GLM-4.7-Flash è l'edizione 30B-A3B con architettura a miscela di esperti della famiglia GLM-4.7 di Z.ai. La progettazione sparsa comprende circa 30 miliardi di parametri totali e tre miliardi attivati; il produttore lo presenta come un modello leggero che bilancia capacità ed efficienza. Accetta testo e genera testo. Il produttore mette specificamente in evidenza sviluppo software, scrittura in cinese, traduzione, elaborazione di testi lunghi e conversazioni basate su ruoli. Istruzioni utili possono richiedere una proposta di codice, un brano rivisto, una spiegazione o un risultato strutturato fondato sul materiale fornito.
Per lo sviluppo, Z.ai identifica sia compiti sull'interfaccia sia sulla logica applicativa per questa edizione Flash. Fornisci il comportamento da implementare, il sorgente pertinente e le condizioni che devono rimanere intatte. Per una pagina o un componente, descrivi stati, disposizione e interazione richiesta, poi richiedi codice modificabile e una spiegazione delle scelte importanti. Per una funzione esistente, includi il problema osservato e un esempio del risultato atteso. Il modello produce il codice proposto; compilarlo, eseguirlo o renderizzare l'interfaccia compete a un ambiente applicativo collegato.
Il profilo della serie GLM-4.7 ospitato dal produttore elenca input testuale, output testuale, un contesto di 200K token e un massimo di 128K token di output per Flash. La scheda del modello aperto e il profilo ospitato descrivono aspetti diversi della stessa edizione denominata: caratteristiche della versione del modello e configurazione del servizio del produttore. Prepara input lunghi con titoli delle fonti, identificatori del codice e confini documentali chiari, lasciando spazio per il ragionamento e la risposta richiesta. Un modello solo testuale può scrivere codice per un'applicazione che elabora immagini o input da una telecamera, ma ciò non conferisce a questa versione una modalità nativa di input visivo.
Il ragionamento è attivo per impostazione predefinita nella serie GLM-4.7. Il produttore documenta un selettore per turno, così una conversazione può richiedere ragionamento per una domanda difficile e disattivarlo per una riscrittura semplice o una risposta breve. Supporta anche il ragionamento intercalato tra chiamate a strumenti, consentendo al modello di interpretare un'osservazione restituita prima di pianificare un altro passaggio. Definisci gli strumenti disponibili e l'elaborato finale richiesto prima di iniziare un compito di questo tipo. Un assistente documentale può richiedere informazioni selezionate, ricevere il risultato effettivo del recupero e poi preparare una spiegazione sostenuta da quel risultato.
La conservazione del ragionamento è un'opzione distinta per attività prolungate di programmazione o degli agenti. La guida del produttore utilizza clear_thinking=false e richiede che il reasoning_content completo e non modificato dei turni precedenti dell'assistente venga restituito nell'ordine originale. Modificare o riordinare questi blocchi può peggiorare il risultato e influire sul comportamento della cache. Il valore predefinito differisce tra l'interfaccia di programmazione e quella standard del produttore: l'opzione è quindi parte di un flusso configurato, non una proprietà automatica di ogni conversazione. Mantieni la risposta visibile separata dal ragionamento conservato e preserva le evidenze o gli output degli strumenti da cui dipendono i passaggi successivi.
L'interfaccia documentata della famiglia comprende testo in streaming, chiamate a funzioni, memorizzazione del contesto nella cache e output strutturato come JSON. Per un risultato strutturato, fornisci i campi richiesti e il significato di ciascun valore; per una richiesta a uno strumento, definisci lo scopo della funzione, gli argomenti e la condizione di completamento. Una chiamata generata è una richiesta di azione rivolta all'applicazione, non una prova di esecuzione. Il risultato finale può essere una breve relazione, un oggetto dati o un elaborato di codice, mantenendo identificabili le informazioni usate per produrlo.
Per la scrittura o la traduzione, specifica il lettore, la lingua, il tono e i termini da lasciare invariati. Il produttore raccomanda di provare Flash nella scrittura in cinese e nel dialogo narrativo o basato su ruoli, oltre che nel lavoro tecnico. Istruzioni esemplificative di revisione possono fornire un brano e richiedere una versione concisa che ne preservi i fatti; quelle di traduzione possono fornire un glossario e distinguere il testo citato dalle istruzioni. In una conversazione più lunga, conserva i vincoli e identifica il risultato successivo necessario, affinché la risposta del modello rimanga collegata al compito originale.
La scheda esatta del modello aperto pubblica impostazioni di generazione diverse per i propri compiti di valutazione: un valore predefinito di 1.0 per temperature e di 0.95 per top-p, con impostazioni separate per compiti software di 0.7 e 1.0. Le lunghezze di generazione degli esempi fanno parte di quelle procedure e non sono ulteriori limiti universali. Questa versione è distinta da GLM-4.7, GLM-4.7-FlashX e dai successivi modelli GLM-5. Abbina il compito e la modalità di risposta alle capacità testuali documentate di questa edizione, quindi valuta rispetto all'input il codice consegnato, i valori estratti o il testo rivisto.
", "aboutText": "GLM-4.7-Flash è l'edizione 30B-A3B con architettura a miscela di esperti della famiglia GLM-4.7 di Z.ai. La progettazione sparsa comprende circa 30 miliardi di parametri totali e tre miliardi attivati; il produttore lo presenta come un modello leggero che bilancia capacità ed efficienza. Accetta testo e genera testo. Il produttore mette specificamente in evidenza sviluppo software, scrittura in cinese, traduzione, elaborazione di testi lunghi e conversazioni basate su ruoli. Istruzioni utili possono richiedere una proposta di codice, un brano rivisto, una spiegazione o un risultato strutturato fondato sul materiale fornito.\n\nPer lo sviluppo, Z.ai identifica sia compiti sull'interfaccia sia sulla logica applicativa per questa edizione Flash. Fornisci il comportamento da implementare, il sorgente pertinente e le condizioni che devono rimanere intatte. Per una pagina o un componente, descrivi stati, disposizione e interazione richiesta, poi richiedi codice modificabile e una spiegazione delle scelte importanti. Per una funzione esistente, includi il problema osservato e un esempio del risultato atteso. Il modello produce il codice proposto; compilarlo, eseguirlo o renderizzare l'interfaccia compete a un ambiente applicativo collegato.\n\nIl profilo della serie GLM-4.7 ospitato dal produttore elenca input testuale, output testuale, un contesto di 200K token e un massimo di 128K token di output per Flash. La scheda del modello aperto e il profilo ospitato descrivono aspetti diversi della stessa edizione denominata: caratteristiche della versione del modello e configurazione del servizio del produttore. Prepara input lunghi con titoli delle fonti, identificatori del codice e confini documentali chiari, lasciando spazio per il ragionamento e la risposta richiesta. Un modello solo testuale può scrivere codice per un'applicazione che elabora immagini o input da una telecamera, ma ciò non conferisce a questa versione una modalità nativa di input visivo.\n\nIl ragionamento è attivo per impostazione predefinita nella serie GLM-4.7. Il produttore documenta un selettore per turno, così una conversazione può richiedere ragionamento per una domanda difficile e disattivarlo per una riscrittura semplice o una risposta breve. Supporta anche il ragionamento intercalato tra chiamate a strumenti, consentendo al modello di interpretare un'osservazione restituita prima di pianificare un altro passaggio. Definisci gli strumenti disponibili e l'elaborato finale richiesto prima di iniziare un compito di questo tipo. Un assistente documentale può richiedere informazioni selezionate, ricevere il risultato effettivo del recupero e poi preparare una spiegazione sostenuta da quel risultato.\n\nLa conservazione del ragionamento è un'opzione distinta per attività prolungate di programmazione o degli agenti. La guida del produttore utilizza clear_thinking=false e richiede che il reasoning_content completo e non modificato dei turni precedenti dell'assistente venga restituito nell'ordine originale. Modificare o riordinare questi blocchi può peggiorare il risultato e influire sul comportamento della cache. Il valore predefinito differisce tra l'interfaccia di programmazione e quella standard del produttore: l'opzione è quindi parte di un flusso configurato, non una proprietà automatica di ogni conversazione. Mantieni la risposta visibile separata dal ragionamento conservato e preserva le evidenze o gli output degli strumenti da cui dipendono i passaggi successivi.\n\nL'interfaccia documentata della famiglia comprende testo in streaming, chiamate a funzioni, memorizzazione del contesto nella cache e output strutturato come JSON. Per un risultato strutturato, fornisci i campi richiesti e il significato di ciascun valore; per una richiesta a uno strumento, definisci lo scopo della funzione, gli argomenti e la condizione di completamento. Una chiamata generata è una richiesta di azione rivolta all'applicazione, non una prova di esecuzione. Il risultato finale può essere una breve relazione, un oggetto dati o un elaborato di codice, mantenendo identificabili le informazioni usate per produrlo.\n\nPer la scrittura o la traduzione, specifica il lettore, la lingua, il tono e i termini da lasciare invariati. Il produttore raccomanda di provare Flash nella scrittura in cinese e nel dialogo narrativo o basato su ruoli, oltre che nel lavoro tecnico. Istruzioni esemplificative di revisione possono fornire un brano e richiedere una versione concisa che ne preservi i fatti; quelle di traduzione possono fornire un glossario e distinguere il testo citato dalle istruzioni. In una conversazione più lunga, conserva i vincoli e identifica il risultato successivo necessario, affinché la risposta del modello rimanga collegata al compito originale.\n\nLa scheda esatta del modello aperto pubblica impostazioni di generazione diverse per i propri compiti di valutazione: un valore predefinito di 1.0 per temperature e di 0.95 per top-p, con impostazioni separate per compiti software di 0.7 e 1.0. Le lunghezze di generazione degli esempi fanno parte di quelle procedure e non sono ulteriori limiti universali. Questa versione è distinta da GLM-4.7, GLM-4.7-FlashX e dai successivi modelli GLM-5. Abbina il compito e la modalità di risposta alle capacità testuali documentate di questa edizione, quindi valuta rispetto all'input il codice consegnato, i valori estratti o il testo rivisto.", "editorialOverlay": { "copy_fields": { "practical_html": "Esempio tecnico in inglese
Translate a notice with a fixed glossary\n\nTranslate this Chinese notice into English: '订单已审核，但尚未发货。更改收货地址需要重新审核。' Use this glossary consistently: 审核 = review; 发货 = dispatch; 收货地址 = delivery address. Write a clear customer-facing notice and preserve the distinction between completed review and pending dispatch. Do not add a dispatch date or an approval guarantee.A concise English notice applying the glossary and preserving the two different order states.The translation retains the requirement for another review after an address change and does not state that dispatch occurred.z-ai/glm-4.7-flashGLM-4.7-Flash è il modello testuale 30B-A3B con architettura a miscela di esperti di Z.ai, per programmazione, testi lunghi, scrittura in cinese e traduzione. Supporta ragionamento e flussi guidati da strumenti, con un profilo ospitato dal produttore che prevede 200K token di contesto e un output massimo di 128K.
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-4.7-Flash è l'edizione 30B-A3B con architettura a miscela di esperti della famiglia GLM-4.7 di Z.ai. La progettazione sparsa comprende circa 30 miliardi di parametri totali e tre miliardi attivati; il produttore lo presenta come un modello leggero che bilancia capacità ed efficienza. Accetta testo e genera testo. Il produttore mette specificamente in evidenza sviluppo software, scrittura in cinese, traduzione, elaborazione di testi lunghi e conversazioni basate su ruoli. Istruzioni utili possono richiedere una proposta di codice, un brano rivisto, una spiegazione o un risultato strutturato fondato sul materiale fornito.
Per lo sviluppo, Z.ai identifica sia compiti sull'interfaccia sia sulla logica applicativa per questa edizione Flash. Fornisci il comportamento da implementare, il sorgente pertinente e le condizioni che devono rimanere intatte. Per una pagina o un componente, descrivi stati, disposizione e interazione richiesta, poi richiedi codice modificabile e una spiegazione delle scelte importanti. Per una funzione esistente, includi il problema osservato e un esempio del risultato atteso. Il modello produce il codice proposto; compilarlo, eseguirlo o renderizzare l'interfaccia compete a un ambiente applicativo collegato.
Il profilo della serie GLM-4.7 ospitato dal produttore elenca input testuale, output testuale, un contesto di 200K token e un massimo di 128K token di output per Flash. La scheda del modello aperto e il profilo ospitato descrivono aspetti diversi della stessa edizione denominata: caratteristiche della versione del modello e configurazione del servizio del produttore. Prepara input lunghi con titoli delle fonti, identificatori del codice e confini documentali chiari, lasciando spazio per il ragionamento e la risposta richiesta. Un modello solo testuale può scrivere codice per un'applicazione che elabora immagini o input da una telecamera, ma ciò non conferisce a questa versione una modalità nativa di input visivo.
Il ragionamento è attivo per impostazione predefinita nella serie GLM-4.7. Il produttore documenta un selettore per turno, così una conversazione può richiedere ragionamento per una domanda difficile e disattivarlo per una riscrittura semplice o una risposta breve. Supporta anche il ragionamento intercalato tra chiamate a strumenti, consentendo al modello di interpretare un'osservazione restituita prima di pianificare un altro passaggio. Definisci gli strumenti disponibili e l'elaborato finale richiesto prima di iniziare un compito di questo tipo. Un assistente documentale può richiedere informazioni selezionate, ricevere il risultato effettivo del recupero e poi preparare una spiegazione sostenuta da quel risultato.
La conservazione del ragionamento è un'opzione distinta per attività prolungate di programmazione o degli agenti. La guida del produttore utilizza clear_thinking=false e richiede che il reasoning_content completo e non modificato dei turni precedenti dell'assistente venga restituito nell'ordine originale. Modificare o riordinare questi blocchi può peggiorare il risultato e influire sul comportamento della cache. Il valore predefinito differisce tra l'interfaccia di programmazione e quella standard del produttore: l'opzione è quindi parte di un flusso configurato, non una proprietà automatica di ogni conversazione. Mantieni la risposta visibile separata dal ragionamento conservato e preserva le evidenze o gli output degli strumenti da cui dipendono i passaggi successivi.
L'interfaccia documentata della famiglia comprende testo in streaming, chiamate a funzioni, memorizzazione del contesto nella cache e output strutturato come JSON. Per un risultato strutturato, fornisci i campi richiesti e il significato di ciascun valore; per una richiesta a uno strumento, definisci lo scopo della funzione, gli argomenti e la condizione di completamento. Una chiamata generata è una richiesta di azione rivolta all'applicazione, non una prova di esecuzione. Il risultato finale può essere una breve relazione, un oggetto dati o un elaborato di codice, mantenendo identificabili le informazioni usate per produrlo.
Per la scrittura o la traduzione, specifica il lettore, la lingua, il tono e i termini da lasciare invariati. Il produttore raccomanda di provare Flash nella scrittura in cinese e nel dialogo narrativo o basato su ruoli, oltre che nel lavoro tecnico. Istruzioni esemplificative di revisione possono fornire un brano e richiedere una versione concisa che ne preservi i fatti; quelle di traduzione possono fornire un glossario e distinguere il testo citato dalle istruzioni. In una conversazione più lunga, conserva i vincoli e identifica il risultato successivo necessario, affinché la risposta del modello rimanga collegata al compito originale.
La scheda esatta del modello aperto pubblica impostazioni di generazione diverse per i propri compiti di valutazione: un valore predefinito di 1.0 per temperature e di 0.95 per top-p, con impostazioni separate per compiti software di 0.7 e 1.0. Le lunghezze di generazione degli esempi fanno parte di quelle procedure e non sono ulteriori limiti universali. Questa versione è distinta da GLM-4.7, GLM-4.7-FlashX e dai successivi modelli GLM-5. Abbina il compito e la modalità di risposta alle capacità testuali documentate di questa edizione, quindi valuta rispetto all'input il codice consegnato, i valori estratti o il testo rivisto.
POST /v1/chat/completionstexttext| Campo | Tipo | Requisito | Valori e limiti | Predefinito |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObbligatorio | Valori e limiti z-ai/glm-4.7-flash | 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 $0.000144 / 1K token Output · Token in output $0.000858 / 1K token Input · Lettura dalla cache $0.00002 / 1K token Input · Scrittura nella cache $0 / 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 $0.000144 / 1K token Output · Token in output $0.000858 / 1K token Input · Lettura dalla cache $0.00002 / 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": "z-ai/glm-4.7-flash", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='z-ai/glm-4.7-flash',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='z-ai/glm-4.7-flash',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson 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 z-ai/glm-4.7-flash
Usa i percorsi dei metodi indicati sopra.
z-ai/glm-4.7-flashGLM-4.7-Flash è il modello testuale 30B-A3B con architettura a miscela di esperti di Z.ai, per programmazione, testi lunghi, scrittura in cinese e traduzione. Supporta ragionamento e flussi guidati da strumenti, con un profilo ospitato dal produttore che prevede 200K token di contesto e un output massimo di 128K.
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-4.7-Flash è l'edizione 30B-A3B con architettura a miscela di esperti della famiglia GLM-4.7 di Z.ai. La progettazione sparsa comprende circa 30 miliardi di parametri totali e tre miliardi attivati; il produttore lo presenta come un modello leggero che bilancia capacità ed efficienza. Accetta testo e genera testo. Il produttore mette specificamente in evidenza sviluppo software, scrittura in cinese, traduzione, elaborazione di testi lunghi e conversazioni basate su ruoli. Istruzioni utili possono richiedere una proposta di codice, un brano rivisto, una spiegazione o un risultato strutturato fondato sul materiale fornito.
Per lo sviluppo, Z.ai identifica sia compiti sull'interfaccia sia sulla logica applicativa per questa edizione Flash. Fornisci il comportamento da implementare, il sorgente pertinente e le condizioni che devono rimanere intatte. Per una pagina o un componente, descrivi stati, disposizione e interazione richiesta, poi richiedi codice modificabile e una spiegazione delle scelte importanti. Per una funzione esistente, includi il problema osservato e un esempio del risultato atteso. Il modello produce il codice proposto; compilarlo, eseguirlo o renderizzare l'interfaccia compete a un ambiente applicativo collegato.
Il profilo della serie GLM-4.7 ospitato dal produttore elenca input testuale, output testuale, un contesto di 200K token e un massimo di 128K token di output per Flash. La scheda del modello aperto e il profilo ospitato descrivono aspetti diversi della stessa edizione denominata: caratteristiche della versione del modello e configurazione del servizio del produttore. Prepara input lunghi con titoli delle fonti, identificatori del codice e confini documentali chiari, lasciando spazio per il ragionamento e la risposta richiesta. Un modello solo testuale può scrivere codice per un'applicazione che elabora immagini o input da una telecamera, ma ciò non conferisce a questa versione una modalità nativa di input visivo.
Il ragionamento è attivo per impostazione predefinita nella serie GLM-4.7. Il produttore documenta un selettore per turno, così una conversazione può richiedere ragionamento per una domanda difficile e disattivarlo per una riscrittura semplice o una risposta breve. Supporta anche il ragionamento intercalato tra chiamate a strumenti, consentendo al modello di interpretare un'osservazione restituita prima di pianificare un altro passaggio. Definisci gli strumenti disponibili e l'elaborato finale richiesto prima di iniziare un compito di questo tipo. Un assistente documentale può richiedere informazioni selezionate, ricevere il risultato effettivo del recupero e poi preparare una spiegazione sostenuta da quel risultato.
La conservazione del ragionamento è un'opzione distinta per attività prolungate di programmazione o degli agenti. La guida del produttore utilizza clear_thinking=false e richiede che il reasoning_content completo e non modificato dei turni precedenti dell'assistente venga restituito nell'ordine originale. Modificare o riordinare questi blocchi può peggiorare il risultato e influire sul comportamento della cache. Il valore predefinito differisce tra l'interfaccia di programmazione e quella standard del produttore: l'opzione è quindi parte di un flusso configurato, non una proprietà automatica di ogni conversazione. Mantieni la risposta visibile separata dal ragionamento conservato e preserva le evidenze o gli output degli strumenti da cui dipendono i passaggi successivi.
L'interfaccia documentata della famiglia comprende testo in streaming, chiamate a funzioni, memorizzazione del contesto nella cache e output strutturato come JSON. Per un risultato strutturato, fornisci i campi richiesti e il significato di ciascun valore; per una richiesta a uno strumento, definisci lo scopo della funzione, gli argomenti e la condizione di completamento. Una chiamata generata è una richiesta di azione rivolta all'applicazione, non una prova di esecuzione. Il risultato finale può essere una breve relazione, un oggetto dati o un elaborato di codice, mantenendo identificabili le informazioni usate per produrlo.
Per la scrittura o la traduzione, specifica il lettore, la lingua, il tono e i termini da lasciare invariati. Il produttore raccomanda di provare Flash nella scrittura in cinese e nel dialogo narrativo o basato su ruoli, oltre che nel lavoro tecnico. Istruzioni esemplificative di revisione possono fornire un brano e richiedere una versione concisa che ne preservi i fatti; quelle di traduzione possono fornire un glossario e distinguere il testo citato dalle istruzioni. In una conversazione più lunga, conserva i vincoli e identifica il risultato successivo necessario, affinché la risposta del modello rimanga collegata al compito originale.
La scheda esatta del modello aperto pubblica impostazioni di generazione diverse per i propri compiti di valutazione: un valore predefinito di 1.0 per temperature e di 0.95 per top-p, con impostazioni separate per compiti software di 0.7 e 1.0. Le lunghezze di generazione degli esempi fanno parte di quelle procedure e non sono ulteriori limiti universali. Questa versione è distinta da GLM-4.7, GLM-4.7-FlashX e dai successivi modelli GLM-5. Abbina il compito e la modalità di risposta alle capacità testuali documentate di questa edizione, quindi valuta rispetto all'input il codice consegnato, i valori estratti o il testo rivisto.
POST /v1/messagestextjson, sse| Campo | Tipo | Requisito | Valori e limiti | Predefinito |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObbligatorio | Valori e limiti z-ai/glm-4.7-flash | 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 $0.000144 / 1K token Output · Token in output $0.000858 / 1K token Input · Lettura dalla cache $0.00002 / 1K token Input · Scrittura nella cache $0 / 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 $0.000144 / 1K token Output · Token in output $0.000858 / 1K token Input · Lettura dalla cache $0.00002 / 1K token Input · Scrittura nella cache $0 / 1K token Input · Scrittura nella cache, 1 ora — / 1K token |
Ailoot prenota un importo stimato prima di una richiesta. Dopo il risultato, addebita il costo finale in base all’utilizzo misurato. Per lo streaming, l’addebito usa il record finale di utilizzo. Come funzionano la prenotazione e l’addebito finale →
{\n "model": "z-ai/glm-4.7-flash",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'z-ai/glm-4.7-flash', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'z-ai/glm-4.7-flash', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON 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 z-ai/glm-4.7-flash
Usa i percorsi dei metodi indicati sopra.
Esempio tecnico in inglese
Translate a notice with a fixed glossary\n\nTranslate this Chinese notice into English: '订单已审核，但尚未发货。更改收货地址需要重新审核。' Use this glossary consistently: 审核 = review; 发货 = dispatch; 收货地址 = delivery address. Write a clear customer-facing notice and preserve the distinction between completed review and pending dispatch. Do not add a dispatch date or an approval guarantee.A concise English notice applying the glossary and preserving the two different order states.The translation retains the requirement for another review after an address change and does not state that dispatch occurred.