creazione. |
Ailoot glm-5.3, glm, glm-5, glm-5.1, glm-5.2, glm-latest
Ailoot Ultra glm-5.3, z-ai/glm-5.3, ~z-ai/glm-latest
/chat/completions
z-ai/glm-5.3, glm, glm-5, glm-5.1, glm-5.2, glm-latest, ~z-ai/glm-latest, glm-5.3, glm-5.3
glm-5.3Z.ai GLM 5.3 è un modello di ragionamento testuale per ingegneria del software complessa, lavoro da terminale e agenti impegnati in attività prolungate. Supporta un contesto di 1M token documentato dal produttore, un massimo di 128K token di output, chiamate a funzioni e livelli di ragionamento low/high/max, con il ragionamento sempre attivo.
Questa descrizione illustra le funzionalità del modello. Gli input, gli output e le opzioni disponibili in Ailoot per il metodo selezionato sono elencati di seguito.
Z.ai GLM 5.3 è un modello di ragionamento testuale su larga scala, progettato per ingegneria del software complessa e attività prolungate degli agenti. Il produttore afferma che utilizza lo stesso modello di base di GLM 5.2 e che i nuovi miglioramenti derivano dall'addestramento successivo. La versione si concentra su capacità potenziate di programmazione, operazioni da terminale e compiti più ampi che coinvolgono più passaggi dipendenti tra loro. Accetta testo e produce testo, inclusi codice, spiegazioni, piani e richieste di chiamata a strumenti in un'applicazione collegata a strumenti.
La modalità di ragionamento documentata è sempre attiva. GLM 5.3 offre tre livelli di impegno: low, high e max, con max come valore predefinito. Il produttore raccomanda max per la programmazione complessa; low offre un'opzione di ragionamento più leggera per i passaggi semplici. Usa il livello selezionato insieme a un elaborato finale chiaro e a criteri di completamento. Per esempio: «Esamina questi file e gli esiti negativi, risali alla causa nei moduli coinvolti, proponi una correzione che preservi l'interfaccia pubblica e spiega quali verifiche dimostrano la risoluzione della regressione».
Il produttore specifica una finestra di contesto di 1M token e una lunghezza massima di output di 128K token. Organizza il materiale esteso attorno alla relazione che il modello deve indagare. Conserva nomi dei file, definizioni pertinenti, etichette delle fonti e ordine delle osservazioni, lasciando spazio al ragionamento e alla risposta finale entro il contesto di lavoro applicabile. Una finestra ampia è utile per dipendenze tra moduli o lunghe sequenze di osservazioni di un agente; non trasforma un archivio privo di direzione e composto da materiale non correlato in un compito ben definito.
Per il lavoro su un repository, fornisci il comportamento atteso, il testo sorgente pertinente, le versioni delle dipendenze e l'output effettivo degli errori. Chiedi al modello di identificare il comportamento coinvolto prima di proporre una modifica. Per una ristrutturazione del codice, nomina l'interfaccia e le invarianti che devono rimanere intatte. Una risposta utile contiene il codice rivisto, il motivo per cui la modifica affronta il problema osservato e i casi necessari per verificarne l'esito. Riporta i risultati effettivi nel flusso collegato agli strumenti, affinché il passaggio successivo si basi sullo stato modificato anziché sulla proposta precedente.
Per il lavoro sulle prestazioni, fornisci un carico di lavoro, un riferimento iniziale e misurazioni come tempi, profili di esecuzione o registri delle allocazioni. Z.ai descrive compiti di addestramento che coinvolgono diagnosi dei colli di bottiglia, ottimizzazione, esperimenti e risultati che preservano la correttezza. Una richiesta pratica è: «Usa questo profilo per identificare il collo di bottiglia più rilevante, proponi una modifica misurabile e spiega quale risultato ne giustificherebbe il mantenimento». Distingui un'ipotesi sulle prestazioni da un miglioramento registrato. Mantieni lo stesso carico e le condizioni pertinenti nell'esaminare un risultato.
La versione sviluppa anche capacità di analisi delle vulnerabilità. Per una revisione difensiva del sorgente, fornisci il codice pertinente, i confini di fiducia previsti e le condizioni in cui viene eseguito. Richiedi un riscontro che colleghi un problema sospetto all'input interessato, al comportamento e a una correzione mirata. Distingui una debolezza potenziale da un difetto riprodotto e conserva l'osservazione usata per convalidarlo. Una relazione è più utile quando dà priorità a evidenze concrete e correzioni proposte, anziché trattare ogni schema sospetto come una vulnerabilità confermata.
Le chiamate a funzioni consentono a un'applicazione circostante di esporre operazioni esterne al modello. Definisci lo scopo, gli argomenti e il risultato atteso di ogni strumento, quindi restituisci l'osservazione effettiva dello strumento per il passaggio successivo. Il modello può ragionare su tale risultato e stabilire come cambi il compito. Mantieni distinguibili azioni proposte, operazioni eseguite e verifiche irrisolte. Il produttore documenta anche risposte in streaming che restituiscono separatamente frammenti di ragionamento e di risposta; ricomponi la risposta completa prima di considerarla la relazione finale o la spiegazione del codice.
La scheda locale del modello fornisce un dettaglio specifico sulla gestione della cronologia: il template di chat conserva il ragionamento per impostazione predefinita, mentre il produttore raccomanda di cancellare esplicitamente il ragionamento precedente negli scenari di chat ordinaria. Applica la struttura conversazionale adatta al caso d'uso, preservando le risposte effettivamente completate e i risultati degli strumenti necessari per proseguire. Evita di considerare intercambiabili le impostazioni di controllo del ragionamento di GLM 5.2 o delle edizioni separate GLM 5.3 Flash con i controlli low/high/max di questo modello.
Per risultati strutturati, specifica campi, tipi e regole relative alle fonti. Un elaborato utile può essere una tabella dei difetti, un piano di modifiche o un oggetto JSON che riepiloga le osservazioni. Convalida sia la struttura sia i valori prima che un'applicazione li utilizzi. Il risultato finale deve identificare la risposta o l'elaborato rivisto, le evidenze a sostegno e le ipotesi residue. Un maggiore impegno di ragionamento non dimostra che uno strumento sia stato eseguito, che una modifica proposta abbia superato le verifiche o che un'affermazione fattuale disponga di supporto oltre il materiale fornito.
POST /v1/messagestextjson, sse| Campo | Tipo | Requisito | Valori e limiti | Predefinito |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObbligatorio | Valori e limiti glm-5.3 | Predefinito— |
Campomessages | Tipomessage[] | RequisitoObbligatorio | Valori e limiti | Predefinito— |
Campomessages[].role | Tipostring | RequisitoObbligatorio | Valori e limiti user, assistant | Predefinito— |
Campomessages[].content | Tipostring | RequisitoObbligatorio | Valori e limiti | Predefinito— |
Campomax_tokens | Tipointeger | RequisitoObbligatorio | Valori e limiti | Predefinito— |
Campostream | Tipoboolean | RequisitoFacoltativo | Valori e limiti | Predefinitofalse |
Testo · Testo UTF-8
Stringa messages[].content
| Parametro | Contratto |
|---|---|
Parametrocontent_type | Contrattoapplication/json |
Parametrorequired | Contrattomodel, messages, max_tokens |
Parametrooptional_controls | Contrattostream |
Parametromaterial_types | Contrattotext |
Parametrotext_file_material | ContrattoLeggi il documento UTF-8 effettivo e inserisci il testo nell’ingresso indicato o nella stringa del contenuto del messaggio. |
Ciclo di vita: synchronous_or_streamed
Le tariffe non aggiungono opzioni alla richiesta. I parametri supportati sono elencati nel metodo selezionato.
Associa ogni costo alle condizioni indicate. Usa una sola tariffa per ogni insieme di configurazioni alternative.
| Configurazione | Listino delle tariffe | Token di contesto, più di | Token di contesto, fino al limite incluso | Costo |
|---|---|---|---|---|
| ConfigurazioneTariffe di base dei token | Listino delle tariffeTariffa base | Token di contesto, più di— | Token di contesto, fino al limite inclusoNessun limite superiore | Costo Input · Token in input $0.0028 / 1K token Output · Token in output $0.0088 / 1K token Input · Lettura dalla cache $0.00052 / 1K token Input · Scrittura nella cache — / 1K token Input · Scrittura nella cache, 1 ora — / 1K token |
| ConfigurazioneFascia 1 di lunghezza della richiesta | Listino delle tariffe— | Token di contesto, più di0 | Token di contesto, fino al limite inclusoNessun limite superiore | Costo Input · Token in input $0.0028 / 1K token Output · Token in output $0.0088 / 1K token Input · Lettura dalla cache $0.00052 / 1K token Input · Scrittura nella cache — / 1K token Input · Scrittura nella cache, 1 ora — / 1K token |
Ailoot prenota un importo stimato prima di una richiesta. Dopo il risultato, addebita il costo finale in base all’utilizzo misurato. Per lo streaming, l’addebito usa il record finale di utilizzo. Come funzionano la prenotazione e l’addebito finale →
{\n "model": "glm-5.3",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'glm-5.3', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'glm-5.3', '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 o SSE
Conserva ogni risposta, file e parte di contenuto restituiti per intero.
Conserva tutti i blocchi di contenuto, le firme di ragionamento e gli ID effettivi di utilizzo degli strumenti. Assembla tutti i delta dei blocchi SSE; il primo blocco di testo non è l’uscita completa.
Conserva gli ID e le intestazioni di richiesta/risposta. Non viene fornito alcun URL generico per recuperare un’attività testuale.
| Campo | Tipo |
|---|---|
Campoid | Tipostring |
Campomodel | Tipostring |
Campocontent[] | Tipotext|thinking|tool_use|other content block |
Campostop_reason | Tipostring|null |
Campousage | Tipoobject |
| Risposta | Condizione | Passaggio successivo |
|---|---|---|
Risposta400 · invalid_request_error | CondizioneCampi obbligatori, rappresentazione del materiale o valore del parametro non validi | Passaggio successivoCorreggi i campi indicati prima di una nuova richiesta di creazione. |
Ailoot glm-5.3, glm, glm-5, glm-5.1, glm-5.2, glm-latest
Ailoot Ultra glm-5.3, z-ai/glm-5.3, ~z-ai/glm-latest
/chat/completions
z-ai/glm-5.3, glm, glm-5, glm-5.1, glm-5.2, glm-latest, ~z-ai/glm-latest, glm-5.3, glm-5.3
glmZ.ai GLM 5.3 è un modello di ragionamento testuale per ingegneria del software complessa, lavoro da terminale e agenti impegnati in attività prolungate. Supporta un contesto di 1M token documentato dal produttore, un massimo di 128K token di output, chiamate a funzioni e livelli di ragionamento low/high/max, con il ragionamento sempre attivo.
Questa descrizione illustra le funzionalità del modello. Gli input, gli output e le opzioni disponibili in Ailoot per il metodo selezionato sono elencati di seguito.
Z.ai GLM 5.3 è un modello di ragionamento testuale su larga scala, progettato per ingegneria del software complessa e attività prolungate degli agenti. Il produttore afferma che utilizza lo stesso modello di base di GLM 5.2 e che i nuovi miglioramenti derivano dall'addestramento successivo. La versione si concentra su capacità potenziate di programmazione, operazioni da terminale e compiti più ampi che coinvolgono più passaggi dipendenti tra loro. Accetta testo e produce testo, inclusi codice, spiegazioni, piani e richieste di chiamata a strumenti in un'applicazione collegata a strumenti.
La modalità di ragionamento documentata è sempre attiva. GLM 5.3 offre tre livelli di impegno: low, high e max, con max come valore predefinito. Il produttore raccomanda max per la programmazione complessa; low offre un'opzione di ragionamento più leggera per i passaggi semplici. Usa il livello selezionato insieme a un elaborato finale chiaro e a criteri di completamento. Per esempio: «Esamina questi file e gli esiti negativi, risali alla causa nei moduli coinvolti, proponi una correzione che preservi l'interfaccia pubblica e spiega quali verifiche dimostrano la risoluzione della regressione».
Il produttore specifica una finestra di contesto di 1M token e una lunghezza massima di output di 128K token. Organizza il materiale esteso attorno alla relazione che il modello deve indagare. Conserva nomi dei file, definizioni pertinenti, etichette delle fonti e ordine delle osservazioni, lasciando spazio al ragionamento e alla risposta finale entro il contesto di lavoro applicabile. Una finestra ampia è utile per dipendenze tra moduli o lunghe sequenze di osservazioni di un agente; non trasforma un archivio privo di direzione e composto da materiale non correlato in un compito ben definito.
Per il lavoro su un repository, fornisci il comportamento atteso, il testo sorgente pertinente, le versioni delle dipendenze e l'output effettivo degli errori. Chiedi al modello di identificare il comportamento coinvolto prima di proporre una modifica. Per una ristrutturazione del codice, nomina l'interfaccia e le invarianti che devono rimanere intatte. Una risposta utile contiene il codice rivisto, il motivo per cui la modifica affronta il problema osservato e i casi necessari per verificarne l'esito. Riporta i risultati effettivi nel flusso collegato agli strumenti, affinché il passaggio successivo si basi sullo stato modificato anziché sulla proposta precedente.
Per il lavoro sulle prestazioni, fornisci un carico di lavoro, un riferimento iniziale e misurazioni come tempi, profili di esecuzione o registri delle allocazioni. Z.ai descrive compiti di addestramento che coinvolgono diagnosi dei colli di bottiglia, ottimizzazione, esperimenti e risultati che preservano la correttezza. Una richiesta pratica è: «Usa questo profilo per identificare il collo di bottiglia più rilevante, proponi una modifica misurabile e spiega quale risultato ne giustificherebbe il mantenimento». Distingui un'ipotesi sulle prestazioni da un miglioramento registrato. Mantieni lo stesso carico e le condizioni pertinenti nell'esaminare un risultato.
La versione sviluppa anche capacità di analisi delle vulnerabilità. Per una revisione difensiva del sorgente, fornisci il codice pertinente, i confini di fiducia previsti e le condizioni in cui viene eseguito. Richiedi un riscontro che colleghi un problema sospetto all'input interessato, al comportamento e a una correzione mirata. Distingui una debolezza potenziale da un difetto riprodotto e conserva l'osservazione usata per convalidarlo. Una relazione è più utile quando dà priorità a evidenze concrete e correzioni proposte, anziché trattare ogni schema sospetto come una vulnerabilità confermata.
Le chiamate a funzioni consentono a un'applicazione circostante di esporre operazioni esterne al modello. Definisci lo scopo, gli argomenti e il risultato atteso di ogni strumento, quindi restituisci l'osservazione effettiva dello strumento per il passaggio successivo. Il modello può ragionare su tale risultato e stabilire come cambi il compito. Mantieni distinguibili azioni proposte, operazioni eseguite e verifiche irrisolte. Il produttore documenta anche risposte in streaming che restituiscono separatamente frammenti di ragionamento e di risposta; ricomponi la risposta completa prima di considerarla la relazione finale o la spiegazione del codice.
La scheda locale del modello fornisce un dettaglio specifico sulla gestione della cronologia: il template di chat conserva il ragionamento per impostazione predefinita, mentre il produttore raccomanda di cancellare esplicitamente il ragionamento precedente negli scenari di chat ordinaria. Applica la struttura conversazionale adatta al caso d'uso, preservando le risposte effettivamente completate e i risultati degli strumenti necessari per proseguire. Evita di considerare intercambiabili le impostazioni di controllo del ragionamento di GLM 5.2 o delle edizioni separate GLM 5.3 Flash con i controlli low/high/max di questo modello.
Per risultati strutturati, specifica campi, tipi e regole relative alle fonti. Un elaborato utile può essere una tabella dei difetti, un piano di modifiche o un oggetto JSON che riepiloga le osservazioni. Convalida sia la struttura sia i valori prima che un'applicazione li utilizzi. Il risultato finale deve identificare la risposta o l'elaborato rivisto, le evidenze a sostegno e le ipotesi residue. Un maggiore impegno di ragionamento non dimostra che uno strumento sia stato eseguito, che una modifica proposta abbia superato le verifiche o che un'affermazione fattuale disponga di supporto oltre il materiale fornito.
POST /v1/messagestexttext| Campo | Tipo | Requisito | Valori e limiti | Predefinito |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObbligatorio | Valori e limiti glm | Predefinito— |
Campomessages | Tipomessage[] | RequisitoObbligatorio | Valori e limiti Numero minimo di elementi: 1 | Predefinito— |
Campomessages[].role | Tipostring | RequisitoObbligatorio | Valori e limiti user, assistant | Predefinito— |
Campomessages[].content | Tipostring|content_block[] | RequisitoObbligatorio | Valori e limiti | Predefinito— |
Camposystem | Tipostring|content_block[] | RequisitoFacoltativo | Valori e limiti | Predefinito— |
Campomax_tokens | Tipointeger | RequisitoObbligatorio | Valori e limiti Minimo: 1 Il limite si applica a: Limite esatto del modello o della scheda selezionati | Predefinito— |
Campostream | Tipoboolean | RequisitoFacoltativo | Valori e limiti | Predefinitofalse |
Campotemperature | Tiponumber | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campotop_p | Tiponumber | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campostop_sequences | Tipostring[] | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campotools | Tipotool[] | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campotools[].name | Tipostring | RequisitoFacoltativo | Valori e limiti Si applica quando: Strumento fornito | Predefinito— |
Campotools[].description | Tipostring | RequisitoFacoltativo | Valori e limiti | Predefinito— |
Campotools[].input_schema | TipoJSON_schema | RequisitoFacoltativo | Valori e limiti | Predefinito— |
Campotool_choice | Tipoobject | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campothinking.type | Tipostring | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campothinking.budget_tokens | Tipointeger | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campooutput_config.effort | Tipostring | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campometadata | Tipoobject | RequisitoFacoltativo | Valori e limiti | Predefinito— |
Campocache_control | Tipoobject | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Testo · Testo UTF8
messages[].content o blocco type=text
| Parametro | Contratto |
|---|---|
Parametromaterial_types | Contrattotext |
Parametrorequired | Contrattomodel, messages, max_tokens |
Parametrooptional_controls | Contrattonull |
Parametrocontent_type | Contrattoapplication/json |
Parametrotext_file_material | ContrattoContenuto UTF-8 effettivo inserito come testo; ID di file/URLs richiedono supporto separato ed esatto |
Ciclo di vita: exact retained published method
Le strutture dei metodi e gli ID sono esatti; la capacità del fornitore è distinta dall’ammissione delle richieste.
POST /v1/messagesAiloot prenota un importo stimato prima di una richiesta. Dopo il risultato, addebita il costo finale in base all’utilizzo misurato. Per lo streaming, l’addebito usa il record finale di utilizzo. Come funzionano la prenotazione e l’addebito finale →
I listini di riferimento del modello non modificano la selezione del metodo, i preventivi o gli addebiti. Gli addebiti attivi usano le tariffe del metodo Ailoot selezionato.
Associa ogni costo alle condizioni indicate. Usa una sola tariffa per ogni insieme di configurazioni alternative.
| Configurazione | Listino delle tariffe | Token di contesto, più di | Token di contesto, fino al limite incluso | Costo |
|---|---|---|---|---|
| ConfigurazioneOpenAI Chat · Tariffe base per token | Listino delle tariffeTariffa base | Token di contesto, più di— | Token di contesto, fino al limite inclusoNessun limite superiore | Costo Input · Token in input $0.0028 / 1K token Output · Token in output $0.0088 / 1K token Input · Lettura dalla cache $0.00052 / 1K token Input · Scrittura nella cache — / 1K token Input · Scrittura nella cache, 1 ora — / 1K token |
| ConfigurazioneOpenAI Chat · Fascia 1 in base alla lunghezza della richiesta | Listino delle tariffe— | Token di contesto, più di0 | Token di contesto, fino al limite inclusoNessun limite superiore | Costo Input · Token in input $0.0028 / 1K token Output · Token in output $0.0088 / 1K token Input · Lettura dalla cache $0.00052 / 1K token Input · Scrittura nella cache — / 1K token Input · Scrittura nella cache, 1 ora — / 1K token |
| ConfigurazioneAnthropic Messages · Tariffe base per token | Listino delle tariffeTariffa base | Token di contesto, più di— | Token di contesto, fino al limite inclusoNessun limite superiore | Costo Input · Token in input $0.0028 / 1K token Output · Token in output $0.0088 / 1K token Input · Lettura dalla cache $0.00052 / 1K token Input · Scrittura nella cache — / 1K token Input · Scrittura nella cache, 1 ora — / 1K token |
| ConfigurazioneAnthropic Messages · Fascia 1 in base alla lunghezza della richiesta | Listino delle tariffe— | Token di contesto, più di0 | Token di contesto, fino al limite inclusoNessun limite superiore | Costo Input · Token in input $0.0028 / 1K token Output · Token in output $0.0088 / 1K token Input · Lettura dalla cache $0.00052 / 1K token Input · Scrittura nella cache — / 1K token Input · Scrittura nella cache, 1 ora — / 1K token |
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 source-material file}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "glm", "max_tokens": 1024, "messages": []}')\nf=Path(os.environ["AILOOT_TEXT_FILE"])\nif not f.is_file():raise SystemExit("Choose your actual UTF-8 source material")\ntext=f.read_text(encoding="utf-8")\nif not text.strip():raise SystemExit("Source material must contain text")\np["messages"]=[{"role":"user","content":"Summarize this material and quote supporting source passages.\\n\\n"+text}]\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/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\nprint(json.dumps(json.loads(Path("result.json").read_text()),ensure_ascii=False,indent=2))\nPY_RESULT\nimport anthropic\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient = anthropic.Anthropic(base_url="https://api.ailoot.ai", api_key=os.environ["AILOOT_API_KEY"], max_retries=0)\nmsg = client.messages.create(\n model="glm",\n max_tokens=1024,\n messages=[{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}],\n)\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(msg.to_dict(mode="json"))\nimport Anthropic from "@anthropic-ai/sdk";\n\nif (!process.env.AILOOT_API_KEY?.trim()) throw new Error("Set AILOOT_API_KEY before making a request");\nconst client = new Anthropic({ baseURL: "https://api.ailoot.ai", apiKey: process.env.AILOOT_API_KEY, maxRetries: 0 });\nconst msg = await client.messages.create({\n model: "glm",\n max_tokens: 1024,\n messages: [{ role: "user", content: "Explain the difference between an observation and a hypothesis in three sentences." }],\n});\nimport { writeFileSync } from "node:fs";\n\nfunction saveResult(data, stem = "result") {\n writeFileSync(stem + ".json", JSON.stringify(data, null, 2));\n console.log(JSON.stringify(data, null, 2));\n const saveBlob = (encoded, suffix, label) => {\n const raw = Buffer.from(encoded, "base64");\n const ext = raw.subarray(0,8).equals(Buffer.from([137,80,78,71,13,10,26,10])) ? "png" : raw[0]===255 && raw[1]===216 ? "jpg" : raw.subarray(0,4).toString()==="RIFF" && raw.subarray(8,12).toString()==="WEBP" ? "webp" : suffix;\n const file = `${stem}-${label}.${ext}`;\n writeFileSync(file, raw); console.log("Saved", file);\n };\n for (const [i, block] of (data.content || []).entries()) console.log("Content", i, JSON.stringify(block));\n for (const choice of data.choices || []) console.log("Choice", choice.index, JSON.stringify(choice.message || choice.delta || {}));\n for (const [i, item] of (data.output || []).entries()) {\n console.log("Output", i, JSON.stringify(item));\n if (item.type === "image_generation_call" && item.result) saveBlob(item.result, item.output_format || "bin", `output-${i}`);\n }\n for (const [ci, candidate] of (data.candidates || []).entries()) {\n for (const [pi, part] of (candidate.content?.parts || []).entries()) {\n console.log("Candidate/part", ci, pi, JSON.stringify(part));\n const blob = part.inlineData || part.inline_data;\n if (blob?.data) {\n const mime = blob.mimeType || blob.mime_type;\n const suffix = ({"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"})[mime] || "bin";\n saveBlob(blob.data, suffix, `candidate-${ci}-part-${pi}`);\n }\n }\n }\n}\n\nsaveResult(msg);\nimport anthropic,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=anthropic.Anthropic(base_url="https://api.ailoot.ai",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.messages.stream(model='glm',max_tokens=1024,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_message()\n save_result(final.to_dict(mode="json"),"stream-result")\njson o SSE
Conserva ogni risposta, file e parte di contenuto restituiti per intero.
Conserva tutti i blocchi di contenuto, le firme di ragionamento e gli ID effettivi di utilizzo degli strumenti. Assembla tutti i delta dei blocchi SSE; il primo blocco di testo non è l’uscita completa.
Conserva gli ID e le intestazioni di richiesta/risposta. Non viene fornito alcun URL generico per recuperare un’attività testuale.
| Campo | Tipo |
|---|---|
Campoid | Tipostring |
Campomodel | Tipostring |
Campocontent[] | Tipotext|thinking|tool_use|other content block |
Campostop_reason | Tipostring|null |
Campousage | Tipoobject |
| Risposta | Condizione | Passaggio successivo |
|---|---|---|
Risposta400 · invalid_request_error | CondizioneCampi obbligatori, rappresentazione del materiale o valore del parametro non validi | Passaggio successivoCorreggi i campi indicati prima di una nuova richiesta di creazione. |
Ailoot glm-5.3, glm, glm-5, glm-5.1, glm-5.2, glm-latest
Ailoot Ultra glm-5.3, z-ai/glm-5.3, ~z-ai/glm-latest
/chat/completions
z-ai/glm-5.3, glm, glm-5, glm-5.1, glm-5.2, glm-latest, ~z-ai/glm-latest, glm-5.3, glm-5.3
glmZ.ai GLM 5.3 è un modello di ragionamento testuale per ingegneria del software complessa, lavoro da terminale e agenti impegnati in attività prolungate. Supporta un contesto di 1M token documentato dal produttore, un massimo di 128K token di output, chiamate a funzioni e livelli di ragionamento low/high/max, con il ragionamento sempre attivo.
Questa descrizione illustra le funzionalità del modello. Gli input, gli output e le opzioni disponibili in Ailoot per il metodo selezionato sono elencati di seguito.
Z.ai GLM 5.3 è un modello di ragionamento testuale su larga scala, progettato per ingegneria del software complessa e attività prolungate degli agenti. Il produttore afferma che utilizza lo stesso modello di base di GLM 5.2 e che i nuovi miglioramenti derivano dall'addestramento successivo. La versione si concentra su capacità potenziate di programmazione, operazioni da terminale e compiti più ampi che coinvolgono più passaggi dipendenti tra loro. Accetta testo e produce testo, inclusi codice, spiegazioni, piani e richieste di chiamata a strumenti in un'applicazione collegata a strumenti.
La modalità di ragionamento documentata è sempre attiva. GLM 5.3 offre tre livelli di impegno: low, high e max, con max come valore predefinito. Il produttore raccomanda max per la programmazione complessa; low offre un'opzione di ragionamento più leggera per i passaggi semplici. Usa il livello selezionato insieme a un elaborato finale chiaro e a criteri di completamento. Per esempio: «Esamina questi file e gli esiti negativi, risali alla causa nei moduli coinvolti, proponi una correzione che preservi l'interfaccia pubblica e spiega quali verifiche dimostrano la risoluzione della regressione».
Il produttore specifica una finestra di contesto di 1M token e una lunghezza massima di output di 128K token. Organizza il materiale esteso attorno alla relazione che il modello deve indagare. Conserva nomi dei file, definizioni pertinenti, etichette delle fonti e ordine delle osservazioni, lasciando spazio al ragionamento e alla risposta finale entro il contesto di lavoro applicabile. Una finestra ampia è utile per dipendenze tra moduli o lunghe sequenze di osservazioni di un agente; non trasforma un archivio privo di direzione e composto da materiale non correlato in un compito ben definito.
Per il lavoro su un repository, fornisci il comportamento atteso, il testo sorgente pertinente, le versioni delle dipendenze e l'output effettivo degli errori. Chiedi al modello di identificare il comportamento coinvolto prima di proporre una modifica. Per una ristrutturazione del codice, nomina l'interfaccia e le invarianti che devono rimanere intatte. Una risposta utile contiene il codice rivisto, il motivo per cui la modifica affronta il problema osservato e i casi necessari per verificarne l'esito. Riporta i risultati effettivi nel flusso collegato agli strumenti, affinché il passaggio successivo si basi sullo stato modificato anziché sulla proposta precedente.
Per il lavoro sulle prestazioni, fornisci un carico di lavoro, un riferimento iniziale e misurazioni come tempi, profili di esecuzione o registri delle allocazioni. Z.ai descrive compiti di addestramento che coinvolgono diagnosi dei colli di bottiglia, ottimizzazione, esperimenti e risultati che preservano la correttezza. Una richiesta pratica è: «Usa questo profilo per identificare il collo di bottiglia più rilevante, proponi una modifica misurabile e spiega quale risultato ne giustificherebbe il mantenimento». Distingui un'ipotesi sulle prestazioni da un miglioramento registrato. Mantieni lo stesso carico e le condizioni pertinenti nell'esaminare un risultato.
La versione sviluppa anche capacità di analisi delle vulnerabilità. Per una revisione difensiva del sorgente, fornisci il codice pertinente, i confini di fiducia previsti e le condizioni in cui viene eseguito. Richiedi un riscontro che colleghi un problema sospetto all'input interessato, al comportamento e a una correzione mirata. Distingui una debolezza potenziale da un difetto riprodotto e conserva l'osservazione usata per convalidarlo. Una relazione è più utile quando dà priorità a evidenze concrete e correzioni proposte, anziché trattare ogni schema sospetto come una vulnerabilità confermata.
Le chiamate a funzioni consentono a un'applicazione circostante di esporre operazioni esterne al modello. Definisci lo scopo, gli argomenti e il risultato atteso di ogni strumento, quindi restituisci l'osservazione effettiva dello strumento per il passaggio successivo. Il modello può ragionare su tale risultato e stabilire come cambi il compito. Mantieni distinguibili azioni proposte, operazioni eseguite e verifiche irrisolte. Il produttore documenta anche risposte in streaming che restituiscono separatamente frammenti di ragionamento e di risposta; ricomponi la risposta completa prima di considerarla la relazione finale o la spiegazione del codice.
La scheda locale del modello fornisce un dettaglio specifico sulla gestione della cronologia: il template di chat conserva il ragionamento per impostazione predefinita, mentre il produttore raccomanda di cancellare esplicitamente il ragionamento precedente negli scenari di chat ordinaria. Applica la struttura conversazionale adatta al caso d'uso, preservando le risposte effettivamente completate e i risultati degli strumenti necessari per proseguire. Evita di considerare intercambiabili le impostazioni di controllo del ragionamento di GLM 5.2 o delle edizioni separate GLM 5.3 Flash con i controlli low/high/max di questo modello.
Per risultati strutturati, specifica campi, tipi e regole relative alle fonti. Un elaborato utile può essere una tabella dei difetti, un piano di modifiche o un oggetto JSON che riepiloga le osservazioni. Convalida sia la struttura sia i valori prima che un'applicazione li utilizzi. Il risultato finale deve identificare la risposta o l'elaborato rivisto, le evidenze a sostegno e le ipotesi residue. Un maggiore impegno di ragionamento non dimostra che uno strumento sia stato eseguito, che una modifica proposta abbia superato le verifiche o che un'affermazione fattuale disponga di supporto oltre il materiale fornito.
POST /v1/responsestexttext| Campo | Tipo | Requisito | Valori e limiti | Predefinito |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObbligatorio | Valori e limiti glm | Predefinito— |
Campoinput | Tipostring|input_item[] | RequisitoObbligatorio | Valori e limiti | Predefinito— |
Campoinstructions | Tipostring | RequisitoFacoltativo | Valori e limiti | Predefinito— |
Campoinput[].type | Tipostring | RequisitoFacoltativo | Valori e limiti message, reasoning, function_call, function_call_output | Predefinito— |
Campoinput[].content | Tipostring|content_part[] | RequisitoFacoltativo | Valori e limiti | Predefinito— |
Campoinput[].call_id | Tipostring | RequisitoFacoltativo | Valori e limiti Si applica quando: function_call_output; conserva il call_id effettivamente restituito | Predefinito— |
Campoinput[].output | Tipostring|content_part[] | RequisitoFacoltativo | Valori e limiti Si applica quando: function_call_output | Predefinito— |
Campomax_output_tokens | Tipointeger | RequisitoFacoltativo | Valori e limiti Minimo: 1 Dipende dal modello | Predefinito— |
Campostream | Tipoboolean | RequisitoFacoltativo | Valori e limiti | Predefinitofalse |
Campotemperature | Tiponumber | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campotop_p | Tiponumber | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campotools | Tipotool[] | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campotool_choice | Tipostring|object | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campoparallel_tool_calls | Tipoboolean | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Camporeasoning.effort | Tipostring | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Camporeasoning.summary | Tipostring | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campotext.format | Tipoobject | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campotext.verbosity | Tipostring | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campoinclude | Tipostring[] | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campostore | Tipoboolean | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campoprevious_response_id | Tipostring | RequisitoFacoltativo | Valori e limiti Requisito dell’ID: Solo un ID di risposta effettivo proveniente da una continuazione supportata Dipende dal modello | Predefinito— |
Camposervice_tier | Tipostring | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campoprompt_cache_key | Tipostring | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campoprompt_cache_options | Tipoobject | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Testo · Testo UTF8
Testo in ingresso o parte input_text
| Parametro | Contratto |
|---|---|
Parametromaterial_types | Contrattotext |
Parametrorequired | Contrattomodel, input |
Parametrooptional_controls | Contrattonull |
Parametrocontent_type | Contrattoapplication/json |
Parametrotext_file_material | ContrattoContenuto UTF-8 effettivo inserito come testo; ID di file/URLs richiedono supporto separato ed esatto |
Ciclo di vita: exact retained published method
Le strutture dei metodi e gli ID sono esatti; la capacità del fornitore è distinta dall’ammissione delle richieste.
POST /v1/responsesAiloot prenota un importo stimato prima di una richiesta. Dopo il risultato, addebita il costo finale in base all’utilizzo misurato. Per lo streaming, l’addebito usa il record finale di utilizzo. Come funzionano la prenotazione e l’addebito finale →
I listini di riferimento del modello non modificano la selezione del metodo, i preventivi o gli addebiti. Gli addebiti attivi usano le tariffe del metodo Ailoot selezionato.
Associa ogni costo alle condizioni indicate. Usa una sola tariffa per ogni insieme di configurazioni alternative.
| Configurazione | Listino delle tariffe | Token di contesto, più di | Token di contesto, fino al limite incluso | Costo |
|---|---|---|---|---|
| ConfigurazioneOpenAI Chat · Tariffe base per token | Listino delle tariffeTariffa base | Token di contesto, più di— | Token di contesto, fino al limite inclusoNessun limite superiore | Costo Input · Token in input $0.0028 / 1K token Output · Token in output $0.0088 / 1K token Input · Lettura dalla cache $0.00052 / 1K token Input · Scrittura nella cache — / 1K token Input · Scrittura nella cache, 1 ora — / 1K token |
| ConfigurazioneOpenAI Chat · Fascia 1 in base alla lunghezza della richiesta | Listino delle tariffe— | Token di contesto, più di0 | Token di contesto, fino al limite inclusoNessun limite superiore | Costo Input · Token in input $0.0028 / 1K token Output · Token in output $0.0088 / 1K token Input · Lettura dalla cache $0.00052 / 1K token Input · Scrittura nella cache — / 1K token Input · Scrittura nella cache, 1 ora — / 1K token |
| ConfigurazioneAnthropic Messages · Tariffe base per token | Listino delle tariffeTariffa base | Token di contesto, più di— | Token di contesto, fino al limite inclusoNessun limite superiore | Costo Input · Token in input $0.0028 / 1K token Output · Token in output $0.0088 / 1K token Input · Lettura dalla cache $0.00052 / 1K token Input · Scrittura nella cache — / 1K token Input · Scrittura nella cache, 1 ora — / 1K token |
| ConfigurazioneAnthropic Messages · Fascia 1 in base alla lunghezza della richiesta | Listino delle tariffe— | Token di contesto, più di0 | Token di contesto, fino al limite inclusoNessun limite superiore | Costo Input · Token in input $0.0028 / 1K token Output · Token in output $0.0088 / 1K token Input · Lettura dalla cache $0.00052 / 1K token Input · Scrittura nella cache — / 1K token Input · Scrittura nella cache, 1 ora — / 1K token |
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 source-material file}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "glm", "input": ""}')\nf=Path(os.environ["AILOOT_TEXT_FILE"])\nif not f.is_file():raise SystemExit("Choose your actual UTF-8 source material")\ntext=f.read_text(encoding="utf-8")\nif not text.strip():raise SystemExit("Source material must contain text")\np["input"]="Summarize this material and quote supporting source passages.\\n\\n"+text\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/responses \\\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 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(json.loads(Path("result.json").read_text(encoding="utf-8")))\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)\nresp = client.responses.create(model="glm", input="Explain the difference between an observation and a hypothesis 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(resp.to_dict(mode="json"))\nimport OpenAI from "openai";\n\nif (!process.env.AILOOT_API_KEY?.trim()) throw new Error("Set AILOOT_API_KEY before making a request");\nconst client = new OpenAI({ baseURL: "https://api.ailoot.ai/v1", apiKey: process.env.AILOOT_API_KEY, maxRetries: 0 });\nconst resp = await client.responses.create({ model: "glm", input: "Explain the difference between an observation and a hypothesis in three sentences." });\nimport { writeFileSync } from "node:fs";\n\nfunction saveResult(data, stem = "result") {\n writeFileSync(stem + ".json", JSON.stringify(data, null, 2));\n console.log(JSON.stringify(data, null, 2));\n const saveBlob = (encoded, suffix, label) => {\n const raw = Buffer.from(encoded, "base64");\n const ext = raw.subarray(0,8).equals(Buffer.from([137,80,78,71,13,10,26,10])) ? "png" : raw[0]===255 && raw[1]===216 ? "jpg" : raw.subarray(0,4).toString()==="RIFF" && raw.subarray(8,12).toString()==="WEBP" ? "webp" : suffix;\n const file = `${stem}-${label}.${ext}`;\n writeFileSync(file, raw); console.log("Saved", file);\n };\n for (const [i, block] of (data.content || []).entries()) console.log("Content", i, JSON.stringify(block));\n for (const choice of data.choices || []) console.log("Choice", choice.index, JSON.stringify(choice.message || choice.delta || {}));\n for (const [i, item] of (data.output || []).entries()) {\n console.log("Output", i, JSON.stringify(item));\n if (item.type === "image_generation_call" && item.result) saveBlob(item.result, item.output_format || "bin", `output-${i}`);\n }\n for (const [ci, candidate] of (data.candidates || []).entries()) {\n for (const [pi, part] of (candidate.content?.parts || []).entries()) {\n console.log("Candidate/part", ci, pi, JSON.stringify(part));\n const blob = part.inlineData || part.inline_data;\n if (blob?.data) {\n const mime = blob.mimeType || blob.mime_type;\n const suffix = ({"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"})[mime] || "bin";\n saveBlob(blob.data, suffix, `candidate-${ci}-part-${pi}`);\n }\n }\n }\n}\n\nsaveResult(resp);\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\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\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)\nwith client.responses.stream(model="glm", input="Explain the difference between an observation and a hypothesis 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_response()\n save_result(final.to_dict(mode="json"),"stream-result")\njson o SSE
Conserva ogni risposta, file e parte di contenuto restituiti per intero.
Conserva ogni elemento di uscita e parte di contenuto, il call_id effettivo della funzione, il ragionamento cifrato e i dati di utilizzo. Nello streaming conserva l’identità completa di eventi ed elementi.
Conserva gli ID e le intestazioni di richiesta/risposta. Non viene fornito alcun URL generico per recuperare un’attività testuale.
| Campo | Tipo |
|---|---|
Campoid | Tipostring |
Campostatus | Tipostring |
Campooutput[] | Tipomessage|reasoning|function_call|other item |
Campooutput[].content[] | Tipocontent part |
Campousage | Tipoobject |
| Risposta | Condizione | Passaggio successivo |
|---|---|---|
Risposta400 · invalid_request_error | CondizioneCampi obbligatori, rappresentazione del materiale o valore del parametro non validi | Passaggio successivoCorreggi i campi indicati prima di una nuova richiesta di creazione. |
Ailoot glm-5.3, glm, glm-5, glm-5.1, glm-5.2, glm-latest
Ailoot Ultra glm-5.3, z-ai/glm-5.3, ~z-ai/glm-latest
/chat/completions
z-ai/glm-5.3, glm, glm-5, glm-5.1, glm-5.2, glm-latest, ~z-ai/glm-latest, glm-5.3, glm-5.3
glmZ.ai GLM 5.3 è un modello di ragionamento testuale per ingegneria del software complessa, lavoro da terminale e agenti impegnati in attività prolungate. Supporta un contesto di 1M token documentato dal produttore, un massimo di 128K token di output, chiamate a funzioni e livelli di ragionamento low/high/max, con il ragionamento sempre attivo.
Questa descrizione illustra le funzionalità del modello. Gli input, gli output e le opzioni disponibili in Ailoot per il metodo selezionato sono elencati di seguito.
Z.ai GLM 5.3 è un modello di ragionamento testuale su larga scala, progettato per ingegneria del software complessa e attività prolungate degli agenti. Il produttore afferma che utilizza lo stesso modello di base di GLM 5.2 e che i nuovi miglioramenti derivano dall'addestramento successivo. La versione si concentra su capacità potenziate di programmazione, operazioni da terminale e compiti più ampi che coinvolgono più passaggi dipendenti tra loro. Accetta testo e produce testo, inclusi codice, spiegazioni, piani e richieste di chiamata a strumenti in un'applicazione collegata a strumenti.
La modalità di ragionamento documentata è sempre attiva. GLM 5.3 offre tre livelli di impegno: low, high e max, con max come valore predefinito. Il produttore raccomanda max per la programmazione complessa; low offre un'opzione di ragionamento più leggera per i passaggi semplici. Usa il livello selezionato insieme a un elaborato finale chiaro e a criteri di completamento. Per esempio: «Esamina questi file e gli esiti negativi, risali alla causa nei moduli coinvolti, proponi una correzione che preservi l'interfaccia pubblica e spiega quali verifiche dimostrano la risoluzione della regressione».
Il produttore specifica una finestra di contesto di 1M token e una lunghezza massima di output di 128K token. Organizza il materiale esteso attorno alla relazione che il modello deve indagare. Conserva nomi dei file, definizioni pertinenti, etichette delle fonti e ordine delle osservazioni, lasciando spazio al ragionamento e alla risposta finale entro il contesto di lavoro applicabile. Una finestra ampia è utile per dipendenze tra moduli o lunghe sequenze di osservazioni di un agente; non trasforma un archivio privo di direzione e composto da materiale non correlato in un compito ben definito.
Per il lavoro su un repository, fornisci il comportamento atteso, il testo sorgente pertinente, le versioni delle dipendenze e l'output effettivo degli errori. Chiedi al modello di identificare il comportamento coinvolto prima di proporre una modifica. Per una ristrutturazione del codice, nomina l'interfaccia e le invarianti che devono rimanere intatte. Una risposta utile contiene il codice rivisto, il motivo per cui la modifica affronta il problema osservato e i casi necessari per verificarne l'esito. Riporta i risultati effettivi nel flusso collegato agli strumenti, affinché il passaggio successivo si basi sullo stato modificato anziché sulla proposta precedente.
Per il lavoro sulle prestazioni, fornisci un carico di lavoro, un riferimento iniziale e misurazioni come tempi, profili di esecuzione o registri delle allocazioni. Z.ai descrive compiti di addestramento che coinvolgono diagnosi dei colli di bottiglia, ottimizzazione, esperimenti e risultati che preservano la correttezza. Una richiesta pratica è: «Usa questo profilo per identificare il collo di bottiglia più rilevante, proponi una modifica misurabile e spiega quale risultato ne giustificherebbe il mantenimento». Distingui un'ipotesi sulle prestazioni da un miglioramento registrato. Mantieni lo stesso carico e le condizioni pertinenti nell'esaminare un risultato.
La versione sviluppa anche capacità di analisi delle vulnerabilità. Per una revisione difensiva del sorgente, fornisci il codice pertinente, i confini di fiducia previsti e le condizioni in cui viene eseguito. Richiedi un riscontro che colleghi un problema sospetto all'input interessato, al comportamento e a una correzione mirata. Distingui una debolezza potenziale da un difetto riprodotto e conserva l'osservazione usata per convalidarlo. Una relazione è più utile quando dà priorità a evidenze concrete e correzioni proposte, anziché trattare ogni schema sospetto come una vulnerabilità confermata.
Le chiamate a funzioni consentono a un'applicazione circostante di esporre operazioni esterne al modello. Definisci lo scopo, gli argomenti e il risultato atteso di ogni strumento, quindi restituisci l'osservazione effettiva dello strumento per il passaggio successivo. Il modello può ragionare su tale risultato e stabilire come cambi il compito. Mantieni distinguibili azioni proposte, operazioni eseguite e verifiche irrisolte. Il produttore documenta anche risposte in streaming che restituiscono separatamente frammenti di ragionamento e di risposta; ricomponi la risposta completa prima di considerarla la relazione finale o la spiegazione del codice.
La scheda locale del modello fornisce un dettaglio specifico sulla gestione della cronologia: il template di chat conserva il ragionamento per impostazione predefinita, mentre il produttore raccomanda di cancellare esplicitamente il ragionamento precedente negli scenari di chat ordinaria. Applica la struttura conversazionale adatta al caso d'uso, preservando le risposte effettivamente completate e i risultati degli strumenti necessari per proseguire. Evita di considerare intercambiabili le impostazioni di controllo del ragionamento di GLM 5.2 o delle edizioni separate GLM 5.3 Flash con i controlli low/high/max di questo modello.
Per risultati strutturati, specifica campi, tipi e regole relative alle fonti. Un elaborato utile può essere una tabella dei difetti, un piano di modifiche o un oggetto JSON che riepiloga le osservazioni. Convalida sia la struttura sia i valori prima che un'applicazione li utilizzi. Il risultato finale deve identificare la risposta o l'elaborato rivisto, le evidenze a sostegno e le ipotesi residue. Un maggiore impegno di ragionamento non dimostra che uno strumento sia stato eseguito, che una modifica proposta abbia superato le verifiche o che un'affermazione fattuale disponga di supporto oltre il materiale fornito.
POST /v1/chat/completionstexttext| Campo | Tipo | Requisito | Valori e limiti | Predefinito |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObbligatorio | Valori e limiti glm | Predefinito— |
Campomessages | Tipomessage[] | RequisitoObbligatorio | Valori e limiti Numero minimo di elementi: 1 | Predefinito— |
Campomessages[].role | Tipostring | RequisitoObbligatorio | Valori e limiti Esempi: system, user, assistant, tool, function Condizioni: Questi ruoli sono rappresentati esplicitamente dai tipi di compatibilità del codice sorgente; l’insieme esatto dei ruoli rimane specifico del modello. Dipende dal modello | Predefinito— |
Campomessages[].content | Tipostring|content_part[]|null | RequisitoFacoltativo | Valori e limiti | Predefinito— |
Campomessages[].tool_calls | Tipotool_call[] | RequisitoFacoltativo | Valori e limiti | Predefinito— |
Campomessages[].tool_call_id | Tipostring | RequisitoFacoltativo | Valori e limiti Si applica quando: role=tool; usa l’ID effettivamente restituito | Predefinito— |
Campomessages[].name | Tipostring | RequisitoFacoltativo | Valori e limiti | Predefinito— |
Campomessages[].reasoning_content | Tipostring | RequisitoFacoltativo | Valori e limiti Si applica quando: Reinserisci il ragionamento effettivamente restituito quando il modello lo utilizza | Predefinito— |
Campomessages[].reasoning_details | Tipoobject|array | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campomax_tokens | Tipointeger | RequisitoFacoltativo | Valori e limiti Minimo: 1 Dipende dal modello | Predefinito— |
Campomax_completion_tokens | Tipointeger | RequisitoFacoltativo | Valori e limiti Minimo: 1 Dipende dal modello | Predefinito— |
Campostream | Tipoboolean | RequisitoFacoltativo | Valori e limiti | Predefinitofalse |
Campostream_options.include_usage | Tipoboolean | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campotemperature | Tiponumber | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campotop_p | Tiponumber | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campostop | Tipostring|string[] | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campotools | Tipofunction_tool[] | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campotools[].type | Tipostring | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campotools[].function.name | Tipostring | RequisitoObbligatorio | Valori e limiti Si applica quando: Funzione fornita come strumento | Predefinito— |
Campotools[].function.description | Tipostring | RequisitoFacoltativo | Valori e limiti | Predefinito— |
Campotools[].function.parameters | TipoJSON_schema | RequisitoFacoltativo | Valori e limiti | Predefinito— |
Campotool_choice | Tipostring|object | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campoparallel_tool_calls | Tipoboolean | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Camporesponse_format | Tipoobject | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Camporeasoning_effort | Tipostring | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Camporeasoning | Tipoobject | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Camposervice_tier | Tipostring | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campoinstructions | Tipostring | RequisitoFacoltativo | Valori e limiti Campo di compatibilità | Predefinito— |
Campofunctions | Tipofunction[] | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campofunction_call | Tipostring|object | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campoprompt_cache_options | Tipoobject | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Testo · Testo UTF8
messages[].content
| Parametro | Contratto |
|---|---|
Parametromaterial_types | Contrattotext |
Parametrorequired | Contrattomodel, messages |
Parametrooptional_controls | Contrattonull |
Parametrocontent_type | Contrattoapplication/json |
Parametrotext_file_material | ContrattoContenuto UTF-8 effettivo inserito come testo; ID di file/URLs richiedono supporto separato ed esatto |
Ciclo di vita: exact retained published method
Le strutture dei metodi e gli ID sono esatti; la capacità del fornitore è distinta dall’ammissione delle richieste.
POST /v1/chat/completionsAiloot prenota un importo stimato prima di una richiesta. Dopo il risultato, addebita il costo finale in base all’utilizzo misurato. Per lo streaming, l’addebito usa il record finale di utilizzo. Come funzionano la prenotazione e l’addebito finale →
I listini di riferimento del modello non modificano la selezione del metodo, i preventivi o gli addebiti. Gli addebiti attivi usano le tariffe del metodo Ailoot selezionato.
Associa ogni costo alle condizioni indicate. Usa una sola tariffa per ogni insieme di configurazioni alternative.
| Configurazione | Listino delle tariffe | Token di contesto, più di | Token di contesto, fino al limite incluso | Costo |
|---|---|---|---|---|
| ConfigurazioneOpenAI Chat · Tariffe base per token | Listino delle tariffeTariffa base | Token di contesto, più di— | Token di contesto, fino al limite inclusoNessun limite superiore | Costo Input · Token in input $0.0028 / 1K token Output · Token in output $0.0088 / 1K token Input · Lettura dalla cache $0.00052 / 1K token Input · Scrittura nella cache — / 1K token Input · Scrittura nella cache, 1 ora — / 1K token |
| ConfigurazioneOpenAI Chat · Fascia 1 in base alla lunghezza della richiesta | Listino delle tariffe— | Token di contesto, più di0 | Token di contesto, fino al limite inclusoNessun limite superiore | Costo Input · Token in input $0.0028 / 1K token Output · Token in output $0.0088 / 1K token Input · Lettura dalla cache $0.00052 / 1K token Input · Scrittura nella cache — / 1K token Input · Scrittura nella cache, 1 ora — / 1K token |
| ConfigurazioneAnthropic Messages · Tariffe base per token | Listino delle tariffeTariffa base | Token di contesto, più di— | Token di contesto, fino al limite inclusoNessun limite superiore | Costo Input · Token in input $0.0028 / 1K token Output · Token in output $0.0088 / 1K token Input · Lettura dalla cache $0.00052 / 1K token Input · Scrittura nella cache — / 1K token Input · Scrittura nella cache, 1 ora — / 1K token |
| ConfigurazioneAnthropic Messages · Fascia 1 in base alla lunghezza della richiesta | Listino delle tariffe— | Token di contesto, più di0 | Token di contesto, fino al limite inclusoNessun limite superiore | Costo Input · Token in input $0.0028 / 1K token Output · Token in output $0.0088 / 1K token Input · Lettura dalla cache $0.00052 / 1K token Input · Scrittura nella cache — / 1K token Input · Scrittura nella cache, 1 ora — / 1K token |
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 source-material file}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "glm", "messages": []}')\nf=Path(os.environ["AILOOT_TEXT_FILE"])\nif not f.is_file():raise SystemExit("Choose your actual UTF-8 source material")\ntext=f.read_text(encoding="utf-8")\nif not text.strip():raise SystemExit("Source material must contain text")\np["messages"]=[{"role":"user","content":"Summarize this material and quote supporting source passages.\\n\\n"+text}]\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\nprint(json.dumps(json.loads(Path("result.json").read_text()),ensure_ascii=False,indent=2))\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)\nresp = client.chat.completions.create(\n model="glm",\n messages=[{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}],\n)\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(resp.to_dict(mode="json"))\nimport OpenAI from "openai";\n\nif (!process.env.AILOOT_API_KEY?.trim()) throw new Error("Set AILOOT_API_KEY before making a request");\nconst client = new OpenAI({ baseURL: "https://api.ailoot.ai/v1", apiKey: process.env.AILOOT_API_KEY, maxRetries: 0 });\nconst resp = await client.chat.completions.create({\n model: "glm",\n messages: [{ role: "user", content: "Explain the difference between an observation and a hypothesis in three sentences." }],\n});\nimport { writeFileSync } from "node:fs";\n\nfunction saveResult(data, stem = "result") {\n writeFileSync(stem + ".json", JSON.stringify(data, null, 2));\n console.log(JSON.stringify(data, null, 2));\n const saveBlob = (encoded, suffix, label) => {\n const raw = Buffer.from(encoded, "base64");\n const ext = raw.subarray(0,8).equals(Buffer.from([137,80,78,71,13,10,26,10])) ? "png" : raw[0]===255 && raw[1]===216 ? "jpg" : raw.subarray(0,4).toString()==="RIFF" && raw.subarray(8,12).toString()==="WEBP" ? "webp" : suffix;\n const file = `${stem}-${label}.${ext}`;\n writeFileSync(file, raw); console.log("Saved", file);\n };\n for (const [i, block] of (data.content || []).entries()) console.log("Content", i, JSON.stringify(block));\n for (const choice of data.choices || []) console.log("Choice", choice.index, JSON.stringify(choice.message || choice.delta || {}));\n for (const [i, item] of (data.output || []).entries()) {\n console.log("Output", i, JSON.stringify(item));\n if (item.type === "image_generation_call" && item.result) saveBlob(item.result, item.output_format || "bin", `output-${i}`);\n }\n for (const [ci, candidate] of (data.candidates || []).entries()) {\n for (const [pi, part] of (candidate.content?.parts || []).entries()) {\n console.log("Candidate/part", ci, pi, JSON.stringify(part));\n const blob = part.inlineData || part.inline_data;\n if (blob?.data) {\n const mime = blob.mimeType || blob.mime_type;\n const suffix = ({"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"})[mime] || "bin";\n saveBlob(blob.data, suffix, `candidate-${ci}-part-${pi}`);\n }\n }\n }\n}\n\nsaveResult(resp);\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='glm',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 o SSE
Conserva ogni risposta, file e parte di contenuto restituiti per intero.
Conserva ogni scelta con contenuto, chiamate agli strumenti e ragionamento. In SSE assembla i delta per indice di scelta e strumento e conserva il motivo finale di completamento e i dati di utilizzo.
Conserva gli ID e le intestazioni di richiesta/risposta. Non viene fornito alcun URL generico per recuperare un’attività testuale.
| Campo | Tipo |
|---|---|
Campochoices[].index | Tipointeger |
Campochoices[].message.content | Tipostring|null |
Campochoices[].message.tool_calls | Tipotool_call[] |
Campochoices[].message.reasoning_content | Tipostring |
Campochoices[].message.reasoning_details | Tipoobject|array |
Campochoices[].finish_reason | Tipostring|null |
Campousage | Tipoobject |
| Risposta | Condizione | Passaggio successivo |
|---|---|---|
Risposta400 · invalid_request_error | CondizioneCampi obbligatori, rappresentazione del materiale o valore del parametro non validi | Passaggio successivoCorreggi i campi indicati prima di una nuova richiesta di creazione. |
Ailoot glm-5.3, glm, glm-5, glm-5.1, glm-5.2, glm-latest
Ailoot Ultra glm-5.3, z-ai/glm-5.3, ~z-ai/glm-latest
/chat/completions
z-ai/glm-5.3, glm, glm-5, glm-5.1, glm-5.2, glm-latest, ~z-ai/glm-latest, glm-5.3, glm-5.3
glm-5Z.ai GLM 5.3 è un modello di ragionamento testuale per ingegneria del software complessa, lavoro da terminale e agenti impegnati in attività prolungate. Supporta un contesto di 1M token documentato dal produttore, un massimo di 128K token di output, chiamate a funzioni e livelli di ragionamento low/high/max, con il ragionamento sempre attivo.
Questa descrizione illustra le funzionalità del modello. Gli input, gli output e le opzioni disponibili in Ailoot per il metodo selezionato sono elencati di seguito.
Z.ai GLM 5.3 è un modello di ragionamento testuale su larga scala, progettato per ingegneria del software complessa e attività prolungate degli agenti. Il produttore afferma che utilizza lo stesso modello di base di GLM 5.2 e che i nuovi miglioramenti derivano dall'addestramento successivo. La versione si concentra su capacità potenziate di programmazione, operazioni da terminale e compiti più ampi che coinvolgono più passaggi dipendenti tra loro. Accetta testo e produce testo, inclusi codice, spiegazioni, piani e richieste di chiamata a strumenti in un'applicazione collegata a strumenti.
La modalità di ragionamento documentata è sempre attiva. GLM 5.3 offre tre livelli di impegno: low, high e max, con max come valore predefinito. Il produttore raccomanda max per la programmazione complessa; low offre un'opzione di ragionamento più leggera per i passaggi semplici. Usa il livello selezionato insieme a un elaborato finale chiaro e a criteri di completamento. Per esempio: «Esamina questi file e gli esiti negativi, risali alla causa nei moduli coinvolti, proponi una correzione che preservi l'interfaccia pubblica e spiega quali verifiche dimostrano la risoluzione della regressione».
Il produttore specifica una finestra di contesto di 1M token e una lunghezza massima di output di 128K token. Organizza il materiale esteso attorno alla relazione che il modello deve indagare. Conserva nomi dei file, definizioni pertinenti, etichette delle fonti e ordine delle osservazioni, lasciando spazio al ragionamento e alla risposta finale entro il contesto di lavoro applicabile. Una finestra ampia è utile per dipendenze tra moduli o lunghe sequenze di osservazioni di un agente; non trasforma un archivio privo di direzione e composto da materiale non correlato in un compito ben definito.
Per il lavoro su un repository, fornisci il comportamento atteso, il testo sorgente pertinente, le versioni delle dipendenze e l'output effettivo degli errori. Chiedi al modello di identificare il comportamento coinvolto prima di proporre una modifica. Per una ristrutturazione del codice, nomina l'interfaccia e le invarianti che devono rimanere intatte. Una risposta utile contiene il codice rivisto, il motivo per cui la modifica affronta il problema osservato e i casi necessari per verificarne l'esito. Riporta i risultati effettivi nel flusso collegato agli strumenti, affinché il passaggio successivo si basi sullo stato modificato anziché sulla proposta precedente.
Per il lavoro sulle prestazioni, fornisci un carico di lavoro, un riferimento iniziale e misurazioni come tempi, profili di esecuzione o registri delle allocazioni. Z.ai descrive compiti di addestramento che coinvolgono diagnosi dei colli di bottiglia, ottimizzazione, esperimenti e risultati che preservano la correttezza. Una richiesta pratica è: «Usa questo profilo per identificare il collo di bottiglia più rilevante, proponi una modifica misurabile e spiega quale risultato ne giustificherebbe il mantenimento». Distingui un'ipotesi sulle prestazioni da un miglioramento registrato. Mantieni lo stesso carico e le condizioni pertinenti nell'esaminare un risultato.
La versione sviluppa anche capacità di analisi delle vulnerabilità. Per una revisione difensiva del sorgente, fornisci il codice pertinente, i confini di fiducia previsti e le condizioni in cui viene eseguito. Richiedi un riscontro che colleghi un problema sospetto all'input interessato, al comportamento e a una correzione mirata. Distingui una debolezza potenziale da un difetto riprodotto e conserva l'osservazione usata per convalidarlo. Una relazione è più utile quando dà priorità a evidenze concrete e correzioni proposte, anziché trattare ogni schema sospetto come una vulnerabilità confermata.
Le chiamate a funzioni consentono a un'applicazione circostante di esporre operazioni esterne al modello. Definisci lo scopo, gli argomenti e il risultato atteso di ogni strumento, quindi restituisci l'osservazione effettiva dello strumento per il passaggio successivo. Il modello può ragionare su tale risultato e stabilire come cambi il compito. Mantieni distinguibili azioni proposte, operazioni eseguite e verifiche irrisolte. Il produttore documenta anche risposte in streaming che restituiscono separatamente frammenti di ragionamento e di risposta; ricomponi la risposta completa prima di considerarla la relazione finale o la spiegazione del codice.
La scheda locale del modello fornisce un dettaglio specifico sulla gestione della cronologia: il template di chat conserva il ragionamento per impostazione predefinita, mentre il produttore raccomanda di cancellare esplicitamente il ragionamento precedente negli scenari di chat ordinaria. Applica la struttura conversazionale adatta al caso d'uso, preservando le risposte effettivamente completate e i risultati degli strumenti necessari per proseguire. Evita di considerare intercambiabili le impostazioni di controllo del ragionamento di GLM 5.2 o delle edizioni separate GLM 5.3 Flash con i controlli low/high/max di questo modello.
Per risultati strutturati, specifica campi, tipi e regole relative alle fonti. Un elaborato utile può essere una tabella dei difetti, un piano di modifiche o un oggetto JSON che riepiloga le osservazioni. Convalida sia la struttura sia i valori prima che un'applicazione li utilizzi. Il risultato finale deve identificare la risposta o l'elaborato rivisto, le evidenze a sostegno e le ipotesi residue. Un maggiore impegno di ragionamento non dimostra che uno strumento sia stato eseguito, che una modifica proposta abbia superato le verifiche o che un'affermazione fattuale disponga di supporto oltre il materiale fornito.
POST /v1/messagestexttext| Campo | Tipo | Requisito | Valori e limiti | Predefinito |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObbligatorio | Valori e limiti glm-5 | Predefinito— |
Campomessages | Tipomessage[] | RequisitoObbligatorio | Valori e limiti Numero minimo di elementi: 1 | Predefinito— |
Campomessages[].role | Tipostring | RequisitoObbligatorio | Valori e limiti user, assistant | Predefinito— |
Campomessages[].content | Tipostring|content_block[] | RequisitoObbligatorio | Valori e limiti | Predefinito— |
Camposystem | Tipostring|content_block[] | RequisitoFacoltativo | Valori e limiti | Predefinito— |
Campomax_tokens | Tipointeger | RequisitoObbligatorio | Valori e limiti Minimo: 1 Il limite si applica a: Limite esatto del modello o della scheda selezionati | Predefinito— |
Campostream | Tipoboolean | RequisitoFacoltativo | Valori e limiti | Predefinitofalse |
Campotemperature | Tiponumber | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campotop_p | Tiponumber | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campostop_sequences | Tipostring[] | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campotools | Tipotool[] | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campotools[].name | Tipostring | RequisitoFacoltativo | Valori e limiti Si applica quando: Strumento fornito | Predefinito— |
Campotools[].description | Tipostring | RequisitoFacoltativo | Valori e limiti | Predefinito— |
Campotools[].input_schema | TipoJSON_schema | RequisitoFacoltativo | Valori e limiti | Predefinito— |
Campotool_choice | Tipoobject | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campothinking.type | Tipostring | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campothinking.budget_tokens | Tipointeger | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campooutput_config.effort | Tipostring | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campometadata | Tipoobject | RequisitoFacoltativo | Valori e limiti | Predefinito— |
Campocache_control | Tipoobject | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Testo · Testo UTF8
messages[].content o blocco type=text
| Parametro | Contratto |
|---|---|
Parametromaterial_types | Contrattotext |
Parametrorequired | Contrattomodel, messages, max_tokens |
Parametrooptional_controls | Contrattonull |
Parametrocontent_type | Contrattoapplication/json |
Parametrotext_file_material | ContrattoContenuto UTF-8 effettivo inserito come testo; ID di file/URLs richiedono supporto separato ed esatto |
Ciclo di vita: exact retained published method
Le strutture dei metodi e gli ID sono esatti; la capacità del fornitore è distinta dall’ammissione delle richieste.
POST /v1/messagesAiloot prenota un importo stimato prima di una richiesta. Dopo il risultato, addebita il costo finale in base all’utilizzo misurato. Per lo streaming, l’addebito usa il record finale di utilizzo. Come funzionano la prenotazione e l’addebito finale →
I listini di riferimento del modello non modificano la selezione del metodo, i preventivi o gli addebiti. Gli addebiti attivi usano le tariffe del metodo Ailoot selezionato.
Associa ogni costo alle condizioni indicate. Usa una sola tariffa per ogni insieme di configurazioni alternative.
| Configurazione | Listino delle tariffe | Token di contesto, più di | Token di contesto, fino al limite incluso | Costo |
|---|---|---|---|---|
| ConfigurazioneOpenAI Chat · Tariffe base per token | Listino delle tariffeTariffa base | Token di contesto, più di— | Token di contesto, fino al limite inclusoNessun limite superiore | Costo Input · Token in input $0.0028 / 1K token Output · Token in output $0.0088 / 1K token Input · Lettura dalla cache $0.00052 / 1K token Input · Scrittura nella cache — / 1K token Input · Scrittura nella cache, 1 ora — / 1K token |
| ConfigurazioneOpenAI Chat · Fascia 1 in base alla lunghezza della richiesta | Listino delle tariffe— | Token di contesto, più di0 | Token di contesto, fino al limite inclusoNessun limite superiore | Costo Input · Token in input $0.0028 / 1K token Output · Token in output $0.0088 / 1K token Input · Lettura dalla cache $0.00052 / 1K token Input · Scrittura nella cache — / 1K token Input · Scrittura nella cache, 1 ora — / 1K token |
| ConfigurazioneAnthropic Messages · Tariffe base per token | Listino delle tariffeTariffa base | Token di contesto, più di— | Token di contesto, fino al limite inclusoNessun limite superiore | Costo Input · Token in input $0.0028 / 1K token Output · Token in output $0.0088 / 1K token Input · Lettura dalla cache $0.00052 / 1K token Input · Scrittura nella cache — / 1K token Input · Scrittura nella cache, 1 ora — / 1K token |
| ConfigurazioneAnthropic Messages · Fascia 1 in base alla lunghezza della richiesta | Listino delle tariffe— | Token di contesto, più di0 | Token di contesto, fino al limite inclusoNessun limite superiore | Costo Input · Token in input $0.0028 / 1K token Output · Token in output $0.0088 / 1K token Input · Lettura dalla cache $0.00052 / 1K token Input · Scrittura nella cache — / 1K token Input · Scrittura nella cache, 1 ora — / 1K token |
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 source-material file}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "glm-5", "max_tokens": 1024, "messages": []}')\nf=Path(os.environ["AILOOT_TEXT_FILE"])\nif not f.is_file():raise SystemExit("Choose your actual UTF-8 source material")\ntext=f.read_text(encoding="utf-8")\nif not text.strip():raise SystemExit("Source material must contain text")\np["messages"]=[{"role":"user","content":"Summarize this material and quote supporting source passages.\\n\\n"+text}]\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/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\nprint(json.dumps(json.loads(Path("result.json").read_text()),ensure_ascii=False,indent=2))\nPY_RESULT\nimport anthropic\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient = anthropic.Anthropic(base_url="https://api.ailoot.ai", api_key=os.environ["AILOOT_API_KEY"], max_retries=0)\nmsg = client.messages.create(\n model="glm-5",\n max_tokens=1024,\n messages=[{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}],\n)\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(msg.to_dict(mode="json"))\nimport Anthropic from "@anthropic-ai/sdk";\n\nif (!process.env.AILOOT_API_KEY?.trim()) throw new Error("Set AILOOT_API_KEY before making a request");\nconst client = new Anthropic({ baseURL: "https://api.ailoot.ai", apiKey: process.env.AILOOT_API_KEY, maxRetries: 0 });\nconst msg = await client.messages.create({\n model: "glm-5",\n max_tokens: 1024,\n messages: [{ role: "user", content: "Explain the difference between an observation and a hypothesis in three sentences." }],\n});\nimport { writeFileSync } from "node:fs";\n\nfunction saveResult(data, stem = "result") {\n writeFileSync(stem + ".json", JSON.stringify(data, null, 2));\n console.log(JSON.stringify(data, null, 2));\n const saveBlob = (encoded, suffix, label) => {\n const raw = Buffer.from(encoded, "base64");\n const ext = raw.subarray(0,8).equals(Buffer.from([137,80,78,71,13,10,26,10])) ? "png" : raw[0]===255 && raw[1]===216 ? "jpg" : raw.subarray(0,4).toString()==="RIFF" && raw.subarray(8,12).toString()==="WEBP" ? "webp" : suffix;\n const file = `${stem}-${label}.${ext}`;\n writeFileSync(file, raw); console.log("Saved", file);\n };\n for (const [i, block] of (data.content || []).entries()) console.log("Content", i, JSON.stringify(block));\n for (const choice of data.choices || []) console.log("Choice", choice.index, JSON.stringify(choice.message || choice.delta || {}));\n for (const [i, item] of (data.output || []).entries()) {\n console.log("Output", i, JSON.stringify(item));\n if (item.type === "image_generation_call" && item.result) saveBlob(item.result, item.output_format || "bin", `output-${i}`);\n }\n for (const [ci, candidate] of (data.candidates || []).entries()) {\n for (const [pi, part] of (candidate.content?.parts || []).entries()) {\n console.log("Candidate/part", ci, pi, JSON.stringify(part));\n const blob = part.inlineData || part.inline_data;\n if (blob?.data) {\n const mime = blob.mimeType || blob.mime_type;\n const suffix = ({"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"})[mime] || "bin";\n saveBlob(blob.data, suffix, `candidate-${ci}-part-${pi}`);\n }\n }\n }\n}\n\nsaveResult(msg);\nimport anthropic,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=anthropic.Anthropic(base_url="https://api.ailoot.ai",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.messages.stream(model='glm-5',max_tokens=1024,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_message()\n save_result(final.to_dict(mode="json"),"stream-result")\njson o SSE
Conserva ogni risposta, file e parte di contenuto restituiti per intero.
Conserva tutti i blocchi di contenuto, le firme di ragionamento e gli ID effettivi di utilizzo degli strumenti. Assembla tutti i delta dei blocchi SSE; il primo blocco di testo non è l’uscita completa.
Conserva gli ID e le intestazioni di richiesta/risposta. Non viene fornito alcun URL generico per recuperare un’attività testuale.
| Campo | Tipo |
|---|---|
Campoid | Tipostring |
Campomodel | Tipostring |
Campocontent[] | Tipotext|thinking|tool_use|other content block |
Campostop_reason | Tipostring|null |
Campousage | Tipoobject |
| Risposta | Condizione | Passaggio successivo |
|---|---|---|
Risposta400 · invalid_request_error | CondizioneCampi obbligatori, rappresentazione del materiale o valore del parametro non validi | Passaggio successivoCorreggi i campi indicati prima di una nuova richiesta di creazione. |
Ailoot glm-5.3, glm, glm-5, glm-5.1, glm-5.2, glm-latest
Ailoot Ultra glm-5.3, z-ai/glm-5.3, ~z-ai/glm-latest
/chat/completions
z-ai/glm-5.3, glm, glm-5, glm-5.1, glm-5.2, glm-latest, ~z-ai/glm-latest, glm-5.3, glm-5.3
glm-5Z.ai GLM 5.3 è un modello di ragionamento testuale per ingegneria del software complessa, lavoro da terminale e agenti impegnati in attività prolungate. Supporta un contesto di 1M token documentato dal produttore, un massimo di 128K token di output, chiamate a funzioni e livelli di ragionamento low/high/max, con il ragionamento sempre attivo.
Questa descrizione illustra le funzionalità del modello. Gli input, gli output e le opzioni disponibili in Ailoot per il metodo selezionato sono elencati di seguito.
Z.ai GLM 5.3 è un modello di ragionamento testuale su larga scala, progettato per ingegneria del software complessa e attività prolungate degli agenti. Il produttore afferma che utilizza lo stesso modello di base di GLM 5.2 e che i nuovi miglioramenti derivano dall'addestramento successivo. La versione si concentra su capacità potenziate di programmazione, operazioni da terminale e compiti più ampi che coinvolgono più passaggi dipendenti tra loro. Accetta testo e produce testo, inclusi codice, spiegazioni, piani e richieste di chiamata a strumenti in un'applicazione collegata a strumenti.
La modalità di ragionamento documentata è sempre attiva. GLM 5.3 offre tre livelli di impegno: low, high e max, con max come valore predefinito. Il produttore raccomanda max per la programmazione complessa; low offre un'opzione di ragionamento più leggera per i passaggi semplici. Usa il livello selezionato insieme a un elaborato finale chiaro e a criteri di completamento. Per esempio: «Esamina questi file e gli esiti negativi, risali alla causa nei moduli coinvolti, proponi una correzione che preservi l'interfaccia pubblica e spiega quali verifiche dimostrano la risoluzione della regressione».
Il produttore specifica una finestra di contesto di 1M token e una lunghezza massima di output di 128K token. Organizza il materiale esteso attorno alla relazione che il modello deve indagare. Conserva nomi dei file, definizioni pertinenti, etichette delle fonti e ordine delle osservazioni, lasciando spazio al ragionamento e alla risposta finale entro il contesto di lavoro applicabile. Una finestra ampia è utile per dipendenze tra moduli o lunghe sequenze di osservazioni di un agente; non trasforma un archivio privo di direzione e composto da materiale non correlato in un compito ben definito.
Per il lavoro su un repository, fornisci il comportamento atteso, il testo sorgente pertinente, le versioni delle dipendenze e l'output effettivo degli errori. Chiedi al modello di identificare il comportamento coinvolto prima di proporre una modifica. Per una ristrutturazione del codice, nomina l'interfaccia e le invarianti che devono rimanere intatte. Una risposta utile contiene il codice rivisto, il motivo per cui la modifica affronta il problema osservato e i casi necessari per verificarne l'esito. Riporta i risultati effettivi nel flusso collegato agli strumenti, affinché il passaggio successivo si basi sullo stato modificato anziché sulla proposta precedente.
Per il lavoro sulle prestazioni, fornisci un carico di lavoro, un riferimento iniziale e misurazioni come tempi, profili di esecuzione o registri delle allocazioni. Z.ai descrive compiti di addestramento che coinvolgono diagnosi dei colli di bottiglia, ottimizzazione, esperimenti e risultati che preservano la correttezza. Una richiesta pratica è: «Usa questo profilo per identificare il collo di bottiglia più rilevante, proponi una modifica misurabile e spiega quale risultato ne giustificherebbe il mantenimento». Distingui un'ipotesi sulle prestazioni da un miglioramento registrato. Mantieni lo stesso carico e le condizioni pertinenti nell'esaminare un risultato.
La versione sviluppa anche capacità di analisi delle vulnerabilità. Per una revisione difensiva del sorgente, fornisci il codice pertinente, i confini di fiducia previsti e le condizioni in cui viene eseguito. Richiedi un riscontro che colleghi un problema sospetto all'input interessato, al comportamento e a una correzione mirata. Distingui una debolezza potenziale da un difetto riprodotto e conserva l'osservazione usata per convalidarlo. Una relazione è più utile quando dà priorità a evidenze concrete e correzioni proposte, anziché trattare ogni schema sospetto come una vulnerabilità confermata.
Le chiamate a funzioni consentono a un'applicazione circostante di esporre operazioni esterne al modello. Definisci lo scopo, gli argomenti e il risultato atteso di ogni strumento, quindi restituisci l'osservazione effettiva dello strumento per il passaggio successivo. Il modello può ragionare su tale risultato e stabilire come cambi il compito. Mantieni distinguibili azioni proposte, operazioni eseguite e verifiche irrisolte. Il produttore documenta anche risposte in streaming che restituiscono separatamente frammenti di ragionamento e di risposta; ricomponi la risposta completa prima di considerarla la relazione finale o la spiegazione del codice.
La scheda locale del modello fornisce un dettaglio specifico sulla gestione della cronologia: il template di chat conserva il ragionamento per impostazione predefinita, mentre il produttore raccomanda di cancellare esplicitamente il ragionamento precedente negli scenari di chat ordinaria. Applica la struttura conversazionale adatta al caso d'uso, preservando le risposte effettivamente completate e i risultati degli strumenti necessari per proseguire. Evita di considerare intercambiabili le impostazioni di controllo del ragionamento di GLM 5.2 o delle edizioni separate GLM 5.3 Flash con i controlli low/high/max di questo modello.
Per risultati strutturati, specifica campi, tipi e regole relative alle fonti. Un elaborato utile può essere una tabella dei difetti, un piano di modifiche o un oggetto JSON che riepiloga le osservazioni. Convalida sia la struttura sia i valori prima che un'applicazione li utilizzi. Il risultato finale deve identificare la risposta o l'elaborato rivisto, le evidenze a sostegno e le ipotesi residue. Un maggiore impegno di ragionamento non dimostra che uno strumento sia stato eseguito, che una modifica proposta abbia superato le verifiche o che un'affermazione fattuale disponga di supporto oltre il materiale fornito.
POST /v1/responsestexttext| Campo | Tipo | Requisito | Valori e limiti | Predefinito |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObbligatorio | Valori e limiti glm-5 | Predefinito— |
Campoinput | Tipostring|input_item[] | RequisitoObbligatorio | Valori e limiti | Predefinito— |
Campoinstructions | Tipostring | RequisitoFacoltativo | Valori e limiti | Predefinito— |
Campoinput[].type | Tipostring | RequisitoFacoltativo | Valori e limiti message, reasoning, function_call, function_call_output | Predefinito— |
Campoinput[].content | Tipostring|content_part[] | RequisitoFacoltativo | Valori e limiti | Predefinito— |
Campoinput[].call_id | Tipostring | RequisitoFacoltativo | Valori e limiti Si applica quando: function_call_output; conserva il call_id effettivamente restituito | Predefinito— |
Campoinput[].output | Tipostring|content_part[] | RequisitoFacoltativo | Valori e limiti Si applica quando: function_call_output | Predefinito— |
Campomax_output_tokens | Tipointeger | RequisitoFacoltativo | Valori e limiti Minimo: 1 Dipende dal modello | Predefinito— |
Campostream | Tipoboolean | RequisitoFacoltativo | Valori e limiti | Predefinitofalse |
Campotemperature | Tiponumber | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campotop_p | Tiponumber | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campotools | Tipotool[] | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campotool_choice | Tipostring|object | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campoparallel_tool_calls | Tipoboolean | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Camporeasoning.effort | Tipostring | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Camporeasoning.summary | Tipostring | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campotext.format | Tipoobject | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campotext.verbosity | Tipostring | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campoinclude | Tipostring[] | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campostore | Tipoboolean | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campoprevious_response_id | Tipostring | RequisitoFacoltativo | Valori e limiti Requisito dell’ID: Solo un ID di risposta effettivo proveniente da una continuazione supportata Dipende dal modello | Predefinito— |
Camposervice_tier | Tipostring | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campoprompt_cache_key | Tipostring | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campoprompt_cache_options | Tipoobject | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Testo · Testo UTF8
Testo in ingresso o parte input_text
| Parametro | Contratto |
|---|---|
Parametromaterial_types | Contrattotext |
Parametrorequired | Contrattomodel, input |
Parametrooptional_controls | Contrattonull |
Parametrocontent_type | Contrattoapplication/json |
Parametrotext_file_material | ContrattoContenuto UTF-8 effettivo inserito come testo; ID di file/URLs richiedono supporto separato ed esatto |
Ciclo di vita: exact retained published method
Le strutture dei metodi e gli ID sono esatti; la capacità del fornitore è distinta dall’ammissione delle richieste.
POST /v1/responsesAiloot prenota un importo stimato prima di una richiesta. Dopo il risultato, addebita il costo finale in base all’utilizzo misurato. Per lo streaming, l’addebito usa il record finale di utilizzo. Come funzionano la prenotazione e l’addebito finale →
I listini di riferimento del modello non modificano la selezione del metodo, i preventivi o gli addebiti. Gli addebiti attivi usano le tariffe del metodo Ailoot selezionato.
Associa ogni costo alle condizioni indicate. Usa una sola tariffa per ogni insieme di configurazioni alternative.
| Configurazione | Listino delle tariffe | Token di contesto, più di | Token di contesto, fino al limite incluso | Costo |
|---|---|---|---|---|
| ConfigurazioneOpenAI Chat · Tariffe base per token | Listino delle tariffeTariffa base | Token di contesto, più di— | Token di contesto, fino al limite inclusoNessun limite superiore | Costo Input · Token in input $0.0028 / 1K token Output · Token in output $0.0088 / 1K token Input · Lettura dalla cache $0.00052 / 1K token Input · Scrittura nella cache — / 1K token Input · Scrittura nella cache, 1 ora — / 1K token |
| ConfigurazioneOpenAI Chat · Fascia 1 in base alla lunghezza della richiesta | Listino delle tariffe— | Token di contesto, più di0 | Token di contesto, fino al limite inclusoNessun limite superiore | Costo Input · Token in input $0.0028 / 1K token Output · Token in output $0.0088 / 1K token Input · Lettura dalla cache $0.00052 / 1K token Input · Scrittura nella cache — / 1K token Input · Scrittura nella cache, 1 ora — / 1K token |
| ConfigurazioneAnthropic Messages · Tariffe base per token | Listino delle tariffeTariffa base | Token di contesto, più di— | Token di contesto, fino al limite inclusoNessun limite superiore | Costo Input · Token in input $0.0028 / 1K token Output · Token in output $0.0088 / 1K token Input · Lettura dalla cache $0.00052 / 1K token Input · Scrittura nella cache — / 1K token Input · Scrittura nella cache, 1 ora — / 1K token |
| ConfigurazioneAnthropic Messages · Fascia 1 in base alla lunghezza della richiesta | Listino delle tariffe— | Token di contesto, più di0 | Token di contesto, fino al limite inclusoNessun limite superiore | Costo Input · Token in input $0.0028 / 1K token Output · Token in output $0.0088 / 1K token Input · Lettura dalla cache $0.00052 / 1K token Input · Scrittura nella cache — / 1K token Input · Scrittura nella cache, 1 ora — / 1K token |
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 source-material file}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "glm-5", "input": ""}')\nf=Path(os.environ["AILOOT_TEXT_FILE"])\nif not f.is_file():raise SystemExit("Choose your actual UTF-8 source material")\ntext=f.read_text(encoding="utf-8")\nif not text.strip():raise SystemExit("Source material must contain text")\np["input"]="Summarize this material and quote supporting source passages.\\n\\n"+text\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/responses \\\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 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(json.loads(Path("result.json").read_text(encoding="utf-8")))\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)\nresp = client.responses.create(model="glm-5", input="Explain the difference between an observation and a hypothesis 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(resp.to_dict(mode="json"))\nimport OpenAI from "openai";\n\nif (!process.env.AILOOT_API_KEY?.trim()) throw new Error("Set AILOOT_API_KEY before making a request");\nconst client = new OpenAI({ baseURL: "https://api.ailoot.ai/v1", apiKey: process.env.AILOOT_API_KEY, maxRetries: 0 });\nconst resp = await client.responses.create({ model: "glm-5", input: "Explain the difference between an observation and a hypothesis in three sentences." });\nimport { writeFileSync } from "node:fs";\n\nfunction saveResult(data, stem = "result") {\n writeFileSync(stem + ".json", JSON.stringify(data, null, 2));\n console.log(JSON.stringify(data, null, 2));\n const saveBlob = (encoded, suffix, label) => {\n const raw = Buffer.from(encoded, "base64");\n const ext = raw.subarray(0,8).equals(Buffer.from([137,80,78,71,13,10,26,10])) ? "png" : raw[0]===255 && raw[1]===216 ? "jpg" : raw.subarray(0,4).toString()==="RIFF" && raw.subarray(8,12).toString()==="WEBP" ? "webp" : suffix;\n const file = `${stem}-${label}.${ext}`;\n writeFileSync(file, raw); console.log("Saved", file);\n };\n for (const [i, block] of (data.content || []).entries()) console.log("Content", i, JSON.stringify(block));\n for (const choice of data.choices || []) console.log("Choice", choice.index, JSON.stringify(choice.message || choice.delta || {}));\n for (const [i, item] of (data.output || []).entries()) {\n console.log("Output", i, JSON.stringify(item));\n if (item.type === "image_generation_call" && item.result) saveBlob(item.result, item.output_format || "bin", `output-${i}`);\n }\n for (const [ci, candidate] of (data.candidates || []).entries()) {\n for (const [pi, part] of (candidate.content?.parts || []).entries()) {\n console.log("Candidate/part", ci, pi, JSON.stringify(part));\n const blob = part.inlineData || part.inline_data;\n if (blob?.data) {\n const mime = blob.mimeType || blob.mime_type;\n const suffix = ({"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"})[mime] || "bin";\n saveBlob(blob.data, suffix, `candidate-${ci}-part-${pi}`);\n }\n }\n }\n}\n\nsaveResult(resp);\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\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\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)\nwith client.responses.stream(model="glm-5", input="Explain the difference between an observation and a hypothesis 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_response()\n save_result(final.to_dict(mode="json"),"stream-result")\njson o SSE
Conserva ogni risposta, file e parte di contenuto restituiti per intero.
Conserva ogni elemento di uscita e parte di contenuto, il call_id effettivo della funzione, il ragionamento cifrato e i dati di utilizzo. Nello streaming conserva l’identità completa di eventi ed elementi.
Conserva gli ID e le intestazioni di richiesta/risposta. Non viene fornito alcun URL generico per recuperare un’attività testuale.
| Campo | Tipo |
|---|---|
Campoid | Tipostring |
Campostatus | Tipostring |
Campooutput[] | Tipomessage|reasoning|function_call|other item |
Campooutput[].content[] | Tipocontent part |
Campousage | Tipoobject |
| Risposta | Condizione | Passaggio successivo |
|---|---|---|
Risposta400 · invalid_request_error | CondizioneCampi obbligatori, rappresentazione del materiale o valore del parametro non validi | Passaggio successivoCorreggi i campi indicati prima di una nuova richiesta di creazione. |
Ailoot glm-5.3, glm, glm-5, glm-5.1, glm-5.2, glm-latest
Ailoot Ultra glm-5.3, z-ai/glm-5.3, ~z-ai/glm-latest
/chat/completions
z-ai/glm-5.3, glm, glm-5, glm-5.1, glm-5.2, glm-latest, ~z-ai/glm-latest, glm-5.3, glm-5.3
glm-5Z.ai GLM 5.3 è un modello di ragionamento testuale per ingegneria del software complessa, lavoro da terminale e agenti impegnati in attività prolungate. Supporta un contesto di 1M token documentato dal produttore, un massimo di 128K token di output, chiamate a funzioni e livelli di ragionamento low/high/max, con il ragionamento sempre attivo.
Questa descrizione illustra le funzionalità del modello. Gli input, gli output e le opzioni disponibili in Ailoot per il metodo selezionato sono elencati di seguito.
Z.ai GLM 5.3 è un modello di ragionamento testuale su larga scala, progettato per ingegneria del software complessa e attività prolungate degli agenti. Il produttore afferma che utilizza lo stesso modello di base di GLM 5.2 e che i nuovi miglioramenti derivano dall'addestramento successivo. La versione si concentra su capacità potenziate di programmazione, operazioni da terminale e compiti più ampi che coinvolgono più passaggi dipendenti tra loro. Accetta testo e produce testo, inclusi codice, spiegazioni, piani e richieste di chiamata a strumenti in un'applicazione collegata a strumenti.
La modalità di ragionamento documentata è sempre attiva. GLM 5.3 offre tre livelli di impegno: low, high e max, con max come valore predefinito. Il produttore raccomanda max per la programmazione complessa; low offre un'opzione di ragionamento più leggera per i passaggi semplici. Usa il livello selezionato insieme a un elaborato finale chiaro e a criteri di completamento. Per esempio: «Esamina questi file e gli esiti negativi, risali alla causa nei moduli coinvolti, proponi una correzione che preservi l'interfaccia pubblica e spiega quali verifiche dimostrano la risoluzione della regressione».
Il produttore specifica una finestra di contesto di 1M token e una lunghezza massima di output di 128K token. Organizza il materiale esteso attorno alla relazione che il modello deve indagare. Conserva nomi dei file, definizioni pertinenti, etichette delle fonti e ordine delle osservazioni, lasciando spazio al ragionamento e alla risposta finale entro il contesto di lavoro applicabile. Una finestra ampia è utile per dipendenze tra moduli o lunghe sequenze di osservazioni di un agente; non trasforma un archivio privo di direzione e composto da materiale non correlato in un compito ben definito.
Per il lavoro su un repository, fornisci il comportamento atteso, il testo sorgente pertinente, le versioni delle dipendenze e l'output effettivo degli errori. Chiedi al modello di identificare il comportamento coinvolto prima di proporre una modifica. Per una ristrutturazione del codice, nomina l'interfaccia e le invarianti che devono rimanere intatte. Una risposta utile contiene il codice rivisto, il motivo per cui la modifica affronta il problema osservato e i casi necessari per verificarne l'esito. Riporta i risultati effettivi nel flusso collegato agli strumenti, affinché il passaggio successivo si basi sullo stato modificato anziché sulla proposta precedente.
Per il lavoro sulle prestazioni, fornisci un carico di lavoro, un riferimento iniziale e misurazioni come tempi, profili di esecuzione o registri delle allocazioni. Z.ai descrive compiti di addestramento che coinvolgono diagnosi dei colli di bottiglia, ottimizzazione, esperimenti e risultati che preservano la correttezza. Una richiesta pratica è: «Usa questo profilo per identificare il collo di bottiglia più rilevante, proponi una modifica misurabile e spiega quale risultato ne giustificherebbe il mantenimento». Distingui un'ipotesi sulle prestazioni da un miglioramento registrato. Mantieni lo stesso carico e le condizioni pertinenti nell'esaminare un risultato.
La versione sviluppa anche capacità di analisi delle vulnerabilità. Per una revisione difensiva del sorgente, fornisci il codice pertinente, i confini di fiducia previsti e le condizioni in cui viene eseguito. Richiedi un riscontro che colleghi un problema sospetto all'input interessato, al comportamento e a una correzione mirata. Distingui una debolezza potenziale da un difetto riprodotto e conserva l'osservazione usata per convalidarlo. Una relazione è più utile quando dà priorità a evidenze concrete e correzioni proposte, anziché trattare ogni schema sospetto come una vulnerabilità confermata.
Le chiamate a funzioni consentono a un'applicazione circostante di esporre operazioni esterne al modello. Definisci lo scopo, gli argomenti e il risultato atteso di ogni strumento, quindi restituisci l'osservazione effettiva dello strumento per il passaggio successivo. Il modello può ragionare su tale risultato e stabilire come cambi il compito. Mantieni distinguibili azioni proposte, operazioni eseguite e verifiche irrisolte. Il produttore documenta anche risposte in streaming che restituiscono separatamente frammenti di ragionamento e di risposta; ricomponi la risposta completa prima di considerarla la relazione finale o la spiegazione del codice.
La scheda locale del modello fornisce un dettaglio specifico sulla gestione della cronologia: il template di chat conserva il ragionamento per impostazione predefinita, mentre il produttore raccomanda di cancellare esplicitamente il ragionamento precedente negli scenari di chat ordinaria. Applica la struttura conversazionale adatta al caso d'uso, preservando le risposte effettivamente completate e i risultati degli strumenti necessari per proseguire. Evita di considerare intercambiabili le impostazioni di controllo del ragionamento di GLM 5.2 o delle edizioni separate GLM 5.3 Flash con i controlli low/high/max di questo modello.
Per risultati strutturati, specifica campi, tipi e regole relative alle fonti. Un elaborato utile può essere una tabella dei difetti, un piano di modifiche o un oggetto JSON che riepiloga le osservazioni. Convalida sia la struttura sia i valori prima che un'applicazione li utilizzi. Il risultato finale deve identificare la risposta o l'elaborato rivisto, le evidenze a sostegno e le ipotesi residue. Un maggiore impegno di ragionamento non dimostra che uno strumento sia stato eseguito, che una modifica proposta abbia superato le verifiche o che un'affermazione fattuale disponga di supporto oltre il materiale fornito.
POST /v1/chat/completionstexttext| Campo | Tipo | Requisito | Valori e limiti | Predefinito |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObbligatorio | Valori e limiti glm-5 | Predefinito— |
Campomessages | Tipomessage[] | RequisitoObbligatorio | Valori e limiti Numero minimo di elementi: 1 | Predefinito— |
Campomessages[].role | Tipostring | RequisitoObbligatorio | Valori e limiti Esempi: system, user, assistant, tool, function Condizioni: Questi ruoli sono rappresentati esplicitamente dai tipi di compatibilità del codice sorgente; l’insieme esatto dei ruoli rimane specifico del modello. Dipende dal modello | Predefinito— |
Campomessages[].content | Tipostring|content_part[]|null | RequisitoFacoltativo | Valori e limiti | Predefinito— |
Campomessages[].tool_calls | Tipotool_call[] | RequisitoFacoltativo | Valori e limiti | Predefinito— |
Campomessages[].tool_call_id | Tipostring | RequisitoFacoltativo | Valori e limiti Si applica quando: role=tool; usa l’ID effettivamente restituito | Predefinito— |
Campomessages[].name | Tipostring | RequisitoFacoltativo | Valori e limiti | Predefinito— |
Campomessages[].reasoning_content | Tipostring | RequisitoFacoltativo | Valori e limiti Si applica quando: Reinserisci il ragionamento effettivamente restituito quando il modello lo utilizza | Predefinito— |
Campomessages[].reasoning_details | Tipoobject|array | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campomax_tokens | Tipointeger | RequisitoFacoltativo | Valori e limiti Minimo: 1 Dipende dal modello | Predefinito— |
Campomax_completion_tokens | Tipointeger | RequisitoFacoltativo | Valori e limiti Minimo: 1 Dipende dal modello | Predefinito— |
Campostream | Tipoboolean | RequisitoFacoltativo | Valori e limiti | Predefinitofalse |
Campostream_options.include_usage | Tipoboolean | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campotemperature | Tiponumber | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campotop_p | Tiponumber | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campostop | Tipostring|string[] | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campotools | Tipofunction_tool[] | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campotools[].type | Tipostring | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campotools[].function.name | Tipostring | RequisitoObbligatorio | Valori e limiti Si applica quando: Funzione fornita come strumento | Predefinito— |
Campotools[].function.description | Tipostring | RequisitoFacoltativo | Valori e limiti | Predefinito— |
Campotools[].function.parameters | TipoJSON_schema | RequisitoFacoltativo | Valori e limiti | Predefinito— |
Campotool_choice | Tipostring|object | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campoparallel_tool_calls | Tipoboolean | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Camporesponse_format | Tipoobject | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Camporeasoning_effort | Tipostring | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Camporeasoning | Tipoobject | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Camposervice_tier | Tipostring | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campoinstructions | Tipostring | RequisitoFacoltativo | Valori e limiti Campo di compatibilità | Predefinito— |
Campofunctions | Tipofunction[] | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campofunction_call | Tipostring|object | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campoprompt_cache_options | Tipoobject | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Testo · Testo UTF8
messages[].content
| Parametro | Contratto |
|---|---|
Parametromaterial_types | Contrattotext |
Parametrorequired | Contrattomodel, messages |
Parametrooptional_controls | Contrattonull |
Parametrocontent_type | Contrattoapplication/json |
Parametrotext_file_material | ContrattoContenuto UTF-8 effettivo inserito come testo; ID di file/URLs richiedono supporto separato ed esatto |
Ciclo di vita: exact retained published method
Le strutture dei metodi e gli ID sono esatti; la capacità del fornitore è distinta dall’ammissione delle richieste.
POST /v1/chat/completionsAiloot prenota un importo stimato prima di una richiesta. Dopo il risultato, addebita il costo finale in base all’utilizzo misurato. Per lo streaming, l’addebito usa il record finale di utilizzo. Come funzionano la prenotazione e l’addebito finale →
I listini di riferimento del modello non modificano la selezione del metodo, i preventivi o gli addebiti. Gli addebiti attivi usano le tariffe del metodo Ailoot selezionato.
Associa ogni costo alle condizioni indicate. Usa una sola tariffa per ogni insieme di configurazioni alternative.
| Configurazione | Listino delle tariffe | Token di contesto, più di | Token di contesto, fino al limite incluso | Costo |
|---|---|---|---|---|
| ConfigurazioneOpenAI Chat · Tariffe base per token | Listino delle tariffeTariffa base | Token di contesto, più di— | Token di contesto, fino al limite inclusoNessun limite superiore | Costo Input · Token in input $0.0028 / 1K token Output · Token in output $0.0088 / 1K token Input · Lettura dalla cache $0.00052 / 1K token Input · Scrittura nella cache — / 1K token Input · Scrittura nella cache, 1 ora — / 1K token |
| ConfigurazioneOpenAI Chat · Fascia 1 in base alla lunghezza della richiesta | Listino delle tariffe— | Token di contesto, più di0 | Token di contesto, fino al limite inclusoNessun limite superiore | Costo Input · Token in input $0.0028 / 1K token Output · Token in output $0.0088 / 1K token Input · Lettura dalla cache $0.00052 / 1K token Input · Scrittura nella cache — / 1K token Input · Scrittura nella cache, 1 ora — / 1K token |
| ConfigurazioneAnthropic Messages · Tariffe base per token | Listino delle tariffeTariffa base | Token di contesto, più di— | Token di contesto, fino al limite inclusoNessun limite superiore | Costo Input · Token in input $0.0028 / 1K token Output · Token in output $0.0088 / 1K token Input · Lettura dalla cache $0.00052 / 1K token Input · Scrittura nella cache — / 1K token Input · Scrittura nella cache, 1 ora — / 1K token |
| ConfigurazioneAnthropic Messages · Fascia 1 in base alla lunghezza della richiesta | Listino delle tariffe— | Token di contesto, più di0 | Token di contesto, fino al limite inclusoNessun limite superiore | Costo Input · Token in input $0.0028 / 1K token Output · Token in output $0.0088 / 1K token Input · Lettura dalla cache $0.00052 / 1K token Input · Scrittura nella cache — / 1K token Input · Scrittura nella cache, 1 ora — / 1K token |
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 source-material file}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "glm-5", "messages": []}')\nf=Path(os.environ["AILOOT_TEXT_FILE"])\nif not f.is_file():raise SystemExit("Choose your actual UTF-8 source material")\ntext=f.read_text(encoding="utf-8")\nif not text.strip():raise SystemExit("Source material must contain text")\np["messages"]=[{"role":"user","content":"Summarize this material and quote supporting source passages.\\n\\n"+text}]\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\nprint(json.dumps(json.loads(Path("result.json").read_text()),ensure_ascii=False,indent=2))\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)\nresp = client.chat.completions.create(\n model="glm-5",\n messages=[{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}],\n)\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(resp.to_dict(mode="json"))\nimport OpenAI from "openai";\n\nif (!process.env.AILOOT_API_KEY?.trim()) throw new Error("Set AILOOT_API_KEY before making a request");\nconst client = new OpenAI({ baseURL: "https://api.ailoot.ai/v1", apiKey: process.env.AILOOT_API_KEY, maxRetries: 0 });\nconst resp = await client.chat.completions.create({\n model: "glm-5",\n messages: [{ role: "user", content: "Explain the difference between an observation and a hypothesis in three sentences." }],\n});\nimport { writeFileSync } from "node:fs";\n\nfunction saveResult(data, stem = "result") {\n writeFileSync(stem + ".json", JSON.stringify(data, null, 2));\n console.log(JSON.stringify(data, null, 2));\n const saveBlob = (encoded, suffix, label) => {\n const raw = Buffer.from(encoded, "base64");\n const ext = raw.subarray(0,8).equals(Buffer.from([137,80,78,71,13,10,26,10])) ? "png" : raw[0]===255 && raw[1]===216 ? "jpg" : raw.subarray(0,4).toString()==="RIFF" && raw.subarray(8,12).toString()==="WEBP" ? "webp" : suffix;\n const file = `${stem}-${label}.${ext}`;\n writeFileSync(file, raw); console.log("Saved", file);\n };\n for (const [i, block] of (data.content || []).entries()) console.log("Content", i, JSON.stringify(block));\n for (const choice of data.choices || []) console.log("Choice", choice.index, JSON.stringify(choice.message || choice.delta || {}));\n for (const [i, item] of (data.output || []).entries()) {\n console.log("Output", i, JSON.stringify(item));\n if (item.type === "image_generation_call" && item.result) saveBlob(item.result, item.output_format || "bin", `output-${i}`);\n }\n for (const [ci, candidate] of (data.candidates || []).entries()) {\n for (const [pi, part] of (candidate.content?.parts || []).entries()) {\n console.log("Candidate/part", ci, pi, JSON.stringify(part));\n const blob = part.inlineData || part.inline_data;\n if (blob?.data) {\n const mime = blob.mimeType || blob.mime_type;\n const suffix = ({"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"})[mime] || "bin";\n saveBlob(blob.data, suffix, `candidate-${ci}-part-${pi}`);\n }\n }\n }\n}\n\nsaveResult(resp);\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='glm-5',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 o SSE
Conserva ogni risposta, file e parte di contenuto restituiti per intero.
Conserva ogni scelta con contenuto, chiamate agli strumenti e ragionamento. In SSE assembla i delta per indice di scelta e strumento e conserva il motivo finale di completamento e i dati di utilizzo.
Conserva gli ID e le intestazioni di richiesta/risposta. Non viene fornito alcun URL generico per recuperare un’attività testuale.
| Campo | Tipo |
|---|---|
Campochoices[].index | Tipointeger |
Campochoices[].message.content | Tipostring|null |
Campochoices[].message.tool_calls | Tipotool_call[] |
Campochoices[].message.reasoning_content | Tipostring |
Campochoices[].message.reasoning_details | Tipoobject|array |
Campochoices[].finish_reason | Tipostring|null |
Campousage | Tipoobject |
| Risposta | Condizione | Passaggio successivo |
|---|---|---|
Risposta400 · invalid_request_error | CondizioneCampi obbligatori, rappresentazione del materiale o valore del parametro non validi | Passaggio successivoCorreggi i campi indicati prima di una nuova richiesta di creazione. |
Ailoot glm-5.3, glm, glm-5, glm-5.1, glm-5.2, glm-latest
Ailoot Ultra glm-5.3, z-ai/glm-5.3, ~z-ai/glm-latest
/chat/completions
z-ai/glm-5.3, glm, glm-5, glm-5.1, glm-5.2, glm-latest, ~z-ai/glm-latest, glm-5.3, glm-5.3
glm-5.1Z.ai GLM 5.3 è un modello di ragionamento testuale per ingegneria del software complessa, lavoro da terminale e agenti impegnati in attività prolungate. Supporta un contesto di 1M token documentato dal produttore, un massimo di 128K token di output, chiamate a funzioni e livelli di ragionamento low/high/max, con il ragionamento sempre attivo.
Questa descrizione illustra le funzionalità del modello. Gli input, gli output e le opzioni disponibili in Ailoot per il metodo selezionato sono elencati di seguito.
Z.ai GLM 5.3 è un modello di ragionamento testuale su larga scala, progettato per ingegneria del software complessa e attività prolungate degli agenti. Il produttore afferma che utilizza lo stesso modello di base di GLM 5.2 e che i nuovi miglioramenti derivano dall'addestramento successivo. La versione si concentra su capacità potenziate di programmazione, operazioni da terminale e compiti più ampi che coinvolgono più passaggi dipendenti tra loro. Accetta testo e produce testo, inclusi codice, spiegazioni, piani e richieste di chiamata a strumenti in un'applicazione collegata a strumenti.
La modalità di ragionamento documentata è sempre attiva. GLM 5.3 offre tre livelli di impegno: low, high e max, con max come valore predefinito. Il produttore raccomanda max per la programmazione complessa; low offre un'opzione di ragionamento più leggera per i passaggi semplici. Usa il livello selezionato insieme a un elaborato finale chiaro e a criteri di completamento. Per esempio: «Esamina questi file e gli esiti negativi, risali alla causa nei moduli coinvolti, proponi una correzione che preservi l'interfaccia pubblica e spiega quali verifiche dimostrano la risoluzione della regressione».
Il produttore specifica una finestra di contesto di 1M token e una lunghezza massima di output di 128K token. Organizza il materiale esteso attorno alla relazione che il modello deve indagare. Conserva nomi dei file, definizioni pertinenti, etichette delle fonti e ordine delle osservazioni, lasciando spazio al ragionamento e alla risposta finale entro il contesto di lavoro applicabile. Una finestra ampia è utile per dipendenze tra moduli o lunghe sequenze di osservazioni di un agente; non trasforma un archivio privo di direzione e composto da materiale non correlato in un compito ben definito.
Per il lavoro su un repository, fornisci il comportamento atteso, il testo sorgente pertinente, le versioni delle dipendenze e l'output effettivo degli errori. Chiedi al modello di identificare il comportamento coinvolto prima di proporre una modifica. Per una ristrutturazione del codice, nomina l'interfaccia e le invarianti che devono rimanere intatte. Una risposta utile contiene il codice rivisto, il motivo per cui la modifica affronta il problema osservato e i casi necessari per verificarne l'esito. Riporta i risultati effettivi nel flusso collegato agli strumenti, affinché il passaggio successivo si basi sullo stato modificato anziché sulla proposta precedente.
Per il lavoro sulle prestazioni, fornisci un carico di lavoro, un riferimento iniziale e misurazioni come tempi, profili di esecuzione o registri delle allocazioni. Z.ai descrive compiti di addestramento che coinvolgono diagnosi dei colli di bottiglia, ottimizzazione, esperimenti e risultati che preservano la correttezza. Una richiesta pratica è: «Usa questo profilo per identificare il collo di bottiglia più rilevante, proponi una modifica misurabile e spiega quale risultato ne giustificherebbe il mantenimento». Distingui un'ipotesi sulle prestazioni da un miglioramento registrato. Mantieni lo stesso carico e le condizioni pertinenti nell'esaminare un risultato.
La versione sviluppa anche capacità di analisi delle vulnerabilità. Per una revisione difensiva del sorgente, fornisci il codice pertinente, i confini di fiducia previsti e le condizioni in cui viene eseguito. Richiedi un riscontro che colleghi un problema sospetto all'input interessato, al comportamento e a una correzione mirata. Distingui una debolezza potenziale da un difetto riprodotto e conserva l'osservazione usata per convalidarlo. Una relazione è più utile quando dà priorità a evidenze concrete e correzioni proposte, anziché trattare ogni schema sospetto come una vulnerabilità confermata.
Le chiamate a funzioni consentono a un'applicazione circostante di esporre operazioni esterne al modello. Definisci lo scopo, gli argomenti e il risultato atteso di ogni strumento, quindi restituisci l'osservazione effettiva dello strumento per il passaggio successivo. Il modello può ragionare su tale risultato e stabilire come cambi il compito. Mantieni distinguibili azioni proposte, operazioni eseguite e verifiche irrisolte. Il produttore documenta anche risposte in streaming che restituiscono separatamente frammenti di ragionamento e di risposta; ricomponi la risposta completa prima di considerarla la relazione finale o la spiegazione del codice.
La scheda locale del modello fornisce un dettaglio specifico sulla gestione della cronologia: il template di chat conserva il ragionamento per impostazione predefinita, mentre il produttore raccomanda di cancellare esplicitamente il ragionamento precedente negli scenari di chat ordinaria. Applica la struttura conversazionale adatta al caso d'uso, preservando le risposte effettivamente completate e i risultati degli strumenti necessari per proseguire. Evita di considerare intercambiabili le impostazioni di controllo del ragionamento di GLM 5.2 o delle edizioni separate GLM 5.3 Flash con i controlli low/high/max di questo modello.
Per risultati strutturati, specifica campi, tipi e regole relative alle fonti. Un elaborato utile può essere una tabella dei difetti, un piano di modifiche o un oggetto JSON che riepiloga le osservazioni. Convalida sia la struttura sia i valori prima che un'applicazione li utilizzi. Il risultato finale deve identificare la risposta o l'elaborato rivisto, le evidenze a sostegno e le ipotesi residue. Un maggiore impegno di ragionamento non dimostra che uno strumento sia stato eseguito, che una modifica proposta abbia superato le verifiche o che un'affermazione fattuale disponga di supporto oltre il materiale fornito.
POST /v1/messagestexttext| Campo | Tipo | Requisito | Valori e limiti | Predefinito |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObbligatorio | Valori e limiti glm-5.1 | Predefinito— |
Campomessages | Tipomessage[] | RequisitoObbligatorio | Valori e limiti Numero minimo di elementi: 1 | Predefinito— |
Campomessages[].role | Tipostring | RequisitoObbligatorio | Valori e limiti user, assistant | Predefinito— |
Campomessages[].content | Tipostring|content_block[] | RequisitoObbligatorio | Valori e limiti | Predefinito— |
Camposystem | Tipostring|content_block[] | RequisitoFacoltativo | Valori e limiti | Predefinito— |
Campomax_tokens | Tipointeger | RequisitoObbligatorio | Valori e limiti Minimo: 1 Il limite si applica a: Limite esatto del modello o della scheda selezionati | Predefinito— |
Campostream | Tipoboolean | RequisitoFacoltativo | Valori e limiti | Predefinitofalse |
Campotemperature | Tiponumber | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campotop_p | Tiponumber | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campostop_sequences | Tipostring[] | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campotools | Tipotool[] | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campotools[].name | Tipostring | RequisitoFacoltativo | Valori e limiti Si applica quando: Strumento fornito | Predefinito— |
Campotools[].description | Tipostring | RequisitoFacoltativo | Valori e limiti | Predefinito— |
Campotools[].input_schema | TipoJSON_schema | RequisitoFacoltativo | Valori e limiti | Predefinito— |
Campotool_choice | Tipoobject | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campothinking.type | Tipostring | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campothinking.budget_tokens | Tipointeger | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campooutput_config.effort | Tipostring | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campometadata | Tipoobject | RequisitoFacoltativo | Valori e limiti | Predefinito— |
Campocache_control | Tipoobject | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Testo · Testo UTF8
messages[].content o blocco type=text
| Parametro | Contratto |
|---|---|
Parametromaterial_types | Contrattotext |
Parametrorequired | Contrattomodel, messages, max_tokens |
Parametrooptional_controls | Contrattonull |
Parametrocontent_type | Contrattoapplication/json |
Parametrotext_file_material | ContrattoContenuto UTF-8 effettivo inserito come testo; ID di file/URLs richiedono supporto separato ed esatto |
Ciclo di vita: exact retained published method
Le strutture dei metodi e gli ID sono esatti; la capacità del fornitore è distinta dall’ammissione delle richieste.
POST /v1/messagesAiloot prenota un importo stimato prima di una richiesta. Dopo il risultato, addebita il costo finale in base all’utilizzo misurato. Per lo streaming, l’addebito usa il record finale di utilizzo. Come funzionano la prenotazione e l’addebito finale →
I listini di riferimento del modello non modificano la selezione del metodo, i preventivi o gli addebiti. Gli addebiti attivi usano le tariffe del metodo Ailoot selezionato.
Associa ogni costo alle condizioni indicate. Usa una sola tariffa per ogni insieme di configurazioni alternative.
| Configurazione | Listino delle tariffe | Token di contesto, più di | Token di contesto, fino al limite incluso | Costo |
|---|---|---|---|---|
| ConfigurazioneOpenAI Chat · Tariffe base per token | Listino delle tariffeTariffa base | Token di contesto, più di— | Token di contesto, fino al limite inclusoNessun limite superiore | Costo Input · Token in input $0.0028 / 1K token Output · Token in output $0.0088 / 1K token Input · Lettura dalla cache $0.00052 / 1K token Input · Scrittura nella cache — / 1K token Input · Scrittura nella cache, 1 ora — / 1K token |
| ConfigurazioneOpenAI Chat · Fascia 1 in base alla lunghezza della richiesta | Listino delle tariffe— | Token di contesto, più di0 | Token di contesto, fino al limite inclusoNessun limite superiore | Costo Input · Token in input $0.0028 / 1K token Output · Token in output $0.0088 / 1K token Input · Lettura dalla cache $0.00052 / 1K token Input · Scrittura nella cache — / 1K token Input · Scrittura nella cache, 1 ora — / 1K token |
| ConfigurazioneAnthropic Messages · Tariffe base per token | Listino delle tariffeTariffa base | Token di contesto, più di— | Token di contesto, fino al limite inclusoNessun limite superiore | Costo Input · Token in input $0.0028 / 1K token Output · Token in output $0.0088 / 1K token Input · Lettura dalla cache $0.00052 / 1K token Input · Scrittura nella cache — / 1K token Input · Scrittura nella cache, 1 ora — / 1K token |
| ConfigurazioneAnthropic Messages · Fascia 1 in base alla lunghezza della richiesta | Listino delle tariffe— | Token di contesto, più di0 | Token di contesto, fino al limite inclusoNessun limite superiore | Costo Input · Token in input $0.0028 / 1K token Output · Token in output $0.0088 / 1K token Input · Lettura dalla cache $0.00052 / 1K token Input · Scrittura nella cache — / 1K token Input · Scrittura nella cache, 1 ora — / 1K token |
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 source-material file}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "glm-5.1", "max_tokens": 1024, "messages": []}')\nf=Path(os.environ["AILOOT_TEXT_FILE"])\nif not f.is_file():raise SystemExit("Choose your actual UTF-8 source material")\ntext=f.read_text(encoding="utf-8")\nif not text.strip():raise SystemExit("Source material must contain text")\np["messages"]=[{"role":"user","content":"Summarize this material and quote supporting source passages.\\n\\n"+text}]\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/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\nprint(json.dumps(json.loads(Path("result.json").read_text()),ensure_ascii=False,indent=2))\nPY_RESULT\nimport anthropic\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient = anthropic.Anthropic(base_url="https://api.ailoot.ai", api_key=os.environ["AILOOT_API_KEY"], max_retries=0)\nmsg = client.messages.create(\n model="glm-5.1",\n max_tokens=1024,\n messages=[{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}],\n)\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(msg.to_dict(mode="json"))\nimport Anthropic from "@anthropic-ai/sdk";\n\nif (!process.env.AILOOT_API_KEY?.trim()) throw new Error("Set AILOOT_API_KEY before making a request");\nconst client = new Anthropic({ baseURL: "https://api.ailoot.ai", apiKey: process.env.AILOOT_API_KEY, maxRetries: 0 });\nconst msg = await client.messages.create({\n model: "glm-5.1",\n max_tokens: 1024,\n messages: [{ role: "user", content: "Explain the difference between an observation and a hypothesis in three sentences." }],\n});\nimport { writeFileSync } from "node:fs";\n\nfunction saveResult(data, stem = "result") {\n writeFileSync(stem + ".json", JSON.stringify(data, null, 2));\n console.log(JSON.stringify(data, null, 2));\n const saveBlob = (encoded, suffix, label) => {\n const raw = Buffer.from(encoded, "base64");\n const ext = raw.subarray(0,8).equals(Buffer.from([137,80,78,71,13,10,26,10])) ? "png" : raw[0]===255 && raw[1]===216 ? "jpg" : raw.subarray(0,4).toString()==="RIFF" && raw.subarray(8,12).toString()==="WEBP" ? "webp" : suffix;\n const file = `${stem}-${label}.${ext}`;\n writeFileSync(file, raw); console.log("Saved", file);\n };\n for (const [i, block] of (data.content || []).entries()) console.log("Content", i, JSON.stringify(block));\n for (const choice of data.choices || []) console.log("Choice", choice.index, JSON.stringify(choice.message || choice.delta || {}));\n for (const [i, item] of (data.output || []).entries()) {\n console.log("Output", i, JSON.stringify(item));\n if (item.type === "image_generation_call" && item.result) saveBlob(item.result, item.output_format || "bin", `output-${i}`);\n }\n for (const [ci, candidate] of (data.candidates || []).entries()) {\n for (const [pi, part] of (candidate.content?.parts || []).entries()) {\n console.log("Candidate/part", ci, pi, JSON.stringify(part));\n const blob = part.inlineData || part.inline_data;\n if (blob?.data) {\n const mime = blob.mimeType || blob.mime_type;\n const suffix = ({"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"})[mime] || "bin";\n saveBlob(blob.data, suffix, `candidate-${ci}-part-${pi}`);\n }\n }\n }\n}\n\nsaveResult(msg);\nimport anthropic,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=anthropic.Anthropic(base_url="https://api.ailoot.ai",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.messages.stream(model='glm-5.1',max_tokens=1024,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_message()\n save_result(final.to_dict(mode="json"),"stream-result")\njson o SSE
Conserva ogni risposta, file e parte di contenuto restituiti per intero.
Conserva tutti i blocchi di contenuto, le firme di ragionamento e gli ID effettivi di utilizzo degli strumenti. Assembla tutti i delta dei blocchi SSE; il primo blocco di testo non è l’uscita completa.
Conserva gli ID e le intestazioni di richiesta/risposta. Non viene fornito alcun URL generico per recuperare un’attività testuale.
| Campo | Tipo |
|---|---|
Campoid | Tipostring |
Campomodel | Tipostring |
Campocontent[] | Tipotext|thinking|tool_use|other content block |
Campostop_reason | Tipostring|null |
Campousage | Tipoobject |
| Risposta | Condizione | Passaggio successivo |
|---|---|---|
Risposta400 · invalid_request_error | CondizioneCampi obbligatori, rappresentazione del materiale o valore del parametro non validi | Passaggio successivoCorreggi i campi indicati prima di una nuova richiesta di creazione. |
Ailoot glm-5.3, glm, glm-5, glm-5.1, glm-5.2, glm-latest
Ailoot Ultra glm-5.3, z-ai/glm-5.3, ~z-ai/glm-latest
/chat/completions
z-ai/glm-5.3, glm, glm-5, glm-5.1, glm-5.2, glm-latest, ~z-ai/glm-latest, glm-5.3, glm-5.3
glm-5.1Z.ai GLM 5.3 è un modello di ragionamento testuale per ingegneria del software complessa, lavoro da terminale e agenti impegnati in attività prolungate. Supporta un contesto di 1M token documentato dal produttore, un massimo di 128K token di output, chiamate a funzioni e livelli di ragionamento low/high/max, con il ragionamento sempre attivo.
Questa descrizione illustra le funzionalità del modello. Gli input, gli output e le opzioni disponibili in Ailoot per il metodo selezionato sono elencati di seguito.
Z.ai GLM 5.3 è un modello di ragionamento testuale su larga scala, progettato per ingegneria del software complessa e attività prolungate degli agenti. Il produttore afferma che utilizza lo stesso modello di base di GLM 5.2 e che i nuovi miglioramenti derivano dall'addestramento successivo. La versione si concentra su capacità potenziate di programmazione, operazioni da terminale e compiti più ampi che coinvolgono più passaggi dipendenti tra loro. Accetta testo e produce testo, inclusi codice, spiegazioni, piani e richieste di chiamata a strumenti in un'applicazione collegata a strumenti.
La modalità di ragionamento documentata è sempre attiva. GLM 5.3 offre tre livelli di impegno: low, high e max, con max come valore predefinito. Il produttore raccomanda max per la programmazione complessa; low offre un'opzione di ragionamento più leggera per i passaggi semplici. Usa il livello selezionato insieme a un elaborato finale chiaro e a criteri di completamento. Per esempio: «Esamina questi file e gli esiti negativi, risali alla causa nei moduli coinvolti, proponi una correzione che preservi l'interfaccia pubblica e spiega quali verifiche dimostrano la risoluzione della regressione».
Il produttore specifica una finestra di contesto di 1M token e una lunghezza massima di output di 128K token. Organizza il materiale esteso attorno alla relazione che il modello deve indagare. Conserva nomi dei file, definizioni pertinenti, etichette delle fonti e ordine delle osservazioni, lasciando spazio al ragionamento e alla risposta finale entro il contesto di lavoro applicabile. Una finestra ampia è utile per dipendenze tra moduli o lunghe sequenze di osservazioni di un agente; non trasforma un archivio privo di direzione e composto da materiale non correlato in un compito ben definito.
Per il lavoro su un repository, fornisci il comportamento atteso, il testo sorgente pertinente, le versioni delle dipendenze e l'output effettivo degli errori. Chiedi al modello di identificare il comportamento coinvolto prima di proporre una modifica. Per una ristrutturazione del codice, nomina l'interfaccia e le invarianti che devono rimanere intatte. Una risposta utile contiene il codice rivisto, il motivo per cui la modifica affronta il problema osservato e i casi necessari per verificarne l'esito. Riporta i risultati effettivi nel flusso collegato agli strumenti, affinché il passaggio successivo si basi sullo stato modificato anziché sulla proposta precedente.
Per il lavoro sulle prestazioni, fornisci un carico di lavoro, un riferimento iniziale e misurazioni come tempi, profili di esecuzione o registri delle allocazioni. Z.ai descrive compiti di addestramento che coinvolgono diagnosi dei colli di bottiglia, ottimizzazione, esperimenti e risultati che preservano la correttezza. Una richiesta pratica è: «Usa questo profilo per identificare il collo di bottiglia più rilevante, proponi una modifica misurabile e spiega quale risultato ne giustificherebbe il mantenimento». Distingui un'ipotesi sulle prestazioni da un miglioramento registrato. Mantieni lo stesso carico e le condizioni pertinenti nell'esaminare un risultato.
La versione sviluppa anche capacità di analisi delle vulnerabilità. Per una revisione difensiva del sorgente, fornisci il codice pertinente, i confini di fiducia previsti e le condizioni in cui viene eseguito. Richiedi un riscontro che colleghi un problema sospetto all'input interessato, al comportamento e a una correzione mirata. Distingui una debolezza potenziale da un difetto riprodotto e conserva l'osservazione usata per convalidarlo. Una relazione è più utile quando dà priorità a evidenze concrete e correzioni proposte, anziché trattare ogni schema sospetto come una vulnerabilità confermata.
Le chiamate a funzioni consentono a un'applicazione circostante di esporre operazioni esterne al modello. Definisci lo scopo, gli argomenti e il risultato atteso di ogni strumento, quindi restituisci l'osservazione effettiva dello strumento per il passaggio successivo. Il modello può ragionare su tale risultato e stabilire come cambi il compito. Mantieni distinguibili azioni proposte, operazioni eseguite e verifiche irrisolte. Il produttore documenta anche risposte in streaming che restituiscono separatamente frammenti di ragionamento e di risposta; ricomponi la risposta completa prima di considerarla la relazione finale o la spiegazione del codice.
La scheda locale del modello fornisce un dettaglio specifico sulla gestione della cronologia: il template di chat conserva il ragionamento per impostazione predefinita, mentre il produttore raccomanda di cancellare esplicitamente il ragionamento precedente negli scenari di chat ordinaria. Applica la struttura conversazionale adatta al caso d'uso, preservando le risposte effettivamente completate e i risultati degli strumenti necessari per proseguire. Evita di considerare intercambiabili le impostazioni di controllo del ragionamento di GLM 5.2 o delle edizioni separate GLM 5.3 Flash con i controlli low/high/max di questo modello.
Per risultati strutturati, specifica campi, tipi e regole relative alle fonti. Un elaborato utile può essere una tabella dei difetti, un piano di modifiche o un oggetto JSON che riepiloga le osservazioni. Convalida sia la struttura sia i valori prima che un'applicazione li utilizzi. Il risultato finale deve identificare la risposta o l'elaborato rivisto, le evidenze a sostegno e le ipotesi residue. Un maggiore impegno di ragionamento non dimostra che uno strumento sia stato eseguito, che una modifica proposta abbia superato le verifiche o che un'affermazione fattuale disponga di supporto oltre il materiale fornito.
POST /v1/responsestexttext| Campo | Tipo | Requisito | Valori e limiti | Predefinito |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObbligatorio | Valori e limiti glm-5.1 | Predefinito— |
Campoinput | Tipostring|input_item[] | RequisitoObbligatorio | Valori e limiti | Predefinito— |
Campoinstructions | Tipostring | RequisitoFacoltativo | Valori e limiti | Predefinito— |
Campoinput[].type | Tipostring | RequisitoFacoltativo | Valori e limiti message, reasoning, function_call, function_call_output | Predefinito— |
Campoinput[].content | Tipostring|content_part[] | RequisitoFacoltativo | Valori e limiti | Predefinito— |
Campoinput[].call_id | Tipostring | RequisitoFacoltativo | Valori e limiti Si applica quando: function_call_output; conserva il call_id effettivamente restituito | Predefinito— |
Campoinput[].output | Tipostring|content_part[] | RequisitoFacoltativo | Valori e limiti Si applica quando: function_call_output | Predefinito— |
Campomax_output_tokens | Tipointeger | RequisitoFacoltativo | Valori e limiti Minimo: 1 Dipende dal modello | Predefinito— |
Campostream | Tipoboolean | RequisitoFacoltativo | Valori e limiti | Predefinitofalse |
Campotemperature | Tiponumber | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campotop_p | Tiponumber | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campotools | Tipotool[] | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campotool_choice | Tipostring|object | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campoparallel_tool_calls | Tipoboolean | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Camporeasoning.effort | Tipostring | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Camporeasoning.summary | Tipostring | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campotext.format | Tipoobject | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campotext.verbosity | Tipostring | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campoinclude | Tipostring[] | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campostore | Tipoboolean | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campoprevious_response_id | Tipostring | RequisitoFacoltativo | Valori e limiti Requisito dell’ID: Solo un ID di risposta effettivo proveniente da una continuazione supportata Dipende dal modello | Predefinito— |
Camposervice_tier | Tipostring | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campoprompt_cache_key | Tipostring | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campoprompt_cache_options | Tipoobject | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Testo · Testo UTF8
Testo in ingresso o parte input_text
| Parametro | Contratto |
|---|---|
Parametromaterial_types | Contrattotext |
Parametrorequired | Contrattomodel, input |
Parametrooptional_controls | Contrattonull |
Parametrocontent_type | Contrattoapplication/json |
Parametrotext_file_material | ContrattoContenuto UTF-8 effettivo inserito come testo; ID di file/URLs richiedono supporto separato ed esatto |
Ciclo di vita: exact retained published method
Le strutture dei metodi e gli ID sono esatti; la capacità del fornitore è distinta dall’ammissione delle richieste.
POST /v1/responsesAiloot prenota un importo stimato prima di una richiesta. Dopo il risultato, addebita il costo finale in base all’utilizzo misurato. Per lo streaming, l’addebito usa il record finale di utilizzo. Come funzionano la prenotazione e l’addebito finale →
I listini di riferimento del modello non modificano la selezione del metodo, i preventivi o gli addebiti. Gli addebiti attivi usano le tariffe del metodo Ailoot selezionato.
Associa ogni costo alle condizioni indicate. Usa una sola tariffa per ogni insieme di configurazioni alternative.
| Configurazione | Listino delle tariffe | Token di contesto, più di | Token di contesto, fino al limite incluso | Costo |
|---|---|---|---|---|
| ConfigurazioneOpenAI Chat · Tariffe base per token | Listino delle tariffeTariffa base | Token di contesto, più di— | Token di contesto, fino al limite inclusoNessun limite superiore | Costo Input · Token in input $0.0028 / 1K token Output · Token in output $0.0088 / 1K token Input · Lettura dalla cache $0.00052 / 1K token Input · Scrittura nella cache — / 1K token Input · Scrittura nella cache, 1 ora — / 1K token |
| ConfigurazioneOpenAI Chat · Fascia 1 in base alla lunghezza della richiesta | Listino delle tariffe— | Token di contesto, più di0 | Token di contesto, fino al limite inclusoNessun limite superiore | Costo Input · Token in input $0.0028 / 1K token Output · Token in output $0.0088 / 1K token Input · Lettura dalla cache $0.00052 / 1K token Input · Scrittura nella cache — / 1K token Input · Scrittura nella cache, 1 ora — / 1K token |
| ConfigurazioneAnthropic Messages · Tariffe base per token | Listino delle tariffeTariffa base | Token di contesto, più di— | Token di contesto, fino al limite inclusoNessun limite superiore | Costo Input · Token in input $0.0028 / 1K token Output · Token in output $0.0088 / 1K token Input · Lettura dalla cache $0.00052 / 1K token Input · Scrittura nella cache — / 1K token Input · Scrittura nella cache, 1 ora — / 1K token |
| ConfigurazioneAnthropic Messages · Fascia 1 in base alla lunghezza della richiesta | Listino delle tariffe— | Token di contesto, più di0 | Token di contesto, fino al limite inclusoNessun limite superiore | Costo Input · Token in input $0.0028 / 1K token Output · Token in output $0.0088 / 1K token Input · Lettura dalla cache $0.00052 / 1K token Input · Scrittura nella cache — / 1K token Input · Scrittura nella cache, 1 ora — / 1K token |
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 source-material file}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "glm-5.1", "input": ""}')\nf=Path(os.environ["AILOOT_TEXT_FILE"])\nif not f.is_file():raise SystemExit("Choose your actual UTF-8 source material")\ntext=f.read_text(encoding="utf-8")\nif not text.strip():raise SystemExit("Source material must contain text")\np["input"]="Summarize this material and quote supporting source passages.\\n\\n"+text\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/responses \\\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 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(json.loads(Path("result.json").read_text(encoding="utf-8")))\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)\nresp = client.responses.create(model="glm-5.1", input="Explain the difference between an observation and a hypothesis 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(resp.to_dict(mode="json"))\nimport OpenAI from "openai";\n\nif (!process.env.AILOOT_API_KEY?.trim()) throw new Error("Set AILOOT_API_KEY before making a request");\nconst client = new OpenAI({ baseURL: "https://api.ailoot.ai/v1", apiKey: process.env.AILOOT_API_KEY, maxRetries: 0 });\nconst resp = await client.responses.create({ model: "glm-5.1", input: "Explain the difference between an observation and a hypothesis in three sentences." });\nimport { writeFileSync } from "node:fs";\n\nfunction saveResult(data, stem = "result") {\n writeFileSync(stem + ".json", JSON.stringify(data, null, 2));\n console.log(JSON.stringify(data, null, 2));\n const saveBlob = (encoded, suffix, label) => {\n const raw = Buffer.from(encoded, "base64");\n const ext = raw.subarray(0,8).equals(Buffer.from([137,80,78,71,13,10,26,10])) ? "png" : raw[0]===255 && raw[1]===216 ? "jpg" : raw.subarray(0,4).toString()==="RIFF" && raw.subarray(8,12).toString()==="WEBP" ? "webp" : suffix;\n const file = `${stem}-${label}.${ext}`;\n writeFileSync(file, raw); console.log("Saved", file);\n };\n for (const [i, block] of (data.content || []).entries()) console.log("Content", i, JSON.stringify(block));\n for (const choice of data.choices || []) console.log("Choice", choice.index, JSON.stringify(choice.message || choice.delta || {}));\n for (const [i, item] of (data.output || []).entries()) {\n console.log("Output", i, JSON.stringify(item));\n if (item.type === "image_generation_call" && item.result) saveBlob(item.result, item.output_format || "bin", `output-${i}`);\n }\n for (const [ci, candidate] of (data.candidates || []).entries()) {\n for (const [pi, part] of (candidate.content?.parts || []).entries()) {\n console.log("Candidate/part", ci, pi, JSON.stringify(part));\n const blob = part.inlineData || part.inline_data;\n if (blob?.data) {\n const mime = blob.mimeType || blob.mime_type;\n const suffix = ({"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"})[mime] || "bin";\n saveBlob(blob.data, suffix, `candidate-${ci}-part-${pi}`);\n }\n }\n }\n}\n\nsaveResult(resp);\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\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\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)\nwith client.responses.stream(model="glm-5.1", input="Explain the difference between an observation and a hypothesis 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_response()\n save_result(final.to_dict(mode="json"),"stream-result")\njson o SSE
Conserva ogni risposta, file e parte di contenuto restituiti per intero.
Conserva ogni elemento di uscita e parte di contenuto, il call_id effettivo della funzione, il ragionamento cifrato e i dati di utilizzo. Nello streaming conserva l’identità completa di eventi ed elementi.
Conserva gli ID e le intestazioni di richiesta/risposta. Non viene fornito alcun URL generico per recuperare un’attività testuale.
| Campo | Tipo |
|---|---|
Campoid | Tipostring |
Campostatus | Tipostring |
Campooutput[] | Tipomessage|reasoning|function_call|other item |
Campooutput[].content[] | Tipocontent part |
Campousage | Tipoobject |
| Risposta | Condizione | Passaggio successivo |
|---|---|---|
Risposta400 · invalid_request_error | CondizioneCampi obbligatori, rappresentazione del materiale o valore del parametro non validi | Passaggio successivoCorreggi i campi indicati prima di una nuova richiesta di creazione. |
Ailoot glm-5.3, glm, glm-5, glm-5.1, glm-5.2, glm-latest
Ailoot Ultra glm-5.3, z-ai/glm-5.3, ~z-ai/glm-latest
/chat/completions
z-ai/glm-5.3, glm, glm-5, glm-5.1, glm-5.2, glm-latest, ~z-ai/glm-latest, glm-5.3, glm-5.3
glm-5.1Z.ai GLM 5.3 è un modello di ragionamento testuale per ingegneria del software complessa, lavoro da terminale e agenti impegnati in attività prolungate. Supporta un contesto di 1M token documentato dal produttore, un massimo di 128K token di output, chiamate a funzioni e livelli di ragionamento low/high/max, con il ragionamento sempre attivo.
Questa descrizione illustra le funzionalità del modello. Gli input, gli output e le opzioni disponibili in Ailoot per il metodo selezionato sono elencati di seguito.
Z.ai GLM 5.3 è un modello di ragionamento testuale su larga scala, progettato per ingegneria del software complessa e attività prolungate degli agenti. Il produttore afferma che utilizza lo stesso modello di base di GLM 5.2 e che i nuovi miglioramenti derivano dall'addestramento successivo. La versione si concentra su capacità potenziate di programmazione, operazioni da terminale e compiti più ampi che coinvolgono più passaggi dipendenti tra loro. Accetta testo e produce testo, inclusi codice, spiegazioni, piani e richieste di chiamata a strumenti in un'applicazione collegata a strumenti.
La modalità di ragionamento documentata è sempre attiva. GLM 5.3 offre tre livelli di impegno: low, high e max, con max come valore predefinito. Il produttore raccomanda max per la programmazione complessa; low offre un'opzione di ragionamento più leggera per i passaggi semplici. Usa il livello selezionato insieme a un elaborato finale chiaro e a criteri di completamento. Per esempio: «Esamina questi file e gli esiti negativi, risali alla causa nei moduli coinvolti, proponi una correzione che preservi l'interfaccia pubblica e spiega quali verifiche dimostrano la risoluzione della regressione».
Il produttore specifica una finestra di contesto di 1M token e una lunghezza massima di output di 128K token. Organizza il materiale esteso attorno alla relazione che il modello deve indagare. Conserva nomi dei file, definizioni pertinenti, etichette delle fonti e ordine delle osservazioni, lasciando spazio al ragionamento e alla risposta finale entro il contesto di lavoro applicabile. Una finestra ampia è utile per dipendenze tra moduli o lunghe sequenze di osservazioni di un agente; non trasforma un archivio privo di direzione e composto da materiale non correlato in un compito ben definito.
Per il lavoro su un repository, fornisci il comportamento atteso, il testo sorgente pertinente, le versioni delle dipendenze e l'output effettivo degli errori. Chiedi al modello di identificare il comportamento coinvolto prima di proporre una modifica. Per una ristrutturazione del codice, nomina l'interfaccia e le invarianti che devono rimanere intatte. Una risposta utile contiene il codice rivisto, il motivo per cui la modifica affronta il problema osservato e i casi necessari per verificarne l'esito. Riporta i risultati effettivi nel flusso collegato agli strumenti, affinché il passaggio successivo si basi sullo stato modificato anziché sulla proposta precedente.
Per il lavoro sulle prestazioni, fornisci un carico di lavoro, un riferimento iniziale e misurazioni come tempi, profili di esecuzione o registri delle allocazioni. Z.ai descrive compiti di addestramento che coinvolgono diagnosi dei colli di bottiglia, ottimizzazione, esperimenti e risultati che preservano la correttezza. Una richiesta pratica è: «Usa questo profilo per identificare il collo di bottiglia più rilevante, proponi una modifica misurabile e spiega quale risultato ne giustificherebbe il mantenimento». Distingui un'ipotesi sulle prestazioni da un miglioramento registrato. Mantieni lo stesso carico e le condizioni pertinenti nell'esaminare un risultato.
La versione sviluppa anche capacità di analisi delle vulnerabilità. Per una revisione difensiva del sorgente, fornisci il codice pertinente, i confini di fiducia previsti e le condizioni in cui viene eseguito. Richiedi un riscontro che colleghi un problema sospetto all'input interessato, al comportamento e a una correzione mirata. Distingui una debolezza potenziale da un difetto riprodotto e conserva l'osservazione usata per convalidarlo. Una relazione è più utile quando dà priorità a evidenze concrete e correzioni proposte, anziché trattare ogni schema sospetto come una vulnerabilità confermata.
Le chiamate a funzioni consentono a un'applicazione circostante di esporre operazioni esterne al modello. Definisci lo scopo, gli argomenti e il risultato atteso di ogni strumento, quindi restituisci l'osservazione effettiva dello strumento per il passaggio successivo. Il modello può ragionare su tale risultato e stabilire come cambi il compito. Mantieni distinguibili azioni proposte, operazioni eseguite e verifiche irrisolte. Il produttore documenta anche risposte in streaming che restituiscono separatamente frammenti di ragionamento e di risposta; ricomponi la risposta completa prima di considerarla la relazione finale o la spiegazione del codice.
La scheda locale del modello fornisce un dettaglio specifico sulla gestione della cronologia: il template di chat conserva il ragionamento per impostazione predefinita, mentre il produttore raccomanda di cancellare esplicitamente il ragionamento precedente negli scenari di chat ordinaria. Applica la struttura conversazionale adatta al caso d'uso, preservando le risposte effettivamente completate e i risultati degli strumenti necessari per proseguire. Evita di considerare intercambiabili le impostazioni di controllo del ragionamento di GLM 5.2 o delle edizioni separate GLM 5.3 Flash con i controlli low/high/max di questo modello.
Per risultati strutturati, specifica campi, tipi e regole relative alle fonti. Un elaborato utile può essere una tabella dei difetti, un piano di modifiche o un oggetto JSON che riepiloga le osservazioni. Convalida sia la struttura sia i valori prima che un'applicazione li utilizzi. Il risultato finale deve identificare la risposta o l'elaborato rivisto, le evidenze a sostegno e le ipotesi residue. Un maggiore impegno di ragionamento non dimostra che uno strumento sia stato eseguito, che una modifica proposta abbia superato le verifiche o che un'affermazione fattuale disponga di supporto oltre il materiale fornito.
POST /v1/chat/completionstexttext| Campo | Tipo | Requisito | Valori e limiti | Predefinito |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObbligatorio | Valori e limiti glm-5.1 | Predefinito— |
Campomessages | Tipomessage[] | RequisitoObbligatorio | Valori e limiti Numero minimo di elementi: 1 | Predefinito— |
Campomessages[].role | Tipostring | RequisitoObbligatorio | Valori e limiti Esempi: system, user, assistant, tool, function Condizioni: Questi ruoli sono rappresentati esplicitamente dai tipi di compatibilità del codice sorgente; l’insieme esatto dei ruoli rimane specifico del modello. Dipende dal modello | Predefinito— |
Campomessages[].content | Tipostring|content_part[]|null | RequisitoFacoltativo | Valori e limiti | Predefinito— |
Campomessages[].tool_calls | Tipotool_call[] | RequisitoFacoltativo | Valori e limiti | Predefinito— |
Campomessages[].tool_call_id | Tipostring | RequisitoFacoltativo | Valori e limiti Si applica quando: role=tool; usa l’ID effettivamente restituito | Predefinito— |
Campomessages[].name | Tipostring | RequisitoFacoltativo | Valori e limiti | Predefinito— |
Campomessages[].reasoning_content | Tipostring | RequisitoFacoltativo | Valori e limiti Si applica quando: Reinserisci il ragionamento effettivamente restituito quando il modello lo utilizza | Predefinito— |
Campomessages[].reasoning_details | Tipoobject|array | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campomax_tokens | Tipointeger | RequisitoFacoltativo | Valori e limiti Minimo: 1 Dipende dal modello | Predefinito— |
Campomax_completion_tokens | Tipointeger | RequisitoFacoltativo | Valori e limiti Minimo: 1 Dipende dal modello | Predefinito— |
Campostream | Tipoboolean | RequisitoFacoltativo | Valori e limiti | Predefinitofalse |
Campostream_options.include_usage | Tipoboolean | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campotemperature | Tiponumber | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campotop_p | Tiponumber | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campostop | Tipostring|string[] | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campotools | Tipofunction_tool[] | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campotools[].type | Tipostring | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campotools[].function.name | Tipostring | RequisitoObbligatorio | Valori e limiti Si applica quando: Funzione fornita come strumento | Predefinito— |
Campotools[].function.description | Tipostring | RequisitoFacoltativo | Valori e limiti | Predefinito— |
Campotools[].function.parameters | TipoJSON_schema | RequisitoFacoltativo | Valori e limiti | Predefinito— |
Campotool_choice | Tipostring|object | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campoparallel_tool_calls | Tipoboolean | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Camporesponse_format | Tipoobject | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Camporeasoning_effort | Tipostring | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Camporeasoning | Tipoobject | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Camposervice_tier | Tipostring | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campoinstructions | Tipostring | RequisitoFacoltativo | Valori e limiti Campo di compatibilità | Predefinito— |
Campofunctions | Tipofunction[] | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campofunction_call | Tipostring|object | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campoprompt_cache_options | Tipoobject | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Testo · Testo UTF8
messages[].content
| Parametro | Contratto |
|---|---|
Parametromaterial_types | Contrattotext |
Parametrorequired | Contrattomodel, messages |
Parametrooptional_controls | Contrattonull |
Parametrocontent_type | Contrattoapplication/json |
Parametrotext_file_material | ContrattoContenuto UTF-8 effettivo inserito come testo; ID di file/URLs richiedono supporto separato ed esatto |
Ciclo di vita: exact retained published method
Le strutture dei metodi e gli ID sono esatti; la capacità del fornitore è distinta dall’ammissione delle richieste.
POST /v1/chat/completionsAiloot prenota un importo stimato prima di una richiesta. Dopo il risultato, addebita il costo finale in base all’utilizzo misurato. Per lo streaming, l’addebito usa il record finale di utilizzo. Come funzionano la prenotazione e l’addebito finale →
I listini di riferimento del modello non modificano la selezione del metodo, i preventivi o gli addebiti. Gli addebiti attivi usano le tariffe del metodo Ailoot selezionato.
Associa ogni costo alle condizioni indicate. Usa una sola tariffa per ogni insieme di configurazioni alternative.
| Configurazione | Listino delle tariffe | Token di contesto, più di | Token di contesto, fino al limite incluso | Costo |
|---|---|---|---|---|
| ConfigurazioneOpenAI Chat · Tariffe base per token | Listino delle tariffeTariffa base | Token di contesto, più di— | Token di contesto, fino al limite inclusoNessun limite superiore | Costo Input · Token in input $0.0028 / 1K token Output · Token in output $0.0088 / 1K token Input · Lettura dalla cache $0.00052 / 1K token Input · Scrittura nella cache — / 1K token Input · Scrittura nella cache, 1 ora — / 1K token |
| ConfigurazioneOpenAI Chat · Fascia 1 in base alla lunghezza della richiesta | Listino delle tariffe— | Token di contesto, più di0 | Token di contesto, fino al limite inclusoNessun limite superiore | Costo Input · Token in input $0.0028 / 1K token Output · Token in output $0.0088 / 1K token Input · Lettura dalla cache $0.00052 / 1K token Input · Scrittura nella cache — / 1K token Input · Scrittura nella cache, 1 ora — / 1K token |
| ConfigurazioneAnthropic Messages · Tariffe base per token | Listino delle tariffeTariffa base | Token di contesto, più di— | Token di contesto, fino al limite inclusoNessun limite superiore | Costo Input · Token in input $0.0028 / 1K token Output · Token in output $0.0088 / 1K token Input · Lettura dalla cache $0.00052 / 1K token Input · Scrittura nella cache — / 1K token Input · Scrittura nella cache, 1 ora — / 1K token |
| ConfigurazioneAnthropic Messages · Fascia 1 in base alla lunghezza della richiesta | Listino delle tariffe— | Token di contesto, più di0 | Token di contesto, fino al limite inclusoNessun limite superiore | Costo Input · Token in input $0.0028 / 1K token Output · Token in output $0.0088 / 1K token Input · Lettura dalla cache $0.00052 / 1K token Input · Scrittura nella cache — / 1K token Input · Scrittura nella cache, 1 ora — / 1K token |
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 source-material file}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "glm-5.1", "messages": []}')\nf=Path(os.environ["AILOOT_TEXT_FILE"])\nif not f.is_file():raise SystemExit("Choose your actual UTF-8 source material")\ntext=f.read_text(encoding="utf-8")\nif not text.strip():raise SystemExit("Source material must contain text")\np["messages"]=[{"role":"user","content":"Summarize this material and quote supporting source passages.\\n\\n"+text}]\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\nprint(json.dumps(json.loads(Path("result.json").read_text()),ensure_ascii=False,indent=2))\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)\nresp = client.chat.completions.create(\n model="glm-5.1",\n messages=[{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}],\n)\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(resp.to_dict(mode="json"))\nimport OpenAI from "openai";\n\nif (!process.env.AILOOT_API_KEY?.trim()) throw new Error("Set AILOOT_API_KEY before making a request");\nconst client = new OpenAI({ baseURL: "https://api.ailoot.ai/v1", apiKey: process.env.AILOOT_API_KEY, maxRetries: 0 });\nconst resp = await client.chat.completions.create({\n model: "glm-5.1",\n messages: [{ role: "user", content: "Explain the difference between an observation and a hypothesis in three sentences." }],\n});\nimport { writeFileSync } from "node:fs";\n\nfunction saveResult(data, stem = "result") {\n writeFileSync(stem + ".json", JSON.stringify(data, null, 2));\n console.log(JSON.stringify(data, null, 2));\n const saveBlob = (encoded, suffix, label) => {\n const raw = Buffer.from(encoded, "base64");\n const ext = raw.subarray(0,8).equals(Buffer.from([137,80,78,71,13,10,26,10])) ? "png" : raw[0]===255 && raw[1]===216 ? "jpg" : raw.subarray(0,4).toString()==="RIFF" && raw.subarray(8,12).toString()==="WEBP" ? "webp" : suffix;\n const file = `${stem}-${label}.${ext}`;\n writeFileSync(file, raw); console.log("Saved", file);\n };\n for (const [i, block] of (data.content || []).entries()) console.log("Content", i, JSON.stringify(block));\n for (const choice of data.choices || []) console.log("Choice", choice.index, JSON.stringify(choice.message || choice.delta || {}));\n for (const [i, item] of (data.output || []).entries()) {\n console.log("Output", i, JSON.stringify(item));\n if (item.type === "image_generation_call" && item.result) saveBlob(item.result, item.output_format || "bin", `output-${i}`);\n }\n for (const [ci, candidate] of (data.candidates || []).entries()) {\n for (const [pi, part] of (candidate.content?.parts || []).entries()) {\n console.log("Candidate/part", ci, pi, JSON.stringify(part));\n const blob = part.inlineData || part.inline_data;\n if (blob?.data) {\n const mime = blob.mimeType || blob.mime_type;\n const suffix = ({"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"})[mime] || "bin";\n saveBlob(blob.data, suffix, `candidate-${ci}-part-${pi}`);\n }\n }\n }\n}\n\nsaveResult(resp);\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='glm-5.1',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 o SSE
Conserva ogni risposta, file e parte di contenuto restituiti per intero.
Conserva ogni scelta con contenuto, chiamate agli strumenti e ragionamento. In SSE assembla i delta per indice di scelta e strumento e conserva il motivo finale di completamento e i dati di utilizzo.
Conserva gli ID e le intestazioni di richiesta/risposta. Non viene fornito alcun URL generico per recuperare un’attività testuale.
| Campo | Tipo |
|---|---|
Campochoices[].index | Tipointeger |
Campochoices[].message.content | Tipostring|null |
Campochoices[].message.tool_calls | Tipotool_call[] |
Campochoices[].message.reasoning_content | Tipostring |
Campochoices[].message.reasoning_details | Tipoobject|array |
Campochoices[].finish_reason | Tipostring|null |
Campousage | Tipoobject |
| Risposta | Condizione | Passaggio successivo |
|---|---|---|
Risposta400 · invalid_request_error | CondizioneCampi obbligatori, rappresentazione del materiale o valore del parametro non validi | Passaggio successivoCorreggi i campi indicati prima di una nuova richiesta di creazione. |
Ailoot glm-5.3, glm, glm-5, glm-5.1, glm-5.2, glm-latest
Ailoot Ultra glm-5.3, z-ai/glm-5.3, ~z-ai/glm-latest
/chat/completions
z-ai/glm-5.3, glm, glm-5, glm-5.1, glm-5.2, glm-latest, ~z-ai/glm-latest, glm-5.3, glm-5.3
glm-5.2Z.ai GLM 5.3 è un modello di ragionamento testuale per ingegneria del software complessa, lavoro da terminale e agenti impegnati in attività prolungate. Supporta un contesto di 1M token documentato dal produttore, un massimo di 128K token di output, chiamate a funzioni e livelli di ragionamento low/high/max, con il ragionamento sempre attivo.
Questa descrizione illustra le funzionalità del modello. Gli input, gli output e le opzioni disponibili in Ailoot per il metodo selezionato sono elencati di seguito.
Z.ai GLM 5.3 è un modello di ragionamento testuale su larga scala, progettato per ingegneria del software complessa e attività prolungate degli agenti. Il produttore afferma che utilizza lo stesso modello di base di GLM 5.2 e che i nuovi miglioramenti derivano dall'addestramento successivo. La versione si concentra su capacità potenziate di programmazione, operazioni da terminale e compiti più ampi che coinvolgono più passaggi dipendenti tra loro. Accetta testo e produce testo, inclusi codice, spiegazioni, piani e richieste di chiamata a strumenti in un'applicazione collegata a strumenti.
La modalità di ragionamento documentata è sempre attiva. GLM 5.3 offre tre livelli di impegno: low, high e max, con max come valore predefinito. Il produttore raccomanda max per la programmazione complessa; low offre un'opzione di ragionamento più leggera per i passaggi semplici. Usa il livello selezionato insieme a un elaborato finale chiaro e a criteri di completamento. Per esempio: «Esamina questi file e gli esiti negativi, risali alla causa nei moduli coinvolti, proponi una correzione che preservi l'interfaccia pubblica e spiega quali verifiche dimostrano la risoluzione della regressione».
Il produttore specifica una finestra di contesto di 1M token e una lunghezza massima di output di 128K token. Organizza il materiale esteso attorno alla relazione che il modello deve indagare. Conserva nomi dei file, definizioni pertinenti, etichette delle fonti e ordine delle osservazioni, lasciando spazio al ragionamento e alla risposta finale entro il contesto di lavoro applicabile. Una finestra ampia è utile per dipendenze tra moduli o lunghe sequenze di osservazioni di un agente; non trasforma un archivio privo di direzione e composto da materiale non correlato in un compito ben definito.
Per il lavoro su un repository, fornisci il comportamento atteso, il testo sorgente pertinente, le versioni delle dipendenze e l'output effettivo degli errori. Chiedi al modello di identificare il comportamento coinvolto prima di proporre una modifica. Per una ristrutturazione del codice, nomina l'interfaccia e le invarianti che devono rimanere intatte. Una risposta utile contiene il codice rivisto, il motivo per cui la modifica affronta il problema osservato e i casi necessari per verificarne l'esito. Riporta i risultati effettivi nel flusso collegato agli strumenti, affinché il passaggio successivo si basi sullo stato modificato anziché sulla proposta precedente.
Per il lavoro sulle prestazioni, fornisci un carico di lavoro, un riferimento iniziale e misurazioni come tempi, profili di esecuzione o registri delle allocazioni. Z.ai descrive compiti di addestramento che coinvolgono diagnosi dei colli di bottiglia, ottimizzazione, esperimenti e risultati che preservano la correttezza. Una richiesta pratica è: «Usa questo profilo per identificare il collo di bottiglia più rilevante, proponi una modifica misurabile e spiega quale risultato ne giustificherebbe il mantenimento». Distingui un'ipotesi sulle prestazioni da un miglioramento registrato. Mantieni lo stesso carico e le condizioni pertinenti nell'esaminare un risultato.
La versione sviluppa anche capacità di analisi delle vulnerabilità. Per una revisione difensiva del sorgente, fornisci il codice pertinente, i confini di fiducia previsti e le condizioni in cui viene eseguito. Richiedi un riscontro che colleghi un problema sospetto all'input interessato, al comportamento e a una correzione mirata. Distingui una debolezza potenziale da un difetto riprodotto e conserva l'osservazione usata per convalidarlo. Una relazione è più utile quando dà priorità a evidenze concrete e correzioni proposte, anziché trattare ogni schema sospetto come una vulnerabilità confermata.
Le chiamate a funzioni consentono a un'applicazione circostante di esporre operazioni esterne al modello. Definisci lo scopo, gli argomenti e il risultato atteso di ogni strumento, quindi restituisci l'osservazione effettiva dello strumento per il passaggio successivo. Il modello può ragionare su tale risultato e stabilire come cambi il compito. Mantieni distinguibili azioni proposte, operazioni eseguite e verifiche irrisolte. Il produttore documenta anche risposte in streaming che restituiscono separatamente frammenti di ragionamento e di risposta; ricomponi la risposta completa prima di considerarla la relazione finale o la spiegazione del codice.
La scheda locale del modello fornisce un dettaglio specifico sulla gestione della cronologia: il template di chat conserva il ragionamento per impostazione predefinita, mentre il produttore raccomanda di cancellare esplicitamente il ragionamento precedente negli scenari di chat ordinaria. Applica la struttura conversazionale adatta al caso d'uso, preservando le risposte effettivamente completate e i risultati degli strumenti necessari per proseguire. Evita di considerare intercambiabili le impostazioni di controllo del ragionamento di GLM 5.2 o delle edizioni separate GLM 5.3 Flash con i controlli low/high/max di questo modello.
Per risultati strutturati, specifica campi, tipi e regole relative alle fonti. Un elaborato utile può essere una tabella dei difetti, un piano di modifiche o un oggetto JSON che riepiloga le osservazioni. Convalida sia la struttura sia i valori prima che un'applicazione li utilizzi. Il risultato finale deve identificare la risposta o l'elaborato rivisto, le evidenze a sostegno e le ipotesi residue. Un maggiore impegno di ragionamento non dimostra che uno strumento sia stato eseguito, che una modifica proposta abbia superato le verifiche o che un'affermazione fattuale disponga di supporto oltre il materiale fornito.
POST /v1/messagestexttext| Campo | Tipo | Requisito | Valori e limiti | Predefinito |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObbligatorio | Valori e limiti glm-5.2 | Predefinito— |
Campomessages | Tipomessage[] | RequisitoObbligatorio | Valori e limiti Numero minimo di elementi: 1 | Predefinito— |
Campomessages[].role | Tipostring | RequisitoObbligatorio | Valori e limiti user, assistant | Predefinito— |
Campomessages[].content | Tipostring|content_block[] | RequisitoObbligatorio | Valori e limiti | Predefinito— |
Camposystem | Tipostring|content_block[] | RequisitoFacoltativo | Valori e limiti | Predefinito— |
Campomax_tokens | Tipointeger | RequisitoObbligatorio | Valori e limiti Minimo: 1 Il limite si applica a: Limite esatto del modello o della scheda selezionati | Predefinito— |
Campostream | Tipoboolean | RequisitoFacoltativo | Valori e limiti | Predefinitofalse |
Campotemperature | Tiponumber | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campotop_p | Tiponumber | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campostop_sequences | Tipostring[] | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campotools | Tipotool[] | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campotools[].name | Tipostring | RequisitoFacoltativo | Valori e limiti Si applica quando: Strumento fornito | Predefinito— |
Campotools[].description | Tipostring | RequisitoFacoltativo | Valori e limiti | Predefinito— |
Campotools[].input_schema | TipoJSON_schema | RequisitoFacoltativo | Valori e limiti | Predefinito— |
Campotool_choice | Tipoobject | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campothinking.type | Tipostring | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campothinking.budget_tokens | Tipointeger | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campooutput_config.effort | Tipostring | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campometadata | Tipoobject | RequisitoFacoltativo | Valori e limiti | Predefinito— |
Campocache_control | Tipoobject | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Testo · Testo UTF8
messages[].content o blocco type=text
| Parametro | Contratto |
|---|---|
Parametromaterial_types | Contrattotext |
Parametrorequired | Contrattomodel, messages, max_tokens |
Parametrooptional_controls | Contrattonull |
Parametrocontent_type | Contrattoapplication/json |
Parametrotext_file_material | ContrattoContenuto UTF-8 effettivo inserito come testo; ID di file/URLs richiedono supporto separato ed esatto |
Ciclo di vita: exact retained published method
Le strutture dei metodi e gli ID sono esatti; la capacità del fornitore è distinta dall’ammissione delle richieste.
POST /v1/messagesAiloot prenota un importo stimato prima di una richiesta. Dopo il risultato, addebita il costo finale in base all’utilizzo misurato. Per lo streaming, l’addebito usa il record finale di utilizzo. Come funzionano la prenotazione e l’addebito finale →
I listini di riferimento del modello non modificano la selezione del metodo, i preventivi o gli addebiti. Gli addebiti attivi usano le tariffe del metodo Ailoot selezionato.
Associa ogni costo alle condizioni indicate. Usa una sola tariffa per ogni insieme di configurazioni alternative.
| Configurazione | Listino delle tariffe | Token di contesto, più di | Token di contesto, fino al limite incluso | Costo |
|---|---|---|---|---|
| ConfigurazioneOpenAI Chat · Tariffe base per token | Listino delle tariffeTariffa base | Token di contesto, più di— | Token di contesto, fino al limite inclusoNessun limite superiore | Costo Input · Token in input $0.0028 / 1K token Output · Token in output $0.0088 / 1K token Input · Lettura dalla cache $0.00052 / 1K token Input · Scrittura nella cache — / 1K token Input · Scrittura nella cache, 1 ora — / 1K token |
| ConfigurazioneOpenAI Chat · Fascia 1 in base alla lunghezza della richiesta | Listino delle tariffe— | Token di contesto, più di0 | Token di contesto, fino al limite inclusoNessun limite superiore | Costo Input · Token in input $0.0028 / 1K token Output · Token in output $0.0088 / 1K token Input · Lettura dalla cache $0.00052 / 1K token Input · Scrittura nella cache — / 1K token Input · Scrittura nella cache, 1 ora — / 1K token |
| ConfigurazioneAnthropic Messages · Tariffe base per token | Listino delle tariffeTariffa base | Token di contesto, più di— | Token di contesto, fino al limite inclusoNessun limite superiore | Costo Input · Token in input $0.0028 / 1K token Output · Token in output $0.0088 / 1K token Input · Lettura dalla cache $0.00052 / 1K token Input · Scrittura nella cache — / 1K token Input · Scrittura nella cache, 1 ora — / 1K token |
| ConfigurazioneAnthropic Messages · Fascia 1 in base alla lunghezza della richiesta | Listino delle tariffe— | Token di contesto, più di0 | Token di contesto, fino al limite inclusoNessun limite superiore | Costo Input · Token in input $0.0028 / 1K token Output · Token in output $0.0088 / 1K token Input · Lettura dalla cache $0.00052 / 1K token Input · Scrittura nella cache — / 1K token Input · Scrittura nella cache, 1 ora — / 1K token |
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 source-material file}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "glm-5.2", "max_tokens": 1024, "messages": []}')\nf=Path(os.environ["AILOOT_TEXT_FILE"])\nif not f.is_file():raise SystemExit("Choose your actual UTF-8 source material")\ntext=f.read_text(encoding="utf-8")\nif not text.strip():raise SystemExit("Source material must contain text")\np["messages"]=[{"role":"user","content":"Summarize this material and quote supporting source passages.\\n\\n"+text}]\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/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\nprint(json.dumps(json.loads(Path("result.json").read_text()),ensure_ascii=False,indent=2))\nPY_RESULT\nimport anthropic\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient = anthropic.Anthropic(base_url="https://api.ailoot.ai", api_key=os.environ["AILOOT_API_KEY"], max_retries=0)\nmsg = client.messages.create(\n model="glm-5.2",\n max_tokens=1024,\n messages=[{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}],\n)\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(msg.to_dict(mode="json"))\nimport Anthropic from "@anthropic-ai/sdk";\n\nif (!process.env.AILOOT_API_KEY?.trim()) throw new Error("Set AILOOT_API_KEY before making a request");\nconst client = new Anthropic({ baseURL: "https://api.ailoot.ai", apiKey: process.env.AILOOT_API_KEY, maxRetries: 0 });\nconst msg = await client.messages.create({\n model: "glm-5.2",\n max_tokens: 1024,\n messages: [{ role: "user", content: "Explain the difference between an observation and a hypothesis in three sentences." }],\n});\nimport { writeFileSync } from "node:fs";\n\nfunction saveResult(data, stem = "result") {\n writeFileSync(stem + ".json", JSON.stringify(data, null, 2));\n console.log(JSON.stringify(data, null, 2));\n const saveBlob = (encoded, suffix, label) => {\n const raw = Buffer.from(encoded, "base64");\n const ext = raw.subarray(0,8).equals(Buffer.from([137,80,78,71,13,10,26,10])) ? "png" : raw[0]===255 && raw[1]===216 ? "jpg" : raw.subarray(0,4).toString()==="RIFF" && raw.subarray(8,12).toString()==="WEBP" ? "webp" : suffix;\n const file = `${stem}-${label}.${ext}`;\n writeFileSync(file, raw); console.log("Saved", file);\n };\n for (const [i, block] of (data.content || []).entries()) console.log("Content", i, JSON.stringify(block));\n for (const choice of data.choices || []) console.log("Choice", choice.index, JSON.stringify(choice.message || choice.delta || {}));\n for (const [i, item] of (data.output || []).entries()) {\n console.log("Output", i, JSON.stringify(item));\n if (item.type === "image_generation_call" && item.result) saveBlob(item.result, item.output_format || "bin", `output-${i}`);\n }\n for (const [ci, candidate] of (data.candidates || []).entries()) {\n for (const [pi, part] of (candidate.content?.parts || []).entries()) {\n console.log("Candidate/part", ci, pi, JSON.stringify(part));\n const blob = part.inlineData || part.inline_data;\n if (blob?.data) {\n const mime = blob.mimeType || blob.mime_type;\n const suffix = ({"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"})[mime] || "bin";\n saveBlob(blob.data, suffix, `candidate-${ci}-part-${pi}`);\n }\n }\n }\n}\n\nsaveResult(msg);\nimport anthropic,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=anthropic.Anthropic(base_url="https://api.ailoot.ai",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.messages.stream(model='glm-5.2',max_tokens=1024,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_message()\n save_result(final.to_dict(mode="json"),"stream-result")\njson o SSE
Conserva ogni risposta, file e parte di contenuto restituiti per intero.
Conserva tutti i blocchi di contenuto, le firme di ragionamento e gli ID effettivi di utilizzo degli strumenti. Assembla tutti i delta dei blocchi SSE; il primo blocco di testo non è l’uscita completa.
Conserva gli ID e le intestazioni di richiesta/risposta. Non viene fornito alcun URL generico per recuperare un’attività testuale.
| Campo | Tipo |
|---|---|
Campoid | Tipostring |
Campomodel | Tipostring |
Campocontent[] | Tipotext|thinking|tool_use|other content block |
Campostop_reason | Tipostring|null |
Campousage | Tipoobject |
| Risposta | Condizione | Passaggio successivo |
|---|---|---|
Risposta400 · invalid_request_error | CondizioneCampi obbligatori, rappresentazione del materiale o valore del parametro non validi | Passaggio successivoCorreggi i campi indicati prima di una nuova richiesta di creazione. |
Ailoot glm-5.3, glm, glm-5, glm-5.1, glm-5.2, glm-latest
Ailoot Ultra glm-5.3, z-ai/glm-5.3, ~z-ai/glm-latest
/chat/completions
z-ai/glm-5.3, glm, glm-5, glm-5.1, glm-5.2, glm-latest, ~z-ai/glm-latest, glm-5.3, glm-5.3
glm-5.2Z.ai GLM 5.3 è un modello di ragionamento testuale per ingegneria del software complessa, lavoro da terminale e agenti impegnati in attività prolungate. Supporta un contesto di 1M token documentato dal produttore, un massimo di 128K token di output, chiamate a funzioni e livelli di ragionamento low/high/max, con il ragionamento sempre attivo.
Questa descrizione illustra le funzionalità del modello. Gli input, gli output e le opzioni disponibili in Ailoot per il metodo selezionato sono elencati di seguito.
Z.ai GLM 5.3 è un modello di ragionamento testuale su larga scala, progettato per ingegneria del software complessa e attività prolungate degli agenti. Il produttore afferma che utilizza lo stesso modello di base di GLM 5.2 e che i nuovi miglioramenti derivano dall'addestramento successivo. La versione si concentra su capacità potenziate di programmazione, operazioni da terminale e compiti più ampi che coinvolgono più passaggi dipendenti tra loro. Accetta testo e produce testo, inclusi codice, spiegazioni, piani e richieste di chiamata a strumenti in un'applicazione collegata a strumenti.
La modalità di ragionamento documentata è sempre attiva. GLM 5.3 offre tre livelli di impegno: low, high e max, con max come valore predefinito. Il produttore raccomanda max per la programmazione complessa; low offre un'opzione di ragionamento più leggera per i passaggi semplici. Usa il livello selezionato insieme a un elaborato finale chiaro e a criteri di completamento. Per esempio: «Esamina questi file e gli esiti negativi, risali alla causa nei moduli coinvolti, proponi una correzione che preservi l'interfaccia pubblica e spiega quali verifiche dimostrano la risoluzione della regressione».
Il produttore specifica una finestra di contesto di 1M token e una lunghezza massima di output di 128K token. Organizza il materiale esteso attorno alla relazione che il modello deve indagare. Conserva nomi dei file, definizioni pertinenti, etichette delle fonti e ordine delle osservazioni, lasciando spazio al ragionamento e alla risposta finale entro il contesto di lavoro applicabile. Una finestra ampia è utile per dipendenze tra moduli o lunghe sequenze di osservazioni di un agente; non trasforma un archivio privo di direzione e composto da materiale non correlato in un compito ben definito.
Per il lavoro su un repository, fornisci il comportamento atteso, il testo sorgente pertinente, le versioni delle dipendenze e l'output effettivo degli errori. Chiedi al modello di identificare il comportamento coinvolto prima di proporre una modifica. Per una ristrutturazione del codice, nomina l'interfaccia e le invarianti che devono rimanere intatte. Una risposta utile contiene il codice rivisto, il motivo per cui la modifica affronta il problema osservato e i casi necessari per verificarne l'esito. Riporta i risultati effettivi nel flusso collegato agli strumenti, affinché il passaggio successivo si basi sullo stato modificato anziché sulla proposta precedente.
Per il lavoro sulle prestazioni, fornisci un carico di lavoro, un riferimento iniziale e misurazioni come tempi, profili di esecuzione o registri delle allocazioni. Z.ai descrive compiti di addestramento che coinvolgono diagnosi dei colli di bottiglia, ottimizzazione, esperimenti e risultati che preservano la correttezza. Una richiesta pratica è: «Usa questo profilo per identificare il collo di bottiglia più rilevante, proponi una modifica misurabile e spiega quale risultato ne giustificherebbe il mantenimento». Distingui un'ipotesi sulle prestazioni da un miglioramento registrato. Mantieni lo stesso carico e le condizioni pertinenti nell'esaminare un risultato.
La versione sviluppa anche capacità di analisi delle vulnerabilità. Per una revisione difensiva del sorgente, fornisci il codice pertinente, i confini di fiducia previsti e le condizioni in cui viene eseguito. Richiedi un riscontro che colleghi un problema sospetto all'input interessato, al comportamento e a una correzione mirata. Distingui una debolezza potenziale da un difetto riprodotto e conserva l'osservazione usata per convalidarlo. Una relazione è più utile quando dà priorità a evidenze concrete e correzioni proposte, anziché trattare ogni schema sospetto come una vulnerabilità confermata.
Le chiamate a funzioni consentono a un'applicazione circostante di esporre operazioni esterne al modello. Definisci lo scopo, gli argomenti e il risultato atteso di ogni strumento, quindi restituisci l'osservazione effettiva dello strumento per il passaggio successivo. Il modello può ragionare su tale risultato e stabilire come cambi il compito. Mantieni distinguibili azioni proposte, operazioni eseguite e verifiche irrisolte. Il produttore documenta anche risposte in streaming che restituiscono separatamente frammenti di ragionamento e di risposta; ricomponi la risposta completa prima di considerarla la relazione finale o la spiegazione del codice.
La scheda locale del modello fornisce un dettaglio specifico sulla gestione della cronologia: il template di chat conserva il ragionamento per impostazione predefinita, mentre il produttore raccomanda di cancellare esplicitamente il ragionamento precedente negli scenari di chat ordinaria. Applica la struttura conversazionale adatta al caso d'uso, preservando le risposte effettivamente completate e i risultati degli strumenti necessari per proseguire. Evita di considerare intercambiabili le impostazioni di controllo del ragionamento di GLM 5.2 o delle edizioni separate GLM 5.3 Flash con i controlli low/high/max di questo modello.
Per risultati strutturati, specifica campi, tipi e regole relative alle fonti. Un elaborato utile può essere una tabella dei difetti, un piano di modifiche o un oggetto JSON che riepiloga le osservazioni. Convalida sia la struttura sia i valori prima che un'applicazione li utilizzi. Il risultato finale deve identificare la risposta o l'elaborato rivisto, le evidenze a sostegno e le ipotesi residue. Un maggiore impegno di ragionamento non dimostra che uno strumento sia stato eseguito, che una modifica proposta abbia superato le verifiche o che un'affermazione fattuale disponga di supporto oltre il materiale fornito.
POST /v1/responsestexttext| Campo | Tipo | Requisito | Valori e limiti | Predefinito |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObbligatorio | Valori e limiti glm-5.2 | Predefinito— |
Campoinput | Tipostring|input_item[] | RequisitoObbligatorio | Valori e limiti | Predefinito— |
Campoinstructions | Tipostring | RequisitoFacoltativo | Valori e limiti | Predefinito— |
Campoinput[].type | Tipostring | RequisitoFacoltativo | Valori e limiti message, reasoning, function_call, function_call_output | Predefinito— |
Campoinput[].content | Tipostring|content_part[] | RequisitoFacoltativo | Valori e limiti | Predefinito— |
Campoinput[].call_id | Tipostring | RequisitoFacoltativo | Valori e limiti Si applica quando: function_call_output; conserva il call_id effettivamente restituito | Predefinito— |
Campoinput[].output | Tipostring|content_part[] | RequisitoFacoltativo | Valori e limiti Si applica quando: function_call_output | Predefinito— |
Campomax_output_tokens | Tipointeger | RequisitoFacoltativo | Valori e limiti Minimo: 1 Dipende dal modello | Predefinito— |
Campostream | Tipoboolean | RequisitoFacoltativo | Valori e limiti | Predefinitofalse |
Campotemperature | Tiponumber | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campotop_p | Tiponumber | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campotools | Tipotool[] | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campotool_choice | Tipostring|object | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campoparallel_tool_calls | Tipoboolean | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Camporeasoning.effort | Tipostring | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Camporeasoning.summary | Tipostring | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campotext.format | Tipoobject | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campotext.verbosity | Tipostring | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campoinclude | Tipostring[] | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campostore | Tipoboolean | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campoprevious_response_id | Tipostring | RequisitoFacoltativo | Valori e limiti Requisito dell’ID: Solo un ID di risposta effettivo proveniente da una continuazione supportata Dipende dal modello | Predefinito— |
Camposervice_tier | Tipostring | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campoprompt_cache_key | Tipostring | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campoprompt_cache_options | Tipoobject | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Testo · Testo UTF8
Testo in ingresso o parte input_text
| Parametro | Contratto |
|---|---|
Parametromaterial_types | Contrattotext |
Parametrorequired | Contrattomodel, input |
Parametrooptional_controls | Contrattonull |
Parametrocontent_type | Contrattoapplication/json |
Parametrotext_file_material | ContrattoContenuto UTF-8 effettivo inserito come testo; ID di file/URLs richiedono supporto separato ed esatto |
Ciclo di vita: exact retained published method
Le strutture dei metodi e gli ID sono esatti; la capacità del fornitore è distinta dall’ammissione delle richieste.
POST /v1/responsesAiloot prenota un importo stimato prima di una richiesta. Dopo il risultato, addebita il costo finale in base all’utilizzo misurato. Per lo streaming, l’addebito usa il record finale di utilizzo. Come funzionano la prenotazione e l’addebito finale →
I listini di riferimento del modello non modificano la selezione del metodo, i preventivi o gli addebiti. Gli addebiti attivi usano le tariffe del metodo Ailoot selezionato.
Associa ogni costo alle condizioni indicate. Usa una sola tariffa per ogni insieme di configurazioni alternative.
| Configurazione | Listino delle tariffe | Token di contesto, più di | Token di contesto, fino al limite incluso | Costo |
|---|---|---|---|---|
| ConfigurazioneOpenAI Chat · Tariffe base per token | Listino delle tariffeTariffa base | Token di contesto, più di— | Token di contesto, fino al limite inclusoNessun limite superiore | Costo Input · Token in input $0.0028 / 1K token Output · Token in output $0.0088 / 1K token Input · Lettura dalla cache $0.00052 / 1K token Input · Scrittura nella cache — / 1K token Input · Scrittura nella cache, 1 ora — / 1K token |
| ConfigurazioneOpenAI Chat · Fascia 1 in base alla lunghezza della richiesta | Listino delle tariffe— | Token di contesto, più di0 | Token di contesto, fino al limite inclusoNessun limite superiore | Costo Input · Token in input $0.0028 / 1K token Output · Token in output $0.0088 / 1K token Input · Lettura dalla cache $0.00052 / 1K token Input · Scrittura nella cache — / 1K token Input · Scrittura nella cache, 1 ora — / 1K token |
| ConfigurazioneAnthropic Messages · Tariffe base per token | Listino delle tariffeTariffa base | Token di contesto, più di— | Token di contesto, fino al limite inclusoNessun limite superiore | Costo Input · Token in input $0.0028 / 1K token Output · Token in output $0.0088 / 1K token Input · Lettura dalla cache $0.00052 / 1K token Input · Scrittura nella cache — / 1K token Input · Scrittura nella cache, 1 ora — / 1K token |
| ConfigurazioneAnthropic Messages · Fascia 1 in base alla lunghezza della richiesta | Listino delle tariffe— | Token di contesto, più di0 | Token di contesto, fino al limite inclusoNessun limite superiore | Costo Input · Token in input $0.0028 / 1K token Output · Token in output $0.0088 / 1K token Input · Lettura dalla cache $0.00052 / 1K token Input · Scrittura nella cache — / 1K token Input · Scrittura nella cache, 1 ora — / 1K token |
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 source-material file}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "glm-5.2", "input": ""}')\nf=Path(os.environ["AILOOT_TEXT_FILE"])\nif not f.is_file():raise SystemExit("Choose your actual UTF-8 source material")\ntext=f.read_text(encoding="utf-8")\nif not text.strip():raise SystemExit("Source material must contain text")\np["input"]="Summarize this material and quote supporting source passages.\\n\\n"+text\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/responses \\\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 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(json.loads(Path("result.json").read_text(encoding="utf-8")))\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)\nresp = client.responses.create(model="glm-5.2", input="Explain the difference between an observation and a hypothesis 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(resp.to_dict(mode="json"))\nimport OpenAI from "openai";\n\nif (!process.env.AILOOT_API_KEY?.trim()) throw new Error("Set AILOOT_API_KEY before making a request");\nconst client = new OpenAI({ baseURL: "https://api.ailoot.ai/v1", apiKey: process.env.AILOOT_API_KEY, maxRetries: 0 });\nconst resp = await client.responses.create({ model: "glm-5.2", input: "Explain the difference between an observation and a hypothesis in three sentences." });\nimport { writeFileSync } from "node:fs";\n\nfunction saveResult(data, stem = "result") {\n writeFileSync(stem + ".json", JSON.stringify(data, null, 2));\n console.log(JSON.stringify(data, null, 2));\n const saveBlob = (encoded, suffix, label) => {\n const raw = Buffer.from(encoded, "base64");\n const ext = raw.subarray(0,8).equals(Buffer.from([137,80,78,71,13,10,26,10])) ? "png" : raw[0]===255 && raw[1]===216 ? "jpg" : raw.subarray(0,4).toString()==="RIFF" && raw.subarray(8,12).toString()==="WEBP" ? "webp" : suffix;\n const file = `${stem}-${label}.${ext}`;\n writeFileSync(file, raw); console.log("Saved", file);\n };\n for (const [i, block] of (data.content || []).entries()) console.log("Content", i, JSON.stringify(block));\n for (const choice of data.choices || []) console.log("Choice", choice.index, JSON.stringify(choice.message || choice.delta || {}));\n for (const [i, item] of (data.output || []).entries()) {\n console.log("Output", i, JSON.stringify(item));\n if (item.type === "image_generation_call" && item.result) saveBlob(item.result, item.output_format || "bin", `output-${i}`);\n }\n for (const [ci, candidate] of (data.candidates || []).entries()) {\n for (const [pi, part] of (candidate.content?.parts || []).entries()) {\n console.log("Candidate/part", ci, pi, JSON.stringify(part));\n const blob = part.inlineData || part.inline_data;\n if (blob?.data) {\n const mime = blob.mimeType || blob.mime_type;\n const suffix = ({"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"})[mime] || "bin";\n saveBlob(blob.data, suffix, `candidate-${ci}-part-${pi}`);\n }\n }\n }\n}\n\nsaveResult(resp);\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\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\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)\nwith client.responses.stream(model="glm-5.2", input="Explain the difference between an observation and a hypothesis 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_response()\n save_result(final.to_dict(mode="json"),"stream-result")\njson o SSE
Conserva ogni risposta, file e parte di contenuto restituiti per intero.
Conserva ogni elemento di uscita e parte di contenuto, il call_id effettivo della funzione, il ragionamento cifrato e i dati di utilizzo. Nello streaming conserva l’identità completa di eventi ed elementi.
Conserva gli ID e le intestazioni di richiesta/risposta. Non viene fornito alcun URL generico per recuperare un’attività testuale.
| Campo | Tipo |
|---|---|
Campoid | Tipostring |
Campostatus | Tipostring |
Campooutput[] | Tipomessage|reasoning|function_call|other item |
Campooutput[].content[] | Tipocontent part |
Campousage | Tipoobject |
| Risposta | Condizione | Passaggio successivo |
|---|---|---|
Risposta400 · invalid_request_error | CondizioneCampi obbligatori, rappresentazione del materiale o valore del parametro non validi | Passaggio successivoCorreggi i campi indicati prima di una nuova richiesta di creazione. |
Ailoot glm-5.3, glm, glm-5, glm-5.1, glm-5.2, glm-latest
Ailoot Ultra glm-5.3, z-ai/glm-5.3, ~z-ai/glm-latest
/chat/completions
z-ai/glm-5.3, glm, glm-5, glm-5.1, glm-5.2, glm-latest, ~z-ai/glm-latest, glm-5.3, glm-5.3
glm-5.2Z.ai GLM 5.3 è un modello di ragionamento testuale per ingegneria del software complessa, lavoro da terminale e agenti impegnati in attività prolungate. Supporta un contesto di 1M token documentato dal produttore, un massimo di 128K token di output, chiamate a funzioni e livelli di ragionamento low/high/max, con il ragionamento sempre attivo.
Questa descrizione illustra le funzionalità del modello. Gli input, gli output e le opzioni disponibili in Ailoot per il metodo selezionato sono elencati di seguito.
Z.ai GLM 5.3 è un modello di ragionamento testuale su larga scala, progettato per ingegneria del software complessa e attività prolungate degli agenti. Il produttore afferma che utilizza lo stesso modello di base di GLM 5.2 e che i nuovi miglioramenti derivano dall'addestramento successivo. La versione si concentra su capacità potenziate di programmazione, operazioni da terminale e compiti più ampi che coinvolgono più passaggi dipendenti tra loro. Accetta testo e produce testo, inclusi codice, spiegazioni, piani e richieste di chiamata a strumenti in un'applicazione collegata a strumenti.
La modalità di ragionamento documentata è sempre attiva. GLM 5.3 offre tre livelli di impegno: low, high e max, con max come valore predefinito. Il produttore raccomanda max per la programmazione complessa; low offre un'opzione di ragionamento più leggera per i passaggi semplici. Usa il livello selezionato insieme a un elaborato finale chiaro e a criteri di completamento. Per esempio: «Esamina questi file e gli esiti negativi, risali alla causa nei moduli coinvolti, proponi una correzione che preservi l'interfaccia pubblica e spiega quali verifiche dimostrano la risoluzione della regressione».
Il produttore specifica una finestra di contesto di 1M token e una lunghezza massima di output di 128K token. Organizza il materiale esteso attorno alla relazione che il modello deve indagare. Conserva nomi dei file, definizioni pertinenti, etichette delle fonti e ordine delle osservazioni, lasciando spazio al ragionamento e alla risposta finale entro il contesto di lavoro applicabile. Una finestra ampia è utile per dipendenze tra moduli o lunghe sequenze di osservazioni di un agente; non trasforma un archivio privo di direzione e composto da materiale non correlato in un compito ben definito.
Per il lavoro su un repository, fornisci il comportamento atteso, il testo sorgente pertinente, le versioni delle dipendenze e l'output effettivo degli errori. Chiedi al modello di identificare il comportamento coinvolto prima di proporre una modifica. Per una ristrutturazione del codice, nomina l'interfaccia e le invarianti che devono rimanere intatte. Una risposta utile contiene il codice rivisto, il motivo per cui la modifica affronta il problema osservato e i casi necessari per verificarne l'esito. Riporta i risultati effettivi nel flusso collegato agli strumenti, affinché il passaggio successivo si basi sullo stato modificato anziché sulla proposta precedente.
Per il lavoro sulle prestazioni, fornisci un carico di lavoro, un riferimento iniziale e misurazioni come tempi, profili di esecuzione o registri delle allocazioni. Z.ai descrive compiti di addestramento che coinvolgono diagnosi dei colli di bottiglia, ottimizzazione, esperimenti e risultati che preservano la correttezza. Una richiesta pratica è: «Usa questo profilo per identificare il collo di bottiglia più rilevante, proponi una modifica misurabile e spiega quale risultato ne giustificherebbe il mantenimento». Distingui un'ipotesi sulle prestazioni da un miglioramento registrato. Mantieni lo stesso carico e le condizioni pertinenti nell'esaminare un risultato.
La versione sviluppa anche capacità di analisi delle vulnerabilità. Per una revisione difensiva del sorgente, fornisci il codice pertinente, i confini di fiducia previsti e le condizioni in cui viene eseguito. Richiedi un riscontro che colleghi un problema sospetto all'input interessato, al comportamento e a una correzione mirata. Distingui una debolezza potenziale da un difetto riprodotto e conserva l'osservazione usata per convalidarlo. Una relazione è più utile quando dà priorità a evidenze concrete e correzioni proposte, anziché trattare ogni schema sospetto come una vulnerabilità confermata.
Le chiamate a funzioni consentono a un'applicazione circostante di esporre operazioni esterne al modello. Definisci lo scopo, gli argomenti e il risultato atteso di ogni strumento, quindi restituisci l'osservazione effettiva dello strumento per il passaggio successivo. Il modello può ragionare su tale risultato e stabilire come cambi il compito. Mantieni distinguibili azioni proposte, operazioni eseguite e verifiche irrisolte. Il produttore documenta anche risposte in streaming che restituiscono separatamente frammenti di ragionamento e di risposta; ricomponi la risposta completa prima di considerarla la relazione finale o la spiegazione del codice.
La scheda locale del modello fornisce un dettaglio specifico sulla gestione della cronologia: il template di chat conserva il ragionamento per impostazione predefinita, mentre il produttore raccomanda di cancellare esplicitamente il ragionamento precedente negli scenari di chat ordinaria. Applica la struttura conversazionale adatta al caso d'uso, preservando le risposte effettivamente completate e i risultati degli strumenti necessari per proseguire. Evita di considerare intercambiabili le impostazioni di controllo del ragionamento di GLM 5.2 o delle edizioni separate GLM 5.3 Flash con i controlli low/high/max di questo modello.
Per risultati strutturati, specifica campi, tipi e regole relative alle fonti. Un elaborato utile può essere una tabella dei difetti, un piano di modifiche o un oggetto JSON che riepiloga le osservazioni. Convalida sia la struttura sia i valori prima che un'applicazione li utilizzi. Il risultato finale deve identificare la risposta o l'elaborato rivisto, le evidenze a sostegno e le ipotesi residue. Un maggiore impegno di ragionamento non dimostra che uno strumento sia stato eseguito, che una modifica proposta abbia superato le verifiche o che un'affermazione fattuale disponga di supporto oltre il materiale fornito.
POST /v1/chat/completionstexttext| Campo | Tipo | Requisito | Valori e limiti | Predefinito |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObbligatorio | Valori e limiti glm-5.2 | Predefinito— |
Campomessages | Tipomessage[] | RequisitoObbligatorio | Valori e limiti Numero minimo di elementi: 1 | Predefinito— |
Campomessages[].role | Tipostring | RequisitoObbligatorio | Valori e limiti Esempi: system, user, assistant, tool, function Condizioni: Questi ruoli sono rappresentati esplicitamente dai tipi di compatibilità del codice sorgente; l’insieme esatto dei ruoli rimane specifico del modello. Dipende dal modello | Predefinito— |
Campomessages[].content | Tipostring|content_part[]|null | RequisitoFacoltativo | Valori e limiti | Predefinito— |
Campomessages[].tool_calls | Tipotool_call[] | RequisitoFacoltativo | Valori e limiti | Predefinito— |
Campomessages[].tool_call_id | Tipostring | RequisitoFacoltativo | Valori e limiti Si applica quando: role=tool; usa l’ID effettivamente restituito | Predefinito— |
Campomessages[].name | Tipostring | RequisitoFacoltativo | Valori e limiti | Predefinito— |
Campomessages[].reasoning_content | Tipostring | RequisitoFacoltativo | Valori e limiti Si applica quando: Reinserisci il ragionamento effettivamente restituito quando il modello lo utilizza | Predefinito— |
Campomessages[].reasoning_details | Tipoobject|array | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campomax_tokens | Tipointeger | RequisitoFacoltativo | Valori e limiti Minimo: 1 Dipende dal modello | Predefinito— |
Campomax_completion_tokens | Tipointeger | RequisitoFacoltativo | Valori e limiti Minimo: 1 Dipende dal modello | Predefinito— |
Campostream | Tipoboolean | RequisitoFacoltativo | Valori e limiti | Predefinitofalse |
Campostream_options.include_usage | Tipoboolean | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campotemperature | Tiponumber | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campotop_p | Tiponumber | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campostop | Tipostring|string[] | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campotools | Tipofunction_tool[] | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campotools[].type | Tipostring | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campotools[].function.name | Tipostring | RequisitoObbligatorio | Valori e limiti Si applica quando: Funzione fornita come strumento | Predefinito— |
Campotools[].function.description | Tipostring | RequisitoFacoltativo | Valori e limiti | Predefinito— |
Campotools[].function.parameters | TipoJSON_schema | RequisitoFacoltativo | Valori e limiti | Predefinito— |
Campotool_choice | Tipostring|object | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campoparallel_tool_calls | Tipoboolean | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Camporesponse_format | Tipoobject | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Camporeasoning_effort | Tipostring | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Camporeasoning | Tipoobject | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Camposervice_tier | Tipostring | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campoinstructions | Tipostring | RequisitoFacoltativo | Valori e limiti Campo di compatibilità | Predefinito— |
Campofunctions | Tipofunction[] | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campofunction_call | Tipostring|object | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campoprompt_cache_options | Tipoobject | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Testo · Testo UTF8
messages[].content
| Parametro | Contratto |
|---|---|
Parametromaterial_types | Contrattotext |
Parametrorequired | Contrattomodel, messages |
Parametrooptional_controls | Contrattonull |
Parametrocontent_type | Contrattoapplication/json |
Parametrotext_file_material | ContrattoContenuto UTF-8 effettivo inserito come testo; ID di file/URLs richiedono supporto separato ed esatto |
Ciclo di vita: exact retained published method
Le strutture dei metodi e gli ID sono esatti; la capacità del fornitore è distinta dall’ammissione delle richieste.
POST /v1/chat/completionsAiloot prenota un importo stimato prima di una richiesta. Dopo il risultato, addebita il costo finale in base all’utilizzo misurato. Per lo streaming, l’addebito usa il record finale di utilizzo. Come funzionano la prenotazione e l’addebito finale →
I listini di riferimento del modello non modificano la selezione del metodo, i preventivi o gli addebiti. Gli addebiti attivi usano le tariffe del metodo Ailoot selezionato.
Associa ogni costo alle condizioni indicate. Usa una sola tariffa per ogni insieme di configurazioni alternative.
| Configurazione | Listino delle tariffe | Token di contesto, più di | Token di contesto, fino al limite incluso | Costo |
|---|---|---|---|---|
| ConfigurazioneOpenAI Chat · Tariffe base per token | Listino delle tariffeTariffa base | Token di contesto, più di— | Token di contesto, fino al limite inclusoNessun limite superiore | Costo Input · Token in input $0.0028 / 1K token Output · Token in output $0.0088 / 1K token Input · Lettura dalla cache $0.00052 / 1K token Input · Scrittura nella cache — / 1K token Input · Scrittura nella cache, 1 ora — / 1K token |
| ConfigurazioneOpenAI Chat · Fascia 1 in base alla lunghezza della richiesta | Listino delle tariffe— | Token di contesto, più di0 | Token di contesto, fino al limite inclusoNessun limite superiore | Costo Input · Token in input $0.0028 / 1K token Output · Token in output $0.0088 / 1K token Input · Lettura dalla cache $0.00052 / 1K token Input · Scrittura nella cache — / 1K token Input · Scrittura nella cache, 1 ora — / 1K token |
| ConfigurazioneAnthropic Messages · Tariffe base per token | Listino delle tariffeTariffa base | Token di contesto, più di— | Token di contesto, fino al limite inclusoNessun limite superiore | Costo Input · Token in input $0.0028 / 1K token Output · Token in output $0.0088 / 1K token Input · Lettura dalla cache $0.00052 / 1K token Input · Scrittura nella cache — / 1K token Input · Scrittura nella cache, 1 ora — / 1K token |
| ConfigurazioneAnthropic Messages · Fascia 1 in base alla lunghezza della richiesta | Listino delle tariffe— | Token di contesto, più di0 | Token di contesto, fino al limite inclusoNessun limite superiore | Costo Input · Token in input $0.0028 / 1K token Output · Token in output $0.0088 / 1K token Input · Lettura dalla cache $0.00052 / 1K token Input · Scrittura nella cache — / 1K token Input · Scrittura nella cache, 1 ora — / 1K token |
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 source-material file}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "glm-5.2", "messages": []}')\nf=Path(os.environ["AILOOT_TEXT_FILE"])\nif not f.is_file():raise SystemExit("Choose your actual UTF-8 source material")\ntext=f.read_text(encoding="utf-8")\nif not text.strip():raise SystemExit("Source material must contain text")\np["messages"]=[{"role":"user","content":"Summarize this material and quote supporting source passages.\\n\\n"+text}]\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\nprint(json.dumps(json.loads(Path("result.json").read_text()),ensure_ascii=False,indent=2))\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)\nresp = client.chat.completions.create(\n model="glm-5.2",\n messages=[{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}],\n)\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(resp.to_dict(mode="json"))\nimport OpenAI from "openai";\n\nif (!process.env.AILOOT_API_KEY?.trim()) throw new Error("Set AILOOT_API_KEY before making a request");\nconst client = new OpenAI({ baseURL: "https://api.ailoot.ai/v1", apiKey: process.env.AILOOT_API_KEY, maxRetries: 0 });\nconst resp = await client.chat.completions.create({\n model: "glm-5.2",\n messages: [{ role: "user", content: "Explain the difference between an observation and a hypothesis in three sentences." }],\n});\nimport { writeFileSync } from "node:fs";\n\nfunction saveResult(data, stem = "result") {\n writeFileSync(stem + ".json", JSON.stringify(data, null, 2));\n console.log(JSON.stringify(data, null, 2));\n const saveBlob = (encoded, suffix, label) => {\n const raw = Buffer.from(encoded, "base64");\n const ext = raw.subarray(0,8).equals(Buffer.from([137,80,78,71,13,10,26,10])) ? "png" : raw[0]===255 && raw[1]===216 ? "jpg" : raw.subarray(0,4).toString()==="RIFF" && raw.subarray(8,12).toString()==="WEBP" ? "webp" : suffix;\n const file = `${stem}-${label}.${ext}`;\n writeFileSync(file, raw); console.log("Saved", file);\n };\n for (const [i, block] of (data.content || []).entries()) console.log("Content", i, JSON.stringify(block));\n for (const choice of data.choices || []) console.log("Choice", choice.index, JSON.stringify(choice.message || choice.delta || {}));\n for (const [i, item] of (data.output || []).entries()) {\n console.log("Output", i, JSON.stringify(item));\n if (item.type === "image_generation_call" && item.result) saveBlob(item.result, item.output_format || "bin", `output-${i}`);\n }\n for (const [ci, candidate] of (data.candidates || []).entries()) {\n for (const [pi, part] of (candidate.content?.parts || []).entries()) {\n console.log("Candidate/part", ci, pi, JSON.stringify(part));\n const blob = part.inlineData || part.inline_data;\n if (blob?.data) {\n const mime = blob.mimeType || blob.mime_type;\n const suffix = ({"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"})[mime] || "bin";\n saveBlob(blob.data, suffix, `candidate-${ci}-part-${pi}`);\n }\n }\n }\n}\n\nsaveResult(resp);\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='glm-5.2',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 o SSE
Conserva ogni risposta, file e parte di contenuto restituiti per intero.
Conserva ogni scelta con contenuto, chiamate agli strumenti e ragionamento. In SSE assembla i delta per indice di scelta e strumento e conserva il motivo finale di completamento e i dati di utilizzo.
Conserva gli ID e le intestazioni di richiesta/risposta. Non viene fornito alcun URL generico per recuperare un’attività testuale.
| Campo | Tipo |
|---|---|
Campochoices[].index | Tipointeger |
Campochoices[].message.content | Tipostring|null |
Campochoices[].message.tool_calls | Tipotool_call[] |
Campochoices[].message.reasoning_content | Tipostring |
Campochoices[].message.reasoning_details | Tipoobject|array |
Campochoices[].finish_reason | Tipostring|null |
Campousage | Tipoobject |
| Risposta | Condizione | Passaggio successivo |
|---|---|---|
Risposta400 · invalid_request_error | CondizioneCampi obbligatori, rappresentazione del materiale o valore del parametro non validi | Passaggio successivoCorreggi i campi indicati prima di una nuova richiesta di creazione. |
Ailoot glm-5.3, glm, glm-5, glm-5.1, glm-5.2, glm-latest
Ailoot Ultra glm-5.3, z-ai/glm-5.3, ~z-ai/glm-latest
/chat/completions
z-ai/glm-5.3, glm, glm-5, glm-5.1, glm-5.2, glm-latest, ~z-ai/glm-latest, glm-5.3, glm-5.3
glm-latestZ.ai GLM 5.3 è un modello di ragionamento testuale per ingegneria del software complessa, lavoro da terminale e agenti impegnati in attività prolungate. Supporta un contesto di 1M token documentato dal produttore, un massimo di 128K token di output, chiamate a funzioni e livelli di ragionamento low/high/max, con il ragionamento sempre attivo.
Questa descrizione illustra le funzionalità del modello. Gli input, gli output e le opzioni disponibili in Ailoot per il metodo selezionato sono elencati di seguito.
Z.ai GLM 5.3 è un modello di ragionamento testuale su larga scala, progettato per ingegneria del software complessa e attività prolungate degli agenti. Il produttore afferma che utilizza lo stesso modello di base di GLM 5.2 e che i nuovi miglioramenti derivano dall'addestramento successivo. La versione si concentra su capacità potenziate di programmazione, operazioni da terminale e compiti più ampi che coinvolgono più passaggi dipendenti tra loro. Accetta testo e produce testo, inclusi codice, spiegazioni, piani e richieste di chiamata a strumenti in un'applicazione collegata a strumenti.
La modalità di ragionamento documentata è sempre attiva. GLM 5.3 offre tre livelli di impegno: low, high e max, con max come valore predefinito. Il produttore raccomanda max per la programmazione complessa; low offre un'opzione di ragionamento più leggera per i passaggi semplici. Usa il livello selezionato insieme a un elaborato finale chiaro e a criteri di completamento. Per esempio: «Esamina questi file e gli esiti negativi, risali alla causa nei moduli coinvolti, proponi una correzione che preservi l'interfaccia pubblica e spiega quali verifiche dimostrano la risoluzione della regressione».
Il produttore specifica una finestra di contesto di 1M token e una lunghezza massima di output di 128K token. Organizza il materiale esteso attorno alla relazione che il modello deve indagare. Conserva nomi dei file, definizioni pertinenti, etichette delle fonti e ordine delle osservazioni, lasciando spazio al ragionamento e alla risposta finale entro il contesto di lavoro applicabile. Una finestra ampia è utile per dipendenze tra moduli o lunghe sequenze di osservazioni di un agente; non trasforma un archivio privo di direzione e composto da materiale non correlato in un compito ben definito.
Per il lavoro su un repository, fornisci il comportamento atteso, il testo sorgente pertinente, le versioni delle dipendenze e l'output effettivo degli errori. Chiedi al modello di identificare il comportamento coinvolto prima di proporre una modifica. Per una ristrutturazione del codice, nomina l'interfaccia e le invarianti che devono rimanere intatte. Una risposta utile contiene il codice rivisto, il motivo per cui la modifica affronta il problema osservato e i casi necessari per verificarne l'esito. Riporta i risultati effettivi nel flusso collegato agli strumenti, affinché il passaggio successivo si basi sullo stato modificato anziché sulla proposta precedente.
Per il lavoro sulle prestazioni, fornisci un carico di lavoro, un riferimento iniziale e misurazioni come tempi, profili di esecuzione o registri delle allocazioni. Z.ai descrive compiti di addestramento che coinvolgono diagnosi dei colli di bottiglia, ottimizzazione, esperimenti e risultati che preservano la correttezza. Una richiesta pratica è: «Usa questo profilo per identificare il collo di bottiglia più rilevante, proponi una modifica misurabile e spiega quale risultato ne giustificherebbe il mantenimento». Distingui un'ipotesi sulle prestazioni da un miglioramento registrato. Mantieni lo stesso carico e le condizioni pertinenti nell'esaminare un risultato.
La versione sviluppa anche capacità di analisi delle vulnerabilità. Per una revisione difensiva del sorgente, fornisci il codice pertinente, i confini di fiducia previsti e le condizioni in cui viene eseguito. Richiedi un riscontro che colleghi un problema sospetto all'input interessato, al comportamento e a una correzione mirata. Distingui una debolezza potenziale da un difetto riprodotto e conserva l'osservazione usata per convalidarlo. Una relazione è più utile quando dà priorità a evidenze concrete e correzioni proposte, anziché trattare ogni schema sospetto come una vulnerabilità confermata.
Le chiamate a funzioni consentono a un'applicazione circostante di esporre operazioni esterne al modello. Definisci lo scopo, gli argomenti e il risultato atteso di ogni strumento, quindi restituisci l'osservazione effettiva dello strumento per il passaggio successivo. Il modello può ragionare su tale risultato e stabilire come cambi il compito. Mantieni distinguibili azioni proposte, operazioni eseguite e verifiche irrisolte. Il produttore documenta anche risposte in streaming che restituiscono separatamente frammenti di ragionamento e di risposta; ricomponi la risposta completa prima di considerarla la relazione finale o la spiegazione del codice.
La scheda locale del modello fornisce un dettaglio specifico sulla gestione della cronologia: il template di chat conserva il ragionamento per impostazione predefinita, mentre il produttore raccomanda di cancellare esplicitamente il ragionamento precedente negli scenari di chat ordinaria. Applica la struttura conversazionale adatta al caso d'uso, preservando le risposte effettivamente completate e i risultati degli strumenti necessari per proseguire. Evita di considerare intercambiabili le impostazioni di controllo del ragionamento di GLM 5.2 o delle edizioni separate GLM 5.3 Flash con i controlli low/high/max di questo modello.
Per risultati strutturati, specifica campi, tipi e regole relative alle fonti. Un elaborato utile può essere una tabella dei difetti, un piano di modifiche o un oggetto JSON che riepiloga le osservazioni. Convalida sia la struttura sia i valori prima che un'applicazione li utilizzi. Il risultato finale deve identificare la risposta o l'elaborato rivisto, le evidenze a sostegno e le ipotesi residue. Un maggiore impegno di ragionamento non dimostra che uno strumento sia stato eseguito, che una modifica proposta abbia superato le verifiche o che un'affermazione fattuale disponga di supporto oltre il materiale fornito.
POST /v1/messagestexttext| Campo | Tipo | Requisito | Valori e limiti | Predefinito |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObbligatorio | Valori e limiti glm-latest | Predefinito— |
Campomessages | Tipomessage[] | RequisitoObbligatorio | Valori e limiti Numero minimo di elementi: 1 | Predefinito— |
Campomessages[].role | Tipostring | RequisitoObbligatorio | Valori e limiti user, assistant | Predefinito— |
Campomessages[].content | Tipostring|content_block[] | RequisitoObbligatorio | Valori e limiti | Predefinito— |
Camposystem | Tipostring|content_block[] | RequisitoFacoltativo | Valori e limiti | Predefinito— |
Campomax_tokens | Tipointeger | RequisitoObbligatorio | Valori e limiti Minimo: 1 Il limite si applica a: Limite esatto del modello o della scheda selezionati | Predefinito— |
Campostream | Tipoboolean | RequisitoFacoltativo | Valori e limiti | Predefinitofalse |
Campotemperature | Tiponumber | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campotop_p | Tiponumber | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campostop_sequences | Tipostring[] | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campotools | Tipotool[] | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campotools[].name | Tipostring | RequisitoFacoltativo | Valori e limiti Si applica quando: Strumento fornito | Predefinito— |
Campotools[].description | Tipostring | RequisitoFacoltativo | Valori e limiti | Predefinito— |
Campotools[].input_schema | TipoJSON_schema | RequisitoFacoltativo | Valori e limiti | Predefinito— |
Campotool_choice | Tipoobject | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campothinking.type | Tipostring | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campothinking.budget_tokens | Tipointeger | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campooutput_config.effort | Tipostring | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campometadata | Tipoobject | RequisitoFacoltativo | Valori e limiti | Predefinito— |
Campocache_control | Tipoobject | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Testo · Testo UTF8
messages[].content o blocco type=text
| Parametro | Contratto |
|---|---|
Parametromaterial_types | Contrattotext |
Parametrorequired | Contrattomodel, messages, max_tokens |
Parametrooptional_controls | Contrattonull |
Parametrocontent_type | Contrattoapplication/json |
Parametrotext_file_material | ContrattoContenuto UTF-8 effettivo inserito come testo; ID di file/URLs richiedono supporto separato ed esatto |
Ciclo di vita: exact retained published method
Le strutture dei metodi e gli ID sono esatti; la capacità del fornitore è distinta dall’ammissione delle richieste.
POST /v1/messagesAiloot prenota un importo stimato prima di una richiesta. Dopo il risultato, addebita il costo finale in base all’utilizzo misurato. Per lo streaming, l’addebito usa il record finale di utilizzo. Come funzionano la prenotazione e l’addebito finale →
I listini di riferimento del modello non modificano la selezione del metodo, i preventivi o gli addebiti. Gli addebiti attivi usano le tariffe del metodo Ailoot selezionato.
Associa ogni costo alle condizioni indicate. Usa una sola tariffa per ogni insieme di configurazioni alternative.
| Configurazione | Listino delle tariffe | Token di contesto, più di | Token di contesto, fino al limite incluso | Costo |
|---|---|---|---|---|
| ConfigurazioneOpenAI Chat · Tariffe base per token | Listino delle tariffeTariffa base | Token di contesto, più di— | Token di contesto, fino al limite inclusoNessun limite superiore | Costo Input · Token in input $0.0028 / 1K token Output · Token in output $0.0088 / 1K token Input · Lettura dalla cache $0.00052 / 1K token Input · Scrittura nella cache — / 1K token Input · Scrittura nella cache, 1 ora — / 1K token |
| ConfigurazioneOpenAI Chat · Fascia 1 in base alla lunghezza della richiesta | Listino delle tariffe— | Token di contesto, più di0 | Token di contesto, fino al limite inclusoNessun limite superiore | Costo Input · Token in input $0.0028 / 1K token Output · Token in output $0.0088 / 1K token Input · Lettura dalla cache $0.00052 / 1K token Input · Scrittura nella cache — / 1K token Input · Scrittura nella cache, 1 ora — / 1K token |
| ConfigurazioneAnthropic Messages · Tariffe base per token | Listino delle tariffeTariffa base | Token di contesto, più di— | Token di contesto, fino al limite inclusoNessun limite superiore | Costo Input · Token in input $0.0028 / 1K token Output · Token in output $0.0088 / 1K token Input · Lettura dalla cache $0.00052 / 1K token Input · Scrittura nella cache — / 1K token Input · Scrittura nella cache, 1 ora — / 1K token |
| ConfigurazioneAnthropic Messages · Fascia 1 in base alla lunghezza della richiesta | Listino delle tariffe— | Token di contesto, più di0 | Token di contesto, fino al limite inclusoNessun limite superiore | Costo Input · Token in input $0.0028 / 1K token Output · Token in output $0.0088 / 1K token Input · Lettura dalla cache $0.00052 / 1K token Input · Scrittura nella cache — / 1K token Input · Scrittura nella cache, 1 ora — / 1K token |
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 source-material file}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "glm-latest", "max_tokens": 1024, "messages": []}')\nf=Path(os.environ["AILOOT_TEXT_FILE"])\nif not f.is_file():raise SystemExit("Choose your actual UTF-8 source material")\ntext=f.read_text(encoding="utf-8")\nif not text.strip():raise SystemExit("Source material must contain text")\np["messages"]=[{"role":"user","content":"Summarize this material and quote supporting source passages.\\n\\n"+text}]\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/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\nprint(json.dumps(json.loads(Path("result.json").read_text()),ensure_ascii=False,indent=2))\nPY_RESULT\nimport anthropic\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient = anthropic.Anthropic(base_url="https://api.ailoot.ai", api_key=os.environ["AILOOT_API_KEY"], max_retries=0)\nmsg = client.messages.create(\n model="glm-latest",\n max_tokens=1024,\n messages=[{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}],\n)\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(msg.to_dict(mode="json"))\nimport Anthropic from "@anthropic-ai/sdk";\n\nif (!process.env.AILOOT_API_KEY?.trim()) throw new Error("Set AILOOT_API_KEY before making a request");\nconst client = new Anthropic({ baseURL: "https://api.ailoot.ai", apiKey: process.env.AILOOT_API_KEY, maxRetries: 0 });\nconst msg = await client.messages.create({\n model: "glm-latest",\n max_tokens: 1024,\n messages: [{ role: "user", content: "Explain the difference between an observation and a hypothesis in three sentences." }],\n});\nimport { writeFileSync } from "node:fs";\n\nfunction saveResult(data, stem = "result") {\n writeFileSync(stem + ".json", JSON.stringify(data, null, 2));\n console.log(JSON.stringify(data, null, 2));\n const saveBlob = (encoded, suffix, label) => {\n const raw = Buffer.from(encoded, "base64");\n const ext = raw.subarray(0,8).equals(Buffer.from([137,80,78,71,13,10,26,10])) ? "png" : raw[0]===255 && raw[1]===216 ? "jpg" : raw.subarray(0,4).toString()==="RIFF" && raw.subarray(8,12).toString()==="WEBP" ? "webp" : suffix;\n const file = `${stem}-${label}.${ext}`;\n writeFileSync(file, raw); console.log("Saved", file);\n };\n for (const [i, block] of (data.content || []).entries()) console.log("Content", i, JSON.stringify(block));\n for (const choice of data.choices || []) console.log("Choice", choice.index, JSON.stringify(choice.message || choice.delta || {}));\n for (const [i, item] of (data.output || []).entries()) {\n console.log("Output", i, JSON.stringify(item));\n if (item.type === "image_generation_call" && item.result) saveBlob(item.result, item.output_format || "bin", `output-${i}`);\n }\n for (const [ci, candidate] of (data.candidates || []).entries()) {\n for (const [pi, part] of (candidate.content?.parts || []).entries()) {\n console.log("Candidate/part", ci, pi, JSON.stringify(part));\n const blob = part.inlineData || part.inline_data;\n if (blob?.data) {\n const mime = blob.mimeType || blob.mime_type;\n const suffix = ({"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"})[mime] || "bin";\n saveBlob(blob.data, suffix, `candidate-${ci}-part-${pi}`);\n }\n }\n }\n}\n\nsaveResult(msg);\nimport anthropic,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=anthropic.Anthropic(base_url="https://api.ailoot.ai",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.messages.stream(model='glm-latest',max_tokens=1024,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_message()\n save_result(final.to_dict(mode="json"),"stream-result")\njson o SSE
Conserva ogni risposta, file e parte di contenuto restituiti per intero.
Conserva tutti i blocchi di contenuto, le firme di ragionamento e gli ID effettivi di utilizzo degli strumenti. Assembla tutti i delta dei blocchi SSE; il primo blocco di testo non è l’uscita completa.
Conserva gli ID e le intestazioni di richiesta/risposta. Non viene fornito alcun URL generico per recuperare un’attività testuale.
| Campo | Tipo |
|---|---|
Campoid | Tipostring |
Campomodel | Tipostring |
Campocontent[] | Tipotext|thinking|tool_use|other content block |
Campostop_reason | Tipostring|null |
Campousage | Tipoobject |
| Risposta | Condizione | Passaggio successivo |
|---|---|---|
Risposta400 · invalid_request_error | CondizioneCampi obbligatori, rappresentazione del materiale o valore del parametro non validi | Passaggio successivoCorreggi i campi indicati prima di una nuova richiesta di creazione. |
Ailoot glm-5.3, glm, glm-5, glm-5.1, glm-5.2, glm-latest
Ailoot Ultra glm-5.3, z-ai/glm-5.3, ~z-ai/glm-latest
/chat/completions
z-ai/glm-5.3, glm, glm-5, glm-5.1, glm-5.2, glm-latest, ~z-ai/glm-latest, glm-5.3, glm-5.3
glm-latestZ.ai GLM 5.3 è un modello di ragionamento testuale per ingegneria del software complessa, lavoro da terminale e agenti impegnati in attività prolungate. Supporta un contesto di 1M token documentato dal produttore, un massimo di 128K token di output, chiamate a funzioni e livelli di ragionamento low/high/max, con il ragionamento sempre attivo.
Questa descrizione illustra le funzionalità del modello. Gli input, gli output e le opzioni disponibili in Ailoot per il metodo selezionato sono elencati di seguito.
Z.ai GLM 5.3 è un modello di ragionamento testuale su larga scala, progettato per ingegneria del software complessa e attività prolungate degli agenti. Il produttore afferma che utilizza lo stesso modello di base di GLM 5.2 e che i nuovi miglioramenti derivano dall'addestramento successivo. La versione si concentra su capacità potenziate di programmazione, operazioni da terminale e compiti più ampi che coinvolgono più passaggi dipendenti tra loro. Accetta testo e produce testo, inclusi codice, spiegazioni, piani e richieste di chiamata a strumenti in un'applicazione collegata a strumenti.
La modalità di ragionamento documentata è sempre attiva. GLM 5.3 offre tre livelli di impegno: low, high e max, con max come valore predefinito. Il produttore raccomanda max per la programmazione complessa; low offre un'opzione di ragionamento più leggera per i passaggi semplici. Usa il livello selezionato insieme a un elaborato finale chiaro e a criteri di completamento. Per esempio: «Esamina questi file e gli esiti negativi, risali alla causa nei moduli coinvolti, proponi una correzione che preservi l'interfaccia pubblica e spiega quali verifiche dimostrano la risoluzione della regressione».
Il produttore specifica una finestra di contesto di 1M token e una lunghezza massima di output di 128K token. Organizza il materiale esteso attorno alla relazione che il modello deve indagare. Conserva nomi dei file, definizioni pertinenti, etichette delle fonti e ordine delle osservazioni, lasciando spazio al ragionamento e alla risposta finale entro il contesto di lavoro applicabile. Una finestra ampia è utile per dipendenze tra moduli o lunghe sequenze di osservazioni di un agente; non trasforma un archivio privo di direzione e composto da materiale non correlato in un compito ben definito.
Per il lavoro su un repository, fornisci il comportamento atteso, il testo sorgente pertinente, le versioni delle dipendenze e l'output effettivo degli errori. Chiedi al modello di identificare il comportamento coinvolto prima di proporre una modifica. Per una ristrutturazione del codice, nomina l'interfaccia e le invarianti che devono rimanere intatte. Una risposta utile contiene il codice rivisto, il motivo per cui la modifica affronta il problema osservato e i casi necessari per verificarne l'esito. Riporta i risultati effettivi nel flusso collegato agli strumenti, affinché il passaggio successivo si basi sullo stato modificato anziché sulla proposta precedente.
Per il lavoro sulle prestazioni, fornisci un carico di lavoro, un riferimento iniziale e misurazioni come tempi, profili di esecuzione o registri delle allocazioni. Z.ai descrive compiti di addestramento che coinvolgono diagnosi dei colli di bottiglia, ottimizzazione, esperimenti e risultati che preservano la correttezza. Una richiesta pratica è: «Usa questo profilo per identificare il collo di bottiglia più rilevante, proponi una modifica misurabile e spiega quale risultato ne giustificherebbe il mantenimento». Distingui un'ipotesi sulle prestazioni da un miglioramento registrato. Mantieni lo stesso carico e le condizioni pertinenti nell'esaminare un risultato.
La versione sviluppa anche capacità di analisi delle vulnerabilità. Per una revisione difensiva del sorgente, fornisci il codice pertinente, i confini di fiducia previsti e le condizioni in cui viene eseguito. Richiedi un riscontro che colleghi un problema sospetto all'input interessato, al comportamento e a una correzione mirata. Distingui una debolezza potenziale da un difetto riprodotto e conserva l'osservazione usata per convalidarlo. Una relazione è più utile quando dà priorità a evidenze concrete e correzioni proposte, anziché trattare ogni schema sospetto come una vulnerabilità confermata.
Le chiamate a funzioni consentono a un'applicazione circostante di esporre operazioni esterne al modello. Definisci lo scopo, gli argomenti e il risultato atteso di ogni strumento, quindi restituisci l'osservazione effettiva dello strumento per il passaggio successivo. Il modello può ragionare su tale risultato e stabilire come cambi il compito. Mantieni distinguibili azioni proposte, operazioni eseguite e verifiche irrisolte. Il produttore documenta anche risposte in streaming che restituiscono separatamente frammenti di ragionamento e di risposta; ricomponi la risposta completa prima di considerarla la relazione finale o la spiegazione del codice.
La scheda locale del modello fornisce un dettaglio specifico sulla gestione della cronologia: il template di chat conserva il ragionamento per impostazione predefinita, mentre il produttore raccomanda di cancellare esplicitamente il ragionamento precedente negli scenari di chat ordinaria. Applica la struttura conversazionale adatta al caso d'uso, preservando le risposte effettivamente completate e i risultati degli strumenti necessari per proseguire. Evita di considerare intercambiabili le impostazioni di controllo del ragionamento di GLM 5.2 o delle edizioni separate GLM 5.3 Flash con i controlli low/high/max di questo modello.
Per risultati strutturati, specifica campi, tipi e regole relative alle fonti. Un elaborato utile può essere una tabella dei difetti, un piano di modifiche o un oggetto JSON che riepiloga le osservazioni. Convalida sia la struttura sia i valori prima che un'applicazione li utilizzi. Il risultato finale deve identificare la risposta o l'elaborato rivisto, le evidenze a sostegno e le ipotesi residue. Un maggiore impegno di ragionamento non dimostra che uno strumento sia stato eseguito, che una modifica proposta abbia superato le verifiche o che un'affermazione fattuale disponga di supporto oltre il materiale fornito.
POST /v1/responsestexttext| Campo | Tipo | Requisito | Valori e limiti | Predefinito |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObbligatorio | Valori e limiti glm-latest | Predefinito— |
Campoinput | Tipostring|input_item[] | RequisitoObbligatorio | Valori e limiti | Predefinito— |
Campoinstructions | Tipostring | RequisitoFacoltativo | Valori e limiti | Predefinito— |
Campoinput[].type | Tipostring | RequisitoFacoltativo | Valori e limiti message, reasoning, function_call, function_call_output | Predefinito— |
Campoinput[].content | Tipostring|content_part[] | RequisitoFacoltativo | Valori e limiti | Predefinito— |
Campoinput[].call_id | Tipostring | RequisitoFacoltativo | Valori e limiti Si applica quando: function_call_output; conserva il call_id effettivamente restituito | Predefinito— |
Campoinput[].output | Tipostring|content_part[] | RequisitoFacoltativo | Valori e limiti Si applica quando: function_call_output | Predefinito— |
Campomax_output_tokens | Tipointeger | RequisitoFacoltativo | Valori e limiti Minimo: 1 Dipende dal modello | Predefinito— |
Campostream | Tipoboolean | RequisitoFacoltativo | Valori e limiti | Predefinitofalse |
Campotemperature | Tiponumber | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campotop_p | Tiponumber | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campotools | Tipotool[] | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campotool_choice | Tipostring|object | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campoparallel_tool_calls | Tipoboolean | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Camporeasoning.effort | Tipostring | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Camporeasoning.summary | Tipostring | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campotext.format | Tipoobject | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campotext.verbosity | Tipostring | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campoinclude | Tipostring[] | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campostore | Tipoboolean | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campoprevious_response_id | Tipostring | RequisitoFacoltativo | Valori e limiti Requisito dell’ID: Solo un ID di risposta effettivo proveniente da una continuazione supportata Dipende dal modello | Predefinito— |
Camposervice_tier | Tipostring | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campoprompt_cache_key | Tipostring | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campoprompt_cache_options | Tipoobject | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Testo · Testo UTF8
Testo in ingresso o parte input_text
| Parametro | Contratto |
|---|---|
Parametromaterial_types | Contrattotext |
Parametrorequired | Contrattomodel, input |
Parametrooptional_controls | Contrattonull |
Parametrocontent_type | Contrattoapplication/json |
Parametrotext_file_material | ContrattoContenuto UTF-8 effettivo inserito come testo; ID di file/URLs richiedono supporto separato ed esatto |
Ciclo di vita: exact retained published method
Le strutture dei metodi e gli ID sono esatti; la capacità del fornitore è distinta dall’ammissione delle richieste.
POST /v1/responsesAiloot prenota un importo stimato prima di una richiesta. Dopo il risultato, addebita il costo finale in base all’utilizzo misurato. Per lo streaming, l’addebito usa il record finale di utilizzo. Come funzionano la prenotazione e l’addebito finale →
I listini di riferimento del modello non modificano la selezione del metodo, i preventivi o gli addebiti. Gli addebiti attivi usano le tariffe del metodo Ailoot selezionato.
Associa ogni costo alle condizioni indicate. Usa una sola tariffa per ogni insieme di configurazioni alternative.
| Configurazione | Listino delle tariffe | Token di contesto, più di | Token di contesto, fino al limite incluso | Costo |
|---|---|---|---|---|
| ConfigurazioneOpenAI Chat · Tariffe base per token | Listino delle tariffeTariffa base | Token di contesto, più di— | Token di contesto, fino al limite inclusoNessun limite superiore | Costo Input · Token in input $0.0028 / 1K token Output · Token in output $0.0088 / 1K token Input · Lettura dalla cache $0.00052 / 1K token Input · Scrittura nella cache — / 1K token Input · Scrittura nella cache, 1 ora — / 1K token |
| ConfigurazioneOpenAI Chat · Fascia 1 in base alla lunghezza della richiesta | Listino delle tariffe— | Token di contesto, più di0 | Token di contesto, fino al limite inclusoNessun limite superiore | Costo Input · Token in input $0.0028 / 1K token Output · Token in output $0.0088 / 1K token Input · Lettura dalla cache $0.00052 / 1K token Input · Scrittura nella cache — / 1K token Input · Scrittura nella cache, 1 ora — / 1K token |
| ConfigurazioneAnthropic Messages · Tariffe base per token | Listino delle tariffeTariffa base | Token di contesto, più di— | Token di contesto, fino al limite inclusoNessun limite superiore | Costo Input · Token in input $0.0028 / 1K token Output · Token in output $0.0088 / 1K token Input · Lettura dalla cache $0.00052 / 1K token Input · Scrittura nella cache — / 1K token Input · Scrittura nella cache, 1 ora — / 1K token |
| ConfigurazioneAnthropic Messages · Fascia 1 in base alla lunghezza della richiesta | Listino delle tariffe— | Token di contesto, più di0 | Token di contesto, fino al limite inclusoNessun limite superiore | Costo Input · Token in input $0.0028 / 1K token Output · Token in output $0.0088 / 1K token Input · Lettura dalla cache $0.00052 / 1K token Input · Scrittura nella cache — / 1K token Input · Scrittura nella cache, 1 ora — / 1K token |
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 source-material file}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "glm-latest", "input": ""}')\nf=Path(os.environ["AILOOT_TEXT_FILE"])\nif not f.is_file():raise SystemExit("Choose your actual UTF-8 source material")\ntext=f.read_text(encoding="utf-8")\nif not text.strip():raise SystemExit("Source material must contain text")\np["input"]="Summarize this material and quote supporting source passages.\\n\\n"+text\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/responses \\\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 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(json.loads(Path("result.json").read_text(encoding="utf-8")))\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)\nresp = client.responses.create(model="glm-latest", input="Explain the difference between an observation and a hypothesis 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(resp.to_dict(mode="json"))\nimport OpenAI from "openai";\n\nif (!process.env.AILOOT_API_KEY?.trim()) throw new Error("Set AILOOT_API_KEY before making a request");\nconst client = new OpenAI({ baseURL: "https://api.ailoot.ai/v1", apiKey: process.env.AILOOT_API_KEY, maxRetries: 0 });\nconst resp = await client.responses.create({ model: "glm-latest", input: "Explain the difference between an observation and a hypothesis in three sentences." });\nimport { writeFileSync } from "node:fs";\n\nfunction saveResult(data, stem = "result") {\n writeFileSync(stem + ".json", JSON.stringify(data, null, 2));\n console.log(JSON.stringify(data, null, 2));\n const saveBlob = (encoded, suffix, label) => {\n const raw = Buffer.from(encoded, "base64");\n const ext = raw.subarray(0,8).equals(Buffer.from([137,80,78,71,13,10,26,10])) ? "png" : raw[0]===255 && raw[1]===216 ? "jpg" : raw.subarray(0,4).toString()==="RIFF" && raw.subarray(8,12).toString()==="WEBP" ? "webp" : suffix;\n const file = `${stem}-${label}.${ext}`;\n writeFileSync(file, raw); console.log("Saved", file);\n };\n for (const [i, block] of (data.content || []).entries()) console.log("Content", i, JSON.stringify(block));\n for (const choice of data.choices || []) console.log("Choice", choice.index, JSON.stringify(choice.message || choice.delta || {}));\n for (const [i, item] of (data.output || []).entries()) {\n console.log("Output", i, JSON.stringify(item));\n if (item.type === "image_generation_call" && item.result) saveBlob(item.result, item.output_format || "bin", `output-${i}`);\n }\n for (const [ci, candidate] of (data.candidates || []).entries()) {\n for (const [pi, part] of (candidate.content?.parts || []).entries()) {\n console.log("Candidate/part", ci, pi, JSON.stringify(part));\n const blob = part.inlineData || part.inline_data;\n if (blob?.data) {\n const mime = blob.mimeType || blob.mime_type;\n const suffix = ({"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"})[mime] || "bin";\n saveBlob(blob.data, suffix, `candidate-${ci}-part-${pi}`);\n }\n }\n }\n}\n\nsaveResult(resp);\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\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\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)\nwith client.responses.stream(model="glm-latest", input="Explain the difference between an observation and a hypothesis 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_response()\n save_result(final.to_dict(mode="json"),"stream-result")\njson o SSE
Conserva ogni risposta, file e parte di contenuto restituiti per intero.
Conserva ogni elemento di uscita e parte di contenuto, il call_id effettivo della funzione, il ragionamento cifrato e i dati di utilizzo. Nello streaming conserva l’identità completa di eventi ed elementi.
Conserva gli ID e le intestazioni di richiesta/risposta. Non viene fornito alcun URL generico per recuperare un’attività testuale.
| Campo | Tipo |
|---|---|
Campoid | Tipostring |
Campostatus | Tipostring |
Campooutput[] | Tipomessage|reasoning|function_call|other item |
Campooutput[].content[] | Tipocontent part |
Campousage | Tipoobject |
| Risposta | Condizione | Passaggio successivo |
|---|---|---|
Risposta400 · invalid_request_error | CondizioneCampi obbligatori, rappresentazione del materiale o valore del parametro non validi | Passaggio successivoCorreggi i campi indicati prima di una nuova richiesta di creazione. |
Ailoot glm-5.3, glm, glm-5, glm-5.1, glm-5.2, glm-latest
Ailoot Ultra glm-5.3, z-ai/glm-5.3, ~z-ai/glm-latest
/chat/completions
z-ai/glm-5.3, glm, glm-5, glm-5.1, glm-5.2, glm-latest, ~z-ai/glm-latest, glm-5.3, glm-5.3
glm-latestZ.ai GLM 5.3 è un modello di ragionamento testuale per ingegneria del software complessa, lavoro da terminale e agenti impegnati in attività prolungate. Supporta un contesto di 1M token documentato dal produttore, un massimo di 128K token di output, chiamate a funzioni e livelli di ragionamento low/high/max, con il ragionamento sempre attivo.
Questa descrizione illustra le funzionalità del modello. Gli input, gli output e le opzioni disponibili in Ailoot per il metodo selezionato sono elencati di seguito.
Z.ai GLM 5.3 è un modello di ragionamento testuale su larga scala, progettato per ingegneria del software complessa e attività prolungate degli agenti. Il produttore afferma che utilizza lo stesso modello di base di GLM 5.2 e che i nuovi miglioramenti derivano dall'addestramento successivo. La versione si concentra su capacità potenziate di programmazione, operazioni da terminale e compiti più ampi che coinvolgono più passaggi dipendenti tra loro. Accetta testo e produce testo, inclusi codice, spiegazioni, piani e richieste di chiamata a strumenti in un'applicazione collegata a strumenti.
La modalità di ragionamento documentata è sempre attiva. GLM 5.3 offre tre livelli di impegno: low, high e max, con max come valore predefinito. Il produttore raccomanda max per la programmazione complessa; low offre un'opzione di ragionamento più leggera per i passaggi semplici. Usa il livello selezionato insieme a un elaborato finale chiaro e a criteri di completamento. Per esempio: «Esamina questi file e gli esiti negativi, risali alla causa nei moduli coinvolti, proponi una correzione che preservi l'interfaccia pubblica e spiega quali verifiche dimostrano la risoluzione della regressione».
Il produttore specifica una finestra di contesto di 1M token e una lunghezza massima di output di 128K token. Organizza il materiale esteso attorno alla relazione che il modello deve indagare. Conserva nomi dei file, definizioni pertinenti, etichette delle fonti e ordine delle osservazioni, lasciando spazio al ragionamento e alla risposta finale entro il contesto di lavoro applicabile. Una finestra ampia è utile per dipendenze tra moduli o lunghe sequenze di osservazioni di un agente; non trasforma un archivio privo di direzione e composto da materiale non correlato in un compito ben definito.
Per il lavoro su un repository, fornisci il comportamento atteso, il testo sorgente pertinente, le versioni delle dipendenze e l'output effettivo degli errori. Chiedi al modello di identificare il comportamento coinvolto prima di proporre una modifica. Per una ristrutturazione del codice, nomina l'interfaccia e le invarianti che devono rimanere intatte. Una risposta utile contiene il codice rivisto, il motivo per cui la modifica affronta il problema osservato e i casi necessari per verificarne l'esito. Riporta i risultati effettivi nel flusso collegato agli strumenti, affinché il passaggio successivo si basi sullo stato modificato anziché sulla proposta precedente.
Per il lavoro sulle prestazioni, fornisci un carico di lavoro, un riferimento iniziale e misurazioni come tempi, profili di esecuzione o registri delle allocazioni. Z.ai descrive compiti di addestramento che coinvolgono diagnosi dei colli di bottiglia, ottimizzazione, esperimenti e risultati che preservano la correttezza. Una richiesta pratica è: «Usa questo profilo per identificare il collo di bottiglia più rilevante, proponi una modifica misurabile e spiega quale risultato ne giustificherebbe il mantenimento». Distingui un'ipotesi sulle prestazioni da un miglioramento registrato. Mantieni lo stesso carico e le condizioni pertinenti nell'esaminare un risultato.
La versione sviluppa anche capacità di analisi delle vulnerabilità. Per una revisione difensiva del sorgente, fornisci il codice pertinente, i confini di fiducia previsti e le condizioni in cui viene eseguito. Richiedi un riscontro che colleghi un problema sospetto all'input interessato, al comportamento e a una correzione mirata. Distingui una debolezza potenziale da un difetto riprodotto e conserva l'osservazione usata per convalidarlo. Una relazione è più utile quando dà priorità a evidenze concrete e correzioni proposte, anziché trattare ogni schema sospetto come una vulnerabilità confermata.
Le chiamate a funzioni consentono a un'applicazione circostante di esporre operazioni esterne al modello. Definisci lo scopo, gli argomenti e il risultato atteso di ogni strumento, quindi restituisci l'osservazione effettiva dello strumento per il passaggio successivo. Il modello può ragionare su tale risultato e stabilire come cambi il compito. Mantieni distinguibili azioni proposte, operazioni eseguite e verifiche irrisolte. Il produttore documenta anche risposte in streaming che restituiscono separatamente frammenti di ragionamento e di risposta; ricomponi la risposta completa prima di considerarla la relazione finale o la spiegazione del codice.
La scheda locale del modello fornisce un dettaglio specifico sulla gestione della cronologia: il template di chat conserva il ragionamento per impostazione predefinita, mentre il produttore raccomanda di cancellare esplicitamente il ragionamento precedente negli scenari di chat ordinaria. Applica la struttura conversazionale adatta al caso d'uso, preservando le risposte effettivamente completate e i risultati degli strumenti necessari per proseguire. Evita di considerare intercambiabili le impostazioni di controllo del ragionamento di GLM 5.2 o delle edizioni separate GLM 5.3 Flash con i controlli low/high/max di questo modello.
Per risultati strutturati, specifica campi, tipi e regole relative alle fonti. Un elaborato utile può essere una tabella dei difetti, un piano di modifiche o un oggetto JSON che riepiloga le osservazioni. Convalida sia la struttura sia i valori prima che un'applicazione li utilizzi. Il risultato finale deve identificare la risposta o l'elaborato rivisto, le evidenze a sostegno e le ipotesi residue. Un maggiore impegno di ragionamento non dimostra che uno strumento sia stato eseguito, che una modifica proposta abbia superato le verifiche o che un'affermazione fattuale disponga di supporto oltre il materiale fornito.
POST /v1/chat/completionstexttext| Campo | Tipo | Requisito | Valori e limiti | Predefinito |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObbligatorio | Valori e limiti glm-latest | Predefinito— |
Campomessages | Tipomessage[] | RequisitoObbligatorio | Valori e limiti Numero minimo di elementi: 1 | Predefinito— |
Campomessages[].role | Tipostring | RequisitoObbligatorio | Valori e limiti Esempi: system, user, assistant, tool, function Condizioni: Questi ruoli sono rappresentati esplicitamente dai tipi di compatibilità del codice sorgente; l’insieme esatto dei ruoli rimane specifico del modello. Dipende dal modello | Predefinito— |
Campomessages[].content | Tipostring|content_part[]|null | RequisitoFacoltativo | Valori e limiti | Predefinito— |
Campomessages[].tool_calls | Tipotool_call[] | RequisitoFacoltativo | Valori e limiti | Predefinito— |
Campomessages[].tool_call_id | Tipostring | RequisitoFacoltativo | Valori e limiti Si applica quando: role=tool; usa l’ID effettivamente restituito | Predefinito— |
Campomessages[].name | Tipostring | RequisitoFacoltativo | Valori e limiti | Predefinito— |
Campomessages[].reasoning_content | Tipostring | RequisitoFacoltativo | Valori e limiti Si applica quando: Reinserisci il ragionamento effettivamente restituito quando il modello lo utilizza | Predefinito— |
Campomessages[].reasoning_details | Tipoobject|array | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campomax_tokens | Tipointeger | RequisitoFacoltativo | Valori e limiti Minimo: 1 Dipende dal modello | Predefinito— |
Campomax_completion_tokens | Tipointeger | RequisitoFacoltativo | Valori e limiti Minimo: 1 Dipende dal modello | Predefinito— |
Campostream | Tipoboolean | RequisitoFacoltativo | Valori e limiti | Predefinitofalse |
Campostream_options.include_usage | Tipoboolean | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campotemperature | Tiponumber | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campotop_p | Tiponumber | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campostop | Tipostring|string[] | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campotools | Tipofunction_tool[] | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campotools[].type | Tipostring | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campotools[].function.name | Tipostring | RequisitoObbligatorio | Valori e limiti Si applica quando: Funzione fornita come strumento | Predefinito— |
Campotools[].function.description | Tipostring | RequisitoFacoltativo | Valori e limiti | Predefinito— |
Campotools[].function.parameters | TipoJSON_schema | RequisitoFacoltativo | Valori e limiti | Predefinito— |
Campotool_choice | Tipostring|object | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campoparallel_tool_calls | Tipoboolean | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Camporesponse_format | Tipoobject | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Camporeasoning_effort | Tipostring | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Camporeasoning | Tipoobject | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Camposervice_tier | Tipostring | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campoinstructions | Tipostring | RequisitoFacoltativo | Valori e limiti Campo di compatibilità | Predefinito— |
Campofunctions | Tipofunction[] | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campofunction_call | Tipostring|object | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campoprompt_cache_options | Tipoobject | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Testo · Testo UTF8
messages[].content
| Parametro | Contratto |
|---|---|
Parametromaterial_types | Contrattotext |
Parametrorequired | Contrattomodel, messages |
Parametrooptional_controls | Contrattonull |
Parametrocontent_type | Contrattoapplication/json |
Parametrotext_file_material | ContrattoContenuto UTF-8 effettivo inserito come testo; ID di file/URLs richiedono supporto separato ed esatto |
Ciclo di vita: exact retained published method
Le strutture dei metodi e gli ID sono esatti; la capacità del fornitore è distinta dall’ammissione delle richieste.
POST /v1/chat/completionsAiloot prenota un importo stimato prima di una richiesta. Dopo il risultato, addebita il costo finale in base all’utilizzo misurato. Per lo streaming, l’addebito usa il record finale di utilizzo. Come funzionano la prenotazione e l’addebito finale →
I listini di riferimento del modello non modificano la selezione del metodo, i preventivi o gli addebiti. Gli addebiti attivi usano le tariffe del metodo Ailoot selezionato.
Associa ogni costo alle condizioni indicate. Usa una sola tariffa per ogni insieme di configurazioni alternative.
| Configurazione | Listino delle tariffe | Token di contesto, più di | Token di contesto, fino al limite incluso | Costo |
|---|---|---|---|---|
| ConfigurazioneOpenAI Chat · Tariffe base per token | Listino delle tariffeTariffa base | Token di contesto, più di— | Token di contesto, fino al limite inclusoNessun limite superiore | Costo Input · Token in input $0.0028 / 1K token Output · Token in output $0.0088 / 1K token Input · Lettura dalla cache $0.00052 / 1K token Input · Scrittura nella cache — / 1K token Input · Scrittura nella cache, 1 ora — / 1K token |
| ConfigurazioneOpenAI Chat · Fascia 1 in base alla lunghezza della richiesta | Listino delle tariffe— | Token di contesto, più di0 | Token di contesto, fino al limite inclusoNessun limite superiore | Costo Input · Token in input $0.0028 / 1K token Output · Token in output $0.0088 / 1K token Input · Lettura dalla cache $0.00052 / 1K token Input · Scrittura nella cache — / 1K token Input · Scrittura nella cache, 1 ora — / 1K token |
| ConfigurazioneAnthropic Messages · Tariffe base per token | Listino delle tariffeTariffa base | Token di contesto, più di— | Token di contesto, fino al limite inclusoNessun limite superiore | Costo Input · Token in input $0.0028 / 1K token Output · Token in output $0.0088 / 1K token Input · Lettura dalla cache $0.00052 / 1K token Input · Scrittura nella cache — / 1K token Input · Scrittura nella cache, 1 ora — / 1K token |
| ConfigurazioneAnthropic Messages · Fascia 1 in base alla lunghezza della richiesta | Listino delle tariffe— | Token di contesto, più di0 | Token di contesto, fino al limite inclusoNessun limite superiore | Costo Input · Token in input $0.0028 / 1K token Output · Token in output $0.0088 / 1K token Input · Lettura dalla cache $0.00052 / 1K token Input · Scrittura nella cache — / 1K token Input · Scrittura nella cache, 1 ora — / 1K token |
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 source-material file}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "glm-latest", "messages": []}')\nf=Path(os.environ["AILOOT_TEXT_FILE"])\nif not f.is_file():raise SystemExit("Choose your actual UTF-8 source material")\ntext=f.read_text(encoding="utf-8")\nif not text.strip():raise SystemExit("Source material must contain text")\np["messages"]=[{"role":"user","content":"Summarize this material and quote supporting source passages.\\n\\n"+text}]\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\nprint(json.dumps(json.loads(Path("result.json").read_text()),ensure_ascii=False,indent=2))\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)\nresp = client.chat.completions.create(\n model="glm-latest",\n messages=[{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}],\n)\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(resp.to_dict(mode="json"))\nimport OpenAI from "openai";\n\nif (!process.env.AILOOT_API_KEY?.trim()) throw new Error("Set AILOOT_API_KEY before making a request");\nconst client = new OpenAI({ baseURL: "https://api.ailoot.ai/v1", apiKey: process.env.AILOOT_API_KEY, maxRetries: 0 });\nconst resp = await client.chat.completions.create({\n model: "glm-latest",\n messages: [{ role: "user", content: "Explain the difference between an observation and a hypothesis in three sentences." }],\n});\nimport { writeFileSync } from "node:fs";\n\nfunction saveResult(data, stem = "result") {\n writeFileSync(stem + ".json", JSON.stringify(data, null, 2));\n console.log(JSON.stringify(data, null, 2));\n const saveBlob = (encoded, suffix, label) => {\n const raw = Buffer.from(encoded, "base64");\n const ext = raw.subarray(0,8).equals(Buffer.from([137,80,78,71,13,10,26,10])) ? "png" : raw[0]===255 && raw[1]===216 ? "jpg" : raw.subarray(0,4).toString()==="RIFF" && raw.subarray(8,12).toString()==="WEBP" ? "webp" : suffix;\n const file = `${stem}-${label}.${ext}`;\n writeFileSync(file, raw); console.log("Saved", file);\n };\n for (const [i, block] of (data.content || []).entries()) console.log("Content", i, JSON.stringify(block));\n for (const choice of data.choices || []) console.log("Choice", choice.index, JSON.stringify(choice.message || choice.delta || {}));\n for (const [i, item] of (data.output || []).entries()) {\n console.log("Output", i, JSON.stringify(item));\n if (item.type === "image_generation_call" && item.result) saveBlob(item.result, item.output_format || "bin", `output-${i}`);\n }\n for (const [ci, candidate] of (data.candidates || []).entries()) {\n for (const [pi, part] of (candidate.content?.parts || []).entries()) {\n console.log("Candidate/part", ci, pi, JSON.stringify(part));\n const blob = part.inlineData || part.inline_data;\n if (blob?.data) {\n const mime = blob.mimeType || blob.mime_type;\n const suffix = ({"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"})[mime] || "bin";\n saveBlob(blob.data, suffix, `candidate-${ci}-part-${pi}`);\n }\n }\n }\n}\n\nsaveResult(resp);\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='glm-latest',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 o SSE
Conserva ogni risposta, file e parte di contenuto restituiti per intero.
Conserva ogni scelta con contenuto, chiamate agli strumenti e ragionamento. In SSE assembla i delta per indice di scelta e strumento e conserva il motivo finale di completamento e i dati di utilizzo.
Conserva gli ID e le intestazioni di richiesta/risposta. Non viene fornito alcun URL generico per recuperare un’attività testuale.
| Campo | Tipo |
|---|---|
Campochoices[].index | Tipointeger |
Campochoices[].message.content | Tipostring|null |
Campochoices[].message.tool_calls | Tipotool_call[] |
Campochoices[].message.reasoning_content | Tipostring |
Campochoices[].message.reasoning_details | Tipoobject|array |
Campochoices[].finish_reason | Tipostring|null |
Campousage | Tipoobject |
| Risposta | Condizione | Passaggio successivo |
|---|---|---|
Risposta400 · invalid_request_error | CondizioneCampi obbligatori, rappresentazione del materiale o valore del parametro non validi | Passaggio successivoCorreggi i campi indicati prima di una nuova richiesta di creazione. |
Ailoot glm-5.3, glm, glm-5, glm-5.1, glm-5.2, glm-latest
Ailoot Ultra glm-5.3, z-ai/glm-5.3, ~z-ai/glm-latest
/chat/completions
z-ai/glm-5.3, glm, glm-5, glm-5.1, glm-5.2, glm-latest, ~z-ai/glm-latest, glm-5.3, glm-5.3
z-ai/glm-5.3Z.ai GLM 5.3 è un modello di ragionamento testuale per ingegneria del software complessa, lavoro da terminale e agenti impegnati in attività prolungate. Supporta un contesto di 1M token documentato dal produttore, un massimo di 128K token di output, chiamate a funzioni e livelli di ragionamento low/high/max, con il ragionamento sempre attivo.
Questa descrizione illustra le funzionalità del modello. Gli input, gli output e le opzioni disponibili in Ailoot per il metodo selezionato sono elencati di seguito.
Z.ai GLM 5.3 è un modello di ragionamento testuale su larga scala, progettato per ingegneria del software complessa e attività prolungate degli agenti. Il produttore afferma che utilizza lo stesso modello di base di GLM 5.2 e che i nuovi miglioramenti derivano dall'addestramento successivo. La versione si concentra su capacità potenziate di programmazione, operazioni da terminale e compiti più ampi che coinvolgono più passaggi dipendenti tra loro. Accetta testo e produce testo, inclusi codice, spiegazioni, piani e richieste di chiamata a strumenti in un'applicazione collegata a strumenti.
La modalità di ragionamento documentata è sempre attiva. GLM 5.3 offre tre livelli di impegno: low, high e max, con max come valore predefinito. Il produttore raccomanda max per la programmazione complessa; low offre un'opzione di ragionamento più leggera per i passaggi semplici. Usa il livello selezionato insieme a un elaborato finale chiaro e a criteri di completamento. Per esempio: «Esamina questi file e gli esiti negativi, risali alla causa nei moduli coinvolti, proponi una correzione che preservi l'interfaccia pubblica e spiega quali verifiche dimostrano la risoluzione della regressione».
Il produttore specifica una finestra di contesto di 1M token e una lunghezza massima di output di 128K token. Organizza il materiale esteso attorno alla relazione che il modello deve indagare. Conserva nomi dei file, definizioni pertinenti, etichette delle fonti e ordine delle osservazioni, lasciando spazio al ragionamento e alla risposta finale entro il contesto di lavoro applicabile. Una finestra ampia è utile per dipendenze tra moduli o lunghe sequenze di osservazioni di un agente; non trasforma un archivio privo di direzione e composto da materiale non correlato in un compito ben definito.
Per il lavoro su un repository, fornisci il comportamento atteso, il testo sorgente pertinente, le versioni delle dipendenze e l'output effettivo degli errori. Chiedi al modello di identificare il comportamento coinvolto prima di proporre una modifica. Per una ristrutturazione del codice, nomina l'interfaccia e le invarianti che devono rimanere intatte. Una risposta utile contiene il codice rivisto, il motivo per cui la modifica affronta il problema osservato e i casi necessari per verificarne l'esito. Riporta i risultati effettivi nel flusso collegato agli strumenti, affinché il passaggio successivo si basi sullo stato modificato anziché sulla proposta precedente.
Per il lavoro sulle prestazioni, fornisci un carico di lavoro, un riferimento iniziale e misurazioni come tempi, profili di esecuzione o registri delle allocazioni. Z.ai descrive compiti di addestramento che coinvolgono diagnosi dei colli di bottiglia, ottimizzazione, esperimenti e risultati che preservano la correttezza. Una richiesta pratica è: «Usa questo profilo per identificare il collo di bottiglia più rilevante, proponi una modifica misurabile e spiega quale risultato ne giustificherebbe il mantenimento». Distingui un'ipotesi sulle prestazioni da un miglioramento registrato. Mantieni lo stesso carico e le condizioni pertinenti nell'esaminare un risultato.
La versione sviluppa anche capacità di analisi delle vulnerabilità. Per una revisione difensiva del sorgente, fornisci il codice pertinente, i confini di fiducia previsti e le condizioni in cui viene eseguito. Richiedi un riscontro che colleghi un problema sospetto all'input interessato, al comportamento e a una correzione mirata. Distingui una debolezza potenziale da un difetto riprodotto e conserva l'osservazione usata per convalidarlo. Una relazione è più utile quando dà priorità a evidenze concrete e correzioni proposte, anziché trattare ogni schema sospetto come una vulnerabilità confermata.
Le chiamate a funzioni consentono a un'applicazione circostante di esporre operazioni esterne al modello. Definisci lo scopo, gli argomenti e il risultato atteso di ogni strumento, quindi restituisci l'osservazione effettiva dello strumento per il passaggio successivo. Il modello può ragionare su tale risultato e stabilire come cambi il compito. Mantieni distinguibili azioni proposte, operazioni eseguite e verifiche irrisolte. Il produttore documenta anche risposte in streaming che restituiscono separatamente frammenti di ragionamento e di risposta; ricomponi la risposta completa prima di considerarla la relazione finale o la spiegazione del codice.
La scheda locale del modello fornisce un dettaglio specifico sulla gestione della cronologia: il template di chat conserva il ragionamento per impostazione predefinita, mentre il produttore raccomanda di cancellare esplicitamente il ragionamento precedente negli scenari di chat ordinaria. Applica la struttura conversazionale adatta al caso d'uso, preservando le risposte effettivamente completate e i risultati degli strumenti necessari per proseguire. Evita di considerare intercambiabili le impostazioni di controllo del ragionamento di GLM 5.2 o delle edizioni separate GLM 5.3 Flash con i controlli low/high/max di questo modello.
Per risultati strutturati, specifica campi, tipi e regole relative alle fonti. Un elaborato utile può essere una tabella dei difetti, un piano di modifiche o un oggetto JSON che riepiloga le osservazioni. Convalida sia la struttura sia i valori prima che un'applicazione li utilizzi. Il risultato finale deve identificare la risposta o l'elaborato rivisto, le evidenze a sostegno e le ipotesi residue. Un maggiore impegno di ragionamento non dimostra che uno strumento sia stato eseguito, che una modifica proposta abbia superato le verifiche o che un'affermazione fattuale disponga di supporto oltre il materiale fornito.
POST /v1/chat/completionstexttext| Campo | Tipo | Requisito | Valori e limiti | Predefinito |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObbligatorio | Valori e limiti z-ai/glm-5.3 | Predefinito— |
Campomessages | Tipomessage[] | RequisitoObbligatorio | Valori e limiti Numero minimo di elementi: 1 | Predefinito— |
Campomessages[].role | Tipostring | RequisitoObbligatorio | Valori e limiti Esempi: system, user, assistant, tool, function Condizioni: Questi ruoli sono rappresentati esplicitamente dai tipi di compatibilità del codice sorgente; l’insieme esatto dei ruoli rimane specifico del modello. Dipende dal modello | Predefinito— |
Campomessages[].content | Tipostring|content_part[]|null | RequisitoFacoltativo | Valori e limiti | Predefinito— |
Campomessages[].tool_calls | Tipotool_call[] | RequisitoFacoltativo | Valori e limiti | Predefinito— |
Campomessages[].tool_call_id | Tipostring | RequisitoFacoltativo | Valori e limiti Si applica quando: role=tool; usa l’ID effettivamente restituito | Predefinito— |
Campomessages[].name | Tipostring | RequisitoFacoltativo | Valori e limiti | Predefinito— |
Campomessages[].reasoning_content | Tipostring | RequisitoFacoltativo | Valori e limiti Si applica quando: Reinserisci il ragionamento effettivamente restituito quando il modello lo utilizza | Predefinito— |
Campomessages[].reasoning_details | Tipoobject|array | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campomax_tokens | Tipointeger | RequisitoFacoltativo | Valori e limiti Minimo: 1 Dipende dal modello | Predefinito— |
Campomax_completion_tokens | Tipointeger | RequisitoFacoltativo | Valori e limiti Minimo: 1 Dipende dal modello | Predefinito— |
Campostream | Tipoboolean | RequisitoFacoltativo | Valori e limiti | Predefinitofalse |
Campostream_options.include_usage | Tipoboolean | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campotemperature | Tiponumber | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campotop_p | Tiponumber | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campostop | Tipostring|string[] | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campotools | Tipofunction_tool[] | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campotools[].type | Tipostring | RequisitoFacoltativo | Valori e limiti function Dipende dal modello | Predefinito— |
Campotools[].function.name | Tipostring | RequisitoObbligatorio | Valori e limiti Si applica quando: Funzione fornita come strumento | Predefinito— |
Campotools[].function.description | Tipostring | RequisitoFacoltativo | Valori e limiti | Predefinito— |
Campotools[].function.parameters | TipoJSON_schema | RequisitoFacoltativo | Valori e limiti | Predefinito— |
Campotool_choice | Tipostring|object | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campoparallel_tool_calls | Tipoboolean | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Camporesponse_format | Tipoobject | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Camporeasoning_effort | Tipostring | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Camporeasoning | Tipoobject | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Camposervice_tier | Tipostring | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campoinstructions | Tipostring | RequisitoFacoltativo | Valori e limiti Campo di compatibilità | Predefinito— |
Campofunctions | Tipofunction[] | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campofunction_call | Tipostring|object | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campoprompt_cache_options | Tipoobject | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campomodalities | Tipostring[] | RequisitoFacoltativo | Valori e limiti text | Predefinito— |
Campoprovider | Tipoobject | RequisitoFacoltativo | Valori e limiti Condizioni: provider.options viene rifiutato su questa rotta testuale Ultra | Predefinito— |
Campocache_control.ttl | Tipostring | RequisitoFacoltativo | Valori e limiti Condizioni: 1h viene rifiutato nelle posizioni effettive della cache dei prompt | Predefinito— |
Testo · Testo UTF8
messages[].content
| Parametro | Contratto |
|---|---|
Parametrocontent_type | Contrattoapplication/json |
Parametrorequired | Contrattomodel, messages |
Parametromaterial_types | Contrattotext |
Parametromessages | ContrattoArray di messaggi con struttura role/content |
Parametrofile_material | ContrattoDocumento UTF-8 effettivo inserito come testo letterale; nessun ID di file dedotto |
Parametrooptional_controls | Contrattostream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametrocontrol_scope | ContrattoSpecifico del modello; gli strumenti di funzione dell’utente differiscono dagli strumenti ospitati |
Parametrooutput_modalities | Contrattotext |
Parametrohosted_operations | Contrattofalse |
Parametromultimodal_input_binding | Contrattonull |
Ciclo di vita: synchronous_or_streamed
Invia l’ID esatto del modello con messages.
La lunghezza del contesto non è un limite di uscita.
Un file di testo può fornire testo letterale; gli ingressi immagine/audio/oggetto file richiedono un’associazione esatta.
Le tariffe non aggiungono opzioni alla richiesta. I parametri supportati sono elencati nel metodo selezionato.
Associa ogni costo alle condizioni indicate. Usa una sola tariffa per ogni insieme di configurazioni alternative.
| Configurazione | Listino delle tariffe | Token di contesto, più di | Token di contesto, fino al limite incluso | Costo |
|---|---|---|---|---|
| ConfigurazioneTariffe di base dei token | Listino delle tariffeTariffa base | Token di contesto, più di— | Token di contesto, fino al limite inclusoNessun limite superiore | Costo Input · Token in input $0.0028 / 1K token Output · Token in output $0.0088 / 1K token Input · Lettura dalla cache $0.00052 / 1K token Input · Scrittura nella cache — / 1K token Input · Scrittura nella cache, 1 ora — / 1K token |
| ConfigurazioneFascia 1 di lunghezza della richiesta | Listino delle tariffe— | Token di contesto, più di0 | Token di contesto, fino al limite inclusoNessun limite superiore | Costo Input · Token in input $0.0028 / 1K token Output · Token in output $0.0088 / 1K token Input · Lettura dalla cache $0.00052 / 1K token Input · Scrittura nella cache — / 1K token Input · Scrittura nella cache, 1 ora — / 1K token |
Ailoot prenota un importo stimato prima di una richiesta. Dopo il risultato, addebita il costo finale in base all’utilizzo misurato. Per lo streaming, l’addebito usa il record finale di utilizzo. Come funzionano la prenotazione e l’addebito finale →
set -eu\n: "${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-5.3", "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-5.3',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-5.3',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 o SSE
Conserva ogni risposta, file e parte di contenuto restituiti per intero.
Conserva ogni scelta con contenuto, chiamate agli strumenti e ragionamento. In SSE assembla i delta per indice di scelta e strumento e conserva il motivo finale di completamento e i dati di utilizzo.
Conserva gli ID e le intestazioni di richiesta/risposta. Non viene fornito alcun URL generico per recuperare un’attività testuale.
| Campo | Tipo |
|---|---|
Campochoices[].index | Tipointeger |
Campochoices[].message.content | Tipostring|null |
Campochoices[].message.tool_calls | Tipotool_call[] |
Campochoices[].message.reasoning_content | Tipostring |
Campochoices[].message.reasoning_details | Tipoobject|array |
Campochoices[].finish_reason | Tipostring|null |
Campousage | Tipoobject |
| Risposta | Condizione | Passaggio successivo |
|---|---|---|
Risposta400 · invalid_request_error | CondizioneCampi obbligatori, rappresentazione del materiale o valore del parametro non validi | Passaggio successivoCorreggi i campi indicati prima di una nuova richiesta di creazione. |
Ailoot glm-5.3, glm, glm-5, glm-5.1, glm-5.2, glm-latest
Ailoot Ultra glm-5.3, z-ai/glm-5.3, ~z-ai/glm-latest
/chat/completions
z-ai/glm-5.3, glm, glm-5, glm-5.1, glm-5.2, glm-latest, ~z-ai/glm-latest, glm-5.3, glm-5.3
z-ai/glm-5.3Z.ai GLM 5.3 è un modello di ragionamento testuale per ingegneria del software complessa, lavoro da terminale e agenti impegnati in attività prolungate. Supporta un contesto di 1M token documentato dal produttore, un massimo di 128K token di output, chiamate a funzioni e livelli di ragionamento low/high/max, con il ragionamento sempre attivo.
Questa descrizione illustra le funzionalità del modello. Gli input, gli output e le opzioni disponibili in Ailoot per il metodo selezionato sono elencati di seguito.
Z.ai GLM 5.3 è un modello di ragionamento testuale su larga scala, progettato per ingegneria del software complessa e attività prolungate degli agenti. Il produttore afferma che utilizza lo stesso modello di base di GLM 5.2 e che i nuovi miglioramenti derivano dall'addestramento successivo. La versione si concentra su capacità potenziate di programmazione, operazioni da terminale e compiti più ampi che coinvolgono più passaggi dipendenti tra loro. Accetta testo e produce testo, inclusi codice, spiegazioni, piani e richieste di chiamata a strumenti in un'applicazione collegata a strumenti.
La modalità di ragionamento documentata è sempre attiva. GLM 5.3 offre tre livelli di impegno: low, high e max, con max come valore predefinito. Il produttore raccomanda max per la programmazione complessa; low offre un'opzione di ragionamento più leggera per i passaggi semplici. Usa il livello selezionato insieme a un elaborato finale chiaro e a criteri di completamento. Per esempio: «Esamina questi file e gli esiti negativi, risali alla causa nei moduli coinvolti, proponi una correzione che preservi l'interfaccia pubblica e spiega quali verifiche dimostrano la risoluzione della regressione».
Il produttore specifica una finestra di contesto di 1M token e una lunghezza massima di output di 128K token. Organizza il materiale esteso attorno alla relazione che il modello deve indagare. Conserva nomi dei file, definizioni pertinenti, etichette delle fonti e ordine delle osservazioni, lasciando spazio al ragionamento e alla risposta finale entro il contesto di lavoro applicabile. Una finestra ampia è utile per dipendenze tra moduli o lunghe sequenze di osservazioni di un agente; non trasforma un archivio privo di direzione e composto da materiale non correlato in un compito ben definito.
Per il lavoro su un repository, fornisci il comportamento atteso, il testo sorgente pertinente, le versioni delle dipendenze e l'output effettivo degli errori. Chiedi al modello di identificare il comportamento coinvolto prima di proporre una modifica. Per una ristrutturazione del codice, nomina l'interfaccia e le invarianti che devono rimanere intatte. Una risposta utile contiene il codice rivisto, il motivo per cui la modifica affronta il problema osservato e i casi necessari per verificarne l'esito. Riporta i risultati effettivi nel flusso collegato agli strumenti, affinché il passaggio successivo si basi sullo stato modificato anziché sulla proposta precedente.
Per il lavoro sulle prestazioni, fornisci un carico di lavoro, un riferimento iniziale e misurazioni come tempi, profili di esecuzione o registri delle allocazioni. Z.ai descrive compiti di addestramento che coinvolgono diagnosi dei colli di bottiglia, ottimizzazione, esperimenti e risultati che preservano la correttezza. Una richiesta pratica è: «Usa questo profilo per identificare il collo di bottiglia più rilevante, proponi una modifica misurabile e spiega quale risultato ne giustificherebbe il mantenimento». Distingui un'ipotesi sulle prestazioni da un miglioramento registrato. Mantieni lo stesso carico e le condizioni pertinenti nell'esaminare un risultato.
La versione sviluppa anche capacità di analisi delle vulnerabilità. Per una revisione difensiva del sorgente, fornisci il codice pertinente, i confini di fiducia previsti e le condizioni in cui viene eseguito. Richiedi un riscontro che colleghi un problema sospetto all'input interessato, al comportamento e a una correzione mirata. Distingui una debolezza potenziale da un difetto riprodotto e conserva l'osservazione usata per convalidarlo. Una relazione è più utile quando dà priorità a evidenze concrete e correzioni proposte, anziché trattare ogni schema sospetto come una vulnerabilità confermata.
Le chiamate a funzioni consentono a un'applicazione circostante di esporre operazioni esterne al modello. Definisci lo scopo, gli argomenti e il risultato atteso di ogni strumento, quindi restituisci l'osservazione effettiva dello strumento per il passaggio successivo. Il modello può ragionare su tale risultato e stabilire come cambi il compito. Mantieni distinguibili azioni proposte, operazioni eseguite e verifiche irrisolte. Il produttore documenta anche risposte in streaming che restituiscono separatamente frammenti di ragionamento e di risposta; ricomponi la risposta completa prima di considerarla la relazione finale o la spiegazione del codice.
La scheda locale del modello fornisce un dettaglio specifico sulla gestione della cronologia: il template di chat conserva il ragionamento per impostazione predefinita, mentre il produttore raccomanda di cancellare esplicitamente il ragionamento precedente negli scenari di chat ordinaria. Applica la struttura conversazionale adatta al caso d'uso, preservando le risposte effettivamente completate e i risultati degli strumenti necessari per proseguire. Evita di considerare intercambiabili le impostazioni di controllo del ragionamento di GLM 5.2 o delle edizioni separate GLM 5.3 Flash con i controlli low/high/max di questo modello.
Per risultati strutturati, specifica campi, tipi e regole relative alle fonti. Un elaborato utile può essere una tabella dei difetti, un piano di modifiche o un oggetto JSON che riepiloga le osservazioni. Convalida sia la struttura sia i valori prima che un'applicazione li utilizzi. Il risultato finale deve identificare la risposta o l'elaborato rivisto, le evidenze a sostegno e le ipotesi residue. Un maggiore impegno di ragionamento non dimostra che uno strumento sia stato eseguito, che una modifica proposta abbia superato le verifiche o che un'affermazione fattuale disponga di supporto oltre il materiale fornito.
POST /v1/messagestextjson, sse| Campo | Tipo | Requisito | Valori e limiti | Predefinito |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObbligatorio | Valori e limiti z-ai/glm-5.3 | Predefinito— |
Campomessages | Tipomessage[] | RequisitoObbligatorio | Valori e limiti | Predefinito— |
Campomessages[].role | Tipostring | RequisitoObbligatorio | Valori e limiti user, assistant | Predefinito— |
Campomessages[].content | Tipostring | RequisitoObbligatorio | Valori e limiti | Predefinito— |
Campomax_tokens | Tipointeger | RequisitoObbligatorio | Valori e limiti | Predefinito— |
Campostream | Tipoboolean | RequisitoFacoltativo | Valori e limiti | Predefinitofalse |
Testo · Testo UTF-8
Stringa messages[].content
| Parametro | Contratto |
|---|---|
Parametrocontent_type | Contrattoapplication/json |
Parametrorequired | Contrattomodel, messages, max_tokens |
Parametrooptional_controls | Contrattostream |
Parametromaterial_types | Contrattotext |
Parametrotext_file_material | ContrattoLeggi il documento UTF-8 effettivo e inserisci il testo nell’ingresso indicato o nella stringa del contenuto del messaggio. |
Ciclo di vita: synchronous_or_streamed
Le tariffe non aggiungono opzioni alla richiesta. I parametri supportati sono elencati nel metodo selezionato.
Associa ogni costo alle condizioni indicate. Usa una sola tariffa per ogni insieme di configurazioni alternative.
| Configurazione | Listino delle tariffe | Token di contesto, più di | Token di contesto, fino al limite incluso | Costo |
|---|---|---|---|---|
| ConfigurazioneTariffe di base dei token | Listino delle tariffeTariffa base | Token di contesto, più di— | Token di contesto, fino al limite inclusoNessun limite superiore | Costo Input · Token in input $0.0028 / 1K token Output · Token in output $0.0088 / 1K token Input · Lettura dalla cache $0.00052 / 1K token Input · Scrittura nella cache — / 1K token Input · Scrittura nella cache, 1 ora — / 1K token |
| ConfigurazioneFascia 1 di lunghezza della richiesta | Listino delle tariffe— | Token di contesto, più di0 | Token di contesto, fino al limite inclusoNessun limite superiore | Costo Input · Token in input $0.0028 / 1K token Output · Token in output $0.0088 / 1K token Input · Lettura dalla cache $0.00052 / 1K token Input · Scrittura nella cache — / 1K token Input · Scrittura nella cache, 1 ora — / 1K token |
Ailoot prenota un importo stimato prima di una richiesta. Dopo il risultato, addebita il costo finale in base all’utilizzo misurato. Per lo streaming, l’addebito usa il record finale di utilizzo. Come funzionano la prenotazione e l’addebito finale →
{\n "model": "z-ai/glm-5.3",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-5.3', '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-5.3', '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 o SSE
Conserva ogni risposta, file e parte di contenuto restituiti per intero.
Conserva tutti i blocchi di contenuto, le firme di ragionamento e gli ID effettivi di utilizzo degli strumenti. Assembla tutti i delta dei blocchi SSE; il primo blocco di testo non è l’uscita completa.
Conserva gli ID e le intestazioni di richiesta/risposta. Non viene fornito alcun URL generico per recuperare un’attività testuale.
| Campo | Tipo |
|---|---|
Campoid | Tipostring |
Campomodel | Tipostring |
Campocontent[] | Tipotext|thinking|tool_use|other content block |
Campostop_reason | Tipostring|null |
Campousage | Tipoobject |
| Risposta | Condizione | Passaggio successivo |
|---|---|---|
Risposta400 · invalid_request_error | CondizioneCampi obbligatori, rappresentazione del materiale o valore del parametro non validi | Passaggio successivoCorreggi i campi indicati prima di una nuova richiesta di creazione. |
Ailoot glm-5.3, glm, glm-5, glm-5.1, glm-5.2, glm-latest
Ailoot Ultra glm-5.3, z-ai/glm-5.3, ~z-ai/glm-latest
/chat/completions
z-ai/glm-5.3, glm, glm-5, glm-5.1, glm-5.2, glm-latest, ~z-ai/glm-latest, glm-5.3, glm-5.3
~z-ai/glm-latestZ.ai GLM 5.3 è un modello di ragionamento testuale per ingegneria del software complessa, lavoro da terminale e agenti impegnati in attività prolungate. Supporta un contesto di 1M token documentato dal produttore, un massimo di 128K token di output, chiamate a funzioni e livelli di ragionamento low/high/max, con il ragionamento sempre attivo.
Questa descrizione illustra le funzionalità del modello. Gli input, gli output e le opzioni disponibili in Ailoot per il metodo selezionato sono elencati di seguito.
Z.ai GLM 5.3 è un modello di ragionamento testuale su larga scala, progettato per ingegneria del software complessa e attività prolungate degli agenti. Il produttore afferma che utilizza lo stesso modello di base di GLM 5.2 e che i nuovi miglioramenti derivano dall'addestramento successivo. La versione si concentra su capacità potenziate di programmazione, operazioni da terminale e compiti più ampi che coinvolgono più passaggi dipendenti tra loro. Accetta testo e produce testo, inclusi codice, spiegazioni, piani e richieste di chiamata a strumenti in un'applicazione collegata a strumenti.
La modalità di ragionamento documentata è sempre attiva. GLM 5.3 offre tre livelli di impegno: low, high e max, con max come valore predefinito. Il produttore raccomanda max per la programmazione complessa; low offre un'opzione di ragionamento più leggera per i passaggi semplici. Usa il livello selezionato insieme a un elaborato finale chiaro e a criteri di completamento. Per esempio: «Esamina questi file e gli esiti negativi, risali alla causa nei moduli coinvolti, proponi una correzione che preservi l'interfaccia pubblica e spiega quali verifiche dimostrano la risoluzione della regressione».
Il produttore specifica una finestra di contesto di 1M token e una lunghezza massima di output di 128K token. Organizza il materiale esteso attorno alla relazione che il modello deve indagare. Conserva nomi dei file, definizioni pertinenti, etichette delle fonti e ordine delle osservazioni, lasciando spazio al ragionamento e alla risposta finale entro il contesto di lavoro applicabile. Una finestra ampia è utile per dipendenze tra moduli o lunghe sequenze di osservazioni di un agente; non trasforma un archivio privo di direzione e composto da materiale non correlato in un compito ben definito.
Per il lavoro su un repository, fornisci il comportamento atteso, il testo sorgente pertinente, le versioni delle dipendenze e l'output effettivo degli errori. Chiedi al modello di identificare il comportamento coinvolto prima di proporre una modifica. Per una ristrutturazione del codice, nomina l'interfaccia e le invarianti che devono rimanere intatte. Una risposta utile contiene il codice rivisto, il motivo per cui la modifica affronta il problema osservato e i casi necessari per verificarne l'esito. Riporta i risultati effettivi nel flusso collegato agli strumenti, affinché il passaggio successivo si basi sullo stato modificato anziché sulla proposta precedente.
Per il lavoro sulle prestazioni, fornisci un carico di lavoro, un riferimento iniziale e misurazioni come tempi, profili di esecuzione o registri delle allocazioni. Z.ai descrive compiti di addestramento che coinvolgono diagnosi dei colli di bottiglia, ottimizzazione, esperimenti e risultati che preservano la correttezza. Una richiesta pratica è: «Usa questo profilo per identificare il collo di bottiglia più rilevante, proponi una modifica misurabile e spiega quale risultato ne giustificherebbe il mantenimento». Distingui un'ipotesi sulle prestazioni da un miglioramento registrato. Mantieni lo stesso carico e le condizioni pertinenti nell'esaminare un risultato.
La versione sviluppa anche capacità di analisi delle vulnerabilità. Per una revisione difensiva del sorgente, fornisci il codice pertinente, i confini di fiducia previsti e le condizioni in cui viene eseguito. Richiedi un riscontro che colleghi un problema sospetto all'input interessato, al comportamento e a una correzione mirata. Distingui una debolezza potenziale da un difetto riprodotto e conserva l'osservazione usata per convalidarlo. Una relazione è più utile quando dà priorità a evidenze concrete e correzioni proposte, anziché trattare ogni schema sospetto come una vulnerabilità confermata.
Le chiamate a funzioni consentono a un'applicazione circostante di esporre operazioni esterne al modello. Definisci lo scopo, gli argomenti e il risultato atteso di ogni strumento, quindi restituisci l'osservazione effettiva dello strumento per il passaggio successivo. Il modello può ragionare su tale risultato e stabilire come cambi il compito. Mantieni distinguibili azioni proposte, operazioni eseguite e verifiche irrisolte. Il produttore documenta anche risposte in streaming che restituiscono separatamente frammenti di ragionamento e di risposta; ricomponi la risposta completa prima di considerarla la relazione finale o la spiegazione del codice.
La scheda locale del modello fornisce un dettaglio specifico sulla gestione della cronologia: il template di chat conserva il ragionamento per impostazione predefinita, mentre il produttore raccomanda di cancellare esplicitamente il ragionamento precedente negli scenari di chat ordinaria. Applica la struttura conversazionale adatta al caso d'uso, preservando le risposte effettivamente completate e i risultati degli strumenti necessari per proseguire. Evita di considerare intercambiabili le impostazioni di controllo del ragionamento di GLM 5.2 o delle edizioni separate GLM 5.3 Flash con i controlli low/high/max di questo modello.
Per risultati strutturati, specifica campi, tipi e regole relative alle fonti. Un elaborato utile può essere una tabella dei difetti, un piano di modifiche o un oggetto JSON che riepiloga le osservazioni. Convalida sia la struttura sia i valori prima che un'applicazione li utilizzi. Il risultato finale deve identificare la risposta o l'elaborato rivisto, le evidenze a sostegno e le ipotesi residue. Un maggiore impegno di ragionamento non dimostra che uno strumento sia stato eseguito, che una modifica proposta abbia superato le verifiche o che un'affermazione fattuale disponga di supporto oltre il materiale fornito.
POST /v1/chat/completionstexttext| Campo | Tipo | Requisito | Valori e limiti | Predefinito |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObbligatorio | Valori e limiti ~z-ai/glm-latest | Predefinito— |
Campomessages | Tipomessage[] | RequisitoObbligatorio | Valori e limiti Numero minimo di elementi: 1 | Predefinito— |
Campomessages[].role | Tipostring | RequisitoObbligatorio | Valori e limiti Esempi: system, user, assistant, tool, function Condizioni: Questi ruoli sono rappresentati esplicitamente dai tipi di compatibilità del codice sorgente; l’insieme esatto dei ruoli rimane specifico del modello. Dipende dal modello | Predefinito— |
Campomessages[].content | Tipostring|content_part[]|null | RequisitoFacoltativo | Valori e limiti | Predefinito— |
Campomessages[].tool_calls | Tipotool_call[] | RequisitoFacoltativo | Valori e limiti | Predefinito— |
Campomessages[].tool_call_id | Tipostring | RequisitoFacoltativo | Valori e limiti Si applica quando: role=tool; usa l’ID effettivamente restituito | Predefinito— |
Campomessages[].name | Tipostring | RequisitoFacoltativo | Valori e limiti | Predefinito— |
Campomessages[].reasoning_content | Tipostring | RequisitoFacoltativo | Valori e limiti Si applica quando: Reinserisci il ragionamento effettivamente restituito quando il modello lo utilizza | Predefinito— |
Campomessages[].reasoning_details | Tipoobject|array | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campomax_tokens | Tipointeger | RequisitoFacoltativo | Valori e limiti Minimo: 1 Dipende dal modello | Predefinito— |
Campomax_completion_tokens | Tipointeger | RequisitoFacoltativo | Valori e limiti Minimo: 1 Dipende dal modello | Predefinito— |
Campostream | Tipoboolean | RequisitoFacoltativo | Valori e limiti | Predefinitofalse |
Campostream_options.include_usage | Tipoboolean | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campotemperature | Tiponumber | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campotop_p | Tiponumber | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campostop | Tipostring|string[] | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campotools | Tipofunction_tool[] | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campotools[].type | Tipostring | RequisitoFacoltativo | Valori e limiti function Dipende dal modello | Predefinito— |
Campotools[].function.name | Tipostring | RequisitoObbligatorio | Valori e limiti Si applica quando: Funzione fornita come strumento | Predefinito— |
Campotools[].function.description | Tipostring | RequisitoFacoltativo | Valori e limiti | Predefinito— |
Campotools[].function.parameters | TipoJSON_schema | RequisitoFacoltativo | Valori e limiti | Predefinito— |
Campotool_choice | Tipostring|object | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campoparallel_tool_calls | Tipoboolean | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Camporesponse_format | Tipoobject | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Camporeasoning_effort | Tipostring | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Camporeasoning | Tipoobject | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Camposervice_tier | Tipostring | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campoinstructions | Tipostring | RequisitoFacoltativo | Valori e limiti Campo di compatibilità | Predefinito— |
Campofunctions | Tipofunction[] | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campofunction_call | Tipostring|object | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campoprompt_cache_options | Tipoobject | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campomodalities | Tipostring[] | RequisitoFacoltativo | Valori e limiti text | Predefinito— |
Campoprovider | Tipoobject | RequisitoFacoltativo | Valori e limiti Condizioni: provider.options viene rifiutato su questa rotta testuale Ultra | Predefinito— |
Campocache_control.ttl | Tipostring | RequisitoFacoltativo | Valori e limiti Condizioni: 1h viene rifiutato nelle posizioni effettive della cache dei prompt | Predefinito— |
Testo · Testo UTF8
messages[].content
| Parametro | Contratto |
|---|---|
Parametrocontent_type | Contrattoapplication/json |
Parametrorequired | Contrattomodel, messages |
Parametromaterial_types | Contrattotext |
Parametromessages | ContrattoArray di messaggi con struttura role/content |
Parametrofile_material | ContrattoDocumento UTF-8 effettivo inserito come testo letterale; nessun ID di file dedotto |
Parametrooptional_controls | Contrattostream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametrocontrol_scope | ContrattoSpecifico del modello; gli strumenti di funzione dell’utente differiscono dagli strumenti ospitati |
Parametrooutput_modalities | Contrattotext |
Parametrohosted_operations | Contrattofalse |
Parametromultimodal_input_binding | Contrattonull |
Ciclo di vita: synchronous_or_streamed
Invia l’ID esatto del modello con messages.
La lunghezza del contesto non è un limite di uscita.
Un file di testo può fornire testo letterale; gli ingressi immagine/audio/oggetto file richiedono un’associazione esatta.
Le tariffe non aggiungono opzioni alla richiesta. I parametri supportati sono elencati nel metodo selezionato.
Associa ogni costo alle condizioni indicate. Usa una sola tariffa per ogni insieme di configurazioni alternative.
| Configurazione | Listino delle tariffe | Token di contesto, più di | Token di contesto, fino al limite incluso | Costo |
|---|---|---|---|---|
| ConfigurazioneTariffe di base dei token | Listino delle tariffeTariffa base | Token di contesto, più di— | Token di contesto, fino al limite inclusoNessun limite superiore | Costo Input · Token in input $0.0028 / 1K token Output · Token in output $0.0088 / 1K token Input · Lettura dalla cache $0.00052 / 1K token Input · Scrittura nella cache — / 1K token Input · Scrittura nella cache, 1 ora — / 1K token |
| ConfigurazioneFascia 1 di lunghezza della richiesta | Listino delle tariffe— | Token di contesto, più di0 | Token di contesto, fino al limite inclusoNessun limite superiore | Costo Input · Token in input $0.0028 / 1K token Output · Token in output $0.0088 / 1K token Input · Lettura dalla cache $0.00052 / 1K token Input · Scrittura nella cache — / 1K token Input · Scrittura nella cache, 1 ora — / 1K token |
Ailoot prenota un importo stimato prima di una richiesta. Dopo il risultato, addebita il costo finale in base all’utilizzo misurato. Per lo streaming, l’addebito usa il record finale di utilizzo. Come funzionano la prenotazione e l’addebito finale →
set -eu\n: "${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-latest", "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-latest',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-latest',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 o SSE
Conserva ogni risposta, file e parte di contenuto restituiti per intero.
Conserva ogni scelta con contenuto, chiamate agli strumenti e ragionamento. In SSE assembla i delta per indice di scelta e strumento e conserva il motivo finale di completamento e i dati di utilizzo.
Conserva gli ID e le intestazioni di richiesta/risposta. Non viene fornito alcun URL generico per recuperare un’attività testuale.
| Campo | Tipo |
|---|---|
Campochoices[].index | Tipointeger |
Campochoices[].message.content | Tipostring|null |
Campochoices[].message.tool_calls | Tipotool_call[] |
Campochoices[].message.reasoning_content | Tipostring |
Campochoices[].message.reasoning_details | Tipoobject|array |
Campochoices[].finish_reason | Tipostring|null |
Campousage | Tipoobject |
| Risposta | Condizione | Passaggio successivo |
|---|---|---|
Risposta400 · invalid_request_error | CondizioneCampi obbligatori, rappresentazione del materiale o valore del parametro non validi | Passaggio successivoCorreggi i campi indicati prima di una nuova richiesta di creazione. |
Ailoot glm-5.3, glm, glm-5, glm-5.1, glm-5.2, glm-latest
Ailoot Ultra glm-5.3, z-ai/glm-5.3, ~z-ai/glm-latest
/chat/completions
z-ai/glm-5.3, glm, glm-5, glm-5.1, glm-5.2, glm-latest, ~z-ai/glm-latest, glm-5.3, glm-5.3
~z-ai/glm-latestZ.ai GLM 5.3 è un modello di ragionamento testuale per ingegneria del software complessa, lavoro da terminale e agenti impegnati in attività prolungate. Supporta un contesto di 1M token documentato dal produttore, un massimo di 128K token di output, chiamate a funzioni e livelli di ragionamento low/high/max, con il ragionamento sempre attivo.
Questa descrizione illustra le funzionalità del modello. Gli input, gli output e le opzioni disponibili in Ailoot per il metodo selezionato sono elencati di seguito.
Z.ai GLM 5.3 è un modello di ragionamento testuale su larga scala, progettato per ingegneria del software complessa e attività prolungate degli agenti. Il produttore afferma che utilizza lo stesso modello di base di GLM 5.2 e che i nuovi miglioramenti derivano dall'addestramento successivo. La versione si concentra su capacità potenziate di programmazione, operazioni da terminale e compiti più ampi che coinvolgono più passaggi dipendenti tra loro. Accetta testo e produce testo, inclusi codice, spiegazioni, piani e richieste di chiamata a strumenti in un'applicazione collegata a strumenti.
La modalità di ragionamento documentata è sempre attiva. GLM 5.3 offre tre livelli di impegno: low, high e max, con max come valore predefinito. Il produttore raccomanda max per la programmazione complessa; low offre un'opzione di ragionamento più leggera per i passaggi semplici. Usa il livello selezionato insieme a un elaborato finale chiaro e a criteri di completamento. Per esempio: «Esamina questi file e gli esiti negativi, risali alla causa nei moduli coinvolti, proponi una correzione che preservi l'interfaccia pubblica e spiega quali verifiche dimostrano la risoluzione della regressione».
Il produttore specifica una finestra di contesto di 1M token e una lunghezza massima di output di 128K token. Organizza il materiale esteso attorno alla relazione che il modello deve indagare. Conserva nomi dei file, definizioni pertinenti, etichette delle fonti e ordine delle osservazioni, lasciando spazio al ragionamento e alla risposta finale entro il contesto di lavoro applicabile. Una finestra ampia è utile per dipendenze tra moduli o lunghe sequenze di osservazioni di un agente; non trasforma un archivio privo di direzione e composto da materiale non correlato in un compito ben definito.
Per il lavoro su un repository, fornisci il comportamento atteso, il testo sorgente pertinente, le versioni delle dipendenze e l'output effettivo degli errori. Chiedi al modello di identificare il comportamento coinvolto prima di proporre una modifica. Per una ristrutturazione del codice, nomina l'interfaccia e le invarianti che devono rimanere intatte. Una risposta utile contiene il codice rivisto, il motivo per cui la modifica affronta il problema osservato e i casi necessari per verificarne l'esito. Riporta i risultati effettivi nel flusso collegato agli strumenti, affinché il passaggio successivo si basi sullo stato modificato anziché sulla proposta precedente.
Per il lavoro sulle prestazioni, fornisci un carico di lavoro, un riferimento iniziale e misurazioni come tempi, profili di esecuzione o registri delle allocazioni. Z.ai descrive compiti di addestramento che coinvolgono diagnosi dei colli di bottiglia, ottimizzazione, esperimenti e risultati che preservano la correttezza. Una richiesta pratica è: «Usa questo profilo per identificare il collo di bottiglia più rilevante, proponi una modifica misurabile e spiega quale risultato ne giustificherebbe il mantenimento». Distingui un'ipotesi sulle prestazioni da un miglioramento registrato. Mantieni lo stesso carico e le condizioni pertinenti nell'esaminare un risultato.
La versione sviluppa anche capacità di analisi delle vulnerabilità. Per una revisione difensiva del sorgente, fornisci il codice pertinente, i confini di fiducia previsti e le condizioni in cui viene eseguito. Richiedi un riscontro che colleghi un problema sospetto all'input interessato, al comportamento e a una correzione mirata. Distingui una debolezza potenziale da un difetto riprodotto e conserva l'osservazione usata per convalidarlo. Una relazione è più utile quando dà priorità a evidenze concrete e correzioni proposte, anziché trattare ogni schema sospetto come una vulnerabilità confermata.
Le chiamate a funzioni consentono a un'applicazione circostante di esporre operazioni esterne al modello. Definisci lo scopo, gli argomenti e il risultato atteso di ogni strumento, quindi restituisci l'osservazione effettiva dello strumento per il passaggio successivo. Il modello può ragionare su tale risultato e stabilire come cambi il compito. Mantieni distinguibili azioni proposte, operazioni eseguite e verifiche irrisolte. Il produttore documenta anche risposte in streaming che restituiscono separatamente frammenti di ragionamento e di risposta; ricomponi la risposta completa prima di considerarla la relazione finale o la spiegazione del codice.
La scheda locale del modello fornisce un dettaglio specifico sulla gestione della cronologia: il template di chat conserva il ragionamento per impostazione predefinita, mentre il produttore raccomanda di cancellare esplicitamente il ragionamento precedente negli scenari di chat ordinaria. Applica la struttura conversazionale adatta al caso d'uso, preservando le risposte effettivamente completate e i risultati degli strumenti necessari per proseguire. Evita di considerare intercambiabili le impostazioni di controllo del ragionamento di GLM 5.2 o delle edizioni separate GLM 5.3 Flash con i controlli low/high/max di questo modello.
Per risultati strutturati, specifica campi, tipi e regole relative alle fonti. Un elaborato utile può essere una tabella dei difetti, un piano di modifiche o un oggetto JSON che riepiloga le osservazioni. Convalida sia la struttura sia i valori prima che un'applicazione li utilizzi. Il risultato finale deve identificare la risposta o l'elaborato rivisto, le evidenze a sostegno e le ipotesi residue. Un maggiore impegno di ragionamento non dimostra che uno strumento sia stato eseguito, che una modifica proposta abbia superato le verifiche o che un'affermazione fattuale disponga di supporto oltre il materiale fornito.
POST /v1/messagestextjson, sse| Campo | Tipo | Requisito | Valori e limiti | Predefinito |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObbligatorio | Valori e limiti ~z-ai/glm-latest | Predefinito— |
Campomessages | Tipomessage[] | RequisitoObbligatorio | Valori e limiti | Predefinito— |
Campomessages[].role | Tipostring | RequisitoObbligatorio | Valori e limiti user, assistant | Predefinito— |
Campomessages[].content | Tipostring | RequisitoObbligatorio | Valori e limiti | Predefinito— |
Campomax_tokens | Tipointeger | RequisitoObbligatorio | Valori e limiti | Predefinito— |
Campostream | Tipoboolean | RequisitoFacoltativo | Valori e limiti | Predefinitofalse |
Testo · Testo UTF-8
Stringa messages[].content
| Parametro | Contratto |
|---|---|
Parametrocontent_type | Contrattoapplication/json |
Parametrorequired | Contrattomodel, messages, max_tokens |
Parametrooptional_controls | Contrattostream |
Parametromaterial_types | Contrattotext |
Parametrotext_file_material | ContrattoLeggi il documento UTF-8 effettivo e inserisci il testo nell’ingresso indicato o nella stringa del contenuto del messaggio. |
Ciclo di vita: synchronous_or_streamed
Le tariffe non aggiungono opzioni alla richiesta. I parametri supportati sono elencati nel metodo selezionato.
Associa ogni costo alle condizioni indicate. Usa una sola tariffa per ogni insieme di configurazioni alternative.
| Configurazione | Listino delle tariffe | Token di contesto, più di | Token di contesto, fino al limite incluso | Costo |
|---|---|---|---|---|
| ConfigurazioneTariffe di base dei token | Listino delle tariffeTariffa base | Token di contesto, più di— | Token di contesto, fino al limite inclusoNessun limite superiore | Costo Input · Token in input $0.0028 / 1K token Output · Token in output $0.0088 / 1K token Input · Lettura dalla cache $0.00052 / 1K token Input · Scrittura nella cache — / 1K token Input · Scrittura nella cache, 1 ora — / 1K token |
| ConfigurazioneFascia 1 di lunghezza della richiesta | Listino delle tariffe— | Token di contesto, più di0 | Token di contesto, fino al limite inclusoNessun limite superiore | Costo Input · Token in input $0.0028 / 1K token Output · Token in output $0.0088 / 1K token Input · Lettura dalla cache $0.00052 / 1K token Input · Scrittura nella cache — / 1K token Input · Scrittura nella cache, 1 ora — / 1K token |
Ailoot prenota un importo stimato prima di una richiesta. Dopo il risultato, addebita il costo finale in base all’utilizzo misurato. Per lo streaming, l’addebito usa il record finale di utilizzo. Come funzionano la prenotazione e l’addebito finale →
{\n "model": "~z-ai/glm-latest",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-latest', '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-latest', '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 o SSE
Conserva ogni risposta, file e parte di contenuto restituiti per intero.
Conserva tutti i blocchi di contenuto, le firme di ragionamento e gli ID effettivi di utilizzo degli strumenti. Assembla tutti i delta dei blocchi SSE; il primo blocco di testo non è l’uscita completa.
Conserva gli ID e le intestazioni di richiesta/risposta. Non viene fornito alcun URL generico per recuperare un’attività testuale.
| Campo | Tipo |
|---|---|
Campoid | Tipostring |
Campomodel | Tipostring |
Campocontent[] | Tipotext|thinking|tool_use|other content block |
Campostop_reason | Tipostring|null |
Campousage | Tipoobject |
| Risposta | Condizione | Passaggio successivo |
|---|---|---|
Risposta400 · invalid_request_error | CondizioneCampi obbligatori, rappresentazione del materiale o valore del parametro non validi | Passaggio successivoCorreggi i campi indicati prima di una nuova richiesta di creazione. |
Ailoot glm-5.3, glm, glm-5, glm-5.1, glm-5.2, glm-latest
Ailoot Ultra glm-5.3, z-ai/glm-5.3, ~z-ai/glm-latest
/chat/completions
z-ai/glm-5.3, glm, glm-5, glm-5.1, glm-5.2, glm-latest, ~z-ai/glm-latest, glm-5.3, glm-5.3
Esempio tecnico in inglese
Target a measured bottleneck\n\nProfile P1 for one import: parsing 0.4 s, per-row database lookups 8.1 s, writing 0.8 s. The import handles 10,000 rows, including repeated customer IDs. Propose one correctness-preserving optimization, describe what lookup behavior must remain identical and define a same-workload check before claiming an improvement.A bottleneck hypothesis, one proposed change and a correctness plus timing comparison plan.The proposal must use P1 without inventing an observed speedup or losing missing-customer behavior.