GLM-4-9B-Chat è l'edizione allineata al dialogo del modello linguistico aperto GLM-4-9B di Z.ai. La sua preparazione combina una base multilingue con l'allineamento alle preferenze umane. Il modello lavora con il testo: domande, documenti, codice e cronologia della conversazione diventano l'input, e il risultato visibile è testo o un'azione richiesta a uno strumento. Le aree dichiarate includono comprensione linguistica, matematica, ragionamento, programmazione e domande basate sulle conoscenze.
Il rapporto GLM-4 descrive il modello da 9 miliardi di parametri come preaddestrato su circa diecimila miliardi di token di materiale multilingue, inizialmente con un contesto di 8K, e poi postaddestrato con la pipeline e i dati usati per GLM-4-0520. La lunghezza iniziale di addestramento non è il limite di contesto di questa versione Chat: la finestra pubblicata per gli utenti è di 128K. Questa distinzione è importante quando si sceglie tra una specifica di addestramento e le caratteristiche effettive della variante con questo nome.
Un'attività utile di programmazione consiste nel fornire una funzione, il comportamento previsto e un input che fallisce, quindi richiedere una spiegazione seguita da un frammento corretto. Per un assistente documentale, fornisci le sezioni pertinenti e chiedi di estrarre requisiti, confrontare passaggi o spiegare un termine sconosciuto. Sono applicazioni delle capacità linguistiche e di programmazione del modello, non un prodotto separato o una modalità di generazione di file.
Questa edizione Chat supporta un contesto di 128K token. La capacità consente a un assistente di mantenere il materiale originale e il dialogo precedente nella stessa attività. Assegna nomi chiari alle sezioni dei documenti lunghi e indica se la risposta debba essere un riepilogo, un confronto o una spiegazione di un passaggio specifico. Nei messaggi successivi, identifica il passaggio da modificare anziché sostituire implicitamente l'attività.
GLM-4-9B-Chat-1M è un'edizione a contesto lungo denominata separatamente. La normale voce Chat non acquisisce la sua finestra da un milione di token. Analogamente, il modello visivo GLM-4V-9B è separato: l'input di questa edizione resta testuale. Gli esempi di generazione pubblicati usano impostazioni di lunghezza specifiche per la richiesta; non stabiliscono un'unica lunghezza massima universale della risposta.
Il modello supporta 26 lingue, con giapponese, coreano e tedesco tra gli esempi citati. Il rapporto di addestramento GLM-4 descrive cinese e inglese come lingue principali di allineamento, insieme a un corpus multilingue più ampio. Per traduzioni o dialoghi di assistenza, specifica lingua di destinazione, terminologia e tono e fornisci il materiale da conservare invariato. Ad esempio, un assistente può spiegare un passaggio nella lingua richiesta preservando nomi di prodotti e identificativi del codice.
GLM-4-9B-Chat è predisposto per navigazione web, esecuzione di codice e chiamate a funzioni personalizzate. L'approccio all-tools di GLM-4 collega la pianificazione dell'attività alle azioni esterne e alle osservazioni restituite. Un assistente documentale può richiedere una ricerca, usare l'estratto restituito e continuare la spiegazione; un'attività numerica può usare uno strumento Python fornito dall'applicazione circostante.
L'applicazione definisce ed esegue questi strumenti. Il testo del modello non naviga da solo in un sito, non esegue un programma e non crea un'immagine. Se l'applicazione fornisce una funzione di generazione di immagini, è quella funzione esterna a produrre l'immagine; questo modello testuale pianifica la chiamata e discute il risultato restituito. Assegna a ogni funzione uno scopo chiaro e una definizione degli argomenti, e reinserisci il risultato nel dialogo prima di richiedere la risposta finale.
L'edizione usa un template di chat basato sui ruoli. Conserva le istruzioni dell'utente, le risposte pertinenti dell'assistente e i risultati degli strumenti come turni distinti. Una richiesta pratica è: «Usando queste sezioni di documento nominate, elenca i requisiti, spiega le contraddizioni e cita le etichette delle sezioni a sostegno di ogni conclusione». Un'altra è: «Spiega come questa funzione elabora l'input fornito, poi proponi una modifica che conservi l'interfaccia indicata». Il risultato richiesto deve essere esplicito, così da poter verificare la risposta rispetto al materiale originale e al comportamento previsto del programma.
", "aboutText": "### Introduzione al modello\n\nGLM-4-9B-Chat è l'edizione allineata al dialogo del modello linguistico aperto GLM-4-9B di Z.ai. La sua preparazione combina una base multilingue con l'allineamento alle preferenze umane. Il modello lavora con il testo: domande, documenti, codice e cronologia della conversazione diventano l'input, e il risultato visibile è testo o un'azione richiesta a uno strumento. Le aree dichiarate includono comprensione linguistica, matematica, ragionamento, programmazione e domande basate sulle conoscenze.\n\nIl rapporto GLM-4 descrive il modello da 9 miliardi di parametri come preaddestrato su circa diecimila miliardi di token di materiale multilingue, inizialmente con un contesto di 8K, e poi postaddestrato con la pipeline e i dati usati per GLM-4-0520. La lunghezza iniziale di addestramento non è il limite di contesto di questa versione Chat: la finestra pubblicata per gli utenti è di 128K. Questa distinzione è importante quando si sceglie tra una specifica di addestramento e le caratteristiche effettive della variante con questo nome.\n\nUn'attività utile di programmazione consiste nel fornire una funzione, il comportamento previsto e un input che fallisce, quindi richiedere una spiegazione seguita da un frammento corretto. Per un assistente documentale, fornisci le sezioni pertinenti e chiedi di estrarre requisiti, confrontare passaggi o spiegare un termine sconosciuto. Sono applicazioni delle capacità linguistiche e di programmazione del modello, non un prodotto separato o una modalità di generazione di file.\n\n### Contesto lungo\n\nQuesta edizione Chat supporta un contesto di 128K token. La capacità consente a un assistente di mantenere il materiale originale e il dialogo precedente nella stessa attività. Assegna nomi chiari alle sezioni dei documenti lunghi e indica se la risposta debba essere un riepilogo, un confronto o una spiegazione di un passaggio specifico. Nei messaggi successivi, identifica il passaggio da modificare anziché sostituire implicitamente l'attività.\n\nGLM-4-9B-Chat-1M è un'edizione a contesto lungo denominata separatamente. La normale voce Chat non acquisisce la sua finestra da un milione di token. Analogamente, il modello visivo GLM-4V-9B è separato: l'input di questa edizione resta testuale. Gli esempi di generazione pubblicati usano impostazioni di lunghezza specifiche per la richiesta; non stabiliscono un'unica lunghezza massima universale della risposta.\n\n### Attività multilingue\n\nIl modello supporta 26 lingue, con giapponese, coreano e tedesco tra gli esempi citati. Il rapporto di addestramento GLM-4 descrive cinese e inglese come lingue principali di allineamento, insieme a un corpus multilingue più ampio. Per traduzioni o dialoghi di assistenza, specifica lingua di destinazione, terminologia e tono e fornisci il materiale da conservare invariato. Ad esempio, un assistente può spiegare un passaggio nella lingua richiesta preservando nomi di prodotti e identificativi del codice.\n\n### Chiamate a funzioni e strumenti applicativi\n\nGLM-4-9B-Chat è predisposto per navigazione web, esecuzione di codice e chiamate a funzioni personalizzate. L'approccio all-tools di GLM-4 collega la pianificazione dell'attività alle azioni esterne e alle osservazioni restituite. Un assistente documentale può richiedere una ricerca, usare l'estratto restituito e continuare la spiegazione; un'attività numerica può usare uno strumento Python fornito dall'applicazione circostante.\n\nL'applicazione definisce ed esegue questi strumenti. Il testo del modello non naviga da solo in un sito, non esegue un programma e non crea un'immagine. Se l'applicazione fornisce una funzione di generazione di immagini, è quella funzione esterna a produrre l'immagine; questo modello testuale pianifica la chiamata e discute il risultato restituito. Assegna a ogni funzione uno scopo chiaro e una definizione degli argomenti, e reinserisci il risultato nel dialogo prima di richiedere la risposta finale.\n\n### Preparazione di una conversazione\n\nL'edizione usa un template di chat basato sui ruoli. Conserva le istruzioni dell'utente, le risposte pertinenti dell'assistente e i risultati degli strumenti come turni distinti. Una richiesta pratica è: «Usando queste sezioni di documento nominate, elenca i requisiti, spiega le contraddizioni e cita le etichette delle sezioni a sostegno di ogni conclusione». Un'altra è: «Spiega come questa funzione elabora l'input fornito, poi proponi una modifica che conservi l'interfaccia indicata». Il risultato richiesto deve essere esplicito, così da poter verificare la risposta rispetto al materiale originale e al comportamento previsto del programma.", "editorialOverlay": { "copy_fields": { "practical_html": "Esempio tecnico in inglese
Explain a conditional leave procedure\n\nExplain this procedure to a colleague. Section L1: 'Submit a leave request to the team lead.' L2: 'Trips over five working days also require department approval.' L3: 'A calendar invitation is sent only after approval.' The colleague requests eight working days. Return the required sequence and identify why an invitation alone does not demonstrate approval.A section-linked sequence and a short explanation of the invitation condition.The eight-day request must retain both the team-lead and department requirements.Pro/THUDM/glm-4-9b-chatGLM-4-9B-Chat è un modello testuale multilingue per dialoghi prolungati, analisi di documenti e programmazione, con un contesto di 128K. Può selezionare azioni del browser, di esecuzione di codice e di funzioni personalizzate fornite da un'applicazione, quindi usarne i risultati nella risposta.
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.
GLM-4-9B-Chat è l'edizione allineata al dialogo del modello linguistico aperto GLM-4-9B di Z.ai. La sua preparazione combina una base multilingue con l'allineamento alle preferenze umane. Il modello lavora con il testo: domande, documenti, codice e cronologia della conversazione diventano l'input, e il risultato visibile è testo o un'azione richiesta a uno strumento. Le aree dichiarate includono comprensione linguistica, matematica, ragionamento, programmazione e domande basate sulle conoscenze.
Il rapporto GLM-4 descrive il modello da 9 miliardi di parametri come preaddestrato su circa diecimila miliardi di token di materiale multilingue, inizialmente con un contesto di 8K, e poi postaddestrato con la pipeline e i dati usati per GLM-4-0520. La lunghezza iniziale di addestramento non è il limite di contesto di questa versione Chat: la finestra pubblicata per gli utenti è di 128K. Questa distinzione è importante quando si sceglie tra una specifica di addestramento e le caratteristiche effettive della variante con questo nome.
Un'attività utile di programmazione consiste nel fornire una funzione, il comportamento previsto e un input che fallisce, quindi richiedere una spiegazione seguita da un frammento corretto. Per un assistente documentale, fornisci le sezioni pertinenti e chiedi di estrarre requisiti, confrontare passaggi o spiegare un termine sconosciuto. Sono applicazioni delle capacità linguistiche e di programmazione del modello, non un prodotto separato o una modalità di generazione di file.
Questa edizione Chat supporta un contesto di 128K token. La capacità consente a un assistente di mantenere il materiale originale e il dialogo precedente nella stessa attività. Assegna nomi chiari alle sezioni dei documenti lunghi e indica se la risposta debba essere un riepilogo, un confronto o una spiegazione di un passaggio specifico. Nei messaggi successivi, identifica il passaggio da modificare anziché sostituire implicitamente l'attività.
GLM-4-9B-Chat-1M è un'edizione a contesto lungo denominata separatamente. La normale voce Chat non acquisisce la sua finestra da un milione di token. Analogamente, il modello visivo GLM-4V-9B è separato: l'input di questa edizione resta testuale. Gli esempi di generazione pubblicati usano impostazioni di lunghezza specifiche per la richiesta; non stabiliscono un'unica lunghezza massima universale della risposta.
Il modello supporta 26 lingue, con giapponese, coreano e tedesco tra gli esempi citati. Il rapporto di addestramento GLM-4 descrive cinese e inglese come lingue principali di allineamento, insieme a un corpus multilingue più ampio. Per traduzioni o dialoghi di assistenza, specifica lingua di destinazione, terminologia e tono e fornisci il materiale da conservare invariato. Ad esempio, un assistente può spiegare un passaggio nella lingua richiesta preservando nomi di prodotti e identificativi del codice.
GLM-4-9B-Chat è predisposto per navigazione web, esecuzione di codice e chiamate a funzioni personalizzate. L'approccio all-tools di GLM-4 collega la pianificazione dell'attività alle azioni esterne e alle osservazioni restituite. Un assistente documentale può richiedere una ricerca, usare l'estratto restituito e continuare la spiegazione; un'attività numerica può usare uno strumento Python fornito dall'applicazione circostante.
L'applicazione definisce ed esegue questi strumenti. Il testo del modello non naviga da solo in un sito, non esegue un programma e non crea un'immagine. Se l'applicazione fornisce una funzione di generazione di immagini, è quella funzione esterna a produrre l'immagine; questo modello testuale pianifica la chiamata e discute il risultato restituito. Assegna a ogni funzione uno scopo chiaro e una definizione degli argomenti, e reinserisci il risultato nel dialogo prima di richiedere la risposta finale.
L'edizione usa un template di chat basato sui ruoli. Conserva le istruzioni dell'utente, le risposte pertinenti dell'assistente e i risultati degli strumenti come turni distinti. Una richiesta pratica è: «Usando queste sezioni di documento nominate, elenca i requisiti, spiega le contraddizioni e cita le etichette delle sezioni a sostegno di ogni conclusione». Un'altra è: «Spiega come questa funzione elabora l'input fornito, poi proponi una modifica che conservi l'interfaccia indicata». Il risultato richiesto deve essere esplicito, così da poter verificare la risposta rispetto al materiale originale e al comportamento previsto del programma.
POST /v1/chat/completionstexttext| Campo | Tipo | Requisito | Valori e limiti | Predefinito |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObbligatorio | Valori e limiti Pro/THUDM/glm-4-9b-chat | 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.
| Configurazione | Listino delle tariffe | Costo |
|---|---|---|
| ConfigurazioneTariffe di base dei token | Listino delle tariffeTariffa base | Costo Input · Token in input $0.000172 / 1K token Output · Token in output $0.000172 / 1K token Input · Lettura dalla cache $0 / 1K token Input · Scrittura nella cache $0 / 1K token Input · Scrittura nella cache, 1 ora — / 1K token |
Ailoot prenota un importo stimato prima di una richiesta. Dopo il risultato, addebita il costo finale in base all’utilizzo misurato. Per lo streaming, l’addebito usa il record finale di utilizzo. Come funzionano la prenotazione e l’addebito finale →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "Pro/THUDM/glm-4-9b-chat", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='Pro/THUDM/glm-4-9b-chat',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='Pro/THUDM/glm-4-9b-chat',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson 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 Ultra Pro/THUDM/glm-4-9b-chat
Usa i percorsi dei metodi indicati sopra.
Pro/THUDM/glm-4-9b-chatGLM-4-9B-Chat è un modello testuale multilingue per dialoghi prolungati, analisi di documenti e programmazione, con un contesto di 128K. Può selezionare azioni del browser, di esecuzione di codice e di funzioni personalizzate fornite da un'applicazione, quindi usarne i risultati nella risposta.
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.
GLM-4-9B-Chat è l'edizione allineata al dialogo del modello linguistico aperto GLM-4-9B di Z.ai. La sua preparazione combina una base multilingue con l'allineamento alle preferenze umane. Il modello lavora con il testo: domande, documenti, codice e cronologia della conversazione diventano l'input, e il risultato visibile è testo o un'azione richiesta a uno strumento. Le aree dichiarate includono comprensione linguistica, matematica, ragionamento, programmazione e domande basate sulle conoscenze.
Il rapporto GLM-4 descrive il modello da 9 miliardi di parametri come preaddestrato su circa diecimila miliardi di token di materiale multilingue, inizialmente con un contesto di 8K, e poi postaddestrato con la pipeline e i dati usati per GLM-4-0520. La lunghezza iniziale di addestramento non è il limite di contesto di questa versione Chat: la finestra pubblicata per gli utenti è di 128K. Questa distinzione è importante quando si sceglie tra una specifica di addestramento e le caratteristiche effettive della variante con questo nome.
Un'attività utile di programmazione consiste nel fornire una funzione, il comportamento previsto e un input che fallisce, quindi richiedere una spiegazione seguita da un frammento corretto. Per un assistente documentale, fornisci le sezioni pertinenti e chiedi di estrarre requisiti, confrontare passaggi o spiegare un termine sconosciuto. Sono applicazioni delle capacità linguistiche e di programmazione del modello, non un prodotto separato o una modalità di generazione di file.
Questa edizione Chat supporta un contesto di 128K token. La capacità consente a un assistente di mantenere il materiale originale e il dialogo precedente nella stessa attività. Assegna nomi chiari alle sezioni dei documenti lunghi e indica se la risposta debba essere un riepilogo, un confronto o una spiegazione di un passaggio specifico. Nei messaggi successivi, identifica il passaggio da modificare anziché sostituire implicitamente l'attività.
GLM-4-9B-Chat-1M è un'edizione a contesto lungo denominata separatamente. La normale voce Chat non acquisisce la sua finestra da un milione di token. Analogamente, il modello visivo GLM-4V-9B è separato: l'input di questa edizione resta testuale. Gli esempi di generazione pubblicati usano impostazioni di lunghezza specifiche per la richiesta; non stabiliscono un'unica lunghezza massima universale della risposta.
Il modello supporta 26 lingue, con giapponese, coreano e tedesco tra gli esempi citati. Il rapporto di addestramento GLM-4 descrive cinese e inglese come lingue principali di allineamento, insieme a un corpus multilingue più ampio. Per traduzioni o dialoghi di assistenza, specifica lingua di destinazione, terminologia e tono e fornisci il materiale da conservare invariato. Ad esempio, un assistente può spiegare un passaggio nella lingua richiesta preservando nomi di prodotti e identificativi del codice.
GLM-4-9B-Chat è predisposto per navigazione web, esecuzione di codice e chiamate a funzioni personalizzate. L'approccio all-tools di GLM-4 collega la pianificazione dell'attività alle azioni esterne e alle osservazioni restituite. Un assistente documentale può richiedere una ricerca, usare l'estratto restituito e continuare la spiegazione; un'attività numerica può usare uno strumento Python fornito dall'applicazione circostante.
L'applicazione definisce ed esegue questi strumenti. Il testo del modello non naviga da solo in un sito, non esegue un programma e non crea un'immagine. Se l'applicazione fornisce una funzione di generazione di immagini, è quella funzione esterna a produrre l'immagine; questo modello testuale pianifica la chiamata e discute il risultato restituito. Assegna a ogni funzione uno scopo chiaro e una definizione degli argomenti, e reinserisci il risultato nel dialogo prima di richiedere la risposta finale.
L'edizione usa un template di chat basato sui ruoli. Conserva le istruzioni dell'utente, le risposte pertinenti dell'assistente e i risultati degli strumenti come turni distinti. Una richiesta pratica è: «Usando queste sezioni di documento nominate, elenca i requisiti, spiega le contraddizioni e cita le etichette delle sezioni a sostegno di ogni conclusione». Un'altra è: «Spiega come questa funzione elabora l'input fornito, poi proponi una modifica che conservi l'interfaccia indicata». Il risultato richiesto deve essere esplicito, così da poter verificare la risposta rispetto al materiale originale e al comportamento previsto del programma.
POST /v1/messagestextjson, sse| Campo | Tipo | Requisito | Valori e limiti | Predefinito |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObbligatorio | Valori e limiti Pro/THUDM/glm-4-9b-chat | 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.
| Configurazione | Listino delle tariffe | Costo |
|---|---|---|
| ConfigurazioneTariffe di base dei token | Listino delle tariffeTariffa base | Costo Input · Token in input $0.000172 / 1K token Output · Token in output $0.000172 / 1K token Input · Lettura dalla cache $0 / 1K token Input · Scrittura nella cache $0 / 1K token Input · Scrittura nella cache, 1 ora — / 1K token |
Ailoot prenota un importo stimato prima di una richiesta. Dopo il risultato, addebita il costo finale in base all’utilizzo misurato. Per lo streaming, l’addebito usa il record finale di utilizzo. Come funzionano la prenotazione e l’addebito finale →
{\n "model": "Pro/THUDM/glm-4-9b-chat",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'Pro/THUDM/glm-4-9b-chat', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'Pro/THUDM/glm-4-9b-chat', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON 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 Ultra Pro/THUDM/glm-4-9b-chat
Usa i percorsi dei metodi indicati sopra.
Esempio tecnico in inglese
Explain a conditional leave procedure\n\nExplain this procedure to a colleague. Section L1: 'Submit a leave request to the team lead.' L2: 'Trips over five working days also require department approval.' L3: 'A calendar invitation is sent only after approval.' The colleague requests eight working days. Return the required sequence and identify why an invitation alone does not demonstrate approval.A section-linked sequence and a short explanation of the invitation condition.The eight-day request must retain both the team-lead and department requirements.