GLM-4-Plus는 Z.ai GLM-4 라인의 고성능 텍스트 모델입니다. 언어 이해, 논리 추론, 지시 이행, 장문 처리를 결합하는 데 중점을 둡니다. 제조사는 입력과 출력 모두 텍스트로 명시하고 128K토큰의 컨텍스트 윈도와 4K토큰의 최대 출력을 제공합니다. 따라서 긴 입력과 간결한 결과는 프로필의 별도 요소입니다. 큰 문서 묶음으로 집중된 요약, 비교 또는 추출 결과를 뒷받침할 수 있습니다.
문서 어시스턴트는 이름이 있는 구간과 질문을 받아 해당 구간에 연결된 간결한 분석을 생성할 수 있습니다. 답변을 요청하기 전에 대상 독자와 판단을 정의하세요. 예를 들어 두 절차를 비교하거나, 사례에 적용되는 조건을 나열하거나, 상충하는 요구사항을 식별할 수 있습니다. 응답이 근거와 요청한 분석을 구분할 수 있도록 원문 문단을 지침과 분리하세요.
GLM-4 설명에는 스트리밍, 함수 호출, 컨텍스트 캐싱, JSON 등의 구조화 형식, MCP 도구 및 데이터 원본과의 상호작용이 명시되어 있습니다. 스트리밍은 생성 텍스트를 점진적으로 제공합니다. 구조화 출력은 자유 형식의 글보다 명명된 필드가 필요한 결과에 도움이 됩니다. 요약, 추출 식별자, 원본 구간 레이블, 미해결 질문 등이 이에 해당합니다.
도구 사용은 언어 모델을 애플리케이션이 제공하는 행동과 연결합니다. 애플리케이션은 함수를 설명하고 선택된 호출을 실행하며 다음 단계를 위한 결과를 반환합니다. 이를 통해 조회 후 보고서 작성이나 답변의 근거가 되는 검색 결과를 지원할 수 있습니다. 모델의 텍스트는 외부 행동의 실행과 구분됩니다. 반복되는 지침이나 문서 접두부는 제조사의 컨텍스트 캐싱 메커니즘에 참여할 수 있지만, 캐시 재사용 자체가 특정 요청에서 캐시가 적중했다는 근거는 아닙니다.
제조사는 번역을 개별 단어 변환 이상의 작업으로 설명하며, 문화적 차이를 고려한 혼합 언어 텍스트, 어조, 속어, 이모지, 전문 용어를 포함합니다. 원문, 대상 독자, 변경하지 않을 용어를 제공하세요. 편집에서는 수정된 편지, 제품 설명, 간결한 해설 등 특정 산출물을 요청하고 유지할 사실을 명시하세요.
의미 분류와 필드 추출은 제공된 자료에 기반합니다. 먼저 범주나 필수 필드를 정의한 뒤 문서를 제공하세요. 예를 들어 애플리케이션은 프로젝트 식별자, 조항 범주와 관련 구간 레이블을 함께 요청할 수 있습니다. 명시적인 누락값 규칙은 출력 스키마가 없는 데이터를 지어내는 이유가 되지 않도록 합니다.
제조사는 마케팅 자료, 분석적 위험 보고서, 여행 일정 계획도 설명합니다. 글쓰기에서는 실제 제품 또는 캠페인 사실과 의도한 형식을 제공하세요. 분석 작업에서는 관련 보고서와 비교 기준을 제공하고, 최신 정보는 애플리케이션이 제공하는 검색이나 데이터 도구를 통해 전달해야 합니다. 일정에서는 선호와 시간 제약을 지정하여 일반 여행 글이 아닌 설명한 상황에 맞는 계획을 출력하도록 하세요.
GLM-4-Plus는 모델 지원 합성 데이터와 PPO 기반 사후 학습을 통해 수학 및 코딩 추론을 발전시키고 인간의 선호를 더 잘 반영합니다. 장문에서는 짧은 자료와 긴 자료의 혼합을 조정하여 긴 입력 전반의 추론을 강화합니다. 이는 이 특정 Plus 모델의 준비 과정에서 선택한 방식입니다. 텍스트 전용 프로필이 별도로 명명된 GLM-4V 에디션의 이미지 이해 기능으로 바뀌는 것은 아닙니다.
큰 컨텍스트에는 안정된 구간 이름과 명확한 출력 계약을 갖춰 질문을 실제로 뒷받침하는 자료를 제공하세요. 두 문서를 비교하고 합의점과 충돌을 나열하며 각 결론의 근거 문단을 식별하도록 요청하면 실용적입니다. 최종 산출물은 4K 출력 프로필 안에 유지하세요. 판단 브리핑이나 구조화된 비교를 요청하고, 특정 구간의 확장이 필요하면 명확한 후속 요청으로 이어가세요. 유효한 JSON 구조와 사실상 정확한 필드 값은 별도 검사 대상입니다.
", "aboutText": "### 개요와 모델 프로필\n\nGLM-4-Plus는 Z.ai GLM-4 라인의 고성능 텍스트 모델입니다. 언어 이해, 논리 추론, 지시 이행, 장문 처리를 결합하는 데 중점을 둡니다. 제조사는 입력과 출력 모두 텍스트로 명시하고 128K토큰의 컨텍스트 윈도와 4K토큰의 최대 출력을 제공합니다. 따라서 긴 입력과 간결한 결과는 프로필의 별도 요소입니다. 큰 문서 묶음으로 집중된 요약, 비교 또는 추출 결과를 뒷받침할 수 있습니다.\n\n문서 어시스턴트는 이름이 있는 구간과 질문을 받아 해당 구간에 연결된 간결한 분석을 생성할 수 있습니다. 답변을 요청하기 전에 대상 독자와 판단을 정의하세요. 예를 들어 두 절차를 비교하거나, 사례에 적용되는 조건을 나열하거나, 상충하는 요구사항을 식별할 수 있습니다. 응답이 근거와 요청한 분석을 구분할 수 있도록 원문 문단을 지침과 분리하세요.\n\n### 지원 기능\n\nGLM-4 설명에는 스트리밍, 함수 호출, 컨텍스트 캐싱, JSON 등의 구조화 형식, MCP 도구 및 데이터 원본과의 상호작용이 명시되어 있습니다. 스트리밍은 생성 텍스트를 점진적으로 제공합니다. 구조화 출력은 자유 형식의 글보다 명명된 필드가 필요한 결과에 도움이 됩니다. 요약, 추출 식별자, 원본 구간 레이블, 미해결 질문 등이 이에 해당합니다.\n\n도구 사용은 언어 모델을 애플리케이션이 제공하는 행동과 연결합니다. 애플리케이션은 함수를 설명하고 선택된 호출을 실행하며 다음 단계를 위한 결과를 반환합니다. 이를 통해 조회 후 보고서 작성이나 답변의 근거가 되는 검색 결과를 지원할 수 있습니다. 모델의 텍스트는 외부 행동의 실행과 구분됩니다. 반복되는 지침이나 문서 접두부는 제조사의 컨텍스트 캐싱 메커니즘에 참여할 수 있지만, 캐시 재사용 자체가 특정 요청에서 캐시가 적중했다는 근거는 아닙니다.\n\n### 권장 시나리오\n\n제조사는 번역을 개별 단어 변환 이상의 작업으로 설명하며, 문화적 차이를 고려한 혼합 언어 텍스트, 어조, 속어, 이모지, 전문 용어를 포함합니다. 원문, 대상 독자, 변경하지 않을 용어를 제공하세요. 편집에서는 수정된 편지, 제품 설명, 간결한 해설 등 특정 산출물을 요청하고 유지할 사실을 명시하세요.\n\n의미 분류와 필드 추출은 제공된 자료에 기반합니다. 먼저 범주나 필수 필드를 정의한 뒤 문서를 제공하세요. 예를 들어 애플리케이션은 프로젝트 식별자, 조항 범주와 관련 구간 레이블을 함께 요청할 수 있습니다. 명시적인 누락값 규칙은 출력 스키마가 없는 데이터를 지어내는 이유가 되지 않도록 합니다.\n\n제조사는 마케팅 자료, 분석적 위험 보고서, 여행 일정 계획도 설명합니다. 글쓰기에서는 실제 제품 또는 캠페인 사실과 의도한 형식을 제공하세요. 분석 작업에서는 관련 보고서와 비교 기준을 제공하고, 최신 정보는 애플리케이션이 제공하는 검색이나 데이터 도구를 통해 전달해야 합니다. 일정에서는 선호와 시간 제약을 지정하여 일반 여행 글이 아닌 설명한 상황에 맞는 계획을 출력하도록 하세요.\n\n### 모델 준비 과정의 세부 사항\n\nGLM-4-Plus는 모델 지원 합성 데이터와 PPO 기반 사후 학습을 통해 수학 및 코딩 추론을 발전시키고 인간의 선호를 더 잘 반영합니다. 장문에서는 짧은 자료와 긴 자료의 혼합을 조정하여 긴 입력 전반의 추론을 강화합니다. 이는 이 특정 Plus 모델의 준비 과정에서 선택한 방식입니다. 텍스트 전용 프로필이 별도로 명명된 GLM-4V 에디션의 이미지 이해 기능으로 바뀌는 것은 아닙니다.\n\n### 요청과 출력 준비하기\n\n큰 컨텍스트에는 안정된 구간 이름과 명확한 출력 계약을 갖춰 질문을 실제로 뒷받침하는 자료를 제공하세요. 두 문서를 비교하고 합의점과 충돌을 나열하며 각 결론의 근거 문단을 식별하도록 요청하면 실용적입니다. 최종 산출물은 4K 출력 프로필 안에 유지하세요. 판단 브리핑이나 구조화된 비교를 요청하고, 특정 구간의 확장이 필요하면 명확한 후속 요청으로 이어가세요. 유효한 JSON 구조와 사실상 정확한 필드 값은 별도 검사 대상입니다.", "editorialOverlay": { "copy_fields": { "practical_html": "영어 기술 예제
Find contradictions between two procedures\n\nCompare procedure P: approve a supplier before issuing an order; emergency orders need the same approval. Procedure Q: emergency orders may be issued immediately and reviewed the next day. Prepare a decision brief identifying the conflict, the passages involved and the exact policy question an owner must resolve before the procedures can agree.A concise conflict statement, two supporting passages and one decision question.Check that the answer exposes the approval-timing conflict without silently choosing a governing procedure.glm-4-plusGLM-4-Plus는 언어 이해, 논리 분석, 지시 이행, 긴 문서를 위한 Z.ai의 텍스트 모델입니다. 128K 컨텍스트와 4K 출력 프로필은 근거 기반 요약, 다국어 편집, 필드 추출, 도구 지원 보고서에 적합합니다.
이 설명은 모델의 기능을 다룹니다. Ailoot에서 사용할 수 있는 입력, 출력 및 옵션은 아래에 선택한 메서드별로 표시됩니다.
GLM-4-Plus는 Z.ai GLM-4 라인의 고성능 텍스트 모델입니다. 언어 이해, 논리 추론, 지시 이행, 장문 처리를 결합하는 데 중점을 둡니다. 제조사는 입력과 출력 모두 텍스트로 명시하고 128K토큰의 컨텍스트 윈도와 4K토큰의 최대 출력을 제공합니다. 따라서 긴 입력과 간결한 결과는 프로필의 별도 요소입니다. 큰 문서 묶음으로 집중된 요약, 비교 또는 추출 결과를 뒷받침할 수 있습니다.
문서 어시스턴트는 이름이 있는 구간과 질문을 받아 해당 구간에 연결된 간결한 분석을 생성할 수 있습니다. 답변을 요청하기 전에 대상 독자와 판단을 정의하세요. 예를 들어 두 절차를 비교하거나, 사례에 적용되는 조건을 나열하거나, 상충하는 요구사항을 식별할 수 있습니다. 응답이 근거와 요청한 분석을 구분할 수 있도록 원문 문단을 지침과 분리하세요.
GLM-4 설명에는 스트리밍, 함수 호출, 컨텍스트 캐싱, JSON 등의 구조화 형식, MCP 도구 및 데이터 원본과의 상호작용이 명시되어 있습니다. 스트리밍은 생성 텍스트를 점진적으로 제공합니다. 구조화 출력은 자유 형식의 글보다 명명된 필드가 필요한 결과에 도움이 됩니다. 요약, 추출 식별자, 원본 구간 레이블, 미해결 질문 등이 이에 해당합니다.
도구 사용은 언어 모델을 애플리케이션이 제공하는 행동과 연결합니다. 애플리케이션은 함수를 설명하고 선택된 호출을 실행하며 다음 단계를 위한 결과를 반환합니다. 이를 통해 조회 후 보고서 작성이나 답변의 근거가 되는 검색 결과를 지원할 수 있습니다. 모델의 텍스트는 외부 행동의 실행과 구분됩니다. 반복되는 지침이나 문서 접두부는 제조사의 컨텍스트 캐싱 메커니즘에 참여할 수 있지만, 캐시 재사용 자체가 특정 요청에서 캐시가 적중했다는 근거는 아닙니다.
제조사는 번역을 개별 단어 변환 이상의 작업으로 설명하며, 문화적 차이를 고려한 혼합 언어 텍스트, 어조, 속어, 이모지, 전문 용어를 포함합니다. 원문, 대상 독자, 변경하지 않을 용어를 제공하세요. 편집에서는 수정된 편지, 제품 설명, 간결한 해설 등 특정 산출물을 요청하고 유지할 사실을 명시하세요.
의미 분류와 필드 추출은 제공된 자료에 기반합니다. 먼저 범주나 필수 필드를 정의한 뒤 문서를 제공하세요. 예를 들어 애플리케이션은 프로젝트 식별자, 조항 범주와 관련 구간 레이블을 함께 요청할 수 있습니다. 명시적인 누락값 규칙은 출력 스키마가 없는 데이터를 지어내는 이유가 되지 않도록 합니다.
제조사는 마케팅 자료, 분석적 위험 보고서, 여행 일정 계획도 설명합니다. 글쓰기에서는 실제 제품 또는 캠페인 사실과 의도한 형식을 제공하세요. 분석 작업에서는 관련 보고서와 비교 기준을 제공하고, 최신 정보는 애플리케이션이 제공하는 검색이나 데이터 도구를 통해 전달해야 합니다. 일정에서는 선호와 시간 제약을 지정하여 일반 여행 글이 아닌 설명한 상황에 맞는 계획을 출력하도록 하세요.
GLM-4-Plus는 모델 지원 합성 데이터와 PPO 기반 사후 학습을 통해 수학 및 코딩 추론을 발전시키고 인간의 선호를 더 잘 반영합니다. 장문에서는 짧은 자료와 긴 자료의 혼합을 조정하여 긴 입력 전반의 추론을 강화합니다. 이는 이 특정 Plus 모델의 준비 과정에서 선택한 방식입니다. 텍스트 전용 프로필이 별도로 명명된 GLM-4V 에디션의 이미지 이해 기능으로 바뀌는 것은 아닙니다.
큰 컨텍스트에는 안정된 구간 이름과 명확한 출력 계약을 갖춰 질문을 실제로 뒷받침하는 자료를 제공하세요. 두 문서를 비교하고 합의점과 충돌을 나열하며 각 결론의 근거 문단을 식별하도록 요청하면 실용적입니다. 최종 산출물은 4K 출력 프로필 안에 유지하세요. 판단 브리핑이나 구조화된 비교를 요청하고, 특정 구간의 확장이 필요하면 명확한 후속 요청으로 이어가세요. 유효한 JSON 구조와 사실상 정확한 필드 값은 별도 검사 대상입니다.
POST /v1/chat/completionstexttext| 필드 | 유형 | 요건 | 값과 한도 | 기본값 |
|---|---|---|---|---|
필드model | 유형string | 요건필수 | 값과 한도 glm-4-plus | 기본값— |
필드messages | 유형message[] | 요건필수 | 값과 한도 최소 항목 수: 1 | 기본값— |
필드messages[].role | 유형string | 요건필수 | 값과 한도 예시: system, user, assistant, tool, function 조건: 이 역할들은 소스 코드의 호환 타입에 명시적으로 표현됩니다. 정확한 모델 역할 집합은 모델별로 다릅니다. 모델에 따라 다름 | 기본값— |
필드messages[].content | 유형string|content_part[]|null | 요건선택 사항 | 값과 한도 | 기본값— |
필드messages[].tool_calls | 유형tool_call[] | 요건선택 사항 | 값과 한도 | 기본값— |
필드messages[].tool_call_id | 유형string | 요건선택 사항 | 값과 한도 적용 조건: role=tool. 실제 반환된 ID를 사용하세요 | 기본값— |
필드messages[].name | 유형string | 요건선택 사항 | 값과 한도 | 기본값— |
필드messages[].reasoning_content | 유형string | 요건선택 사항 | 값과 한도 적용 조건: 이 모델이 추론을 사용하는 경우 실제 반환된 추론을 그대로 다음 요청에 다시 전달하세요 | 기본값— |
필드messages[].reasoning_details | 유형object|array | 요건선택 사항 | 값과 한도 모델에 따라 다름 | 기본값— |
필드max_tokens | 유형integer | 요건선택 사항 | 값과 한도 최솟값: 1 모델에 따라 다름 | 기본값— |
필드max_completion_tokens | 유형integer | 요건선택 사항 | 값과 한도 최솟값: 1 모델에 따라 다름 | 기본값— |
필드stream | 유형boolean | 요건선택 사항 | 값과 한도 | 기본값false |
필드stream_options.include_usage | 유형boolean | 요건선택 사항 | 값과 한도 모델에 따라 다름 | 기본값— |
필드temperature | 유형number | 요건선택 사항 | 값과 한도 모델에 따라 다름 | 기본값— |
필드top_p | 유형number | 요건선택 사항 | 값과 한도 모델에 따라 다름 | 기본값— |
필드stop | 유형string|string[] | 요건선택 사항 | 값과 한도 모델에 따라 다름 | 기본값— |
필드tools | 유형function_tool[] | 요건선택 사항 | 값과 한도 모델에 따라 다름 | 기본값— |
필드tools[].type | 유형string | 요건선택 사항 | 값과 한도 function 모델에 따라 다름 | 기본값— |
필드tools[].function.name | 유형string | 요건필수 | 값과 한도 적용 조건: 함수 도구 지정됨 | 기본값— |
필드tools[].function.description | 유형string | 요건선택 사항 | 값과 한도 | 기본값— |
필드tools[].function.parameters | 유형JSON_schema | 요건선택 사항 | 값과 한도 | 기본값— |
필드tool_choice | 유형string|object | 요건선택 사항 | 값과 한도 모델에 따라 다름 | 기본값— |
필드parallel_tool_calls | 유형boolean | 요건선택 사항 | 값과 한도 모델에 따라 다름 | 기본값— |
필드response_format | 유형object | 요건선택 사항 | 값과 한도 모델에 따라 다름 | 기본값— |
필드reasoning_effort | 유형string | 요건선택 사항 | 값과 한도 모델에 따라 다름 | 기본값— |
필드reasoning | 유형object | 요건선택 사항 | 값과 한도 모델에 따라 다름 | 기본값— |
필드service_tier | 유형string | 요건선택 사항 | 값과 한도 모델에 따라 다름 | 기본값— |
필드instructions | 유형string | 요건선택 사항 | 값과 한도 호환성 필드 | 기본값— |
필드functions | 유형function[] | 요건선택 사항 | 값과 한도 모델에 따라 다름 | 기본값— |
필드function_call | 유형string|object | 요건선택 사항 | 값과 한도 모델에 따라 다름 | 기본값— |
필드prompt_cache_options | 유형object | 요건선택 사항 | 값과 한도 모델에 따라 다름 | 기본값— |
필드modalities | 유형string[] | 요건선택 사항 | 값과 한도 text | 기본값— |
필드provider | 유형object | 요건선택 사항 | 값과 한도 조건: 이 Ultra 텍스트 경로에서는 provider.options가 거부됩니다 | 기본값— |
필드cache_control.ttl | 유형string | 요건선택 사항 | 값과 한도 조건: 실제 프롬프트 캐시 지정 위치에서는 1h가 거부됩니다 | 기본값— |
텍스트 · UTF8 텍스트
messages[].content
| 매개변수 | 명세 |
|---|---|
매개변수content_type | 명세application/json |
매개변수required | 명세model, messages |
매개변수material_types | 명세text |
매개변수messages | 명세role/content 형식의 메시지 배열 |
매개변수file_material | 명세실제 UTF-8 문서를 텍스트로 그대로 삽입합니다. 파일 ID는 추정하지 않습니다 |
매개변수optional_controls | 명세stream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
매개변수control_scope | 명세모델별로 다름. 사용자 함수 도구와 호스팅 도구는 서로 다릅니다 |
매개변수output_modalities | 명세text |
매개변수hosted_operations | 명세false |
매개변수multimodal_input_binding | 명세null |
수명 주기: synchronous_or_streamed
정확한 모델 ID를 messages와 함께 보내세요.
컨텍스트 길이는 출력 상한이 아닙니다.
텍스트 파일은 텍스트를 그대로 제공할 수 있습니다. 이미지/오디오/파일 객체 입력에는 정확한 바인딩이 필요합니다.
요금 정보는 요청 옵션을 추가하지 않습니다. 지원되는 매개변수는 선택한 메서드에 표시됩니다.
| 설정 | 요금표 | 요금 |
|---|---|---|
| 설정토큰의 기본 단가 | 요금표기본 요금 | 요금 입력 · 입력 토큰 $0.014 / 1K 토큰 출력 · 출력 토큰 $0.014 / 1K 토큰 입력 · 캐시 읽기 $0 / 1K 토큰 입력 · 캐시 쓰기 $0 / 1K 토큰 입력 · 캐시 쓰기, 1시간 — / 1K 토큰 |
Ailoot는 요청 전에 예상 금액을 미리 확보합니다. 결과를 받은 뒤 측정된 사용량을 기준으로 최종 요금을 정산합니다. 스트리밍 정산에는 최종 사용량 기록을 사용합니다. 금액 확보와 정산 방식 →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "glm-4-plus", "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='glm-4-plus',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='glm-4-plus',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 또는 SSE
반환된 완전한 응답, 파일, 콘텐츠 부분을 모두 보관하세요.
각 선택지와 그 콘텐츠·도구 호출·추론을 모두 보존하세요. SSE에서는 선택지/도구 인덱스별로 증분을 조합하고 최종 종료 사유와 사용량을 유지하세요.
요청/응답 ID와 헤더를 보존하세요. 텍스트 작업을 조회하는 범용 URL은 제공되지 않습니다.
| 필드 | 유형 |
|---|---|
필드choices[].index | 유형integer |
필드choices[].message.content | 유형string|null |
필드choices[].message.tool_calls | 유형tool_call[] |
필드choices[].message.reasoning_content | 유형string |
필드choices[].message.reasoning_details | 유형object|array |
필드choices[].finish_reason | 유형string|null |
필드usage | 유형object |
| 응답 | 조건 | 다음 단계 |
|---|---|---|
응답400 · invalid_request_error | 조건필수 필드, 자료 표현 방식 또는 파라미터 값이 올바르지 않음 | 다음 단계새 생성 요청 전에 표시된 필드를 수정하세요. |
Ailoot Ultra glm-4-plus
위에 표시된 메서드 경로를 사용하세요.
glm-4-plusGLM-4-Plus는 언어 이해, 논리 분석, 지시 이행, 긴 문서를 위한 Z.ai의 텍스트 모델입니다. 128K 컨텍스트와 4K 출력 프로필은 근거 기반 요약, 다국어 편집, 필드 추출, 도구 지원 보고서에 적합합니다.
이 설명은 모델의 기능을 다룹니다. Ailoot에서 사용할 수 있는 입력, 출력 및 옵션은 아래에 선택한 메서드별로 표시됩니다.
GLM-4-Plus는 Z.ai GLM-4 라인의 고성능 텍스트 모델입니다. 언어 이해, 논리 추론, 지시 이행, 장문 처리를 결합하는 데 중점을 둡니다. 제조사는 입력과 출력 모두 텍스트로 명시하고 128K토큰의 컨텍스트 윈도와 4K토큰의 최대 출력을 제공합니다. 따라서 긴 입력과 간결한 결과는 프로필의 별도 요소입니다. 큰 문서 묶음으로 집중된 요약, 비교 또는 추출 결과를 뒷받침할 수 있습니다.
문서 어시스턴트는 이름이 있는 구간과 질문을 받아 해당 구간에 연결된 간결한 분석을 생성할 수 있습니다. 답변을 요청하기 전에 대상 독자와 판단을 정의하세요. 예를 들어 두 절차를 비교하거나, 사례에 적용되는 조건을 나열하거나, 상충하는 요구사항을 식별할 수 있습니다. 응답이 근거와 요청한 분석을 구분할 수 있도록 원문 문단을 지침과 분리하세요.
GLM-4 설명에는 스트리밍, 함수 호출, 컨텍스트 캐싱, JSON 등의 구조화 형식, MCP 도구 및 데이터 원본과의 상호작용이 명시되어 있습니다. 스트리밍은 생성 텍스트를 점진적으로 제공합니다. 구조화 출력은 자유 형식의 글보다 명명된 필드가 필요한 결과에 도움이 됩니다. 요약, 추출 식별자, 원본 구간 레이블, 미해결 질문 등이 이에 해당합니다.
도구 사용은 언어 모델을 애플리케이션이 제공하는 행동과 연결합니다. 애플리케이션은 함수를 설명하고 선택된 호출을 실행하며 다음 단계를 위한 결과를 반환합니다. 이를 통해 조회 후 보고서 작성이나 답변의 근거가 되는 검색 결과를 지원할 수 있습니다. 모델의 텍스트는 외부 행동의 실행과 구분됩니다. 반복되는 지침이나 문서 접두부는 제조사의 컨텍스트 캐싱 메커니즘에 참여할 수 있지만, 캐시 재사용 자체가 특정 요청에서 캐시가 적중했다는 근거는 아닙니다.
제조사는 번역을 개별 단어 변환 이상의 작업으로 설명하며, 문화적 차이를 고려한 혼합 언어 텍스트, 어조, 속어, 이모지, 전문 용어를 포함합니다. 원문, 대상 독자, 변경하지 않을 용어를 제공하세요. 편집에서는 수정된 편지, 제품 설명, 간결한 해설 등 특정 산출물을 요청하고 유지할 사실을 명시하세요.
의미 분류와 필드 추출은 제공된 자료에 기반합니다. 먼저 범주나 필수 필드를 정의한 뒤 문서를 제공하세요. 예를 들어 애플리케이션은 프로젝트 식별자, 조항 범주와 관련 구간 레이블을 함께 요청할 수 있습니다. 명시적인 누락값 규칙은 출력 스키마가 없는 데이터를 지어내는 이유가 되지 않도록 합니다.
제조사는 마케팅 자료, 분석적 위험 보고서, 여행 일정 계획도 설명합니다. 글쓰기에서는 실제 제품 또는 캠페인 사실과 의도한 형식을 제공하세요. 분석 작업에서는 관련 보고서와 비교 기준을 제공하고, 최신 정보는 애플리케이션이 제공하는 검색이나 데이터 도구를 통해 전달해야 합니다. 일정에서는 선호와 시간 제약을 지정하여 일반 여행 글이 아닌 설명한 상황에 맞는 계획을 출력하도록 하세요.
GLM-4-Plus는 모델 지원 합성 데이터와 PPO 기반 사후 학습을 통해 수학 및 코딩 추론을 발전시키고 인간의 선호를 더 잘 반영합니다. 장문에서는 짧은 자료와 긴 자료의 혼합을 조정하여 긴 입력 전반의 추론을 강화합니다. 이는 이 특정 Plus 모델의 준비 과정에서 선택한 방식입니다. 텍스트 전용 프로필이 별도로 명명된 GLM-4V 에디션의 이미지 이해 기능으로 바뀌는 것은 아닙니다.
큰 컨텍스트에는 안정된 구간 이름과 명확한 출력 계약을 갖춰 질문을 실제로 뒷받침하는 자료를 제공하세요. 두 문서를 비교하고 합의점과 충돌을 나열하며 각 결론의 근거 문단을 식별하도록 요청하면 실용적입니다. 최종 산출물은 4K 출력 프로필 안에 유지하세요. 판단 브리핑이나 구조화된 비교를 요청하고, 특정 구간의 확장이 필요하면 명확한 후속 요청으로 이어가세요. 유효한 JSON 구조와 사실상 정확한 필드 값은 별도 검사 대상입니다.
POST /v1/messagestextjson, sse| 필드 | 유형 | 요건 | 값과 한도 | 기본값 |
|---|---|---|---|---|
필드model | 유형string | 요건필수 | 값과 한도 glm-4-plus | 기본값— |
필드messages | 유형message[] | 요건필수 | 값과 한도 | 기본값— |
필드messages[].role | 유형string | 요건필수 | 값과 한도 user, assistant | 기본값— |
필드messages[].content | 유형string | 요건필수 | 값과 한도 | 기본값— |
필드max_tokens | 유형integer | 요건필수 | 값과 한도 | 기본값— |
필드stream | 유형boolean | 요건선택 사항 | 값과 한도 | 기본값false |
텍스트 · UTF-8 텍스트
messages[].content 문자열
| 매개변수 | 명세 |
|---|---|
매개변수content_type | 명세application/json |
매개변수required | 명세model, messages, max_tokens |
매개변수optional_controls | 명세stream |
매개변수material_types | 명세text |
매개변수text_file_material | 명세실제 UTF-8 문서를 읽고 그 텍스트를 지정된 입력 또는 메시지 콘텐츠 문자열에 넣으세요. |
수명 주기: synchronous_or_streamed
요금 정보는 요청 옵션을 추가하지 않습니다. 지원되는 매개변수는 선택한 메서드에 표시됩니다.
| 설정 | 요금표 | 요금 |
|---|---|---|
| 설정토큰의 기본 단가 | 요금표기본 요금 | 요금 입력 · 입력 토큰 $0.014 / 1K 토큰 출력 · 출력 토큰 $0.014 / 1K 토큰 입력 · 캐시 읽기 $0 / 1K 토큰 입력 · 캐시 쓰기 $0 / 1K 토큰 입력 · 캐시 쓰기, 1시간 — / 1K 토큰 |
Ailoot는 요청 전에 예상 금액을 미리 확보합니다. 결과를 받은 뒤 측정된 사용량을 기준으로 최종 요금을 정산합니다. 스트리밍 정산에는 최종 사용량 기록을 사용합니다. 금액 확보와 정산 방식 →
{\n "model": "glm-4-plus",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-4-plus', '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-4-plus', '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 또는 SSE
반환된 완전한 응답, 파일, 콘텐츠 부분을 모두 보관하세요.
모든 콘텐츠 블록, 사고 서명, 실제 도구 사용 ID를 보존하세요. 모든 SSE 블록 증분을 조합하세요. 첫 텍스트 블록이 전체 출력은 아닙니다.
요청/응답 ID와 헤더를 보존하세요. 텍스트 작업을 조회하는 범용 URL은 제공되지 않습니다.
| 필드 | 유형 |
|---|---|
필드id | 유형string |
필드model | 유형string |
필드content[] | 유형text|thinking|tool_use|other content block |
필드stop_reason | 유형string|null |
필드usage | 유형object |
| 응답 | 조건 | 다음 단계 |
|---|---|---|
응답400 · invalid_request_error | 조건필수 필드, 자료 표현 방식 또는 파라미터 값이 올바르지 않음 | 다음 단계새 생성 요청 전에 표시된 필드를 수정하세요. |
Ailoot Ultra glm-4-plus
위에 표시된 메서드 경로를 사용하세요.
영어 기술 예제
Find contradictions between two procedures\n\nCompare procedure P: approve a supplier before issuing an order; emergency orders need the same approval. Procedure Q: emergency orders may be issued immediately and reviewed the next day. Prepare a decision brief identifying the conflict, the passages involved and the exact policy question an owner must resolve before the procedures can agree.A concise conflict statement, two supporting passages and one decision question.Check that the answer exposes the approval-timing conflict without silently choosing a governing procedure.