Z.ai GLM 5.3은 복잡한 소프트웨어 엔지니어링과 장기 에이전트 작업을 위해 설계된 대규모 텍스트 추론 모델입니다. 제조사는 GLM 5.2와 동일한 기반 모델을 사용하며 새 성능 향상은 사후 학습에서 나온다고 밝힙니다. 이번 릴리스는 프로그래밍, 터미널 작업, 여러 의존 단계가 있는 폭넓은 과제의 역량 강화에 중점을 둡니다. 텍스트를 입력받고 코드, 설명, 계획, 도구가 연결된 애플리케이션에서의 도구 호출 요청 등을 텍스트로 출력합니다.
문서화된 추론 모드는 항상 활성화됩니다. GLM 5.3은 low, high, max의 세 가지 강도를 제공하며 기본값은 max입니다. 제작사는 복잡한 코딩에 max를 권장하고, low는 간단한 단계에 더 가벼운 추론 옵션을 제공합니다. 선택한 강도와 함께 명확한 최종 산출물과 완료 기준을 제시하세요. 예를 들어 “이 파일과 실패 결과를 살펴보고, 영향받는 모듈 전반에서 원인을 추적한 뒤, 공개 인터페이스를 보존하는 수정안을 제시하고 어떤 검사가 회귀 문제가 해결되었음을 입증하는지 설명하세요”라고 요청할 수 있습니다.
제작사는 1M토큰의 컨텍스트 윈도와 128K토큰의 최대 출력 길이를 명시합니다. 모델이 조사해야 할 관계를 중심으로 긴 자료를 구성하세요. 파일 이름, 관련 정의, 원본 레이블, 관찰 순서를 보존하고 해당 작업 컨텍스트 안에 추론과 최종 답변 공간을 남기세요. 큰 윈도는 모듈 간 의존 관계나 긴 에이전트 관찰 순서에 유용하지만, 무관한 자료를 방향 없이 모아 둔다고 명확한 과제가 되지는 않습니다.
저장소 작업에서는 예상 동작, 관련 소스 텍스트, 의존성 버전, 실제 오류 출력을 제공하세요. 패치를 제안하기 전에 영향받는 동작을 파악하도록 요청하세요. 리팩터링에서는 보존할 인터페이스와 불변 조건을 명시하세요. 유용한 응답은 수정된 코드, 변경이 관찰된 문제를 해결하는 이유, 결과 확인에 필요한 사례를 포함합니다. 실제 결과를 도구가 연결된 작업 흐름에 다시 제공해 다음 단계가 이전 제안이 아닌 변경된 상태에 근거하도록 하세요.
성능 작업에서는 워크로드, 기준선, 실행 시간, 프로파일 또는 할당 기록 같은 측정치를 제공하세요. Z.ai는 병목 진단, 최적화, 실험, 정확성을 유지한 결과를 포함하는 학습 과제를 설명합니다. 실용적인 요청은 “이 프로파일로 가장 영향이 큰 병목을 찾고, 측정 가능한 변경 하나를 제안하며, 어떤 결과가 나와야 변경을 유지할 근거가 되는지 설명하세요”입니다. 성능 가설과 기록된 개선을 구분하세요. 결과를 살펴볼 때 같은 워크로드와 관련 조건을 유지하세요.
이번 릴리스는 취약점 분석 역량도 발전시킵니다. 방어 목적의 소스 검토에서는 관련 코드, 의도한 신뢰 경계, 실행 조건을 제공하세요. 의심되는 문제를 영향받는 입력과 동작, 집중된 개선 조치에 연결하는 분석 결과를 요청하세요. 잠재적 약점과 재현된 결함을 구분하고 검증에 사용한 관찰을 보존하세요. 의심스러운 패턴을 모두 확정된 취약점으로 취급하기보다 구체적인 근거와 수정 제안을 우선하는 보고서가 더 유용합니다.
함수 호출을 통해 주변 애플리케이션은 외부 작업을 모델에 제공할 수 있습니다. 각 도구의 목적, 인수, 예상 결과를 정의하고 실제 도구 관찰 결과를 다음 단계에 반환하세요. 모델은 그 결과를 추론하고 과제를 어떻게 바꿀지 판단할 수 있습니다. 제안된 행동, 실행된 작업, 미해결 검사를 구분하세요. 제작사는 추론과 답변 조각을 별도로 반환하는 스트리밍 응답도 문서화합니다. 이를 최종 보고서나 코드 설명으로 취급하기 전에 완성된 답변을 조합하세요.
로컬 모델 카드에는 구체적인 이력 설정이 나옵니다. 채팅 템플릿은 기본적으로 사고 내용을 유지하지만, 제작사는 일반 채팅에서는 이전 사고 내용을 명시적으로 지우도록 권장합니다. 용도에 맞는 대화 구조를 적용하고, 이어서 작업하는 데 필요한 실제 완성 답변과 도구 결과를 보존하세요. GLM 5.2나 별도 GLM 5.3 Flash 에디션의 추론 제어 설정을 이 모델의 low/high/max 제어와 상호 교환 가능한 것으로 취급하지 마세요.
구조화된 결과에서는 예상 필드, 유형, 원본 처리 규칙을 지정하세요. 결함 표, 변경 계획, 관찰을 요약한 JSON 객체 등이 유용한 산출물이 될 수 있습니다. 애플리케이션이 사용하기 전에 구조와 값을 모두 검증하세요. 최종 결과에는 답이나 수정 산출물, 이를 뒷받침하는 근거, 남은 가정이 표시되어야 합니다. 추론 강도가 높다고 도구가 실행되었거나 제안한 패치가 검사를 통과했거나 사실 주장이 제공된 자료 밖의 근거를 얻었다고 입증되지는 않습니다.
", "aboutText": "Z.ai GLM 5.3은 복잡한 소프트웨어 엔지니어링과 장기 에이전트 작업을 위해 설계된 대규모 텍스트 추론 모델입니다. 제조사는 GLM 5.2와 동일한 기반 모델을 사용하며 새 성능 향상은 사후 학습에서 나온다고 밝힙니다. 이번 릴리스는 프로그래밍, 터미널 작업, 여러 의존 단계가 있는 폭넓은 과제의 역량 강화에 중점을 둡니다. 텍스트를 입력받고 코드, 설명, 계획, 도구가 연결된 애플리케이션에서의 도구 호출 요청 등을 텍스트로 출력합니다.\n\n문서화된 추론 모드는 항상 활성화됩니다. GLM 5.3은 low, high, max의 세 가지 강도를 제공하며 기본값은 max입니다. 제작사는 복잡한 코딩에 max를 권장하고, low는 간단한 단계에 더 가벼운 추론 옵션을 제공합니다. 선택한 강도와 함께 명확한 최종 산출물과 완료 기준을 제시하세요. 예를 들어 “이 파일과 실패 결과를 살펴보고, 영향받는 모듈 전반에서 원인을 추적한 뒤, 공개 인터페이스를 보존하는 수정안을 제시하고 어떤 검사가 회귀 문제가 해결되었음을 입증하는지 설명하세요”라고 요청할 수 있습니다.\n\n제작사는 1M토큰의 컨텍스트 윈도와 128K토큰의 최대 출력 길이를 명시합니다. 모델이 조사해야 할 관계를 중심으로 긴 자료를 구성하세요. 파일 이름, 관련 정의, 원본 레이블, 관찰 순서를 보존하고 해당 작업 컨텍스트 안에 추론과 최종 답변 공간을 남기세요. 큰 윈도는 모듈 간 의존 관계나 긴 에이전트 관찰 순서에 유용하지만, 무관한 자료를 방향 없이 모아 둔다고 명확한 과제가 되지는 않습니다.\n\n저장소 작업에서는 예상 동작, 관련 소스 텍스트, 의존성 버전, 실제 오류 출력을 제공하세요. 패치를 제안하기 전에 영향받는 동작을 파악하도록 요청하세요. 리팩터링에서는 보존할 인터페이스와 불변 조건을 명시하세요. 유용한 응답은 수정된 코드, 변경이 관찰된 문제를 해결하는 이유, 결과 확인에 필요한 사례를 포함합니다. 실제 결과를 도구가 연결된 작업 흐름에 다시 제공해 다음 단계가 이전 제안이 아닌 변경된 상태에 근거하도록 하세요.\n\n성능 작업에서는 워크로드, 기준선, 실행 시간, 프로파일 또는 할당 기록 같은 측정치를 제공하세요. Z.ai는 병목 진단, 최적화, 실험, 정확성을 유지한 결과를 포함하는 학습 과제를 설명합니다. 실용적인 요청은 “이 프로파일로 가장 영향이 큰 병목을 찾고, 측정 가능한 변경 하나를 제안하며, 어떤 결과가 나와야 변경을 유지할 근거가 되는지 설명하세요”입니다. 성능 가설과 기록된 개선을 구분하세요. 결과를 살펴볼 때 같은 워크로드와 관련 조건을 유지하세요.\n\n이번 릴리스는 취약점 분석 역량도 발전시킵니다. 방어 목적의 소스 검토에서는 관련 코드, 의도한 신뢰 경계, 실행 조건을 제공하세요. 의심되는 문제를 영향받는 입력과 동작, 집중된 개선 조치에 연결하는 분석 결과를 요청하세요. 잠재적 약점과 재현된 결함을 구분하고 검증에 사용한 관찰을 보존하세요. 의심스러운 패턴을 모두 확정된 취약점으로 취급하기보다 구체적인 근거와 수정 제안을 우선하는 보고서가 더 유용합니다.\n\n함수 호출을 통해 주변 애플리케이션은 외부 작업을 모델에 제공할 수 있습니다. 각 도구의 목적, 인수, 예상 결과를 정의하고 실제 도구 관찰 결과를 다음 단계에 반환하세요. 모델은 그 결과를 추론하고 과제를 어떻게 바꿀지 판단할 수 있습니다. 제안된 행동, 실행된 작업, 미해결 검사를 구분하세요. 제작사는 추론과 답변 조각을 별도로 반환하는 스트리밍 응답도 문서화합니다. 이를 최종 보고서나 코드 설명으로 취급하기 전에 완성된 답변을 조합하세요.\n\n로컬 모델 카드에는 구체적인 이력 설정이 나옵니다. 채팅 템플릿은 기본적으로 사고 내용을 유지하지만, 제작사는 일반 채팅에서는 이전 사고 내용을 명시적으로 지우도록 권장합니다. 용도에 맞는 대화 구조를 적용하고, 이어서 작업하는 데 필요한 실제 완성 답변과 도구 결과를 보존하세요. GLM 5.2나 별도 GLM 5.3 Flash 에디션의 추론 제어 설정을 이 모델의 low/high/max 제어와 상호 교환 가능한 것으로 취급하지 마세요.\n\n구조화된 결과에서는 예상 필드, 유형, 원본 처리 규칙을 지정하세요. 결함 표, 변경 계획, 관찰을 요약한 JSON 객체 등이 유용한 산출물이 될 수 있습니다. 애플리케이션이 사용하기 전에 구조와 값을 모두 검증하세요. 최종 결과에는 답이나 수정 산출물, 이를 뒷받침하는 근거, 남은 가정이 표시되어야 합니다. 추론 강도가 높다고 도구가 실행되었거나 제안한 패치가 검사를 통과했거나 사실 주장이 제공된 자료 밖의 근거를 얻었다고 입증되지는 않습니다.", "editorialOverlay": { "copy_fields": { "practical_html": "영어 기술 예제
Target a measured bottleneck\n\nProfile P1 for one import: parsing 0.4 s, per-row database lookups 8.1 s, writing 0.8 s. The import handles 10,000 rows, including repeated customer IDs. Propose one correctness-preserving optimization, describe what lookup behavior must remain identical and define a same-workload check before claiming an improvement.A bottleneck hypothesis, one proposed change and a correctness plus timing comparison plan.The proposal must use P1 without inventing an observed speedup or losing missing-customer behavior.glm-5.3Z.ai GLM 5.3은 복잡한 소프트웨어 엔지니어링, 터미널 작업, 장기 에이전트를 위한 텍스트 추론 모델입니다. 제작사 문서에 명시된 1M토큰 컨텍스트, 최대 128K 출력 토큰, 함수 호출, low/high/max 추론 강도를 지원하며 추론은 항상 활성화됩니다.
이 설명은 모델의 기능을 다룹니다. Ailoot에서 사용할 수 있는 입력, 출력 및 옵션은 아래에 선택한 메서드별로 표시됩니다.
Z.ai GLM 5.3은 복잡한 소프트웨어 엔지니어링과 장기 에이전트 작업을 위해 설계된 대규모 텍스트 추론 모델입니다. 제조사는 GLM 5.2와 동일한 기반 모델을 사용하며 새 성능 향상은 사후 학습에서 나온다고 밝힙니다. 이번 릴리스는 프로그래밍, 터미널 작업, 여러 의존 단계가 있는 폭넓은 과제의 역량 강화에 중점을 둡니다. 텍스트를 입력받고 코드, 설명, 계획, 도구가 연결된 애플리케이션에서의 도구 호출 요청 등을 텍스트로 출력합니다.
문서화된 추론 모드는 항상 활성화됩니다. GLM 5.3은 low, high, max의 세 가지 강도를 제공하며 기본값은 max입니다. 제작사는 복잡한 코딩에 max를 권장하고, low는 간단한 단계에 더 가벼운 추론 옵션을 제공합니다. 선택한 강도와 함께 명확한 최종 산출물과 완료 기준을 제시하세요. 예를 들어 “이 파일과 실패 결과를 살펴보고, 영향받는 모듈 전반에서 원인을 추적한 뒤, 공개 인터페이스를 보존하는 수정안을 제시하고 어떤 검사가 회귀 문제가 해결되었음을 입증하는지 설명하세요”라고 요청할 수 있습니다.
제작사는 1M토큰의 컨텍스트 윈도와 128K토큰의 최대 출력 길이를 명시합니다. 모델이 조사해야 할 관계를 중심으로 긴 자료를 구성하세요. 파일 이름, 관련 정의, 원본 레이블, 관찰 순서를 보존하고 해당 작업 컨텍스트 안에 추론과 최종 답변 공간을 남기세요. 큰 윈도는 모듈 간 의존 관계나 긴 에이전트 관찰 순서에 유용하지만, 무관한 자료를 방향 없이 모아 둔다고 명확한 과제가 되지는 않습니다.
저장소 작업에서는 예상 동작, 관련 소스 텍스트, 의존성 버전, 실제 오류 출력을 제공하세요. 패치를 제안하기 전에 영향받는 동작을 파악하도록 요청하세요. 리팩터링에서는 보존할 인터페이스와 불변 조건을 명시하세요. 유용한 응답은 수정된 코드, 변경이 관찰된 문제를 해결하는 이유, 결과 확인에 필요한 사례를 포함합니다. 실제 결과를 도구가 연결된 작업 흐름에 다시 제공해 다음 단계가 이전 제안이 아닌 변경된 상태에 근거하도록 하세요.
성능 작업에서는 워크로드, 기준선, 실행 시간, 프로파일 또는 할당 기록 같은 측정치를 제공하세요. Z.ai는 병목 진단, 최적화, 실험, 정확성을 유지한 결과를 포함하는 학습 과제를 설명합니다. 실용적인 요청은 “이 프로파일로 가장 영향이 큰 병목을 찾고, 측정 가능한 변경 하나를 제안하며, 어떤 결과가 나와야 변경을 유지할 근거가 되는지 설명하세요”입니다. 성능 가설과 기록된 개선을 구분하세요. 결과를 살펴볼 때 같은 워크로드와 관련 조건을 유지하세요.
이번 릴리스는 취약점 분석 역량도 발전시킵니다. 방어 목적의 소스 검토에서는 관련 코드, 의도한 신뢰 경계, 실행 조건을 제공하세요. 의심되는 문제를 영향받는 입력과 동작, 집중된 개선 조치에 연결하는 분석 결과를 요청하세요. 잠재적 약점과 재현된 결함을 구분하고 검증에 사용한 관찰을 보존하세요. 의심스러운 패턴을 모두 확정된 취약점으로 취급하기보다 구체적인 근거와 수정 제안을 우선하는 보고서가 더 유용합니다.
함수 호출을 통해 주변 애플리케이션은 외부 작업을 모델에 제공할 수 있습니다. 각 도구의 목적, 인수, 예상 결과를 정의하고 실제 도구 관찰 결과를 다음 단계에 반환하세요. 모델은 그 결과를 추론하고 과제를 어떻게 바꿀지 판단할 수 있습니다. 제안된 행동, 실행된 작업, 미해결 검사를 구분하세요. 제작사는 추론과 답변 조각을 별도로 반환하는 스트리밍 응답도 문서화합니다. 이를 최종 보고서나 코드 설명으로 취급하기 전에 완성된 답변을 조합하세요.
로컬 모델 카드에는 구체적인 이력 설정이 나옵니다. 채팅 템플릿은 기본적으로 사고 내용을 유지하지만, 제작사는 일반 채팅에서는 이전 사고 내용을 명시적으로 지우도록 권장합니다. 용도에 맞는 대화 구조를 적용하고, 이어서 작업하는 데 필요한 실제 완성 답변과 도구 결과를 보존하세요. GLM 5.2나 별도 GLM 5.3 Flash 에디션의 추론 제어 설정을 이 모델의 low/high/max 제어와 상호 교환 가능한 것으로 취급하지 마세요.
구조화된 결과에서는 예상 필드, 유형, 원본 처리 규칙을 지정하세요. 결함 표, 변경 계획, 관찰을 요약한 JSON 객체 등이 유용한 산출물이 될 수 있습니다. 애플리케이션이 사용하기 전에 구조와 값을 모두 검증하세요. 최종 결과에는 답이나 수정 산출물, 이를 뒷받침하는 근거, 남은 가정이 표시되어야 합니다. 추론 강도가 높다고 도구가 실행되었거나 제안한 패치가 검사를 통과했거나 사실 주장이 제공된 자료 밖의 근거를 얻었다고 입증되지는 않습니다.
POST /v1/messagestexttext| 필드 | 유형 | 요건 | 값과 한도 | 기본값 |
|---|---|---|---|---|
필드model | 유형string | 요건필수 | 값과 한도 glm-5.3 | 기본값— |
필드messages | 유형message[] | 요건필수 | 값과 한도 최소 항목 수: 1 | 기본값— |
필드messages[].role | 유형string | 요건필수 | 값과 한도 user, assistant | 기본값— |
필드messages[].content | 유형string|content_block[] | 요건필수 | 값과 한도 | 기본값— |
필드system | 유형string|content_block[] | 요건선택 사항 | 값과 한도 | 기본값— |
필드max_tokens | 유형integer | 요건필수 | 값과 한도 최솟값: 1 한도 적용 대상: 선택한 모델/카드의 정확한 상한 | 기본값— |
필드stream | 유형boolean | 요건선택 사항 | 값과 한도 | 기본값false |
필드temperature | 유형number | 요건선택 사항 | 값과 한도 모델에 따라 다름 | 기본값— |
필드top_p | 유형number | 요건선택 사항 | 값과 한도 모델에 따라 다름 | 기본값— |
필드stop_sequences | 유형string[] | 요건선택 사항 | 값과 한도 모델에 따라 다름 | 기본값— |
필드tools | 유형tool[] | 요건선택 사항 | 값과 한도 모델에 따라 다름 | 기본값— |
필드tools[].name | 유형string | 요건선택 사항 | 값과 한도 적용 조건: 도구 지정됨 | 기본값— |
필드tools[].description | 유형string | 요건선택 사항 | 값과 한도 | 기본값— |
필드tools[].input_schema | 유형JSON_schema | 요건선택 사항 | 값과 한도 | 기본값— |
필드tool_choice | 유형object | 요건선택 사항 | 값과 한도 모델에 따라 다름 | 기본값— |
필드thinking.type | 유형string | 요건선택 사항 | 값과 한도 모델에 따라 다름 | 기본값— |
필드thinking.budget_tokens | 유형integer | 요건선택 사항 | 값과 한도 모델에 따라 다름 | 기본값— |
필드output_config.effort | 유형string | 요건선택 사항 | 값과 한도 모델에 따라 다름 | 기본값— |
필드metadata | 유형object | 요건선택 사항 | 값과 한도 | 기본값— |
필드cache_control | 유형object | 요건선택 사항 | 값과 한도 모델에 따라 다름 | 기본값— |
텍스트 · UTF8 텍스트
messages[].content 또는 type=text 블록
| 매개변수 | 명세 |
|---|---|
매개변수material_types | 명세text |
매개변수required | 명세model, messages, max_tokens |
매개변수optional_controls | 명세null |
매개변수content_type | 명세application/json |
매개변수text_file_material | 명세실제 UTF-8 콘텐츠를 텍스트로 삽입합니다. 파일 ID/URLs에는 별도의 정확한 지원이 필요합니다 |
수명 주기: exact retained published method
메서드 형식과 ID는 정확합니다. 공급자의 기능 지원과 요청 수락은 별개입니다.
POST /v1/messagesAiloot는 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 →
모델 수준의 참조 요금표는 메서드 선택, 견적 또는 요금을 변경하지 않습니다. 실제 과금에는 선택한 Ailoot 메서드 요금이 적용됩니다.
각 요금을 표시된 조건과 대조하세요. 서로 대체되는 설정 묶음마다 하나의 요금만 적용하세요.
| 설정 | 요금표 | 컨텍스트 토큰 수 초과 기준 | 컨텍스트 토큰 수 이하 기준 | 요금 |
|---|---|---|---|---|
| 설정OpenAI Chat · 기본 토큰 요금 | 요금표기본 요금 | 컨텍스트 토큰 수 초과 기준— | 컨텍스트 토큰 수 이하 기준상한 없음 | 요금 입력 · 입력 토큰 $0.0028 / 1K 토큰 출력 · 출력 토큰 $0.0088 / 1K 토큰 입력 · 캐시 읽기 $0.00052 / 1K 토큰 입력 · 캐시 쓰기 — / 1K 토큰 입력 · 캐시 쓰기, 1시간 — / 1K 토큰 |
| 설정OpenAI Chat · 요청 길이 구간 1 | 요금표— | 컨텍스트 토큰 수 초과 기준0 | 컨텍스트 토큰 수 이하 기준상한 없음 | 요금 입력 · 입력 토큰 $0.0028 / 1K 토큰 출력 · 출력 토큰 $0.0088 / 1K 토큰 입력 · 캐시 읽기 $0.00052 / 1K 토큰 입력 · 캐시 쓰기 — / 1K 토큰 입력 · 캐시 쓰기, 1시간 — / 1K 토큰 |
| 설정Anthropic Messages · 기본 토큰 요금 | 요금표기본 요금 | 컨텍스트 토큰 수 초과 기준— | 컨텍스트 토큰 수 이하 기준상한 없음 | 요금 입력 · 입력 토큰 $0.0028 / 1K 토큰 출력 · 출력 토큰 $0.0088 / 1K 토큰 입력 · 캐시 읽기 $0.00052 / 1K 토큰 입력 · 캐시 쓰기 — / 1K 토큰 입력 · 캐시 쓰기, 1시간 — / 1K 토큰 |
| 설정Anthropic Messages · 요청 길이 구간 1 | 요금표— | 컨텍스트 토큰 수 초과 기준0 | 컨텍스트 토큰 수 이하 기준상한 없음 | 요금 입력 · 입력 토큰 $0.0028 / 1K 토큰 출력 · 출력 토큰 $0.0088 / 1K 토큰 입력 · 캐시 읽기 $0.00052 / 1K 토큰 입력 · 캐시 쓰기 — / 1K 토큰 입력 · 캐시 쓰기, 1시간 — / 1K 토큰 |
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 source-material file}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "glm-5.3", "max_tokens": 1024, "messages": []}')\nf=Path(os.environ["AILOOT_TEXT_FILE"])\nif not f.is_file():raise SystemExit("Choose your actual UTF-8 source material")\ntext=f.read_text(encoding="utf-8")\nif not text.strip():raise SystemExit("Source material must contain text")\np["messages"]=[{"role":"user","content":"Summarize this material and quote supporting source passages.\\n\\n"+text}]\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nprint(json.dumps(json.loads(Path("result.json").read_text()),ensure_ascii=False,indent=2))\nPY_RESULT\nimport anthropic\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient = anthropic.Anthropic(base_url="https://api.ailoot.ai", api_key=os.environ["AILOOT_API_KEY"], max_retries=0)\nmsg = client.messages.create(\n model="glm-5.3",\n max_tokens=1024,\n messages=[{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}],\n)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(msg.to_dict(mode="json"))\nimport Anthropic from "@anthropic-ai/sdk";\n\nif (!process.env.AILOOT_API_KEY?.trim()) throw new Error("Set AILOOT_API_KEY before making a request");\nconst client = new Anthropic({ baseURL: "https://api.ailoot.ai", apiKey: process.env.AILOOT_API_KEY, maxRetries: 0 });\nconst msg = await client.messages.create({\n model: "glm-5.3",\n max_tokens: 1024,\n messages: [{ role: "user", content: "Explain the difference between an observation and a hypothesis in three sentences." }],\n});\nimport { writeFileSync } from "node:fs";\n\nfunction saveResult(data, stem = "result") {\n writeFileSync(stem + ".json", JSON.stringify(data, null, 2));\n console.log(JSON.stringify(data, null, 2));\n const saveBlob = (encoded, suffix, label) => {\n const raw = Buffer.from(encoded, "base64");\n const ext = raw.subarray(0,8).equals(Buffer.from([137,80,78,71,13,10,26,10])) ? "png" : raw[0]===255 && raw[1]===216 ? "jpg" : raw.subarray(0,4).toString()==="RIFF" && raw.subarray(8,12).toString()==="WEBP" ? "webp" : suffix;\n const file = `${stem}-${label}.${ext}`;\n writeFileSync(file, raw); console.log("Saved", file);\n };\n for (const [i, block] of (data.content || []).entries()) console.log("Content", i, JSON.stringify(block));\n for (const choice of data.choices || []) console.log("Choice", choice.index, JSON.stringify(choice.message || choice.delta || {}));\n for (const [i, item] of (data.output || []).entries()) {\n console.log("Output", i, JSON.stringify(item));\n if (item.type === "image_generation_call" && item.result) saveBlob(item.result, item.output_format || "bin", `output-${i}`);\n }\n for (const [ci, candidate] of (data.candidates || []).entries()) {\n for (const [pi, part] of (candidate.content?.parts || []).entries()) {\n console.log("Candidate/part", ci, pi, JSON.stringify(part));\n const blob = part.inlineData || part.inline_data;\n if (blob?.data) {\n const mime = blob.mimeType || blob.mime_type;\n const suffix = ({"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"})[mime] || "bin";\n saveBlob(blob.data, suffix, `candidate-${ci}-part-${pi}`);\n }\n }\n }\n}\n\nsaveResult(msg);\nimport anthropic,os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=anthropic.Anthropic(base_url="https://api.ailoot.ai",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.messages.stream(model='glm-5.3',max_tokens=1024,messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_message()\n save_result(final.to_dict(mode="json"),"stream-result")\njson 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 glm-5.3, glm, glm-5, glm-5.1, glm-5.2, glm-latest
Ailoot Ultra glm-5.3, z-ai/glm-5.3, ~z-ai/glm-latest
/chat/completions
z-ai/glm-5.3, glm, glm-5, glm-5.1, glm-5.2, glm-latest, ~z-ai/glm-latest, glm-5.3, glm-5.3
glm-5.3Z.ai GLM 5.3은 복잡한 소프트웨어 엔지니어링, 터미널 작업, 장기 에이전트를 위한 텍스트 추론 모델입니다. 제작사 문서에 명시된 1M토큰 컨텍스트, 최대 128K 출력 토큰, 함수 호출, low/high/max 추론 강도를 지원하며 추론은 항상 활성화됩니다.
이 설명은 모델의 기능을 다룹니다. Ailoot에서 사용할 수 있는 입력, 출력 및 옵션은 아래에 선택한 메서드별로 표시됩니다.
Z.ai GLM 5.3은 복잡한 소프트웨어 엔지니어링과 장기 에이전트 작업을 위해 설계된 대규모 텍스트 추론 모델입니다. 제조사는 GLM 5.2와 동일한 기반 모델을 사용하며 새 성능 향상은 사후 학습에서 나온다고 밝힙니다. 이번 릴리스는 프로그래밍, 터미널 작업, 여러 의존 단계가 있는 폭넓은 과제의 역량 강화에 중점을 둡니다. 텍스트를 입력받고 코드, 설명, 계획, 도구가 연결된 애플리케이션에서의 도구 호출 요청 등을 텍스트로 출력합니다.
문서화된 추론 모드는 항상 활성화됩니다. GLM 5.3은 low, high, max의 세 가지 강도를 제공하며 기본값은 max입니다. 제작사는 복잡한 코딩에 max를 권장하고, low는 간단한 단계에 더 가벼운 추론 옵션을 제공합니다. 선택한 강도와 함께 명확한 최종 산출물과 완료 기준을 제시하세요. 예를 들어 “이 파일과 실패 결과를 살펴보고, 영향받는 모듈 전반에서 원인을 추적한 뒤, 공개 인터페이스를 보존하는 수정안을 제시하고 어떤 검사가 회귀 문제가 해결되었음을 입증하는지 설명하세요”라고 요청할 수 있습니다.
제작사는 1M토큰의 컨텍스트 윈도와 128K토큰의 최대 출력 길이를 명시합니다. 모델이 조사해야 할 관계를 중심으로 긴 자료를 구성하세요. 파일 이름, 관련 정의, 원본 레이블, 관찰 순서를 보존하고 해당 작업 컨텍스트 안에 추론과 최종 답변 공간을 남기세요. 큰 윈도는 모듈 간 의존 관계나 긴 에이전트 관찰 순서에 유용하지만, 무관한 자료를 방향 없이 모아 둔다고 명확한 과제가 되지는 않습니다.
저장소 작업에서는 예상 동작, 관련 소스 텍스트, 의존성 버전, 실제 오류 출력을 제공하세요. 패치를 제안하기 전에 영향받는 동작을 파악하도록 요청하세요. 리팩터링에서는 보존할 인터페이스와 불변 조건을 명시하세요. 유용한 응답은 수정된 코드, 변경이 관찰된 문제를 해결하는 이유, 결과 확인에 필요한 사례를 포함합니다. 실제 결과를 도구가 연결된 작업 흐름에 다시 제공해 다음 단계가 이전 제안이 아닌 변경된 상태에 근거하도록 하세요.
성능 작업에서는 워크로드, 기준선, 실행 시간, 프로파일 또는 할당 기록 같은 측정치를 제공하세요. Z.ai는 병목 진단, 최적화, 실험, 정확성을 유지한 결과를 포함하는 학습 과제를 설명합니다. 실용적인 요청은 “이 프로파일로 가장 영향이 큰 병목을 찾고, 측정 가능한 변경 하나를 제안하며, 어떤 결과가 나와야 변경을 유지할 근거가 되는지 설명하세요”입니다. 성능 가설과 기록된 개선을 구분하세요. 결과를 살펴볼 때 같은 워크로드와 관련 조건을 유지하세요.
이번 릴리스는 취약점 분석 역량도 발전시킵니다. 방어 목적의 소스 검토에서는 관련 코드, 의도한 신뢰 경계, 실행 조건을 제공하세요. 의심되는 문제를 영향받는 입력과 동작, 집중된 개선 조치에 연결하는 분석 결과를 요청하세요. 잠재적 약점과 재현된 결함을 구분하고 검증에 사용한 관찰을 보존하세요. 의심스러운 패턴을 모두 확정된 취약점으로 취급하기보다 구체적인 근거와 수정 제안을 우선하는 보고서가 더 유용합니다.
함수 호출을 통해 주변 애플리케이션은 외부 작업을 모델에 제공할 수 있습니다. 각 도구의 목적, 인수, 예상 결과를 정의하고 실제 도구 관찰 결과를 다음 단계에 반환하세요. 모델은 그 결과를 추론하고 과제를 어떻게 바꿀지 판단할 수 있습니다. 제안된 행동, 실행된 작업, 미해결 검사를 구분하세요. 제작사는 추론과 답변 조각을 별도로 반환하는 스트리밍 응답도 문서화합니다. 이를 최종 보고서나 코드 설명으로 취급하기 전에 완성된 답변을 조합하세요.
로컬 모델 카드에는 구체적인 이력 설정이 나옵니다. 채팅 템플릿은 기본적으로 사고 내용을 유지하지만, 제작사는 일반 채팅에서는 이전 사고 내용을 명시적으로 지우도록 권장합니다. 용도에 맞는 대화 구조를 적용하고, 이어서 작업하는 데 필요한 실제 완성 답변과 도구 결과를 보존하세요. GLM 5.2나 별도 GLM 5.3 Flash 에디션의 추론 제어 설정을 이 모델의 low/high/max 제어와 상호 교환 가능한 것으로 취급하지 마세요.
구조화된 결과에서는 예상 필드, 유형, 원본 처리 규칙을 지정하세요. 결함 표, 변경 계획, 관찰을 요약한 JSON 객체 등이 유용한 산출물이 될 수 있습니다. 애플리케이션이 사용하기 전에 구조와 값을 모두 검증하세요. 최종 결과에는 답이나 수정 산출물, 이를 뒷받침하는 근거, 남은 가정이 표시되어야 합니다. 추론 강도가 높다고 도구가 실행되었거나 제안한 패치가 검사를 통과했거나 사실 주장이 제공된 자료 밖의 근거를 얻었다고 입증되지는 않습니다.
POST /v1/responsestexttext| 필드 | 유형 | 요건 | 값과 한도 | 기본값 |
|---|---|---|---|---|
필드model | 유형string | 요건필수 | 값과 한도 glm-5.3 | 기본값— |
필드input | 유형string|input_item[] | 요건필수 | 값과 한도 | 기본값— |
필드instructions | 유형string | 요건선택 사항 | 값과 한도 | 기본값— |
필드input[].type | 유형string | 요건선택 사항 | 값과 한도 message, reasoning, function_call, function_call_output | 기본값— |
필드input[].content | 유형string|content_part[] | 요건선택 사항 | 값과 한도 | 기본값— |
필드input[].call_id | 유형string | 요건선택 사항 | 값과 한도 적용 조건: function_call_output. 실제 반환된 call_id를 유지하세요 | 기본값— |
필드input[].output | 유형string|content_part[] | 요건선택 사항 | 값과 한도 적용 조건: function_call_output | 기본값— |
필드max_output_tokens | 유형integer | 요건선택 사항 | 값과 한도 최솟값: 1 모델에 따라 다름 | 기본값— |
필드stream | 유형boolean | 요건선택 사항 | 값과 한도 | 기본값false |
필드temperature | 유형number | 요건선택 사항 | 값과 한도 모델에 따라 다름 | 기본값— |
필드top_p | 유형number | 요건선택 사항 | 값과 한도 모델에 따라 다름 | 기본값— |
필드tools | 유형tool[] | 요건선택 사항 | 값과 한도 모델에 따라 다름 | 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— |
필드reasoning.effort | 유형string | 요건선택 사항 | 값과 한도 모델에 따라 다름 | 기본값— |
필드reasoning.summary | 유형string | 요건선택 사항 | 값과 한도 모델에 따라 다름 | 기본값— |
필드text.format | 유형object | 요건선택 사항 | 값과 한도 모델에 따라 다름 | 기본값— |
필드text.verbosity | 유형string | 요건선택 사항 | 값과 한도 모델에 따라 다름 | 기본값— |
필드include | 유형string[] | 요건선택 사항 | 값과 한도 모델에 따라 다름 | 기본값— |
필드store | 유형boolean | 요건선택 사항 | 값과 한도 모델에 따라 다름 | 기본값— |
필드previous_response_id | 유형string | 요건선택 사항 | 값과 한도 ID 요건: 지원되는 이어가기의 실제 응답 ID만 사용 모델에 따라 다름 | 기본값— |
필드service_tier | 유형string | 요건선택 사항 | 값과 한도 모델에 따라 다름 | 기본값— |
필드prompt_cache_key | 유형string | 요건선택 사항 | 값과 한도 모델에 따라 다름 | 기본값— |
필드prompt_cache_options | 유형object | 요건선택 사항 | 값과 한도 모델에 따라 다름 | 기본값— |
텍스트 · UTF8 텍스트
입력 텍스트 또는 input_text 파트
| 매개변수 | 명세 |
|---|---|
매개변수material_types | 명세text |
매개변수required | 명세model, input |
매개변수optional_controls | 명세null |
매개변수content_type | 명세application/json |
매개변수text_file_material | 명세실제 UTF-8 콘텐츠를 텍스트로 삽입합니다. 파일 ID/URLs에는 별도의 정확한 지원이 필요합니다 |
수명 주기: exact retained published method
메서드 형식과 ID는 정확합니다. 공급자의 기능 지원과 요청 수락은 별개입니다.
POST /v1/responsesAiloot는 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 →
모델 수준의 참조 요금표는 메서드 선택, 견적 또는 요금을 변경하지 않습니다. 실제 과금에는 선택한 Ailoot 메서드 요금이 적용됩니다.
각 요금을 표시된 조건과 대조하세요. 서로 대체되는 설정 묶음마다 하나의 요금만 적용하세요.
| 설정 | 요금표 | 컨텍스트 토큰 수 초과 기준 | 컨텍스트 토큰 수 이하 기준 | 요금 |
|---|---|---|---|---|
| 설정OpenAI Chat · 기본 토큰 요금 | 요금표기본 요금 | 컨텍스트 토큰 수 초과 기준— | 컨텍스트 토큰 수 이하 기준상한 없음 | 요금 입력 · 입력 토큰 $0.0028 / 1K 토큰 출력 · 출력 토큰 $0.0088 / 1K 토큰 입력 · 캐시 읽기 $0.00052 / 1K 토큰 입력 · 캐시 쓰기 — / 1K 토큰 입력 · 캐시 쓰기, 1시간 — / 1K 토큰 |
| 설정OpenAI Chat · 요청 길이 구간 1 | 요금표— | 컨텍스트 토큰 수 초과 기준0 | 컨텍스트 토큰 수 이하 기준상한 없음 | 요금 입력 · 입력 토큰 $0.0028 / 1K 토큰 출력 · 출력 토큰 $0.0088 / 1K 토큰 입력 · 캐시 읽기 $0.00052 / 1K 토큰 입력 · 캐시 쓰기 — / 1K 토큰 입력 · 캐시 쓰기, 1시간 — / 1K 토큰 |
| 설정Anthropic Messages · 기본 토큰 요금 | 요금표기본 요금 | 컨텍스트 토큰 수 초과 기준— | 컨텍스트 토큰 수 이하 기준상한 없음 | 요금 입력 · 입력 토큰 $0.0028 / 1K 토큰 출력 · 출력 토큰 $0.0088 / 1K 토큰 입력 · 캐시 읽기 $0.00052 / 1K 토큰 입력 · 캐시 쓰기 — / 1K 토큰 입력 · 캐시 쓰기, 1시간 — / 1K 토큰 |
| 설정Anthropic Messages · 요청 길이 구간 1 | 요금표— | 컨텍스트 토큰 수 초과 기준0 | 컨텍스트 토큰 수 이하 기준상한 없음 | 요금 입력 · 입력 토큰 $0.0028 / 1K 토큰 출력 · 출력 토큰 $0.0088 / 1K 토큰 입력 · 캐시 읽기 $0.00052 / 1K 토큰 입력 · 캐시 쓰기 — / 1K 토큰 입력 · 캐시 쓰기, 1시간 — / 1K 토큰 |
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 source-material file}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "glm-5.3", "input": ""}')\nf=Path(os.environ["AILOOT_TEXT_FILE"])\nif not f.is_file():raise SystemExit("Choose your actual UTF-8 source material")\ntext=f.read_text(encoding="utf-8")\nif not text.strip():raise SystemExit("Source material must contain text")\np["input"]="Summarize this material and quote supporting source passages.\\n\\n"+text\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/responses \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(json.loads(Path("result.json").read_text(encoding="utf-8")))\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient = OpenAI(base_url="https://api.ailoot.ai/v1", api_key=os.environ["AILOOT_API_KEY"], max_retries=0)\nresp = client.responses.create(model="glm-5.3", input="Explain the difference between an observation and a hypothesis in three sentences.")\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(resp.to_dict(mode="json"))\nimport OpenAI from "openai";\n\nif (!process.env.AILOOT_API_KEY?.trim()) throw new Error("Set AILOOT_API_KEY before making a request");\nconst client = new OpenAI({ baseURL: "https://api.ailoot.ai/v1", apiKey: process.env.AILOOT_API_KEY, maxRetries: 0 });\nconst resp = await client.responses.create({ model: "glm-5.3", input: "Explain the difference between an observation and a hypothesis in three sentences." });\nimport { writeFileSync } from "node:fs";\n\nfunction saveResult(data, stem = "result") {\n writeFileSync(stem + ".json", JSON.stringify(data, null, 2));\n console.log(JSON.stringify(data, null, 2));\n const saveBlob = (encoded, suffix, label) => {\n const raw = Buffer.from(encoded, "base64");\n const ext = raw.subarray(0,8).equals(Buffer.from([137,80,78,71,13,10,26,10])) ? "png" : raw[0]===255 && raw[1]===216 ? "jpg" : raw.subarray(0,4).toString()==="RIFF" && raw.subarray(8,12).toString()==="WEBP" ? "webp" : suffix;\n const file = `${stem}-${label}.${ext}`;\n writeFileSync(file, raw); console.log("Saved", file);\n };\n for (const [i, block] of (data.content || []).entries()) console.log("Content", i, JSON.stringify(block));\n for (const choice of data.choices || []) console.log("Choice", choice.index, JSON.stringify(choice.message || choice.delta || {}));\n for (const [i, item] of (data.output || []).entries()) {\n console.log("Output", i, JSON.stringify(item));\n if (item.type === "image_generation_call" && item.result) saveBlob(item.result, item.output_format || "bin", `output-${i}`);\n }\n for (const [ci, candidate] of (data.candidates || []).entries()) {\n for (const [pi, part] of (candidate.content?.parts || []).entries()) {\n console.log("Candidate/part", ci, pi, JSON.stringify(part));\n const blob = part.inlineData || part.inline_data;\n if (blob?.data) {\n const mime = blob.mimeType || blob.mime_type;\n const suffix = ({"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"})[mime] || "bin";\n saveBlob(blob.data, suffix, `candidate-${ci}-part-${pi}`);\n }\n }\n }\n}\n\nsaveResult(resp);\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nwith client.responses.stream(model="glm-5.3", input="Explain the difference between an observation and a hypothesis in three sentences.") as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_response()\n save_result(final.to_dict(mode="json"),"stream-result")\njson 또는 SSE
반환된 완전한 응답, 파일, 콘텐츠 부분을 모두 보관하세요.
모든 출력 항목과 콘텐츠 파트, 실제 함수 call_id, 암호화된 추론, 사용량을 보존하세요. 스트리밍에서는 이벤트/항목의 식별 정보를 완전하게 유지하세요.
요청/응답 ID와 헤더를 보존하세요. 텍스트 작업을 조회하는 범용 URL은 제공되지 않습니다.
| 필드 | 유형 |
|---|---|
필드id | 유형string |
필드status | 유형string |
필드output[] | 유형message|reasoning|function_call|other item |
필드output[].content[] | 유형content part |
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 glm-5.3, glm, glm-5, glm-5.1, glm-5.2, glm-latest
Ailoot Ultra glm-5.3, z-ai/glm-5.3, ~z-ai/glm-latest
/chat/completions
z-ai/glm-5.3, glm, glm-5, glm-5.1, glm-5.2, glm-latest, ~z-ai/glm-latest, glm-5.3, glm-5.3
glm-5.3Z.ai GLM 5.3은 복잡한 소프트웨어 엔지니어링, 터미널 작업, 장기 에이전트를 위한 텍스트 추론 모델입니다. 제작사 문서에 명시된 1M토큰 컨텍스트, 최대 128K 출력 토큰, 함수 호출, low/high/max 추론 강도를 지원하며 추론은 항상 활성화됩니다.
이 설명은 모델의 기능을 다룹니다. Ailoot에서 사용할 수 있는 입력, 출력 및 옵션은 아래에 선택한 메서드별로 표시됩니다.
Z.ai GLM 5.3은 복잡한 소프트웨어 엔지니어링과 장기 에이전트 작업을 위해 설계된 대규모 텍스트 추론 모델입니다. 제조사는 GLM 5.2와 동일한 기반 모델을 사용하며 새 성능 향상은 사후 학습에서 나온다고 밝힙니다. 이번 릴리스는 프로그래밍, 터미널 작업, 여러 의존 단계가 있는 폭넓은 과제의 역량 강화에 중점을 둡니다. 텍스트를 입력받고 코드, 설명, 계획, 도구가 연결된 애플리케이션에서의 도구 호출 요청 등을 텍스트로 출력합니다.
문서화된 추론 모드는 항상 활성화됩니다. GLM 5.3은 low, high, max의 세 가지 강도를 제공하며 기본값은 max입니다. 제작사는 복잡한 코딩에 max를 권장하고, low는 간단한 단계에 더 가벼운 추론 옵션을 제공합니다. 선택한 강도와 함께 명확한 최종 산출물과 완료 기준을 제시하세요. 예를 들어 “이 파일과 실패 결과를 살펴보고, 영향받는 모듈 전반에서 원인을 추적한 뒤, 공개 인터페이스를 보존하는 수정안을 제시하고 어떤 검사가 회귀 문제가 해결되었음을 입증하는지 설명하세요”라고 요청할 수 있습니다.
제작사는 1M토큰의 컨텍스트 윈도와 128K토큰의 최대 출력 길이를 명시합니다. 모델이 조사해야 할 관계를 중심으로 긴 자료를 구성하세요. 파일 이름, 관련 정의, 원본 레이블, 관찰 순서를 보존하고 해당 작업 컨텍스트 안에 추론과 최종 답변 공간을 남기세요. 큰 윈도는 모듈 간 의존 관계나 긴 에이전트 관찰 순서에 유용하지만, 무관한 자료를 방향 없이 모아 둔다고 명확한 과제가 되지는 않습니다.
저장소 작업에서는 예상 동작, 관련 소스 텍스트, 의존성 버전, 실제 오류 출력을 제공하세요. 패치를 제안하기 전에 영향받는 동작을 파악하도록 요청하세요. 리팩터링에서는 보존할 인터페이스와 불변 조건을 명시하세요. 유용한 응답은 수정된 코드, 변경이 관찰된 문제를 해결하는 이유, 결과 확인에 필요한 사례를 포함합니다. 실제 결과를 도구가 연결된 작업 흐름에 다시 제공해 다음 단계가 이전 제안이 아닌 변경된 상태에 근거하도록 하세요.
성능 작업에서는 워크로드, 기준선, 실행 시간, 프로파일 또는 할당 기록 같은 측정치를 제공하세요. Z.ai는 병목 진단, 최적화, 실험, 정확성을 유지한 결과를 포함하는 학습 과제를 설명합니다. 실용적인 요청은 “이 프로파일로 가장 영향이 큰 병목을 찾고, 측정 가능한 변경 하나를 제안하며, 어떤 결과가 나와야 변경을 유지할 근거가 되는지 설명하세요”입니다. 성능 가설과 기록된 개선을 구분하세요. 결과를 살펴볼 때 같은 워크로드와 관련 조건을 유지하세요.
이번 릴리스는 취약점 분석 역량도 발전시킵니다. 방어 목적의 소스 검토에서는 관련 코드, 의도한 신뢰 경계, 실행 조건을 제공하세요. 의심되는 문제를 영향받는 입력과 동작, 집중된 개선 조치에 연결하는 분석 결과를 요청하세요. 잠재적 약점과 재현된 결함을 구분하고 검증에 사용한 관찰을 보존하세요. 의심스러운 패턴을 모두 확정된 취약점으로 취급하기보다 구체적인 근거와 수정 제안을 우선하는 보고서가 더 유용합니다.
함수 호출을 통해 주변 애플리케이션은 외부 작업을 모델에 제공할 수 있습니다. 각 도구의 목적, 인수, 예상 결과를 정의하고 실제 도구 관찰 결과를 다음 단계에 반환하세요. 모델은 그 결과를 추론하고 과제를 어떻게 바꿀지 판단할 수 있습니다. 제안된 행동, 실행된 작업, 미해결 검사를 구분하세요. 제작사는 추론과 답변 조각을 별도로 반환하는 스트리밍 응답도 문서화합니다. 이를 최종 보고서나 코드 설명으로 취급하기 전에 완성된 답변을 조합하세요.
로컬 모델 카드에는 구체적인 이력 설정이 나옵니다. 채팅 템플릿은 기본적으로 사고 내용을 유지하지만, 제작사는 일반 채팅에서는 이전 사고 내용을 명시적으로 지우도록 권장합니다. 용도에 맞는 대화 구조를 적용하고, 이어서 작업하는 데 필요한 실제 완성 답변과 도구 결과를 보존하세요. GLM 5.2나 별도 GLM 5.3 Flash 에디션의 추론 제어 설정을 이 모델의 low/high/max 제어와 상호 교환 가능한 것으로 취급하지 마세요.
구조화된 결과에서는 예상 필드, 유형, 원본 처리 규칙을 지정하세요. 결함 표, 변경 계획, 관찰을 요약한 JSON 객체 등이 유용한 산출물이 될 수 있습니다. 애플리케이션이 사용하기 전에 구조와 값을 모두 검증하세요. 최종 결과에는 답이나 수정 산출물, 이를 뒷받침하는 근거, 남은 가정이 표시되어야 합니다. 추론 강도가 높다고 도구가 실행되었거나 제안한 패치가 검사를 통과했거나 사실 주장이 제공된 자료 밖의 근거를 얻었다고 입증되지는 않습니다.
POST /v1/chat/completionstexttext| 필드 | 유형 | 요건 | 값과 한도 | 기본값 |
|---|---|---|---|---|
필드model | 유형string | 요건필수 | 값과 한도 glm-5.3 | 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 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— |
텍스트 · UTF8 텍스트
messages[].content
| 매개변수 | 명세 |
|---|---|
매개변수material_types | 명세text |
매개변수required | 명세model, messages |
매개변수optional_controls | 명세null |
매개변수content_type | 명세application/json |
매개변수text_file_material | 명세실제 UTF-8 콘텐츠를 텍스트로 삽입합니다. 파일 ID/URLs에는 별도의 정확한 지원이 필요합니다 |
수명 주기: exact retained published method
메서드 형식과 ID는 정확합니다. 공급자의 기능 지원과 요청 수락은 별개입니다.
POST /v1/chat/completionsAiloot는 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 →
모델 수준의 참조 요금표는 메서드 선택, 견적 또는 요금을 변경하지 않습니다. 실제 과금에는 선택한 Ailoot 메서드 요금이 적용됩니다.
각 요금을 표시된 조건과 대조하세요. 서로 대체되는 설정 묶음마다 하나의 요금만 적용하세요.
| 설정 | 요금표 | 컨텍스트 토큰 수 초과 기준 | 컨텍스트 토큰 수 이하 기준 | 요금 |
|---|---|---|---|---|
| 설정OpenAI Chat · 기본 토큰 요금 | 요금표기본 요금 | 컨텍스트 토큰 수 초과 기준— | 컨텍스트 토큰 수 이하 기준상한 없음 | 요금 입력 · 입력 토큰 $0.0028 / 1K 토큰 출력 · 출력 토큰 $0.0088 / 1K 토큰 입력 · 캐시 읽기 $0.00052 / 1K 토큰 입력 · 캐시 쓰기 — / 1K 토큰 입력 · 캐시 쓰기, 1시간 — / 1K 토큰 |
| 설정OpenAI Chat · 요청 길이 구간 1 | 요금표— | 컨텍스트 토큰 수 초과 기준0 | 컨텍스트 토큰 수 이하 기준상한 없음 | 요금 입력 · 입력 토큰 $0.0028 / 1K 토큰 출력 · 출력 토큰 $0.0088 / 1K 토큰 입력 · 캐시 읽기 $0.00052 / 1K 토큰 입력 · 캐시 쓰기 — / 1K 토큰 입력 · 캐시 쓰기, 1시간 — / 1K 토큰 |
| 설정Anthropic Messages · 기본 토큰 요금 | 요금표기본 요금 | 컨텍스트 토큰 수 초과 기준— | 컨텍스트 토큰 수 이하 기준상한 없음 | 요금 입력 · 입력 토큰 $0.0028 / 1K 토큰 출력 · 출력 토큰 $0.0088 / 1K 토큰 입력 · 캐시 읽기 $0.00052 / 1K 토큰 입력 · 캐시 쓰기 — / 1K 토큰 입력 · 캐시 쓰기, 1시간 — / 1K 토큰 |
| 설정Anthropic Messages · 요청 길이 구간 1 | 요금표— | 컨텍스트 토큰 수 초과 기준0 | 컨텍스트 토큰 수 이하 기준상한 없음 | 요금 입력 · 입력 토큰 $0.0028 / 1K 토큰 출력 · 출력 토큰 $0.0088 / 1K 토큰 입력 · 캐시 읽기 $0.00052 / 1K 토큰 입력 · 캐시 쓰기 — / 1K 토큰 입력 · 캐시 쓰기, 1시간 — / 1K 토큰 |
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 source-material file}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "glm-5.3", "messages": []}')\nf=Path(os.environ["AILOOT_TEXT_FILE"])\nif not f.is_file():raise SystemExit("Choose your actual UTF-8 source material")\ntext=f.read_text(encoding="utf-8")\nif not text.strip():raise SystemExit("Source material must contain text")\np["messages"]=[{"role":"user","content":"Summarize this material and quote supporting source passages.\\n\\n"+text}]\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nprint(json.dumps(json.loads(Path("result.json").read_text()),ensure_ascii=False,indent=2))\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient = OpenAI(base_url="https://api.ailoot.ai/v1", api_key=os.environ["AILOOT_API_KEY"], max_retries=0)\nresp = client.chat.completions.create(\n model="glm-5.3",\n messages=[{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}],\n)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(resp.to_dict(mode="json"))\nimport OpenAI from "openai";\n\nif (!process.env.AILOOT_API_KEY?.trim()) throw new Error("Set AILOOT_API_KEY before making a request");\nconst client = new OpenAI({ baseURL: "https://api.ailoot.ai/v1", apiKey: process.env.AILOOT_API_KEY, maxRetries: 0 });\nconst resp = await client.chat.completions.create({\n model: "glm-5.3",\n messages: [{ role: "user", content: "Explain the difference between an observation and a hypothesis in three sentences." }],\n});\nimport { writeFileSync } from "node:fs";\n\nfunction saveResult(data, stem = "result") {\n writeFileSync(stem + ".json", JSON.stringify(data, null, 2));\n console.log(JSON.stringify(data, null, 2));\n const saveBlob = (encoded, suffix, label) => {\n const raw = Buffer.from(encoded, "base64");\n const ext = raw.subarray(0,8).equals(Buffer.from([137,80,78,71,13,10,26,10])) ? "png" : raw[0]===255 && raw[1]===216 ? "jpg" : raw.subarray(0,4).toString()==="RIFF" && raw.subarray(8,12).toString()==="WEBP" ? "webp" : suffix;\n const file = `${stem}-${label}.${ext}`;\n writeFileSync(file, raw); console.log("Saved", file);\n };\n for (const [i, block] of (data.content || []).entries()) console.log("Content", i, JSON.stringify(block));\n for (const choice of data.choices || []) console.log("Choice", choice.index, JSON.stringify(choice.message || choice.delta || {}));\n for (const [i, item] of (data.output || []).entries()) {\n console.log("Output", i, JSON.stringify(item));\n if (item.type === "image_generation_call" && item.result) saveBlob(item.result, item.output_format || "bin", `output-${i}`);\n }\n for (const [ci, candidate] of (data.candidates || []).entries()) {\n for (const [pi, part] of (candidate.content?.parts || []).entries()) {\n console.log("Candidate/part", ci, pi, JSON.stringify(part));\n const blob = part.inlineData || part.inline_data;\n if (blob?.data) {\n const mime = blob.mimeType || blob.mime_type;\n const suffix = ({"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"})[mime] || "bin";\n saveBlob(blob.data, suffix, `candidate-${ci}-part-${pi}`);\n }\n }\n }\n}\n\nsaveResult(resp);\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='glm-5.3',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson 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 glm-5.3, glm, glm-5, glm-5.1, glm-5.2, glm-latest
Ailoot Ultra glm-5.3, z-ai/glm-5.3, ~z-ai/glm-latest
/chat/completions
z-ai/glm-5.3, glm, glm-5, glm-5.1, glm-5.2, glm-latest, ~z-ai/glm-latest, glm-5.3, glm-5.3
glm-5.3Z.ai GLM 5.3은 복잡한 소프트웨어 엔지니어링, 터미널 작업, 장기 에이전트를 위한 텍스트 추론 모델입니다. 제작사 문서에 명시된 1M토큰 컨텍스트, 최대 128K 출력 토큰, 함수 호출, low/high/max 추론 강도를 지원하며 추론은 항상 활성화됩니다.
이 설명은 모델의 기능을 다룹니다. Ailoot에서 사용할 수 있는 입력, 출력 및 옵션은 아래에 선택한 메서드별로 표시됩니다.
Z.ai GLM 5.3은 복잡한 소프트웨어 엔지니어링과 장기 에이전트 작업을 위해 설계된 대규모 텍스트 추론 모델입니다. 제조사는 GLM 5.2와 동일한 기반 모델을 사용하며 새 성능 향상은 사후 학습에서 나온다고 밝힙니다. 이번 릴리스는 프로그래밍, 터미널 작업, 여러 의존 단계가 있는 폭넓은 과제의 역량 강화에 중점을 둡니다. 텍스트를 입력받고 코드, 설명, 계획, 도구가 연결된 애플리케이션에서의 도구 호출 요청 등을 텍스트로 출력합니다.
문서화된 추론 모드는 항상 활성화됩니다. GLM 5.3은 low, high, max의 세 가지 강도를 제공하며 기본값은 max입니다. 제작사는 복잡한 코딩에 max를 권장하고, low는 간단한 단계에 더 가벼운 추론 옵션을 제공합니다. 선택한 강도와 함께 명확한 최종 산출물과 완료 기준을 제시하세요. 예를 들어 “이 파일과 실패 결과를 살펴보고, 영향받는 모듈 전반에서 원인을 추적한 뒤, 공개 인터페이스를 보존하는 수정안을 제시하고 어떤 검사가 회귀 문제가 해결되었음을 입증하는지 설명하세요”라고 요청할 수 있습니다.
제작사는 1M토큰의 컨텍스트 윈도와 128K토큰의 최대 출력 길이를 명시합니다. 모델이 조사해야 할 관계를 중심으로 긴 자료를 구성하세요. 파일 이름, 관련 정의, 원본 레이블, 관찰 순서를 보존하고 해당 작업 컨텍스트 안에 추론과 최종 답변 공간을 남기세요. 큰 윈도는 모듈 간 의존 관계나 긴 에이전트 관찰 순서에 유용하지만, 무관한 자료를 방향 없이 모아 둔다고 명확한 과제가 되지는 않습니다.
저장소 작업에서는 예상 동작, 관련 소스 텍스트, 의존성 버전, 실제 오류 출력을 제공하세요. 패치를 제안하기 전에 영향받는 동작을 파악하도록 요청하세요. 리팩터링에서는 보존할 인터페이스와 불변 조건을 명시하세요. 유용한 응답은 수정된 코드, 변경이 관찰된 문제를 해결하는 이유, 결과 확인에 필요한 사례를 포함합니다. 실제 결과를 도구가 연결된 작업 흐름에 다시 제공해 다음 단계가 이전 제안이 아닌 변경된 상태에 근거하도록 하세요.
성능 작업에서는 워크로드, 기준선, 실행 시간, 프로파일 또는 할당 기록 같은 측정치를 제공하세요. Z.ai는 병목 진단, 최적화, 실험, 정확성을 유지한 결과를 포함하는 학습 과제를 설명합니다. 실용적인 요청은 “이 프로파일로 가장 영향이 큰 병목을 찾고, 측정 가능한 변경 하나를 제안하며, 어떤 결과가 나와야 변경을 유지할 근거가 되는지 설명하세요”입니다. 성능 가설과 기록된 개선을 구분하세요. 결과를 살펴볼 때 같은 워크로드와 관련 조건을 유지하세요.
이번 릴리스는 취약점 분석 역량도 발전시킵니다. 방어 목적의 소스 검토에서는 관련 코드, 의도한 신뢰 경계, 실행 조건을 제공하세요. 의심되는 문제를 영향받는 입력과 동작, 집중된 개선 조치에 연결하는 분석 결과를 요청하세요. 잠재적 약점과 재현된 결함을 구분하고 검증에 사용한 관찰을 보존하세요. 의심스러운 패턴을 모두 확정된 취약점으로 취급하기보다 구체적인 근거와 수정 제안을 우선하는 보고서가 더 유용합니다.
함수 호출을 통해 주변 애플리케이션은 외부 작업을 모델에 제공할 수 있습니다. 각 도구의 목적, 인수, 예상 결과를 정의하고 실제 도구 관찰 결과를 다음 단계에 반환하세요. 모델은 그 결과를 추론하고 과제를 어떻게 바꿀지 판단할 수 있습니다. 제안된 행동, 실행된 작업, 미해결 검사를 구분하세요. 제작사는 추론과 답변 조각을 별도로 반환하는 스트리밍 응답도 문서화합니다. 이를 최종 보고서나 코드 설명으로 취급하기 전에 완성된 답변을 조합하세요.
로컬 모델 카드에는 구체적인 이력 설정이 나옵니다. 채팅 템플릿은 기본적으로 사고 내용을 유지하지만, 제작사는 일반 채팅에서는 이전 사고 내용을 명시적으로 지우도록 권장합니다. 용도에 맞는 대화 구조를 적용하고, 이어서 작업하는 데 필요한 실제 완성 답변과 도구 결과를 보존하세요. GLM 5.2나 별도 GLM 5.3 Flash 에디션의 추론 제어 설정을 이 모델의 low/high/max 제어와 상호 교환 가능한 것으로 취급하지 마세요.
구조화된 결과에서는 예상 필드, 유형, 원본 처리 규칙을 지정하세요. 결함 표, 변경 계획, 관찰을 요약한 JSON 객체 등이 유용한 산출물이 될 수 있습니다. 애플리케이션이 사용하기 전에 구조와 값을 모두 검증하세요. 최종 결과에는 답이나 수정 산출물, 이를 뒷받침하는 근거, 남은 가정이 표시되어야 합니다. 추론 강도가 높다고 도구가 실행되었거나 제안한 패치가 검사를 통과했거나 사실 주장이 제공된 자료 밖의 근거를 얻었다고 입증되지는 않습니다.
POST /v1/chat/completionstexttext| 필드 | 유형 | 요건 | 값과 한도 | 기본값 |
|---|---|---|---|---|
필드model | 유형string | 요건필수 | 값과 한도 glm-5.3 | 기본값— |
필드messages | 유형message[] | 요건필수 | 값과 한도 최소 항목 수: 1 | 기본값— |
필드messages[].role | 유형string | 요건필수 | 값과 한도 모델에 따라 다름 | 기본값— |
필드messages[].content | 유형string | 요건선택 사항 | 값과 한도 적용 조건: 텍스트 대화 | 기본값— |
필드stream | 유형boolean | 요건선택 사항 | 값과 한도 | 기본값false |
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 |
매개변수control_scope | 명세텍스트 대화. stream은 불리언이며 기본값은 false입니다. |
매개변수output_modalities | 명세text |
매개변수hosted_operations | 명세false |
매개변수multimodal_input_binding | 명세null |
메서드 별칭: /chat/completions
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.
각 요금을 표시된 조건과 대조하세요. 서로 대체되는 설정 묶음마다 하나의 요금만 적용하세요.
| 설정 | 요금표 | 컨텍스트 토큰 수 초과 기준 | 컨텍스트 토큰 수 이하 기준 | 요금 |
|---|---|---|---|---|
| 설정토큰의 기본 단가 | 요금표기본 요금 | 컨텍스트 토큰 수 초과 기준— | 컨텍스트 토큰 수 이하 기준상한 없음 | 요금 입력 · 입력 토큰 $0.0028 / 1K 토큰 출력 · 출력 토큰 $0.0088 / 1K 토큰 입력 · 캐시 읽기 $0.00052 / 1K 토큰 입력 · 캐시 쓰기 — / 1K 토큰 입력 · 캐시 쓰기, 1시간 — / 1K 토큰 |
| 설정요청 길이 구간 1 | 요금표— | 컨텍스트 토큰 수 초과 기준0 | 컨텍스트 토큰 수 이하 기준상한 없음 | 요금 입력 · 입력 토큰 $0.0028 / 1K 토큰 출력 · 출력 토큰 $0.0088 / 1K 토큰 입력 · 캐시 읽기 $0.00052 / 1K 토큰 입력 · 캐시 쓰기 — / 1K 토큰 입력 · 캐시 쓰기, 1시간 — / 1K 토큰 |
Ailoot는 요청 전에 예상 금액을 미리 확보합니다. 결과를 받은 뒤 측정된 사용량을 기준으로 최종 요금을 정산합니다. 스트리밍 정산에는 최종 사용량 기록을 사용합니다. 금액 확보와 정산 방식 →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model":"glm-5.3","messages":[{"role":"user","content":"hello"}],"stream":false}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model="glm-5.3", messages=[{"role":"user","content":"hello"}], stream=False)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\njson 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 glm-5.3, glm, glm-5, glm-5.1, glm-5.2, glm-latest
Ailoot Ultra glm-5.3, z-ai/glm-5.3, ~z-ai/glm-latest
/chat/completions
z-ai/glm-5.3, glm, glm-5, glm-5.1, glm-5.2, glm-latest, ~z-ai/glm-latest, glm-5.3, glm-5.3
glm-5.3Z.ai GLM 5.3은 복잡한 소프트웨어 엔지니어링, 터미널 작업, 장기 에이전트를 위한 텍스트 추론 모델입니다. 제작사 문서에 명시된 1M토큰 컨텍스트, 최대 128K 출력 토큰, 함수 호출, low/high/max 추론 강도를 지원하며 추론은 항상 활성화됩니다.
이 설명은 모델의 기능을 다룹니다. Ailoot에서 사용할 수 있는 입력, 출력 및 옵션은 아래에 선택한 메서드별로 표시됩니다.
Z.ai GLM 5.3은 복잡한 소프트웨어 엔지니어링과 장기 에이전트 작업을 위해 설계된 대규모 텍스트 추론 모델입니다. 제조사는 GLM 5.2와 동일한 기반 모델을 사용하며 새 성능 향상은 사후 학습에서 나온다고 밝힙니다. 이번 릴리스는 프로그래밍, 터미널 작업, 여러 의존 단계가 있는 폭넓은 과제의 역량 강화에 중점을 둡니다. 텍스트를 입력받고 코드, 설명, 계획, 도구가 연결된 애플리케이션에서의 도구 호출 요청 등을 텍스트로 출력합니다.
문서화된 추론 모드는 항상 활성화됩니다. GLM 5.3은 low, high, max의 세 가지 강도를 제공하며 기본값은 max입니다. 제작사는 복잡한 코딩에 max를 권장하고, low는 간단한 단계에 더 가벼운 추론 옵션을 제공합니다. 선택한 강도와 함께 명확한 최종 산출물과 완료 기준을 제시하세요. 예를 들어 “이 파일과 실패 결과를 살펴보고, 영향받는 모듈 전반에서 원인을 추적한 뒤, 공개 인터페이스를 보존하는 수정안을 제시하고 어떤 검사가 회귀 문제가 해결되었음을 입증하는지 설명하세요”라고 요청할 수 있습니다.
제작사는 1M토큰의 컨텍스트 윈도와 128K토큰의 최대 출력 길이를 명시합니다. 모델이 조사해야 할 관계를 중심으로 긴 자료를 구성하세요. 파일 이름, 관련 정의, 원본 레이블, 관찰 순서를 보존하고 해당 작업 컨텍스트 안에 추론과 최종 답변 공간을 남기세요. 큰 윈도는 모듈 간 의존 관계나 긴 에이전트 관찰 순서에 유용하지만, 무관한 자료를 방향 없이 모아 둔다고 명확한 과제가 되지는 않습니다.
저장소 작업에서는 예상 동작, 관련 소스 텍스트, 의존성 버전, 실제 오류 출력을 제공하세요. 패치를 제안하기 전에 영향받는 동작을 파악하도록 요청하세요. 리팩터링에서는 보존할 인터페이스와 불변 조건을 명시하세요. 유용한 응답은 수정된 코드, 변경이 관찰된 문제를 해결하는 이유, 결과 확인에 필요한 사례를 포함합니다. 실제 결과를 도구가 연결된 작업 흐름에 다시 제공해 다음 단계가 이전 제안이 아닌 변경된 상태에 근거하도록 하세요.
성능 작업에서는 워크로드, 기준선, 실행 시간, 프로파일 또는 할당 기록 같은 측정치를 제공하세요. Z.ai는 병목 진단, 최적화, 실험, 정확성을 유지한 결과를 포함하는 학습 과제를 설명합니다. 실용적인 요청은 “이 프로파일로 가장 영향이 큰 병목을 찾고, 측정 가능한 변경 하나를 제안하며, 어떤 결과가 나와야 변경을 유지할 근거가 되는지 설명하세요”입니다. 성능 가설과 기록된 개선을 구분하세요. 결과를 살펴볼 때 같은 워크로드와 관련 조건을 유지하세요.
이번 릴리스는 취약점 분석 역량도 발전시킵니다. 방어 목적의 소스 검토에서는 관련 코드, 의도한 신뢰 경계, 실행 조건을 제공하세요. 의심되는 문제를 영향받는 입력과 동작, 집중된 개선 조치에 연결하는 분석 결과를 요청하세요. 잠재적 약점과 재현된 결함을 구분하고 검증에 사용한 관찰을 보존하세요. 의심스러운 패턴을 모두 확정된 취약점으로 취급하기보다 구체적인 근거와 수정 제안을 우선하는 보고서가 더 유용합니다.
함수 호출을 통해 주변 애플리케이션은 외부 작업을 모델에 제공할 수 있습니다. 각 도구의 목적, 인수, 예상 결과를 정의하고 실제 도구 관찰 결과를 다음 단계에 반환하세요. 모델은 그 결과를 추론하고 과제를 어떻게 바꿀지 판단할 수 있습니다. 제안된 행동, 실행된 작업, 미해결 검사를 구분하세요. 제작사는 추론과 답변 조각을 별도로 반환하는 스트리밍 응답도 문서화합니다. 이를 최종 보고서나 코드 설명으로 취급하기 전에 완성된 답변을 조합하세요.
로컬 모델 카드에는 구체적인 이력 설정이 나옵니다. 채팅 템플릿은 기본적으로 사고 내용을 유지하지만, 제작사는 일반 채팅에서는 이전 사고 내용을 명시적으로 지우도록 권장합니다. 용도에 맞는 대화 구조를 적용하고, 이어서 작업하는 데 필요한 실제 완성 답변과 도구 결과를 보존하세요. GLM 5.2나 별도 GLM 5.3 Flash 에디션의 추론 제어 설정을 이 모델의 low/high/max 제어와 상호 교환 가능한 것으로 취급하지 마세요.
구조화된 결과에서는 예상 필드, 유형, 원본 처리 규칙을 지정하세요. 결함 표, 변경 계획, 관찰을 요약한 JSON 객체 등이 유용한 산출물이 될 수 있습니다. 애플리케이션이 사용하기 전에 구조와 값을 모두 검증하세요. 최종 결과에는 답이나 수정 산출물, 이를 뒷받침하는 근거, 남은 가정이 표시되어야 합니다. 추론 강도가 높다고 도구가 실행되었거나 제안한 패치가 검사를 통과했거나 사실 주장이 제공된 자료 밖의 근거를 얻었다고 입증되지는 않습니다.
POST /v1/messagestextjson, sse| 필드 | 유형 | 요건 | 값과 한도 | 기본값 |
|---|---|---|---|---|
필드model | 유형string | 요건필수 | 값과 한도 glm-5.3 | 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.
각 요금을 표시된 조건과 대조하세요. 서로 대체되는 설정 묶음마다 하나의 요금만 적용하세요.
| 설정 | 요금표 | 컨텍스트 토큰 수 초과 기준 | 컨텍스트 토큰 수 이하 기준 | 요금 |
|---|---|---|---|---|
| 설정토큰의 기본 단가 | 요금표기본 요금 | 컨텍스트 토큰 수 초과 기준— | 컨텍스트 토큰 수 이하 기준상한 없음 | 요금 입력 · 입력 토큰 $0.0028 / 1K 토큰 출력 · 출력 토큰 $0.0088 / 1K 토큰 입력 · 캐시 읽기 $0.00052 / 1K 토큰 입력 · 캐시 쓰기 — / 1K 토큰 입력 · 캐시 쓰기, 1시간 — / 1K 토큰 |
| 설정요청 길이 구간 1 | 요금표— | 컨텍스트 토큰 수 초과 기준0 | 컨텍스트 토큰 수 이하 기준상한 없음 | 요금 입력 · 입력 토큰 $0.0028 / 1K 토큰 출력 · 출력 토큰 $0.0088 / 1K 토큰 입력 · 캐시 읽기 $0.00052 / 1K 토큰 입력 · 캐시 쓰기 — / 1K 토큰 입력 · 캐시 쓰기, 1시간 — / 1K 토큰 |
Ailoot는 요청 전에 예상 금액을 미리 확보합니다. 결과를 받은 뒤 측정된 사용량을 기준으로 최종 요금을 정산합니다. 스트리밍 정산에는 최종 사용량 기록을 사용합니다. 금액 확보와 정산 방식 →
{\n "model": "glm-5.3",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'glm-5.3', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'glm-5.3', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON 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 glm-5.3, glm, glm-5, glm-5.1, glm-5.2, glm-latest
Ailoot Ultra glm-5.3, z-ai/glm-5.3, ~z-ai/glm-latest
/chat/completions
z-ai/glm-5.3, glm, glm-5, glm-5.1, glm-5.2, glm-latest, ~z-ai/glm-latest, glm-5.3, glm-5.3
glmZ.ai GLM 5.3은 복잡한 소프트웨어 엔지니어링, 터미널 작업, 장기 에이전트를 위한 텍스트 추론 모델입니다. 제작사 문서에 명시된 1M토큰 컨텍스트, 최대 128K 출력 토큰, 함수 호출, low/high/max 추론 강도를 지원하며 추론은 항상 활성화됩니다.
이 설명은 모델의 기능을 다룹니다. Ailoot에서 사용할 수 있는 입력, 출력 및 옵션은 아래에 선택한 메서드별로 표시됩니다.
Z.ai GLM 5.3은 복잡한 소프트웨어 엔지니어링과 장기 에이전트 작업을 위해 설계된 대규모 텍스트 추론 모델입니다. 제조사는 GLM 5.2와 동일한 기반 모델을 사용하며 새 성능 향상은 사후 학습에서 나온다고 밝힙니다. 이번 릴리스는 프로그래밍, 터미널 작업, 여러 의존 단계가 있는 폭넓은 과제의 역량 강화에 중점을 둡니다. 텍스트를 입력받고 코드, 설명, 계획, 도구가 연결된 애플리케이션에서의 도구 호출 요청 등을 텍스트로 출력합니다.
문서화된 추론 모드는 항상 활성화됩니다. GLM 5.3은 low, high, max의 세 가지 강도를 제공하며 기본값은 max입니다. 제작사는 복잡한 코딩에 max를 권장하고, low는 간단한 단계에 더 가벼운 추론 옵션을 제공합니다. 선택한 강도와 함께 명확한 최종 산출물과 완료 기준을 제시하세요. 예를 들어 “이 파일과 실패 결과를 살펴보고, 영향받는 모듈 전반에서 원인을 추적한 뒤, 공개 인터페이스를 보존하는 수정안을 제시하고 어떤 검사가 회귀 문제가 해결되었음을 입증하는지 설명하세요”라고 요청할 수 있습니다.
제작사는 1M토큰의 컨텍스트 윈도와 128K토큰의 최대 출력 길이를 명시합니다. 모델이 조사해야 할 관계를 중심으로 긴 자료를 구성하세요. 파일 이름, 관련 정의, 원본 레이블, 관찰 순서를 보존하고 해당 작업 컨텍스트 안에 추론과 최종 답변 공간을 남기세요. 큰 윈도는 모듈 간 의존 관계나 긴 에이전트 관찰 순서에 유용하지만, 무관한 자료를 방향 없이 모아 둔다고 명확한 과제가 되지는 않습니다.
저장소 작업에서는 예상 동작, 관련 소스 텍스트, 의존성 버전, 실제 오류 출력을 제공하세요. 패치를 제안하기 전에 영향받는 동작을 파악하도록 요청하세요. 리팩터링에서는 보존할 인터페이스와 불변 조건을 명시하세요. 유용한 응답은 수정된 코드, 변경이 관찰된 문제를 해결하는 이유, 결과 확인에 필요한 사례를 포함합니다. 실제 결과를 도구가 연결된 작업 흐름에 다시 제공해 다음 단계가 이전 제안이 아닌 변경된 상태에 근거하도록 하세요.
성능 작업에서는 워크로드, 기준선, 실행 시간, 프로파일 또는 할당 기록 같은 측정치를 제공하세요. Z.ai는 병목 진단, 최적화, 실험, 정확성을 유지한 결과를 포함하는 학습 과제를 설명합니다. 실용적인 요청은 “이 프로파일로 가장 영향이 큰 병목을 찾고, 측정 가능한 변경 하나를 제안하며, 어떤 결과가 나와야 변경을 유지할 근거가 되는지 설명하세요”입니다. 성능 가설과 기록된 개선을 구분하세요. 결과를 살펴볼 때 같은 워크로드와 관련 조건을 유지하세요.
이번 릴리스는 취약점 분석 역량도 발전시킵니다. 방어 목적의 소스 검토에서는 관련 코드, 의도한 신뢰 경계, 실행 조건을 제공하세요. 의심되는 문제를 영향받는 입력과 동작, 집중된 개선 조치에 연결하는 분석 결과를 요청하세요. 잠재적 약점과 재현된 결함을 구분하고 검증에 사용한 관찰을 보존하세요. 의심스러운 패턴을 모두 확정된 취약점으로 취급하기보다 구체적인 근거와 수정 제안을 우선하는 보고서가 더 유용합니다.
함수 호출을 통해 주변 애플리케이션은 외부 작업을 모델에 제공할 수 있습니다. 각 도구의 목적, 인수, 예상 결과를 정의하고 실제 도구 관찰 결과를 다음 단계에 반환하세요. 모델은 그 결과를 추론하고 과제를 어떻게 바꿀지 판단할 수 있습니다. 제안된 행동, 실행된 작업, 미해결 검사를 구분하세요. 제작사는 추론과 답변 조각을 별도로 반환하는 스트리밍 응답도 문서화합니다. 이를 최종 보고서나 코드 설명으로 취급하기 전에 완성된 답변을 조합하세요.
로컬 모델 카드에는 구체적인 이력 설정이 나옵니다. 채팅 템플릿은 기본적으로 사고 내용을 유지하지만, 제작사는 일반 채팅에서는 이전 사고 내용을 명시적으로 지우도록 권장합니다. 용도에 맞는 대화 구조를 적용하고, 이어서 작업하는 데 필요한 실제 완성 답변과 도구 결과를 보존하세요. GLM 5.2나 별도 GLM 5.3 Flash 에디션의 추론 제어 설정을 이 모델의 low/high/max 제어와 상호 교환 가능한 것으로 취급하지 마세요.
구조화된 결과에서는 예상 필드, 유형, 원본 처리 규칙을 지정하세요. 결함 표, 변경 계획, 관찰을 요약한 JSON 객체 등이 유용한 산출물이 될 수 있습니다. 애플리케이션이 사용하기 전에 구조와 값을 모두 검증하세요. 최종 결과에는 답이나 수정 산출물, 이를 뒷받침하는 근거, 남은 가정이 표시되어야 합니다. 추론 강도가 높다고 도구가 실행되었거나 제안한 패치가 검사를 통과했거나 사실 주장이 제공된 자료 밖의 근거를 얻었다고 입증되지는 않습니다.
POST /v1/messagestexttext| 필드 | 유형 | 요건 | 값과 한도 | 기본값 |
|---|---|---|---|---|
필드model | 유형string | 요건필수 | 값과 한도 glm | 기본값— |
필드messages | 유형message[] | 요건필수 | 값과 한도 최소 항목 수: 1 | 기본값— |
필드messages[].role | 유형string | 요건필수 | 값과 한도 user, assistant | 기본값— |
필드messages[].content | 유형string|content_block[] | 요건필수 | 값과 한도 | 기본값— |
필드system | 유형string|content_block[] | 요건선택 사항 | 값과 한도 | 기본값— |
필드max_tokens | 유형integer | 요건필수 | 값과 한도 최솟값: 1 한도 적용 대상: 선택한 모델/카드의 정확한 상한 | 기본값— |
필드stream | 유형boolean | 요건선택 사항 | 값과 한도 | 기본값false |
필드temperature | 유형number | 요건선택 사항 | 값과 한도 모델에 따라 다름 | 기본값— |
필드top_p | 유형number | 요건선택 사항 | 값과 한도 모델에 따라 다름 | 기본값— |
필드stop_sequences | 유형string[] | 요건선택 사항 | 값과 한도 모델에 따라 다름 | 기본값— |
필드tools | 유형tool[] | 요건선택 사항 | 값과 한도 모델에 따라 다름 | 기본값— |
필드tools[].name | 유형string | 요건선택 사항 | 값과 한도 적용 조건: 도구 지정됨 | 기본값— |
필드tools[].description | 유형string | 요건선택 사항 | 값과 한도 | 기본값— |
필드tools[].input_schema | 유형JSON_schema | 요건선택 사항 | 값과 한도 | 기본값— |
필드tool_choice | 유형object | 요건선택 사항 | 값과 한도 모델에 따라 다름 | 기본값— |
필드thinking.type | 유형string | 요건선택 사항 | 값과 한도 모델에 따라 다름 | 기본값— |
필드thinking.budget_tokens | 유형integer | 요건선택 사항 | 값과 한도 모델에 따라 다름 | 기본값— |
필드output_config.effort | 유형string | 요건선택 사항 | 값과 한도 모델에 따라 다름 | 기본값— |
필드metadata | 유형object | 요건선택 사항 | 값과 한도 | 기본값— |
필드cache_control | 유형object | 요건선택 사항 | 값과 한도 모델에 따라 다름 | 기본값— |
텍스트 · UTF8 텍스트
messages[].content 또는 type=text 블록
| 매개변수 | 명세 |
|---|---|
매개변수material_types | 명세text |
매개변수required | 명세model, messages, max_tokens |
매개변수optional_controls | 명세null |
매개변수content_type | 명세application/json |
매개변수text_file_material | 명세실제 UTF-8 콘텐츠를 텍스트로 삽입합니다. 파일 ID/URLs에는 별도의 정확한 지원이 필요합니다 |
수명 주기: exact retained published method
메서드 형식과 ID는 정확합니다. 공급자의 기능 지원과 요청 수락은 별개입니다.
POST /v1/messagesAiloot는 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 →
모델 수준의 참조 요금표는 메서드 선택, 견적 또는 요금을 변경하지 않습니다. 실제 과금에는 선택한 Ailoot 메서드 요금이 적용됩니다.
각 요금을 표시된 조건과 대조하세요. 서로 대체되는 설정 묶음마다 하나의 요금만 적용하세요.
| 설정 | 요금표 | 컨텍스트 토큰 수 초과 기준 | 컨텍스트 토큰 수 이하 기준 | 요금 |
|---|---|---|---|---|
| 설정OpenAI Chat · 기본 토큰 요금 | 요금표기본 요금 | 컨텍스트 토큰 수 초과 기준— | 컨텍스트 토큰 수 이하 기준상한 없음 | 요금 입력 · 입력 토큰 $0.0028 / 1K 토큰 출력 · 출력 토큰 $0.0088 / 1K 토큰 입력 · 캐시 읽기 $0.00052 / 1K 토큰 입력 · 캐시 쓰기 — / 1K 토큰 입력 · 캐시 쓰기, 1시간 — / 1K 토큰 |
| 설정OpenAI Chat · 요청 길이 구간 1 | 요금표— | 컨텍스트 토큰 수 초과 기준0 | 컨텍스트 토큰 수 이하 기준상한 없음 | 요금 입력 · 입력 토큰 $0.0028 / 1K 토큰 출력 · 출력 토큰 $0.0088 / 1K 토큰 입력 · 캐시 읽기 $0.00052 / 1K 토큰 입력 · 캐시 쓰기 — / 1K 토큰 입력 · 캐시 쓰기, 1시간 — / 1K 토큰 |
| 설정Anthropic Messages · 기본 토큰 요금 | 요금표기본 요금 | 컨텍스트 토큰 수 초과 기준— | 컨텍스트 토큰 수 이하 기준상한 없음 | 요금 입력 · 입력 토큰 $0.0028 / 1K 토큰 출력 · 출력 토큰 $0.0088 / 1K 토큰 입력 · 캐시 읽기 $0.00052 / 1K 토큰 입력 · 캐시 쓰기 — / 1K 토큰 입력 · 캐시 쓰기, 1시간 — / 1K 토큰 |
| 설정Anthropic Messages · 요청 길이 구간 1 | 요금표— | 컨텍스트 토큰 수 초과 기준0 | 컨텍스트 토큰 수 이하 기준상한 없음 | 요금 입력 · 입력 토큰 $0.0028 / 1K 토큰 출력 · 출력 토큰 $0.0088 / 1K 토큰 입력 · 캐시 읽기 $0.00052 / 1K 토큰 입력 · 캐시 쓰기 — / 1K 토큰 입력 · 캐시 쓰기, 1시간 — / 1K 토큰 |
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 source-material file}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "glm", "max_tokens": 1024, "messages": []}')\nf=Path(os.environ["AILOOT_TEXT_FILE"])\nif not f.is_file():raise SystemExit("Choose your actual UTF-8 source material")\ntext=f.read_text(encoding="utf-8")\nif not text.strip():raise SystemExit("Source material must contain text")\np["messages"]=[{"role":"user","content":"Summarize this material and quote supporting source passages.\\n\\n"+text}]\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nprint(json.dumps(json.loads(Path("result.json").read_text()),ensure_ascii=False,indent=2))\nPY_RESULT\nimport anthropic\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient = anthropic.Anthropic(base_url="https://api.ailoot.ai", api_key=os.environ["AILOOT_API_KEY"], max_retries=0)\nmsg = client.messages.create(\n model="glm",\n max_tokens=1024,\n messages=[{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}],\n)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(msg.to_dict(mode="json"))\nimport Anthropic from "@anthropic-ai/sdk";\n\nif (!process.env.AILOOT_API_KEY?.trim()) throw new Error("Set AILOOT_API_KEY before making a request");\nconst client = new Anthropic({ baseURL: "https://api.ailoot.ai", apiKey: process.env.AILOOT_API_KEY, maxRetries: 0 });\nconst msg = await client.messages.create({\n model: "glm",\n max_tokens: 1024,\n messages: [{ role: "user", content: "Explain the difference between an observation and a hypothesis in three sentences." }],\n});\nimport { writeFileSync } from "node:fs";\n\nfunction saveResult(data, stem = "result") {\n writeFileSync(stem + ".json", JSON.stringify(data, null, 2));\n console.log(JSON.stringify(data, null, 2));\n const saveBlob = (encoded, suffix, label) => {\n const raw = Buffer.from(encoded, "base64");\n const ext = raw.subarray(0,8).equals(Buffer.from([137,80,78,71,13,10,26,10])) ? "png" : raw[0]===255 && raw[1]===216 ? "jpg" : raw.subarray(0,4).toString()==="RIFF" && raw.subarray(8,12).toString()==="WEBP" ? "webp" : suffix;\n const file = `${stem}-${label}.${ext}`;\n writeFileSync(file, raw); console.log("Saved", file);\n };\n for (const [i, block] of (data.content || []).entries()) console.log("Content", i, JSON.stringify(block));\n for (const choice of data.choices || []) console.log("Choice", choice.index, JSON.stringify(choice.message || choice.delta || {}));\n for (const [i, item] of (data.output || []).entries()) {\n console.log("Output", i, JSON.stringify(item));\n if (item.type === "image_generation_call" && item.result) saveBlob(item.result, item.output_format || "bin", `output-${i}`);\n }\n for (const [ci, candidate] of (data.candidates || []).entries()) {\n for (const [pi, part] of (candidate.content?.parts || []).entries()) {\n console.log("Candidate/part", ci, pi, JSON.stringify(part));\n const blob = part.inlineData || part.inline_data;\n if (blob?.data) {\n const mime = blob.mimeType || blob.mime_type;\n const suffix = ({"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"})[mime] || "bin";\n saveBlob(blob.data, suffix, `candidate-${ci}-part-${pi}`);\n }\n }\n }\n}\n\nsaveResult(msg);\nimport anthropic,os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=anthropic.Anthropic(base_url="https://api.ailoot.ai",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.messages.stream(model='glm',max_tokens=1024,messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_message()\n save_result(final.to_dict(mode="json"),"stream-result")\njson 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 glm-5.3, glm, glm-5, glm-5.1, glm-5.2, glm-latest
Ailoot Ultra glm-5.3, z-ai/glm-5.3, ~z-ai/glm-latest
/chat/completions
z-ai/glm-5.3, glm, glm-5, glm-5.1, glm-5.2, glm-latest, ~z-ai/glm-latest, glm-5.3, glm-5.3
glmZ.ai GLM 5.3은 복잡한 소프트웨어 엔지니어링, 터미널 작업, 장기 에이전트를 위한 텍스트 추론 모델입니다. 제작사 문서에 명시된 1M토큰 컨텍스트, 최대 128K 출력 토큰, 함수 호출, low/high/max 추론 강도를 지원하며 추론은 항상 활성화됩니다.
이 설명은 모델의 기능을 다룹니다. Ailoot에서 사용할 수 있는 입력, 출력 및 옵션은 아래에 선택한 메서드별로 표시됩니다.
Z.ai GLM 5.3은 복잡한 소프트웨어 엔지니어링과 장기 에이전트 작업을 위해 설계된 대규모 텍스트 추론 모델입니다. 제조사는 GLM 5.2와 동일한 기반 모델을 사용하며 새 성능 향상은 사후 학습에서 나온다고 밝힙니다. 이번 릴리스는 프로그래밍, 터미널 작업, 여러 의존 단계가 있는 폭넓은 과제의 역량 강화에 중점을 둡니다. 텍스트를 입력받고 코드, 설명, 계획, 도구가 연결된 애플리케이션에서의 도구 호출 요청 등을 텍스트로 출력합니다.
문서화된 추론 모드는 항상 활성화됩니다. GLM 5.3은 low, high, max의 세 가지 강도를 제공하며 기본값은 max입니다. 제작사는 복잡한 코딩에 max를 권장하고, low는 간단한 단계에 더 가벼운 추론 옵션을 제공합니다. 선택한 강도와 함께 명확한 최종 산출물과 완료 기준을 제시하세요. 예를 들어 “이 파일과 실패 결과를 살펴보고, 영향받는 모듈 전반에서 원인을 추적한 뒤, 공개 인터페이스를 보존하는 수정안을 제시하고 어떤 검사가 회귀 문제가 해결되었음을 입증하는지 설명하세요”라고 요청할 수 있습니다.
제작사는 1M토큰의 컨텍스트 윈도와 128K토큰의 최대 출력 길이를 명시합니다. 모델이 조사해야 할 관계를 중심으로 긴 자료를 구성하세요. 파일 이름, 관련 정의, 원본 레이블, 관찰 순서를 보존하고 해당 작업 컨텍스트 안에 추론과 최종 답변 공간을 남기세요. 큰 윈도는 모듈 간 의존 관계나 긴 에이전트 관찰 순서에 유용하지만, 무관한 자료를 방향 없이 모아 둔다고 명확한 과제가 되지는 않습니다.
저장소 작업에서는 예상 동작, 관련 소스 텍스트, 의존성 버전, 실제 오류 출력을 제공하세요. 패치를 제안하기 전에 영향받는 동작을 파악하도록 요청하세요. 리팩터링에서는 보존할 인터페이스와 불변 조건을 명시하세요. 유용한 응답은 수정된 코드, 변경이 관찰된 문제를 해결하는 이유, 결과 확인에 필요한 사례를 포함합니다. 실제 결과를 도구가 연결된 작업 흐름에 다시 제공해 다음 단계가 이전 제안이 아닌 변경된 상태에 근거하도록 하세요.
성능 작업에서는 워크로드, 기준선, 실행 시간, 프로파일 또는 할당 기록 같은 측정치를 제공하세요. Z.ai는 병목 진단, 최적화, 실험, 정확성을 유지한 결과를 포함하는 학습 과제를 설명합니다. 실용적인 요청은 “이 프로파일로 가장 영향이 큰 병목을 찾고, 측정 가능한 변경 하나를 제안하며, 어떤 결과가 나와야 변경을 유지할 근거가 되는지 설명하세요”입니다. 성능 가설과 기록된 개선을 구분하세요. 결과를 살펴볼 때 같은 워크로드와 관련 조건을 유지하세요.
이번 릴리스는 취약점 분석 역량도 발전시킵니다. 방어 목적의 소스 검토에서는 관련 코드, 의도한 신뢰 경계, 실행 조건을 제공하세요. 의심되는 문제를 영향받는 입력과 동작, 집중된 개선 조치에 연결하는 분석 결과를 요청하세요. 잠재적 약점과 재현된 결함을 구분하고 검증에 사용한 관찰을 보존하세요. 의심스러운 패턴을 모두 확정된 취약점으로 취급하기보다 구체적인 근거와 수정 제안을 우선하는 보고서가 더 유용합니다.
함수 호출을 통해 주변 애플리케이션은 외부 작업을 모델에 제공할 수 있습니다. 각 도구의 목적, 인수, 예상 결과를 정의하고 실제 도구 관찰 결과를 다음 단계에 반환하세요. 모델은 그 결과를 추론하고 과제를 어떻게 바꿀지 판단할 수 있습니다. 제안된 행동, 실행된 작업, 미해결 검사를 구분하세요. 제작사는 추론과 답변 조각을 별도로 반환하는 스트리밍 응답도 문서화합니다. 이를 최종 보고서나 코드 설명으로 취급하기 전에 완성된 답변을 조합하세요.
로컬 모델 카드에는 구체적인 이력 설정이 나옵니다. 채팅 템플릿은 기본적으로 사고 내용을 유지하지만, 제작사는 일반 채팅에서는 이전 사고 내용을 명시적으로 지우도록 권장합니다. 용도에 맞는 대화 구조를 적용하고, 이어서 작업하는 데 필요한 실제 완성 답변과 도구 결과를 보존하세요. GLM 5.2나 별도 GLM 5.3 Flash 에디션의 추론 제어 설정을 이 모델의 low/high/max 제어와 상호 교환 가능한 것으로 취급하지 마세요.
구조화된 결과에서는 예상 필드, 유형, 원본 처리 규칙을 지정하세요. 결함 표, 변경 계획, 관찰을 요약한 JSON 객체 등이 유용한 산출물이 될 수 있습니다. 애플리케이션이 사용하기 전에 구조와 값을 모두 검증하세요. 최종 결과에는 답이나 수정 산출물, 이를 뒷받침하는 근거, 남은 가정이 표시되어야 합니다. 추론 강도가 높다고 도구가 실행되었거나 제안한 패치가 검사를 통과했거나 사실 주장이 제공된 자료 밖의 근거를 얻었다고 입증되지는 않습니다.
POST /v1/responsestexttext| 필드 | 유형 | 요건 | 값과 한도 | 기본값 |
|---|---|---|---|---|
필드model | 유형string | 요건필수 | 값과 한도 glm | 기본값— |
필드input | 유형string|input_item[] | 요건필수 | 값과 한도 | 기본값— |
필드instructions | 유형string | 요건선택 사항 | 값과 한도 | 기본값— |
필드input[].type | 유형string | 요건선택 사항 | 값과 한도 message, reasoning, function_call, function_call_output | 기본값— |
필드input[].content | 유형string|content_part[] | 요건선택 사항 | 값과 한도 | 기본값— |
필드input[].call_id | 유형string | 요건선택 사항 | 값과 한도 적용 조건: function_call_output. 실제 반환된 call_id를 유지하세요 | 기본값— |
필드input[].output | 유형string|content_part[] | 요건선택 사항 | 값과 한도 적용 조건: function_call_output | 기본값— |
필드max_output_tokens | 유형integer | 요건선택 사항 | 값과 한도 최솟값: 1 모델에 따라 다름 | 기본값— |
필드stream | 유형boolean | 요건선택 사항 | 값과 한도 | 기본값false |
필드temperature | 유형number | 요건선택 사항 | 값과 한도 모델에 따라 다름 | 기본값— |
필드top_p | 유형number | 요건선택 사항 | 값과 한도 모델에 따라 다름 | 기본값— |
필드tools | 유형tool[] | 요건선택 사항 | 값과 한도 모델에 따라 다름 | 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— |
필드reasoning.effort | 유형string | 요건선택 사항 | 값과 한도 모델에 따라 다름 | 기본값— |
필드reasoning.summary | 유형string | 요건선택 사항 | 값과 한도 모델에 따라 다름 | 기본값— |
필드text.format | 유형object | 요건선택 사항 | 값과 한도 모델에 따라 다름 | 기본값— |
필드text.verbosity | 유형string | 요건선택 사항 | 값과 한도 모델에 따라 다름 | 기본값— |
필드include | 유형string[] | 요건선택 사항 | 값과 한도 모델에 따라 다름 | 기본값— |
필드store | 유형boolean | 요건선택 사항 | 값과 한도 모델에 따라 다름 | 기본값— |
필드previous_response_id | 유형string | 요건선택 사항 | 값과 한도 ID 요건: 지원되는 이어가기의 실제 응답 ID만 사용 모델에 따라 다름 | 기본값— |
필드service_tier | 유형string | 요건선택 사항 | 값과 한도 모델에 따라 다름 | 기본값— |
필드prompt_cache_key | 유형string | 요건선택 사항 | 값과 한도 모델에 따라 다름 | 기본값— |
필드prompt_cache_options | 유형object | 요건선택 사항 | 값과 한도 모델에 따라 다름 | 기본값— |
텍스트 · UTF8 텍스트
입력 텍스트 또는 input_text 파트
| 매개변수 | 명세 |
|---|---|
매개변수material_types | 명세text |
매개변수required | 명세model, input |
매개변수optional_controls | 명세null |
매개변수content_type | 명세application/json |
매개변수text_file_material | 명세실제 UTF-8 콘텐츠를 텍스트로 삽입합니다. 파일 ID/URLs에는 별도의 정확한 지원이 필요합니다 |
수명 주기: exact retained published method
메서드 형식과 ID는 정확합니다. 공급자의 기능 지원과 요청 수락은 별개입니다.
POST /v1/responsesAiloot는 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 →
모델 수준의 참조 요금표는 메서드 선택, 견적 또는 요금을 변경하지 않습니다. 실제 과금에는 선택한 Ailoot 메서드 요금이 적용됩니다.
각 요금을 표시된 조건과 대조하세요. 서로 대체되는 설정 묶음마다 하나의 요금만 적용하세요.
| 설정 | 요금표 | 컨텍스트 토큰 수 초과 기준 | 컨텍스트 토큰 수 이하 기준 | 요금 |
|---|---|---|---|---|
| 설정OpenAI Chat · 기본 토큰 요금 | 요금표기본 요금 | 컨텍스트 토큰 수 초과 기준— | 컨텍스트 토큰 수 이하 기준상한 없음 | 요금 입력 · 입력 토큰 $0.0028 / 1K 토큰 출력 · 출력 토큰 $0.0088 / 1K 토큰 입력 · 캐시 읽기 $0.00052 / 1K 토큰 입력 · 캐시 쓰기 — / 1K 토큰 입력 · 캐시 쓰기, 1시간 — / 1K 토큰 |
| 설정OpenAI Chat · 요청 길이 구간 1 | 요금표— | 컨텍스트 토큰 수 초과 기준0 | 컨텍스트 토큰 수 이하 기준상한 없음 | 요금 입력 · 입력 토큰 $0.0028 / 1K 토큰 출력 · 출력 토큰 $0.0088 / 1K 토큰 입력 · 캐시 읽기 $0.00052 / 1K 토큰 입력 · 캐시 쓰기 — / 1K 토큰 입력 · 캐시 쓰기, 1시간 — / 1K 토큰 |
| 설정Anthropic Messages · 기본 토큰 요금 | 요금표기본 요금 | 컨텍스트 토큰 수 초과 기준— | 컨텍스트 토큰 수 이하 기준상한 없음 | 요금 입력 · 입력 토큰 $0.0028 / 1K 토큰 출력 · 출력 토큰 $0.0088 / 1K 토큰 입력 · 캐시 읽기 $0.00052 / 1K 토큰 입력 · 캐시 쓰기 — / 1K 토큰 입력 · 캐시 쓰기, 1시간 — / 1K 토큰 |
| 설정Anthropic Messages · 요청 길이 구간 1 | 요금표— | 컨텍스트 토큰 수 초과 기준0 | 컨텍스트 토큰 수 이하 기준상한 없음 | 요금 입력 · 입력 토큰 $0.0028 / 1K 토큰 출력 · 출력 토큰 $0.0088 / 1K 토큰 입력 · 캐시 읽기 $0.00052 / 1K 토큰 입력 · 캐시 쓰기 — / 1K 토큰 입력 · 캐시 쓰기, 1시간 — / 1K 토큰 |
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 source-material file}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "glm", "input": ""}')\nf=Path(os.environ["AILOOT_TEXT_FILE"])\nif not f.is_file():raise SystemExit("Choose your actual UTF-8 source material")\ntext=f.read_text(encoding="utf-8")\nif not text.strip():raise SystemExit("Source material must contain text")\np["input"]="Summarize this material and quote supporting source passages.\\n\\n"+text\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/responses \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(json.loads(Path("result.json").read_text(encoding="utf-8")))\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient = OpenAI(base_url="https://api.ailoot.ai/v1", api_key=os.environ["AILOOT_API_KEY"], max_retries=0)\nresp = client.responses.create(model="glm", input="Explain the difference between an observation and a hypothesis in three sentences.")\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(resp.to_dict(mode="json"))\nimport OpenAI from "openai";\n\nif (!process.env.AILOOT_API_KEY?.trim()) throw new Error("Set AILOOT_API_KEY before making a request");\nconst client = new OpenAI({ baseURL: "https://api.ailoot.ai/v1", apiKey: process.env.AILOOT_API_KEY, maxRetries: 0 });\nconst resp = await client.responses.create({ model: "glm", input: "Explain the difference between an observation and a hypothesis in three sentences." });\nimport { writeFileSync } from "node:fs";\n\nfunction saveResult(data, stem = "result") {\n writeFileSync(stem + ".json", JSON.stringify(data, null, 2));\n console.log(JSON.stringify(data, null, 2));\n const saveBlob = (encoded, suffix, label) => {\n const raw = Buffer.from(encoded, "base64");\n const ext = raw.subarray(0,8).equals(Buffer.from([137,80,78,71,13,10,26,10])) ? "png" : raw[0]===255 && raw[1]===216 ? "jpg" : raw.subarray(0,4).toString()==="RIFF" && raw.subarray(8,12).toString()==="WEBP" ? "webp" : suffix;\n const file = `${stem}-${label}.${ext}`;\n writeFileSync(file, raw); console.log("Saved", file);\n };\n for (const [i, block] of (data.content || []).entries()) console.log("Content", i, JSON.stringify(block));\n for (const choice of data.choices || []) console.log("Choice", choice.index, JSON.stringify(choice.message || choice.delta || {}));\n for (const [i, item] of (data.output || []).entries()) {\n console.log("Output", i, JSON.stringify(item));\n if (item.type === "image_generation_call" && item.result) saveBlob(item.result, item.output_format || "bin", `output-${i}`);\n }\n for (const [ci, candidate] of (data.candidates || []).entries()) {\n for (const [pi, part] of (candidate.content?.parts || []).entries()) {\n console.log("Candidate/part", ci, pi, JSON.stringify(part));\n const blob = part.inlineData || part.inline_data;\n if (blob?.data) {\n const mime = blob.mimeType || blob.mime_type;\n const suffix = ({"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"})[mime] || "bin";\n saveBlob(blob.data, suffix, `candidate-${ci}-part-${pi}`);\n }\n }\n }\n}\n\nsaveResult(resp);\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nwith client.responses.stream(model="glm", input="Explain the difference between an observation and a hypothesis in three sentences.") as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_response()\n save_result(final.to_dict(mode="json"),"stream-result")\njson 또는 SSE
반환된 완전한 응답, 파일, 콘텐츠 부분을 모두 보관하세요.
모든 출력 항목과 콘텐츠 파트, 실제 함수 call_id, 암호화된 추론, 사용량을 보존하세요. 스트리밍에서는 이벤트/항목의 식별 정보를 완전하게 유지하세요.
요청/응답 ID와 헤더를 보존하세요. 텍스트 작업을 조회하는 범용 URL은 제공되지 않습니다.
| 필드 | 유형 |
|---|---|
필드id | 유형string |
필드status | 유형string |
필드output[] | 유형message|reasoning|function_call|other item |
필드output[].content[] | 유형content part |
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 glm-5.3, glm, glm-5, glm-5.1, glm-5.2, glm-latest
Ailoot Ultra glm-5.3, z-ai/glm-5.3, ~z-ai/glm-latest
/chat/completions
z-ai/glm-5.3, glm, glm-5, glm-5.1, glm-5.2, glm-latest, ~z-ai/glm-latest, glm-5.3, glm-5.3
glmZ.ai GLM 5.3은 복잡한 소프트웨어 엔지니어링, 터미널 작업, 장기 에이전트를 위한 텍스트 추론 모델입니다. 제작사 문서에 명시된 1M토큰 컨텍스트, 최대 128K 출력 토큰, 함수 호출, low/high/max 추론 강도를 지원하며 추론은 항상 활성화됩니다.
이 설명은 모델의 기능을 다룹니다. Ailoot에서 사용할 수 있는 입력, 출력 및 옵션은 아래에 선택한 메서드별로 표시됩니다.
Z.ai GLM 5.3은 복잡한 소프트웨어 엔지니어링과 장기 에이전트 작업을 위해 설계된 대규모 텍스트 추론 모델입니다. 제조사는 GLM 5.2와 동일한 기반 모델을 사용하며 새 성능 향상은 사후 학습에서 나온다고 밝힙니다. 이번 릴리스는 프로그래밍, 터미널 작업, 여러 의존 단계가 있는 폭넓은 과제의 역량 강화에 중점을 둡니다. 텍스트를 입력받고 코드, 설명, 계획, 도구가 연결된 애플리케이션에서의 도구 호출 요청 등을 텍스트로 출력합니다.
문서화된 추론 모드는 항상 활성화됩니다. GLM 5.3은 low, high, max의 세 가지 강도를 제공하며 기본값은 max입니다. 제작사는 복잡한 코딩에 max를 권장하고, low는 간단한 단계에 더 가벼운 추론 옵션을 제공합니다. 선택한 강도와 함께 명확한 최종 산출물과 완료 기준을 제시하세요. 예를 들어 “이 파일과 실패 결과를 살펴보고, 영향받는 모듈 전반에서 원인을 추적한 뒤, 공개 인터페이스를 보존하는 수정안을 제시하고 어떤 검사가 회귀 문제가 해결되었음을 입증하는지 설명하세요”라고 요청할 수 있습니다.
제작사는 1M토큰의 컨텍스트 윈도와 128K토큰의 최대 출력 길이를 명시합니다. 모델이 조사해야 할 관계를 중심으로 긴 자료를 구성하세요. 파일 이름, 관련 정의, 원본 레이블, 관찰 순서를 보존하고 해당 작업 컨텍스트 안에 추론과 최종 답변 공간을 남기세요. 큰 윈도는 모듈 간 의존 관계나 긴 에이전트 관찰 순서에 유용하지만, 무관한 자료를 방향 없이 모아 둔다고 명확한 과제가 되지는 않습니다.
저장소 작업에서는 예상 동작, 관련 소스 텍스트, 의존성 버전, 실제 오류 출력을 제공하세요. 패치를 제안하기 전에 영향받는 동작을 파악하도록 요청하세요. 리팩터링에서는 보존할 인터페이스와 불변 조건을 명시하세요. 유용한 응답은 수정된 코드, 변경이 관찰된 문제를 해결하는 이유, 결과 확인에 필요한 사례를 포함합니다. 실제 결과를 도구가 연결된 작업 흐름에 다시 제공해 다음 단계가 이전 제안이 아닌 변경된 상태에 근거하도록 하세요.
성능 작업에서는 워크로드, 기준선, 실행 시간, 프로파일 또는 할당 기록 같은 측정치를 제공하세요. Z.ai는 병목 진단, 최적화, 실험, 정확성을 유지한 결과를 포함하는 학습 과제를 설명합니다. 실용적인 요청은 “이 프로파일로 가장 영향이 큰 병목을 찾고, 측정 가능한 변경 하나를 제안하며, 어떤 결과가 나와야 변경을 유지할 근거가 되는지 설명하세요”입니다. 성능 가설과 기록된 개선을 구분하세요. 결과를 살펴볼 때 같은 워크로드와 관련 조건을 유지하세요.
이번 릴리스는 취약점 분석 역량도 발전시킵니다. 방어 목적의 소스 검토에서는 관련 코드, 의도한 신뢰 경계, 실행 조건을 제공하세요. 의심되는 문제를 영향받는 입력과 동작, 집중된 개선 조치에 연결하는 분석 결과를 요청하세요. 잠재적 약점과 재현된 결함을 구분하고 검증에 사용한 관찰을 보존하세요. 의심스러운 패턴을 모두 확정된 취약점으로 취급하기보다 구체적인 근거와 수정 제안을 우선하는 보고서가 더 유용합니다.
함수 호출을 통해 주변 애플리케이션은 외부 작업을 모델에 제공할 수 있습니다. 각 도구의 목적, 인수, 예상 결과를 정의하고 실제 도구 관찰 결과를 다음 단계에 반환하세요. 모델은 그 결과를 추론하고 과제를 어떻게 바꿀지 판단할 수 있습니다. 제안된 행동, 실행된 작업, 미해결 검사를 구분하세요. 제작사는 추론과 답변 조각을 별도로 반환하는 스트리밍 응답도 문서화합니다. 이를 최종 보고서나 코드 설명으로 취급하기 전에 완성된 답변을 조합하세요.
로컬 모델 카드에는 구체적인 이력 설정이 나옵니다. 채팅 템플릿은 기본적으로 사고 내용을 유지하지만, 제작사는 일반 채팅에서는 이전 사고 내용을 명시적으로 지우도록 권장합니다. 용도에 맞는 대화 구조를 적용하고, 이어서 작업하는 데 필요한 실제 완성 답변과 도구 결과를 보존하세요. GLM 5.2나 별도 GLM 5.3 Flash 에디션의 추론 제어 설정을 이 모델의 low/high/max 제어와 상호 교환 가능한 것으로 취급하지 마세요.
구조화된 결과에서는 예상 필드, 유형, 원본 처리 규칙을 지정하세요. 결함 표, 변경 계획, 관찰을 요약한 JSON 객체 등이 유용한 산출물이 될 수 있습니다. 애플리케이션이 사용하기 전에 구조와 값을 모두 검증하세요. 최종 결과에는 답이나 수정 산출물, 이를 뒷받침하는 근거, 남은 가정이 표시되어야 합니다. 추론 강도가 높다고 도구가 실행되었거나 제안한 패치가 검사를 통과했거나 사실 주장이 제공된 자료 밖의 근거를 얻었다고 입증되지는 않습니다.
POST /v1/chat/completionstexttext| 필드 | 유형 | 요건 | 값과 한도 | 기본값 |
|---|---|---|---|---|
필드model | 유형string | 요건필수 | 값과 한도 glm | 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 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— |
텍스트 · UTF8 텍스트
messages[].content
| 매개변수 | 명세 |
|---|---|
매개변수material_types | 명세text |
매개변수required | 명세model, messages |
매개변수optional_controls | 명세null |
매개변수content_type | 명세application/json |
매개변수text_file_material | 명세실제 UTF-8 콘텐츠를 텍스트로 삽입합니다. 파일 ID/URLs에는 별도의 정확한 지원이 필요합니다 |
수명 주기: exact retained published method
메서드 형식과 ID는 정확합니다. 공급자의 기능 지원과 요청 수락은 별개입니다.
POST /v1/chat/completionsAiloot는 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 →
모델 수준의 참조 요금표는 메서드 선택, 견적 또는 요금을 변경하지 않습니다. 실제 과금에는 선택한 Ailoot 메서드 요금이 적용됩니다.
각 요금을 표시된 조건과 대조하세요. 서로 대체되는 설정 묶음마다 하나의 요금만 적용하세요.
| 설정 | 요금표 | 컨텍스트 토큰 수 초과 기준 | 컨텍스트 토큰 수 이하 기준 | 요금 |
|---|---|---|---|---|
| 설정OpenAI Chat · 기본 토큰 요금 | 요금표기본 요금 | 컨텍스트 토큰 수 초과 기준— | 컨텍스트 토큰 수 이하 기준상한 없음 | 요금 입력 · 입력 토큰 $0.0028 / 1K 토큰 출력 · 출력 토큰 $0.0088 / 1K 토큰 입력 · 캐시 읽기 $0.00052 / 1K 토큰 입력 · 캐시 쓰기 — / 1K 토큰 입력 · 캐시 쓰기, 1시간 — / 1K 토큰 |
| 설정OpenAI Chat · 요청 길이 구간 1 | 요금표— | 컨텍스트 토큰 수 초과 기준0 | 컨텍스트 토큰 수 이하 기준상한 없음 | 요금 입력 · 입력 토큰 $0.0028 / 1K 토큰 출력 · 출력 토큰 $0.0088 / 1K 토큰 입력 · 캐시 읽기 $0.00052 / 1K 토큰 입력 · 캐시 쓰기 — / 1K 토큰 입력 · 캐시 쓰기, 1시간 — / 1K 토큰 |
| 설정Anthropic Messages · 기본 토큰 요금 | 요금표기본 요금 | 컨텍스트 토큰 수 초과 기준— | 컨텍스트 토큰 수 이하 기준상한 없음 | 요금 입력 · 입력 토큰 $0.0028 / 1K 토큰 출력 · 출력 토큰 $0.0088 / 1K 토큰 입력 · 캐시 읽기 $0.00052 / 1K 토큰 입력 · 캐시 쓰기 — / 1K 토큰 입력 · 캐시 쓰기, 1시간 — / 1K 토큰 |
| 설정Anthropic Messages · 요청 길이 구간 1 | 요금표— | 컨텍스트 토큰 수 초과 기준0 | 컨텍스트 토큰 수 이하 기준상한 없음 | 요금 입력 · 입력 토큰 $0.0028 / 1K 토큰 출력 · 출력 토큰 $0.0088 / 1K 토큰 입력 · 캐시 읽기 $0.00052 / 1K 토큰 입력 · 캐시 쓰기 — / 1K 토큰 입력 · 캐시 쓰기, 1시간 — / 1K 토큰 |
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 source-material file}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "glm", "messages": []}')\nf=Path(os.environ["AILOOT_TEXT_FILE"])\nif not f.is_file():raise SystemExit("Choose your actual UTF-8 source material")\ntext=f.read_text(encoding="utf-8")\nif not text.strip():raise SystemExit("Source material must contain text")\np["messages"]=[{"role":"user","content":"Summarize this material and quote supporting source passages.\\n\\n"+text}]\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nprint(json.dumps(json.loads(Path("result.json").read_text()),ensure_ascii=False,indent=2))\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient = OpenAI(base_url="https://api.ailoot.ai/v1", api_key=os.environ["AILOOT_API_KEY"], max_retries=0)\nresp = client.chat.completions.create(\n model="glm",\n messages=[{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}],\n)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(resp.to_dict(mode="json"))\nimport OpenAI from "openai";\n\nif (!process.env.AILOOT_API_KEY?.trim()) throw new Error("Set AILOOT_API_KEY before making a request");\nconst client = new OpenAI({ baseURL: "https://api.ailoot.ai/v1", apiKey: process.env.AILOOT_API_KEY, maxRetries: 0 });\nconst resp = await client.chat.completions.create({\n model: "glm",\n messages: [{ role: "user", content: "Explain the difference between an observation and a hypothesis in three sentences." }],\n});\nimport { writeFileSync } from "node:fs";\n\nfunction saveResult(data, stem = "result") {\n writeFileSync(stem + ".json", JSON.stringify(data, null, 2));\n console.log(JSON.stringify(data, null, 2));\n const saveBlob = (encoded, suffix, label) => {\n const raw = Buffer.from(encoded, "base64");\n const ext = raw.subarray(0,8).equals(Buffer.from([137,80,78,71,13,10,26,10])) ? "png" : raw[0]===255 && raw[1]===216 ? "jpg" : raw.subarray(0,4).toString()==="RIFF" && raw.subarray(8,12).toString()==="WEBP" ? "webp" : suffix;\n const file = `${stem}-${label}.${ext}`;\n writeFileSync(file, raw); console.log("Saved", file);\n };\n for (const [i, block] of (data.content || []).entries()) console.log("Content", i, JSON.stringify(block));\n for (const choice of data.choices || []) console.log("Choice", choice.index, JSON.stringify(choice.message || choice.delta || {}));\n for (const [i, item] of (data.output || []).entries()) {\n console.log("Output", i, JSON.stringify(item));\n if (item.type === "image_generation_call" && item.result) saveBlob(item.result, item.output_format || "bin", `output-${i}`);\n }\n for (const [ci, candidate] of (data.candidates || []).entries()) {\n for (const [pi, part] of (candidate.content?.parts || []).entries()) {\n console.log("Candidate/part", ci, pi, JSON.stringify(part));\n const blob = part.inlineData || part.inline_data;\n if (blob?.data) {\n const mime = blob.mimeType || blob.mime_type;\n const suffix = ({"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"})[mime] || "bin";\n saveBlob(blob.data, suffix, `candidate-${ci}-part-${pi}`);\n }\n }\n }\n}\n\nsaveResult(resp);\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='glm',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson 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 glm-5.3, glm, glm-5, glm-5.1, glm-5.2, glm-latest
Ailoot Ultra glm-5.3, z-ai/glm-5.3, ~z-ai/glm-latest
/chat/completions
z-ai/glm-5.3, glm, glm-5, glm-5.1, glm-5.2, glm-latest, ~z-ai/glm-latest, glm-5.3, glm-5.3
glm-5Z.ai GLM 5.3은 복잡한 소프트웨어 엔지니어링, 터미널 작업, 장기 에이전트를 위한 텍스트 추론 모델입니다. 제작사 문서에 명시된 1M토큰 컨텍스트, 최대 128K 출력 토큰, 함수 호출, low/high/max 추론 강도를 지원하며 추론은 항상 활성화됩니다.
이 설명은 모델의 기능을 다룹니다. Ailoot에서 사용할 수 있는 입력, 출력 및 옵션은 아래에 선택한 메서드별로 표시됩니다.
Z.ai GLM 5.3은 복잡한 소프트웨어 엔지니어링과 장기 에이전트 작업을 위해 설계된 대규모 텍스트 추론 모델입니다. 제조사는 GLM 5.2와 동일한 기반 모델을 사용하며 새 성능 향상은 사후 학습에서 나온다고 밝힙니다. 이번 릴리스는 프로그래밍, 터미널 작업, 여러 의존 단계가 있는 폭넓은 과제의 역량 강화에 중점을 둡니다. 텍스트를 입력받고 코드, 설명, 계획, 도구가 연결된 애플리케이션에서의 도구 호출 요청 등을 텍스트로 출력합니다.
문서화된 추론 모드는 항상 활성화됩니다. GLM 5.3은 low, high, max의 세 가지 강도를 제공하며 기본값은 max입니다. 제작사는 복잡한 코딩에 max를 권장하고, low는 간단한 단계에 더 가벼운 추론 옵션을 제공합니다. 선택한 강도와 함께 명확한 최종 산출물과 완료 기준을 제시하세요. 예를 들어 “이 파일과 실패 결과를 살펴보고, 영향받는 모듈 전반에서 원인을 추적한 뒤, 공개 인터페이스를 보존하는 수정안을 제시하고 어떤 검사가 회귀 문제가 해결되었음을 입증하는지 설명하세요”라고 요청할 수 있습니다.
제작사는 1M토큰의 컨텍스트 윈도와 128K토큰의 최대 출력 길이를 명시합니다. 모델이 조사해야 할 관계를 중심으로 긴 자료를 구성하세요. 파일 이름, 관련 정의, 원본 레이블, 관찰 순서를 보존하고 해당 작업 컨텍스트 안에 추론과 최종 답변 공간을 남기세요. 큰 윈도는 모듈 간 의존 관계나 긴 에이전트 관찰 순서에 유용하지만, 무관한 자료를 방향 없이 모아 둔다고 명확한 과제가 되지는 않습니다.
저장소 작업에서는 예상 동작, 관련 소스 텍스트, 의존성 버전, 실제 오류 출력을 제공하세요. 패치를 제안하기 전에 영향받는 동작을 파악하도록 요청하세요. 리팩터링에서는 보존할 인터페이스와 불변 조건을 명시하세요. 유용한 응답은 수정된 코드, 변경이 관찰된 문제를 해결하는 이유, 결과 확인에 필요한 사례를 포함합니다. 실제 결과를 도구가 연결된 작업 흐름에 다시 제공해 다음 단계가 이전 제안이 아닌 변경된 상태에 근거하도록 하세요.
성능 작업에서는 워크로드, 기준선, 실행 시간, 프로파일 또는 할당 기록 같은 측정치를 제공하세요. Z.ai는 병목 진단, 최적화, 실험, 정확성을 유지한 결과를 포함하는 학습 과제를 설명합니다. 실용적인 요청은 “이 프로파일로 가장 영향이 큰 병목을 찾고, 측정 가능한 변경 하나를 제안하며, 어떤 결과가 나와야 변경을 유지할 근거가 되는지 설명하세요”입니다. 성능 가설과 기록된 개선을 구분하세요. 결과를 살펴볼 때 같은 워크로드와 관련 조건을 유지하세요.
이번 릴리스는 취약점 분석 역량도 발전시킵니다. 방어 목적의 소스 검토에서는 관련 코드, 의도한 신뢰 경계, 실행 조건을 제공하세요. 의심되는 문제를 영향받는 입력과 동작, 집중된 개선 조치에 연결하는 분석 결과를 요청하세요. 잠재적 약점과 재현된 결함을 구분하고 검증에 사용한 관찰을 보존하세요. 의심스러운 패턴을 모두 확정된 취약점으로 취급하기보다 구체적인 근거와 수정 제안을 우선하는 보고서가 더 유용합니다.
함수 호출을 통해 주변 애플리케이션은 외부 작업을 모델에 제공할 수 있습니다. 각 도구의 목적, 인수, 예상 결과를 정의하고 실제 도구 관찰 결과를 다음 단계에 반환하세요. 모델은 그 결과를 추론하고 과제를 어떻게 바꿀지 판단할 수 있습니다. 제안된 행동, 실행된 작업, 미해결 검사를 구분하세요. 제작사는 추론과 답변 조각을 별도로 반환하는 스트리밍 응답도 문서화합니다. 이를 최종 보고서나 코드 설명으로 취급하기 전에 완성된 답변을 조합하세요.
로컬 모델 카드에는 구체적인 이력 설정이 나옵니다. 채팅 템플릿은 기본적으로 사고 내용을 유지하지만, 제작사는 일반 채팅에서는 이전 사고 내용을 명시적으로 지우도록 권장합니다. 용도에 맞는 대화 구조를 적용하고, 이어서 작업하는 데 필요한 실제 완성 답변과 도구 결과를 보존하세요. GLM 5.2나 별도 GLM 5.3 Flash 에디션의 추론 제어 설정을 이 모델의 low/high/max 제어와 상호 교환 가능한 것으로 취급하지 마세요.
구조화된 결과에서는 예상 필드, 유형, 원본 처리 규칙을 지정하세요. 결함 표, 변경 계획, 관찰을 요약한 JSON 객체 등이 유용한 산출물이 될 수 있습니다. 애플리케이션이 사용하기 전에 구조와 값을 모두 검증하세요. 최종 결과에는 답이나 수정 산출물, 이를 뒷받침하는 근거, 남은 가정이 표시되어야 합니다. 추론 강도가 높다고 도구가 실행되었거나 제안한 패치가 검사를 통과했거나 사실 주장이 제공된 자료 밖의 근거를 얻었다고 입증되지는 않습니다.
POST /v1/messagestexttext| 필드 | 유형 | 요건 | 값과 한도 | 기본값 |
|---|---|---|---|---|
필드model | 유형string | 요건필수 | 값과 한도 glm-5 | 기본값— |
필드messages | 유형message[] | 요건필수 | 값과 한도 최소 항목 수: 1 | 기본값— |
필드messages[].role | 유형string | 요건필수 | 값과 한도 user, assistant | 기본값— |
필드messages[].content | 유형string|content_block[] | 요건필수 | 값과 한도 | 기본값— |
필드system | 유형string|content_block[] | 요건선택 사항 | 값과 한도 | 기본값— |
필드max_tokens | 유형integer | 요건필수 | 값과 한도 최솟값: 1 한도 적용 대상: 선택한 모델/카드의 정확한 상한 | 기본값— |
필드stream | 유형boolean | 요건선택 사항 | 값과 한도 | 기본값false |
필드temperature | 유형number | 요건선택 사항 | 값과 한도 모델에 따라 다름 | 기본값— |
필드top_p | 유형number | 요건선택 사항 | 값과 한도 모델에 따라 다름 | 기본값— |
필드stop_sequences | 유형string[] | 요건선택 사항 | 값과 한도 모델에 따라 다름 | 기본값— |
필드tools | 유형tool[] | 요건선택 사항 | 값과 한도 모델에 따라 다름 | 기본값— |
필드tools[].name | 유형string | 요건선택 사항 | 값과 한도 적용 조건: 도구 지정됨 | 기본값— |
필드tools[].description | 유형string | 요건선택 사항 | 값과 한도 | 기본값— |
필드tools[].input_schema | 유형JSON_schema | 요건선택 사항 | 값과 한도 | 기본값— |
필드tool_choice | 유형object | 요건선택 사항 | 값과 한도 모델에 따라 다름 | 기본값— |
필드thinking.type | 유형string | 요건선택 사항 | 값과 한도 모델에 따라 다름 | 기본값— |
필드thinking.budget_tokens | 유형integer | 요건선택 사항 | 값과 한도 모델에 따라 다름 | 기본값— |
필드output_config.effort | 유형string | 요건선택 사항 | 값과 한도 모델에 따라 다름 | 기본값— |
필드metadata | 유형object | 요건선택 사항 | 값과 한도 | 기본값— |
필드cache_control | 유형object | 요건선택 사항 | 값과 한도 모델에 따라 다름 | 기본값— |
텍스트 · UTF8 텍스트
messages[].content 또는 type=text 블록
| 매개변수 | 명세 |
|---|---|
매개변수material_types | 명세text |
매개변수required | 명세model, messages, max_tokens |
매개변수optional_controls | 명세null |
매개변수content_type | 명세application/json |
매개변수text_file_material | 명세실제 UTF-8 콘텐츠를 텍스트로 삽입합니다. 파일 ID/URLs에는 별도의 정확한 지원이 필요합니다 |
수명 주기: exact retained published method
메서드 형식과 ID는 정확합니다. 공급자의 기능 지원과 요청 수락은 별개입니다.
POST /v1/messagesAiloot는 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 →
모델 수준의 참조 요금표는 메서드 선택, 견적 또는 요금을 변경하지 않습니다. 실제 과금에는 선택한 Ailoot 메서드 요금이 적용됩니다.
각 요금을 표시된 조건과 대조하세요. 서로 대체되는 설정 묶음마다 하나의 요금만 적용하세요.
| 설정 | 요금표 | 컨텍스트 토큰 수 초과 기준 | 컨텍스트 토큰 수 이하 기준 | 요금 |
|---|---|---|---|---|
| 설정OpenAI Chat · 기본 토큰 요금 | 요금표기본 요금 | 컨텍스트 토큰 수 초과 기준— | 컨텍스트 토큰 수 이하 기준상한 없음 | 요금 입력 · 입력 토큰 $0.0028 / 1K 토큰 출력 · 출력 토큰 $0.0088 / 1K 토큰 입력 · 캐시 읽기 $0.00052 / 1K 토큰 입력 · 캐시 쓰기 — / 1K 토큰 입력 · 캐시 쓰기, 1시간 — / 1K 토큰 |
| 설정OpenAI Chat · 요청 길이 구간 1 | 요금표— | 컨텍스트 토큰 수 초과 기준0 | 컨텍스트 토큰 수 이하 기준상한 없음 | 요금 입력 · 입력 토큰 $0.0028 / 1K 토큰 출력 · 출력 토큰 $0.0088 / 1K 토큰 입력 · 캐시 읽기 $0.00052 / 1K 토큰 입력 · 캐시 쓰기 — / 1K 토큰 입력 · 캐시 쓰기, 1시간 — / 1K 토큰 |
| 설정Anthropic Messages · 기본 토큰 요금 | 요금표기본 요금 | 컨텍스트 토큰 수 초과 기준— | 컨텍스트 토큰 수 이하 기준상한 없음 | 요금 입력 · 입력 토큰 $0.0028 / 1K 토큰 출력 · 출력 토큰 $0.0088 / 1K 토큰 입력 · 캐시 읽기 $0.00052 / 1K 토큰 입력 · 캐시 쓰기 — / 1K 토큰 입력 · 캐시 쓰기, 1시간 — / 1K 토큰 |
| 설정Anthropic Messages · 요청 길이 구간 1 | 요금표— | 컨텍스트 토큰 수 초과 기준0 | 컨텍스트 토큰 수 이하 기준상한 없음 | 요금 입력 · 입력 토큰 $0.0028 / 1K 토큰 출력 · 출력 토큰 $0.0088 / 1K 토큰 입력 · 캐시 읽기 $0.00052 / 1K 토큰 입력 · 캐시 쓰기 — / 1K 토큰 입력 · 캐시 쓰기, 1시간 — / 1K 토큰 |
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 source-material file}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "glm-5", "max_tokens": 1024, "messages": []}')\nf=Path(os.environ["AILOOT_TEXT_FILE"])\nif not f.is_file():raise SystemExit("Choose your actual UTF-8 source material")\ntext=f.read_text(encoding="utf-8")\nif not text.strip():raise SystemExit("Source material must contain text")\np["messages"]=[{"role":"user","content":"Summarize this material and quote supporting source passages.\\n\\n"+text}]\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nprint(json.dumps(json.loads(Path("result.json").read_text()),ensure_ascii=False,indent=2))\nPY_RESULT\nimport anthropic\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient = anthropic.Anthropic(base_url="https://api.ailoot.ai", api_key=os.environ["AILOOT_API_KEY"], max_retries=0)\nmsg = client.messages.create(\n model="glm-5",\n max_tokens=1024,\n messages=[{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}],\n)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(msg.to_dict(mode="json"))\nimport Anthropic from "@anthropic-ai/sdk";\n\nif (!process.env.AILOOT_API_KEY?.trim()) throw new Error("Set AILOOT_API_KEY before making a request");\nconst client = new Anthropic({ baseURL: "https://api.ailoot.ai", apiKey: process.env.AILOOT_API_KEY, maxRetries: 0 });\nconst msg = await client.messages.create({\n model: "glm-5",\n max_tokens: 1024,\n messages: [{ role: "user", content: "Explain the difference between an observation and a hypothesis in three sentences." }],\n});\nimport { writeFileSync } from "node:fs";\n\nfunction saveResult(data, stem = "result") {\n writeFileSync(stem + ".json", JSON.stringify(data, null, 2));\n console.log(JSON.stringify(data, null, 2));\n const saveBlob = (encoded, suffix, label) => {\n const raw = Buffer.from(encoded, "base64");\n const ext = raw.subarray(0,8).equals(Buffer.from([137,80,78,71,13,10,26,10])) ? "png" : raw[0]===255 && raw[1]===216 ? "jpg" : raw.subarray(0,4).toString()==="RIFF" && raw.subarray(8,12).toString()==="WEBP" ? "webp" : suffix;\n const file = `${stem}-${label}.${ext}`;\n writeFileSync(file, raw); console.log("Saved", file);\n };\n for (const [i, block] of (data.content || []).entries()) console.log("Content", i, JSON.stringify(block));\n for (const choice of data.choices || []) console.log("Choice", choice.index, JSON.stringify(choice.message || choice.delta || {}));\n for (const [i, item] of (data.output || []).entries()) {\n console.log("Output", i, JSON.stringify(item));\n if (item.type === "image_generation_call" && item.result) saveBlob(item.result, item.output_format || "bin", `output-${i}`);\n }\n for (const [ci, candidate] of (data.candidates || []).entries()) {\n for (const [pi, part] of (candidate.content?.parts || []).entries()) {\n console.log("Candidate/part", ci, pi, JSON.stringify(part));\n const blob = part.inlineData || part.inline_data;\n if (blob?.data) {\n const mime = blob.mimeType || blob.mime_type;\n const suffix = ({"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"})[mime] || "bin";\n saveBlob(blob.data, suffix, `candidate-${ci}-part-${pi}`);\n }\n }\n }\n}\n\nsaveResult(msg);\nimport anthropic,os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=anthropic.Anthropic(base_url="https://api.ailoot.ai",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.messages.stream(model='glm-5',max_tokens=1024,messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_message()\n save_result(final.to_dict(mode="json"),"stream-result")\njson 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 glm-5.3, glm, glm-5, glm-5.1, glm-5.2, glm-latest
Ailoot Ultra glm-5.3, z-ai/glm-5.3, ~z-ai/glm-latest
/chat/completions
z-ai/glm-5.3, glm, glm-5, glm-5.1, glm-5.2, glm-latest, ~z-ai/glm-latest, glm-5.3, glm-5.3
glm-5Z.ai GLM 5.3은 복잡한 소프트웨어 엔지니어링, 터미널 작업, 장기 에이전트를 위한 텍스트 추론 모델입니다. 제작사 문서에 명시된 1M토큰 컨텍스트, 최대 128K 출력 토큰, 함수 호출, low/high/max 추론 강도를 지원하며 추론은 항상 활성화됩니다.
이 설명은 모델의 기능을 다룹니다. Ailoot에서 사용할 수 있는 입력, 출력 및 옵션은 아래에 선택한 메서드별로 표시됩니다.
Z.ai GLM 5.3은 복잡한 소프트웨어 엔지니어링과 장기 에이전트 작업을 위해 설계된 대규모 텍스트 추론 모델입니다. 제조사는 GLM 5.2와 동일한 기반 모델을 사용하며 새 성능 향상은 사후 학습에서 나온다고 밝힙니다. 이번 릴리스는 프로그래밍, 터미널 작업, 여러 의존 단계가 있는 폭넓은 과제의 역량 강화에 중점을 둡니다. 텍스트를 입력받고 코드, 설명, 계획, 도구가 연결된 애플리케이션에서의 도구 호출 요청 등을 텍스트로 출력합니다.
문서화된 추론 모드는 항상 활성화됩니다. GLM 5.3은 low, high, max의 세 가지 강도를 제공하며 기본값은 max입니다. 제작사는 복잡한 코딩에 max를 권장하고, low는 간단한 단계에 더 가벼운 추론 옵션을 제공합니다. 선택한 강도와 함께 명확한 최종 산출물과 완료 기준을 제시하세요. 예를 들어 “이 파일과 실패 결과를 살펴보고, 영향받는 모듈 전반에서 원인을 추적한 뒤, 공개 인터페이스를 보존하는 수정안을 제시하고 어떤 검사가 회귀 문제가 해결되었음을 입증하는지 설명하세요”라고 요청할 수 있습니다.
제작사는 1M토큰의 컨텍스트 윈도와 128K토큰의 최대 출력 길이를 명시합니다. 모델이 조사해야 할 관계를 중심으로 긴 자료를 구성하세요. 파일 이름, 관련 정의, 원본 레이블, 관찰 순서를 보존하고 해당 작업 컨텍스트 안에 추론과 최종 답변 공간을 남기세요. 큰 윈도는 모듈 간 의존 관계나 긴 에이전트 관찰 순서에 유용하지만, 무관한 자료를 방향 없이 모아 둔다고 명확한 과제가 되지는 않습니다.
저장소 작업에서는 예상 동작, 관련 소스 텍스트, 의존성 버전, 실제 오류 출력을 제공하세요. 패치를 제안하기 전에 영향받는 동작을 파악하도록 요청하세요. 리팩터링에서는 보존할 인터페이스와 불변 조건을 명시하세요. 유용한 응답은 수정된 코드, 변경이 관찰된 문제를 해결하는 이유, 결과 확인에 필요한 사례를 포함합니다. 실제 결과를 도구가 연결된 작업 흐름에 다시 제공해 다음 단계가 이전 제안이 아닌 변경된 상태에 근거하도록 하세요.
성능 작업에서는 워크로드, 기준선, 실행 시간, 프로파일 또는 할당 기록 같은 측정치를 제공하세요. Z.ai는 병목 진단, 최적화, 실험, 정확성을 유지한 결과를 포함하는 학습 과제를 설명합니다. 실용적인 요청은 “이 프로파일로 가장 영향이 큰 병목을 찾고, 측정 가능한 변경 하나를 제안하며, 어떤 결과가 나와야 변경을 유지할 근거가 되는지 설명하세요”입니다. 성능 가설과 기록된 개선을 구분하세요. 결과를 살펴볼 때 같은 워크로드와 관련 조건을 유지하세요.
이번 릴리스는 취약점 분석 역량도 발전시킵니다. 방어 목적의 소스 검토에서는 관련 코드, 의도한 신뢰 경계, 실행 조건을 제공하세요. 의심되는 문제를 영향받는 입력과 동작, 집중된 개선 조치에 연결하는 분석 결과를 요청하세요. 잠재적 약점과 재현된 결함을 구분하고 검증에 사용한 관찰을 보존하세요. 의심스러운 패턴을 모두 확정된 취약점으로 취급하기보다 구체적인 근거와 수정 제안을 우선하는 보고서가 더 유용합니다.
함수 호출을 통해 주변 애플리케이션은 외부 작업을 모델에 제공할 수 있습니다. 각 도구의 목적, 인수, 예상 결과를 정의하고 실제 도구 관찰 결과를 다음 단계에 반환하세요. 모델은 그 결과를 추론하고 과제를 어떻게 바꿀지 판단할 수 있습니다. 제안된 행동, 실행된 작업, 미해결 검사를 구분하세요. 제작사는 추론과 답변 조각을 별도로 반환하는 스트리밍 응답도 문서화합니다. 이를 최종 보고서나 코드 설명으로 취급하기 전에 완성된 답변을 조합하세요.
로컬 모델 카드에는 구체적인 이력 설정이 나옵니다. 채팅 템플릿은 기본적으로 사고 내용을 유지하지만, 제작사는 일반 채팅에서는 이전 사고 내용을 명시적으로 지우도록 권장합니다. 용도에 맞는 대화 구조를 적용하고, 이어서 작업하는 데 필요한 실제 완성 답변과 도구 결과를 보존하세요. GLM 5.2나 별도 GLM 5.3 Flash 에디션의 추론 제어 설정을 이 모델의 low/high/max 제어와 상호 교환 가능한 것으로 취급하지 마세요.
구조화된 결과에서는 예상 필드, 유형, 원본 처리 규칙을 지정하세요. 결함 표, 변경 계획, 관찰을 요약한 JSON 객체 등이 유용한 산출물이 될 수 있습니다. 애플리케이션이 사용하기 전에 구조와 값을 모두 검증하세요. 최종 결과에는 답이나 수정 산출물, 이를 뒷받침하는 근거, 남은 가정이 표시되어야 합니다. 추론 강도가 높다고 도구가 실행되었거나 제안한 패치가 검사를 통과했거나 사실 주장이 제공된 자료 밖의 근거를 얻었다고 입증되지는 않습니다.
POST /v1/responsestexttext| 필드 | 유형 | 요건 | 값과 한도 | 기본값 |
|---|---|---|---|---|
필드model | 유형string | 요건필수 | 값과 한도 glm-5 | 기본값— |
필드input | 유형string|input_item[] | 요건필수 | 값과 한도 | 기본값— |
필드instructions | 유형string | 요건선택 사항 | 값과 한도 | 기본값— |
필드input[].type | 유형string | 요건선택 사항 | 값과 한도 message, reasoning, function_call, function_call_output | 기본값— |
필드input[].content | 유형string|content_part[] | 요건선택 사항 | 값과 한도 | 기본값— |
필드input[].call_id | 유형string | 요건선택 사항 | 값과 한도 적용 조건: function_call_output. 실제 반환된 call_id를 유지하세요 | 기본값— |
필드input[].output | 유형string|content_part[] | 요건선택 사항 | 값과 한도 적용 조건: function_call_output | 기본값— |
필드max_output_tokens | 유형integer | 요건선택 사항 | 값과 한도 최솟값: 1 모델에 따라 다름 | 기본값— |
필드stream | 유형boolean | 요건선택 사항 | 값과 한도 | 기본값false |
필드temperature | 유형number | 요건선택 사항 | 값과 한도 모델에 따라 다름 | 기본값— |
필드top_p | 유형number | 요건선택 사항 | 값과 한도 모델에 따라 다름 | 기본값— |
필드tools | 유형tool[] | 요건선택 사항 | 값과 한도 모델에 따라 다름 | 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— |
필드reasoning.effort | 유형string | 요건선택 사항 | 값과 한도 모델에 따라 다름 | 기본값— |
필드reasoning.summary | 유형string | 요건선택 사항 | 값과 한도 모델에 따라 다름 | 기본값— |
필드text.format | 유형object | 요건선택 사항 | 값과 한도 모델에 따라 다름 | 기본값— |
필드text.verbosity | 유형string | 요건선택 사항 | 값과 한도 모델에 따라 다름 | 기본값— |
필드include | 유형string[] | 요건선택 사항 | 값과 한도 모델에 따라 다름 | 기본값— |
필드store | 유형boolean | 요건선택 사항 | 값과 한도 모델에 따라 다름 | 기본값— |
필드previous_response_id | 유형string | 요건선택 사항 | 값과 한도 ID 요건: 지원되는 이어가기의 실제 응답 ID만 사용 모델에 따라 다름 | 기본값— |
필드service_tier | 유형string | 요건선택 사항 | 값과 한도 모델에 따라 다름 | 기본값— |
필드prompt_cache_key | 유형string | 요건선택 사항 | 값과 한도 모델에 따라 다름 | 기본값— |
필드prompt_cache_options | 유형object | 요건선택 사항 | 값과 한도 모델에 따라 다름 | 기본값— |
텍스트 · UTF8 텍스트
입력 텍스트 또는 input_text 파트
| 매개변수 | 명세 |
|---|---|
매개변수material_types | 명세text |
매개변수required | 명세model, input |
매개변수optional_controls | 명세null |
매개변수content_type | 명세application/json |
매개변수text_file_material | 명세실제 UTF-8 콘텐츠를 텍스트로 삽입합니다. 파일 ID/URLs에는 별도의 정확한 지원이 필요합니다 |
수명 주기: exact retained published method
메서드 형식과 ID는 정확합니다. 공급자의 기능 지원과 요청 수락은 별개입니다.
POST /v1/responsesAiloot는 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 →
모델 수준의 참조 요금표는 메서드 선택, 견적 또는 요금을 변경하지 않습니다. 실제 과금에는 선택한 Ailoot 메서드 요금이 적용됩니다.
각 요금을 표시된 조건과 대조하세요. 서로 대체되는 설정 묶음마다 하나의 요금만 적용하세요.
| 설정 | 요금표 | 컨텍스트 토큰 수 초과 기준 | 컨텍스트 토큰 수 이하 기준 | 요금 |
|---|---|---|---|---|
| 설정OpenAI Chat · 기본 토큰 요금 | 요금표기본 요금 | 컨텍스트 토큰 수 초과 기준— | 컨텍스트 토큰 수 이하 기준상한 없음 | 요금 입력 · 입력 토큰 $0.0028 / 1K 토큰 출력 · 출력 토큰 $0.0088 / 1K 토큰 입력 · 캐시 읽기 $0.00052 / 1K 토큰 입력 · 캐시 쓰기 — / 1K 토큰 입력 · 캐시 쓰기, 1시간 — / 1K 토큰 |
| 설정OpenAI Chat · 요청 길이 구간 1 | 요금표— | 컨텍스트 토큰 수 초과 기준0 | 컨텍스트 토큰 수 이하 기준상한 없음 | 요금 입력 · 입력 토큰 $0.0028 / 1K 토큰 출력 · 출력 토큰 $0.0088 / 1K 토큰 입력 · 캐시 읽기 $0.00052 / 1K 토큰 입력 · 캐시 쓰기 — / 1K 토큰 입력 · 캐시 쓰기, 1시간 — / 1K 토큰 |
| 설정Anthropic Messages · 기본 토큰 요금 | 요금표기본 요금 | 컨텍스트 토큰 수 초과 기준— | 컨텍스트 토큰 수 이하 기준상한 없음 | 요금 입력 · 입력 토큰 $0.0028 / 1K 토큰 출력 · 출력 토큰 $0.0088 / 1K 토큰 입력 · 캐시 읽기 $0.00052 / 1K 토큰 입력 · 캐시 쓰기 — / 1K 토큰 입력 · 캐시 쓰기, 1시간 — / 1K 토큰 |
| 설정Anthropic Messages · 요청 길이 구간 1 | 요금표— | 컨텍스트 토큰 수 초과 기준0 | 컨텍스트 토큰 수 이하 기준상한 없음 | 요금 입력 · 입력 토큰 $0.0028 / 1K 토큰 출력 · 출력 토큰 $0.0088 / 1K 토큰 입력 · 캐시 읽기 $0.00052 / 1K 토큰 입력 · 캐시 쓰기 — / 1K 토큰 입력 · 캐시 쓰기, 1시간 — / 1K 토큰 |
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 source-material file}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "glm-5", "input": ""}')\nf=Path(os.environ["AILOOT_TEXT_FILE"])\nif not f.is_file():raise SystemExit("Choose your actual UTF-8 source material")\ntext=f.read_text(encoding="utf-8")\nif not text.strip():raise SystemExit("Source material must contain text")\np["input"]="Summarize this material and quote supporting source passages.\\n\\n"+text\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/responses \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(json.loads(Path("result.json").read_text(encoding="utf-8")))\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient = OpenAI(base_url="https://api.ailoot.ai/v1", api_key=os.environ["AILOOT_API_KEY"], max_retries=0)\nresp = client.responses.create(model="glm-5", input="Explain the difference between an observation and a hypothesis in three sentences.")\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(resp.to_dict(mode="json"))\nimport OpenAI from "openai";\n\nif (!process.env.AILOOT_API_KEY?.trim()) throw new Error("Set AILOOT_API_KEY before making a request");\nconst client = new OpenAI({ baseURL: "https://api.ailoot.ai/v1", apiKey: process.env.AILOOT_API_KEY, maxRetries: 0 });\nconst resp = await client.responses.create({ model: "glm-5", input: "Explain the difference between an observation and a hypothesis in three sentences." });\nimport { writeFileSync } from "node:fs";\n\nfunction saveResult(data, stem = "result") {\n writeFileSync(stem + ".json", JSON.stringify(data, null, 2));\n console.log(JSON.stringify(data, null, 2));\n const saveBlob = (encoded, suffix, label) => {\n const raw = Buffer.from(encoded, "base64");\n const ext = raw.subarray(0,8).equals(Buffer.from([137,80,78,71,13,10,26,10])) ? "png" : raw[0]===255 && raw[1]===216 ? "jpg" : raw.subarray(0,4).toString()==="RIFF" && raw.subarray(8,12).toString()==="WEBP" ? "webp" : suffix;\n const file = `${stem}-${label}.${ext}`;\n writeFileSync(file, raw); console.log("Saved", file);\n };\n for (const [i, block] of (data.content || []).entries()) console.log("Content", i, JSON.stringify(block));\n for (const choice of data.choices || []) console.log("Choice", choice.index, JSON.stringify(choice.message || choice.delta || {}));\n for (const [i, item] of (data.output || []).entries()) {\n console.log("Output", i, JSON.stringify(item));\n if (item.type === "image_generation_call" && item.result) saveBlob(item.result, item.output_format || "bin", `output-${i}`);\n }\n for (const [ci, candidate] of (data.candidates || []).entries()) {\n for (const [pi, part] of (candidate.content?.parts || []).entries()) {\n console.log("Candidate/part", ci, pi, JSON.stringify(part));\n const blob = part.inlineData || part.inline_data;\n if (blob?.data) {\n const mime = blob.mimeType || blob.mime_type;\n const suffix = ({"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"})[mime] || "bin";\n saveBlob(blob.data, suffix, `candidate-${ci}-part-${pi}`);\n }\n }\n }\n}\n\nsaveResult(resp);\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nwith client.responses.stream(model="glm-5", input="Explain the difference between an observation and a hypothesis in three sentences.") as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_response()\n save_result(final.to_dict(mode="json"),"stream-result")\njson 또는 SSE
반환된 완전한 응답, 파일, 콘텐츠 부분을 모두 보관하세요.
모든 출력 항목과 콘텐츠 파트, 실제 함수 call_id, 암호화된 추론, 사용량을 보존하세요. 스트리밍에서는 이벤트/항목의 식별 정보를 완전하게 유지하세요.
요청/응답 ID와 헤더를 보존하세요. 텍스트 작업을 조회하는 범용 URL은 제공되지 않습니다.
| 필드 | 유형 |
|---|---|
필드id | 유형string |
필드status | 유형string |
필드output[] | 유형message|reasoning|function_call|other item |
필드output[].content[] | 유형content part |
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 glm-5.3, glm, glm-5, glm-5.1, glm-5.2, glm-latest
Ailoot Ultra glm-5.3, z-ai/glm-5.3, ~z-ai/glm-latest
/chat/completions
z-ai/glm-5.3, glm, glm-5, glm-5.1, glm-5.2, glm-latest, ~z-ai/glm-latest, glm-5.3, glm-5.3
glm-5Z.ai GLM 5.3은 복잡한 소프트웨어 엔지니어링, 터미널 작업, 장기 에이전트를 위한 텍스트 추론 모델입니다. 제작사 문서에 명시된 1M토큰 컨텍스트, 최대 128K 출력 토큰, 함수 호출, low/high/max 추론 강도를 지원하며 추론은 항상 활성화됩니다.
이 설명은 모델의 기능을 다룹니다. Ailoot에서 사용할 수 있는 입력, 출력 및 옵션은 아래에 선택한 메서드별로 표시됩니다.
Z.ai GLM 5.3은 복잡한 소프트웨어 엔지니어링과 장기 에이전트 작업을 위해 설계된 대규모 텍스트 추론 모델입니다. 제조사는 GLM 5.2와 동일한 기반 모델을 사용하며 새 성능 향상은 사후 학습에서 나온다고 밝힙니다. 이번 릴리스는 프로그래밍, 터미널 작업, 여러 의존 단계가 있는 폭넓은 과제의 역량 강화에 중점을 둡니다. 텍스트를 입력받고 코드, 설명, 계획, 도구가 연결된 애플리케이션에서의 도구 호출 요청 등을 텍스트로 출력합니다.
문서화된 추론 모드는 항상 활성화됩니다. GLM 5.3은 low, high, max의 세 가지 강도를 제공하며 기본값은 max입니다. 제작사는 복잡한 코딩에 max를 권장하고, low는 간단한 단계에 더 가벼운 추론 옵션을 제공합니다. 선택한 강도와 함께 명확한 최종 산출물과 완료 기준을 제시하세요. 예를 들어 “이 파일과 실패 결과를 살펴보고, 영향받는 모듈 전반에서 원인을 추적한 뒤, 공개 인터페이스를 보존하는 수정안을 제시하고 어떤 검사가 회귀 문제가 해결되었음을 입증하는지 설명하세요”라고 요청할 수 있습니다.
제작사는 1M토큰의 컨텍스트 윈도와 128K토큰의 최대 출력 길이를 명시합니다. 모델이 조사해야 할 관계를 중심으로 긴 자료를 구성하세요. 파일 이름, 관련 정의, 원본 레이블, 관찰 순서를 보존하고 해당 작업 컨텍스트 안에 추론과 최종 답변 공간을 남기세요. 큰 윈도는 모듈 간 의존 관계나 긴 에이전트 관찰 순서에 유용하지만, 무관한 자료를 방향 없이 모아 둔다고 명확한 과제가 되지는 않습니다.
저장소 작업에서는 예상 동작, 관련 소스 텍스트, 의존성 버전, 실제 오류 출력을 제공하세요. 패치를 제안하기 전에 영향받는 동작을 파악하도록 요청하세요. 리팩터링에서는 보존할 인터페이스와 불변 조건을 명시하세요. 유용한 응답은 수정된 코드, 변경이 관찰된 문제를 해결하는 이유, 결과 확인에 필요한 사례를 포함합니다. 실제 결과를 도구가 연결된 작업 흐름에 다시 제공해 다음 단계가 이전 제안이 아닌 변경된 상태에 근거하도록 하세요.
성능 작업에서는 워크로드, 기준선, 실행 시간, 프로파일 또는 할당 기록 같은 측정치를 제공하세요. Z.ai는 병목 진단, 최적화, 실험, 정확성을 유지한 결과를 포함하는 학습 과제를 설명합니다. 실용적인 요청은 “이 프로파일로 가장 영향이 큰 병목을 찾고, 측정 가능한 변경 하나를 제안하며, 어떤 결과가 나와야 변경을 유지할 근거가 되는지 설명하세요”입니다. 성능 가설과 기록된 개선을 구분하세요. 결과를 살펴볼 때 같은 워크로드와 관련 조건을 유지하세요.
이번 릴리스는 취약점 분석 역량도 발전시킵니다. 방어 목적의 소스 검토에서는 관련 코드, 의도한 신뢰 경계, 실행 조건을 제공하세요. 의심되는 문제를 영향받는 입력과 동작, 집중된 개선 조치에 연결하는 분석 결과를 요청하세요. 잠재적 약점과 재현된 결함을 구분하고 검증에 사용한 관찰을 보존하세요. 의심스러운 패턴을 모두 확정된 취약점으로 취급하기보다 구체적인 근거와 수정 제안을 우선하는 보고서가 더 유용합니다.
함수 호출을 통해 주변 애플리케이션은 외부 작업을 모델에 제공할 수 있습니다. 각 도구의 목적, 인수, 예상 결과를 정의하고 실제 도구 관찰 결과를 다음 단계에 반환하세요. 모델은 그 결과를 추론하고 과제를 어떻게 바꿀지 판단할 수 있습니다. 제안된 행동, 실행된 작업, 미해결 검사를 구분하세요. 제작사는 추론과 답변 조각을 별도로 반환하는 스트리밍 응답도 문서화합니다. 이를 최종 보고서나 코드 설명으로 취급하기 전에 완성된 답변을 조합하세요.
로컬 모델 카드에는 구체적인 이력 설정이 나옵니다. 채팅 템플릿은 기본적으로 사고 내용을 유지하지만, 제작사는 일반 채팅에서는 이전 사고 내용을 명시적으로 지우도록 권장합니다. 용도에 맞는 대화 구조를 적용하고, 이어서 작업하는 데 필요한 실제 완성 답변과 도구 결과를 보존하세요. GLM 5.2나 별도 GLM 5.3 Flash 에디션의 추론 제어 설정을 이 모델의 low/high/max 제어와 상호 교환 가능한 것으로 취급하지 마세요.
구조화된 결과에서는 예상 필드, 유형, 원본 처리 규칙을 지정하세요. 결함 표, 변경 계획, 관찰을 요약한 JSON 객체 등이 유용한 산출물이 될 수 있습니다. 애플리케이션이 사용하기 전에 구조와 값을 모두 검증하세요. 최종 결과에는 답이나 수정 산출물, 이를 뒷받침하는 근거, 남은 가정이 표시되어야 합니다. 추론 강도가 높다고 도구가 실행되었거나 제안한 패치가 검사를 통과했거나 사실 주장이 제공된 자료 밖의 근거를 얻었다고 입증되지는 않습니다.
POST /v1/chat/completionstexttext| 필드 | 유형 | 요건 | 값과 한도 | 기본값 |
|---|---|---|---|---|
필드model | 유형string | 요건필수 | 값과 한도 glm-5 | 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 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— |
텍스트 · UTF8 텍스트
messages[].content
| 매개변수 | 명세 |
|---|---|
매개변수material_types | 명세text |
매개변수required | 명세model, messages |
매개변수optional_controls | 명세null |
매개변수content_type | 명세application/json |
매개변수text_file_material | 명세실제 UTF-8 콘텐츠를 텍스트로 삽입합니다. 파일 ID/URLs에는 별도의 정확한 지원이 필요합니다 |
수명 주기: exact retained published method
메서드 형식과 ID는 정확합니다. 공급자의 기능 지원과 요청 수락은 별개입니다.
POST /v1/chat/completionsAiloot는 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 →
모델 수준의 참조 요금표는 메서드 선택, 견적 또는 요금을 변경하지 않습니다. 실제 과금에는 선택한 Ailoot 메서드 요금이 적용됩니다.
각 요금을 표시된 조건과 대조하세요. 서로 대체되는 설정 묶음마다 하나의 요금만 적용하세요.
| 설정 | 요금표 | 컨텍스트 토큰 수 초과 기준 | 컨텍스트 토큰 수 이하 기준 | 요금 |
|---|---|---|---|---|
| 설정OpenAI Chat · 기본 토큰 요금 | 요금표기본 요금 | 컨텍스트 토큰 수 초과 기준— | 컨텍스트 토큰 수 이하 기준상한 없음 | 요금 입력 · 입력 토큰 $0.0028 / 1K 토큰 출력 · 출력 토큰 $0.0088 / 1K 토큰 입력 · 캐시 읽기 $0.00052 / 1K 토큰 입력 · 캐시 쓰기 — / 1K 토큰 입력 · 캐시 쓰기, 1시간 — / 1K 토큰 |
| 설정OpenAI Chat · 요청 길이 구간 1 | 요금표— | 컨텍스트 토큰 수 초과 기준0 | 컨텍스트 토큰 수 이하 기준상한 없음 | 요금 입력 · 입력 토큰 $0.0028 / 1K 토큰 출력 · 출력 토큰 $0.0088 / 1K 토큰 입력 · 캐시 읽기 $0.00052 / 1K 토큰 입력 · 캐시 쓰기 — / 1K 토큰 입력 · 캐시 쓰기, 1시간 — / 1K 토큰 |
| 설정Anthropic Messages · 기본 토큰 요금 | 요금표기본 요금 | 컨텍스트 토큰 수 초과 기준— | 컨텍스트 토큰 수 이하 기준상한 없음 | 요금 입력 · 입력 토큰 $0.0028 / 1K 토큰 출력 · 출력 토큰 $0.0088 / 1K 토큰 입력 · 캐시 읽기 $0.00052 / 1K 토큰 입력 · 캐시 쓰기 — / 1K 토큰 입력 · 캐시 쓰기, 1시간 — / 1K 토큰 |
| 설정Anthropic Messages · 요청 길이 구간 1 | 요금표— | 컨텍스트 토큰 수 초과 기준0 | 컨텍스트 토큰 수 이하 기준상한 없음 | 요금 입력 · 입력 토큰 $0.0028 / 1K 토큰 출력 · 출력 토큰 $0.0088 / 1K 토큰 입력 · 캐시 읽기 $0.00052 / 1K 토큰 입력 · 캐시 쓰기 — / 1K 토큰 입력 · 캐시 쓰기, 1시간 — / 1K 토큰 |
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 source-material file}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "glm-5", "messages": []}')\nf=Path(os.environ["AILOOT_TEXT_FILE"])\nif not f.is_file():raise SystemExit("Choose your actual UTF-8 source material")\ntext=f.read_text(encoding="utf-8")\nif not text.strip():raise SystemExit("Source material must contain text")\np["messages"]=[{"role":"user","content":"Summarize this material and quote supporting source passages.\\n\\n"+text}]\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nprint(json.dumps(json.loads(Path("result.json").read_text()),ensure_ascii=False,indent=2))\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient = OpenAI(base_url="https://api.ailoot.ai/v1", api_key=os.environ["AILOOT_API_KEY"], max_retries=0)\nresp = client.chat.completions.create(\n model="glm-5",\n messages=[{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}],\n)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(resp.to_dict(mode="json"))\nimport OpenAI from "openai";\n\nif (!process.env.AILOOT_API_KEY?.trim()) throw new Error("Set AILOOT_API_KEY before making a request");\nconst client = new OpenAI({ baseURL: "https://api.ailoot.ai/v1", apiKey: process.env.AILOOT_API_KEY, maxRetries: 0 });\nconst resp = await client.chat.completions.create({\n model: "glm-5",\n messages: [{ role: "user", content: "Explain the difference between an observation and a hypothesis in three sentences." }],\n});\nimport { writeFileSync } from "node:fs";\n\nfunction saveResult(data, stem = "result") {\n writeFileSync(stem + ".json", JSON.stringify(data, null, 2));\n console.log(JSON.stringify(data, null, 2));\n const saveBlob = (encoded, suffix, label) => {\n const raw = Buffer.from(encoded, "base64");\n const ext = raw.subarray(0,8).equals(Buffer.from([137,80,78,71,13,10,26,10])) ? "png" : raw[0]===255 && raw[1]===216 ? "jpg" : raw.subarray(0,4).toString()==="RIFF" && raw.subarray(8,12).toString()==="WEBP" ? "webp" : suffix;\n const file = `${stem}-${label}.${ext}`;\n writeFileSync(file, raw); console.log("Saved", file);\n };\n for (const [i, block] of (data.content || []).entries()) console.log("Content", i, JSON.stringify(block));\n for (const choice of data.choices || []) console.log("Choice", choice.index, JSON.stringify(choice.message || choice.delta || {}));\n for (const [i, item] of (data.output || []).entries()) {\n console.log("Output", i, JSON.stringify(item));\n if (item.type === "image_generation_call" && item.result) saveBlob(item.result, item.output_format || "bin", `output-${i}`);\n }\n for (const [ci, candidate] of (data.candidates || []).entries()) {\n for (const [pi, part] of (candidate.content?.parts || []).entries()) {\n console.log("Candidate/part", ci, pi, JSON.stringify(part));\n const blob = part.inlineData || part.inline_data;\n if (blob?.data) {\n const mime = blob.mimeType || blob.mime_type;\n const suffix = ({"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"})[mime] || "bin";\n saveBlob(blob.data, suffix, `candidate-${ci}-part-${pi}`);\n }\n }\n }\n}\n\nsaveResult(resp);\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='glm-5',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson 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 glm-5.3, glm, glm-5, glm-5.1, glm-5.2, glm-latest
Ailoot Ultra glm-5.3, z-ai/glm-5.3, ~z-ai/glm-latest
/chat/completions
z-ai/glm-5.3, glm, glm-5, glm-5.1, glm-5.2, glm-latest, ~z-ai/glm-latest, glm-5.3, glm-5.3
glm-5.1Z.ai GLM 5.3은 복잡한 소프트웨어 엔지니어링, 터미널 작업, 장기 에이전트를 위한 텍스트 추론 모델입니다. 제작사 문서에 명시된 1M토큰 컨텍스트, 최대 128K 출력 토큰, 함수 호출, low/high/max 추론 강도를 지원하며 추론은 항상 활성화됩니다.
이 설명은 모델의 기능을 다룹니다. Ailoot에서 사용할 수 있는 입력, 출력 및 옵션은 아래에 선택한 메서드별로 표시됩니다.
Z.ai GLM 5.3은 복잡한 소프트웨어 엔지니어링과 장기 에이전트 작업을 위해 설계된 대규모 텍스트 추론 모델입니다. 제조사는 GLM 5.2와 동일한 기반 모델을 사용하며 새 성능 향상은 사후 학습에서 나온다고 밝힙니다. 이번 릴리스는 프로그래밍, 터미널 작업, 여러 의존 단계가 있는 폭넓은 과제의 역량 강화에 중점을 둡니다. 텍스트를 입력받고 코드, 설명, 계획, 도구가 연결된 애플리케이션에서의 도구 호출 요청 등을 텍스트로 출력합니다.
문서화된 추론 모드는 항상 활성화됩니다. GLM 5.3은 low, high, max의 세 가지 강도를 제공하며 기본값은 max입니다. 제작사는 복잡한 코딩에 max를 권장하고, low는 간단한 단계에 더 가벼운 추론 옵션을 제공합니다. 선택한 강도와 함께 명확한 최종 산출물과 완료 기준을 제시하세요. 예를 들어 “이 파일과 실패 결과를 살펴보고, 영향받는 모듈 전반에서 원인을 추적한 뒤, 공개 인터페이스를 보존하는 수정안을 제시하고 어떤 검사가 회귀 문제가 해결되었음을 입증하는지 설명하세요”라고 요청할 수 있습니다.
제작사는 1M토큰의 컨텍스트 윈도와 128K토큰의 최대 출력 길이를 명시합니다. 모델이 조사해야 할 관계를 중심으로 긴 자료를 구성하세요. 파일 이름, 관련 정의, 원본 레이블, 관찰 순서를 보존하고 해당 작업 컨텍스트 안에 추론과 최종 답변 공간을 남기세요. 큰 윈도는 모듈 간 의존 관계나 긴 에이전트 관찰 순서에 유용하지만, 무관한 자료를 방향 없이 모아 둔다고 명확한 과제가 되지는 않습니다.
저장소 작업에서는 예상 동작, 관련 소스 텍스트, 의존성 버전, 실제 오류 출력을 제공하세요. 패치를 제안하기 전에 영향받는 동작을 파악하도록 요청하세요. 리팩터링에서는 보존할 인터페이스와 불변 조건을 명시하세요. 유용한 응답은 수정된 코드, 변경이 관찰된 문제를 해결하는 이유, 결과 확인에 필요한 사례를 포함합니다. 실제 결과를 도구가 연결된 작업 흐름에 다시 제공해 다음 단계가 이전 제안이 아닌 변경된 상태에 근거하도록 하세요.
성능 작업에서는 워크로드, 기준선, 실행 시간, 프로파일 또는 할당 기록 같은 측정치를 제공하세요. Z.ai는 병목 진단, 최적화, 실험, 정확성을 유지한 결과를 포함하는 학습 과제를 설명합니다. 실용적인 요청은 “이 프로파일로 가장 영향이 큰 병목을 찾고, 측정 가능한 변경 하나를 제안하며, 어떤 결과가 나와야 변경을 유지할 근거가 되는지 설명하세요”입니다. 성능 가설과 기록된 개선을 구분하세요. 결과를 살펴볼 때 같은 워크로드와 관련 조건을 유지하세요.
이번 릴리스는 취약점 분석 역량도 발전시킵니다. 방어 목적의 소스 검토에서는 관련 코드, 의도한 신뢰 경계, 실행 조건을 제공하세요. 의심되는 문제를 영향받는 입력과 동작, 집중된 개선 조치에 연결하는 분석 결과를 요청하세요. 잠재적 약점과 재현된 결함을 구분하고 검증에 사용한 관찰을 보존하세요. 의심스러운 패턴을 모두 확정된 취약점으로 취급하기보다 구체적인 근거와 수정 제안을 우선하는 보고서가 더 유용합니다.
함수 호출을 통해 주변 애플리케이션은 외부 작업을 모델에 제공할 수 있습니다. 각 도구의 목적, 인수, 예상 결과를 정의하고 실제 도구 관찰 결과를 다음 단계에 반환하세요. 모델은 그 결과를 추론하고 과제를 어떻게 바꿀지 판단할 수 있습니다. 제안된 행동, 실행된 작업, 미해결 검사를 구분하세요. 제작사는 추론과 답변 조각을 별도로 반환하는 스트리밍 응답도 문서화합니다. 이를 최종 보고서나 코드 설명으로 취급하기 전에 완성된 답변을 조합하세요.
로컬 모델 카드에는 구체적인 이력 설정이 나옵니다. 채팅 템플릿은 기본적으로 사고 내용을 유지하지만, 제작사는 일반 채팅에서는 이전 사고 내용을 명시적으로 지우도록 권장합니다. 용도에 맞는 대화 구조를 적용하고, 이어서 작업하는 데 필요한 실제 완성 답변과 도구 결과를 보존하세요. GLM 5.2나 별도 GLM 5.3 Flash 에디션의 추론 제어 설정을 이 모델의 low/high/max 제어와 상호 교환 가능한 것으로 취급하지 마세요.
구조화된 결과에서는 예상 필드, 유형, 원본 처리 규칙을 지정하세요. 결함 표, 변경 계획, 관찰을 요약한 JSON 객체 등이 유용한 산출물이 될 수 있습니다. 애플리케이션이 사용하기 전에 구조와 값을 모두 검증하세요. 최종 결과에는 답이나 수정 산출물, 이를 뒷받침하는 근거, 남은 가정이 표시되어야 합니다. 추론 강도가 높다고 도구가 실행되었거나 제안한 패치가 검사를 통과했거나 사실 주장이 제공된 자료 밖의 근거를 얻었다고 입증되지는 않습니다.
POST /v1/messagestexttext| 필드 | 유형 | 요건 | 값과 한도 | 기본값 |
|---|---|---|---|---|
필드model | 유형string | 요건필수 | 값과 한도 glm-5.1 | 기본값— |
필드messages | 유형message[] | 요건필수 | 값과 한도 최소 항목 수: 1 | 기본값— |
필드messages[].role | 유형string | 요건필수 | 값과 한도 user, assistant | 기본값— |
필드messages[].content | 유형string|content_block[] | 요건필수 | 값과 한도 | 기본값— |
필드system | 유형string|content_block[] | 요건선택 사항 | 값과 한도 | 기본값— |
필드max_tokens | 유형integer | 요건필수 | 값과 한도 최솟값: 1 한도 적용 대상: 선택한 모델/카드의 정확한 상한 | 기본값— |
필드stream | 유형boolean | 요건선택 사항 | 값과 한도 | 기본값false |
필드temperature | 유형number | 요건선택 사항 | 값과 한도 모델에 따라 다름 | 기본값— |
필드top_p | 유형number | 요건선택 사항 | 값과 한도 모델에 따라 다름 | 기본값— |
필드stop_sequences | 유형string[] | 요건선택 사항 | 값과 한도 모델에 따라 다름 | 기본값— |
필드tools | 유형tool[] | 요건선택 사항 | 값과 한도 모델에 따라 다름 | 기본값— |
필드tools[].name | 유형string | 요건선택 사항 | 값과 한도 적용 조건: 도구 지정됨 | 기본값— |
필드tools[].description | 유형string | 요건선택 사항 | 값과 한도 | 기본값— |
필드tools[].input_schema | 유형JSON_schema | 요건선택 사항 | 값과 한도 | 기본값— |
필드tool_choice | 유형object | 요건선택 사항 | 값과 한도 모델에 따라 다름 | 기본값— |
필드thinking.type | 유형string | 요건선택 사항 | 값과 한도 모델에 따라 다름 | 기본값— |
필드thinking.budget_tokens | 유형integer | 요건선택 사항 | 값과 한도 모델에 따라 다름 | 기본값— |
필드output_config.effort | 유형string | 요건선택 사항 | 값과 한도 모델에 따라 다름 | 기본값— |
필드metadata | 유형object | 요건선택 사항 | 값과 한도 | 기본값— |
필드cache_control | 유형object | 요건선택 사항 | 값과 한도 모델에 따라 다름 | 기본값— |
텍스트 · UTF8 텍스트
messages[].content 또는 type=text 블록
| 매개변수 | 명세 |
|---|---|
매개변수material_types | 명세text |
매개변수required | 명세model, messages, max_tokens |
매개변수optional_controls | 명세null |
매개변수content_type | 명세application/json |
매개변수text_file_material | 명세실제 UTF-8 콘텐츠를 텍스트로 삽입합니다. 파일 ID/URLs에는 별도의 정확한 지원이 필요합니다 |
수명 주기: exact retained published method
메서드 형식과 ID는 정확합니다. 공급자의 기능 지원과 요청 수락은 별개입니다.
POST /v1/messagesAiloot는 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 →
모델 수준의 참조 요금표는 메서드 선택, 견적 또는 요금을 변경하지 않습니다. 실제 과금에는 선택한 Ailoot 메서드 요금이 적용됩니다.
각 요금을 표시된 조건과 대조하세요. 서로 대체되는 설정 묶음마다 하나의 요금만 적용하세요.
| 설정 | 요금표 | 컨텍스트 토큰 수 초과 기준 | 컨텍스트 토큰 수 이하 기준 | 요금 |
|---|---|---|---|---|
| 설정OpenAI Chat · 기본 토큰 요금 | 요금표기본 요금 | 컨텍스트 토큰 수 초과 기준— | 컨텍스트 토큰 수 이하 기준상한 없음 | 요금 입력 · 입력 토큰 $0.0028 / 1K 토큰 출력 · 출력 토큰 $0.0088 / 1K 토큰 입력 · 캐시 읽기 $0.00052 / 1K 토큰 입력 · 캐시 쓰기 — / 1K 토큰 입력 · 캐시 쓰기, 1시간 — / 1K 토큰 |
| 설정OpenAI Chat · 요청 길이 구간 1 | 요금표— | 컨텍스트 토큰 수 초과 기준0 | 컨텍스트 토큰 수 이하 기준상한 없음 | 요금 입력 · 입력 토큰 $0.0028 / 1K 토큰 출력 · 출력 토큰 $0.0088 / 1K 토큰 입력 · 캐시 읽기 $0.00052 / 1K 토큰 입력 · 캐시 쓰기 — / 1K 토큰 입력 · 캐시 쓰기, 1시간 — / 1K 토큰 |
| 설정Anthropic Messages · 기본 토큰 요금 | 요금표기본 요금 | 컨텍스트 토큰 수 초과 기준— | 컨텍스트 토큰 수 이하 기준상한 없음 | 요금 입력 · 입력 토큰 $0.0028 / 1K 토큰 출력 · 출력 토큰 $0.0088 / 1K 토큰 입력 · 캐시 읽기 $0.00052 / 1K 토큰 입력 · 캐시 쓰기 — / 1K 토큰 입력 · 캐시 쓰기, 1시간 — / 1K 토큰 |
| 설정Anthropic Messages · 요청 길이 구간 1 | 요금표— | 컨텍스트 토큰 수 초과 기준0 | 컨텍스트 토큰 수 이하 기준상한 없음 | 요금 입력 · 입력 토큰 $0.0028 / 1K 토큰 출력 · 출력 토큰 $0.0088 / 1K 토큰 입력 · 캐시 읽기 $0.00052 / 1K 토큰 입력 · 캐시 쓰기 — / 1K 토큰 입력 · 캐시 쓰기, 1시간 — / 1K 토큰 |
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 source-material file}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "glm-5.1", "max_tokens": 1024, "messages": []}')\nf=Path(os.environ["AILOOT_TEXT_FILE"])\nif not f.is_file():raise SystemExit("Choose your actual UTF-8 source material")\ntext=f.read_text(encoding="utf-8")\nif not text.strip():raise SystemExit("Source material must contain text")\np["messages"]=[{"role":"user","content":"Summarize this material and quote supporting source passages.\\n\\n"+text}]\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nprint(json.dumps(json.loads(Path("result.json").read_text()),ensure_ascii=False,indent=2))\nPY_RESULT\nimport anthropic\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient = anthropic.Anthropic(base_url="https://api.ailoot.ai", api_key=os.environ["AILOOT_API_KEY"], max_retries=0)\nmsg = client.messages.create(\n model="glm-5.1",\n max_tokens=1024,\n messages=[{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}],\n)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(msg.to_dict(mode="json"))\nimport Anthropic from "@anthropic-ai/sdk";\n\nif (!process.env.AILOOT_API_KEY?.trim()) throw new Error("Set AILOOT_API_KEY before making a request");\nconst client = new Anthropic({ baseURL: "https://api.ailoot.ai", apiKey: process.env.AILOOT_API_KEY, maxRetries: 0 });\nconst msg = await client.messages.create({\n model: "glm-5.1",\n max_tokens: 1024,\n messages: [{ role: "user", content: "Explain the difference between an observation and a hypothesis in three sentences." }],\n});\nimport { writeFileSync } from "node:fs";\n\nfunction saveResult(data, stem = "result") {\n writeFileSync(stem + ".json", JSON.stringify(data, null, 2));\n console.log(JSON.stringify(data, null, 2));\n const saveBlob = (encoded, suffix, label) => {\n const raw = Buffer.from(encoded, "base64");\n const ext = raw.subarray(0,8).equals(Buffer.from([137,80,78,71,13,10,26,10])) ? "png" : raw[0]===255 && raw[1]===216 ? "jpg" : raw.subarray(0,4).toString()==="RIFF" && raw.subarray(8,12).toString()==="WEBP" ? "webp" : suffix;\n const file = `${stem}-${label}.${ext}`;\n writeFileSync(file, raw); console.log("Saved", file);\n };\n for (const [i, block] of (data.content || []).entries()) console.log("Content", i, JSON.stringify(block));\n for (const choice of data.choices || []) console.log("Choice", choice.index, JSON.stringify(choice.message || choice.delta || {}));\n for (const [i, item] of (data.output || []).entries()) {\n console.log("Output", i, JSON.stringify(item));\n if (item.type === "image_generation_call" && item.result) saveBlob(item.result, item.output_format || "bin", `output-${i}`);\n }\n for (const [ci, candidate] of (data.candidates || []).entries()) {\n for (const [pi, part] of (candidate.content?.parts || []).entries()) {\n console.log("Candidate/part", ci, pi, JSON.stringify(part));\n const blob = part.inlineData || part.inline_data;\n if (blob?.data) {\n const mime = blob.mimeType || blob.mime_type;\n const suffix = ({"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"})[mime] || "bin";\n saveBlob(blob.data, suffix, `candidate-${ci}-part-${pi}`);\n }\n }\n }\n}\n\nsaveResult(msg);\nimport anthropic,os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=anthropic.Anthropic(base_url="https://api.ailoot.ai",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.messages.stream(model='glm-5.1',max_tokens=1024,messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_message()\n save_result(final.to_dict(mode="json"),"stream-result")\njson 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 glm-5.3, glm, glm-5, glm-5.1, glm-5.2, glm-latest
Ailoot Ultra glm-5.3, z-ai/glm-5.3, ~z-ai/glm-latest
/chat/completions
z-ai/glm-5.3, glm, glm-5, glm-5.1, glm-5.2, glm-latest, ~z-ai/glm-latest, glm-5.3, glm-5.3
glm-5.1Z.ai GLM 5.3은 복잡한 소프트웨어 엔지니어링, 터미널 작업, 장기 에이전트를 위한 텍스트 추론 모델입니다. 제작사 문서에 명시된 1M토큰 컨텍스트, 최대 128K 출력 토큰, 함수 호출, low/high/max 추론 강도를 지원하며 추론은 항상 활성화됩니다.
이 설명은 모델의 기능을 다룹니다. Ailoot에서 사용할 수 있는 입력, 출력 및 옵션은 아래에 선택한 메서드별로 표시됩니다.
Z.ai GLM 5.3은 복잡한 소프트웨어 엔지니어링과 장기 에이전트 작업을 위해 설계된 대규모 텍스트 추론 모델입니다. 제조사는 GLM 5.2와 동일한 기반 모델을 사용하며 새 성능 향상은 사후 학습에서 나온다고 밝힙니다. 이번 릴리스는 프로그래밍, 터미널 작업, 여러 의존 단계가 있는 폭넓은 과제의 역량 강화에 중점을 둡니다. 텍스트를 입력받고 코드, 설명, 계획, 도구가 연결된 애플리케이션에서의 도구 호출 요청 등을 텍스트로 출력합니다.
문서화된 추론 모드는 항상 활성화됩니다. GLM 5.3은 low, high, max의 세 가지 강도를 제공하며 기본값은 max입니다. 제작사는 복잡한 코딩에 max를 권장하고, low는 간단한 단계에 더 가벼운 추론 옵션을 제공합니다. 선택한 강도와 함께 명확한 최종 산출물과 완료 기준을 제시하세요. 예를 들어 “이 파일과 실패 결과를 살펴보고, 영향받는 모듈 전반에서 원인을 추적한 뒤, 공개 인터페이스를 보존하는 수정안을 제시하고 어떤 검사가 회귀 문제가 해결되었음을 입증하는지 설명하세요”라고 요청할 수 있습니다.
제작사는 1M토큰의 컨텍스트 윈도와 128K토큰의 최대 출력 길이를 명시합니다. 모델이 조사해야 할 관계를 중심으로 긴 자료를 구성하세요. 파일 이름, 관련 정의, 원본 레이블, 관찰 순서를 보존하고 해당 작업 컨텍스트 안에 추론과 최종 답변 공간을 남기세요. 큰 윈도는 모듈 간 의존 관계나 긴 에이전트 관찰 순서에 유용하지만, 무관한 자료를 방향 없이 모아 둔다고 명확한 과제가 되지는 않습니다.
저장소 작업에서는 예상 동작, 관련 소스 텍스트, 의존성 버전, 실제 오류 출력을 제공하세요. 패치를 제안하기 전에 영향받는 동작을 파악하도록 요청하세요. 리팩터링에서는 보존할 인터페이스와 불변 조건을 명시하세요. 유용한 응답은 수정된 코드, 변경이 관찰된 문제를 해결하는 이유, 결과 확인에 필요한 사례를 포함합니다. 실제 결과를 도구가 연결된 작업 흐름에 다시 제공해 다음 단계가 이전 제안이 아닌 변경된 상태에 근거하도록 하세요.
성능 작업에서는 워크로드, 기준선, 실행 시간, 프로파일 또는 할당 기록 같은 측정치를 제공하세요. Z.ai는 병목 진단, 최적화, 실험, 정확성을 유지한 결과를 포함하는 학습 과제를 설명합니다. 실용적인 요청은 “이 프로파일로 가장 영향이 큰 병목을 찾고, 측정 가능한 변경 하나를 제안하며, 어떤 결과가 나와야 변경을 유지할 근거가 되는지 설명하세요”입니다. 성능 가설과 기록된 개선을 구분하세요. 결과를 살펴볼 때 같은 워크로드와 관련 조건을 유지하세요.
이번 릴리스는 취약점 분석 역량도 발전시킵니다. 방어 목적의 소스 검토에서는 관련 코드, 의도한 신뢰 경계, 실행 조건을 제공하세요. 의심되는 문제를 영향받는 입력과 동작, 집중된 개선 조치에 연결하는 분석 결과를 요청하세요. 잠재적 약점과 재현된 결함을 구분하고 검증에 사용한 관찰을 보존하세요. 의심스러운 패턴을 모두 확정된 취약점으로 취급하기보다 구체적인 근거와 수정 제안을 우선하는 보고서가 더 유용합니다.
함수 호출을 통해 주변 애플리케이션은 외부 작업을 모델에 제공할 수 있습니다. 각 도구의 목적, 인수, 예상 결과를 정의하고 실제 도구 관찰 결과를 다음 단계에 반환하세요. 모델은 그 결과를 추론하고 과제를 어떻게 바꿀지 판단할 수 있습니다. 제안된 행동, 실행된 작업, 미해결 검사를 구분하세요. 제작사는 추론과 답변 조각을 별도로 반환하는 스트리밍 응답도 문서화합니다. 이를 최종 보고서나 코드 설명으로 취급하기 전에 완성된 답변을 조합하세요.
로컬 모델 카드에는 구체적인 이력 설정이 나옵니다. 채팅 템플릿은 기본적으로 사고 내용을 유지하지만, 제작사는 일반 채팅에서는 이전 사고 내용을 명시적으로 지우도록 권장합니다. 용도에 맞는 대화 구조를 적용하고, 이어서 작업하는 데 필요한 실제 완성 답변과 도구 결과를 보존하세요. GLM 5.2나 별도 GLM 5.3 Flash 에디션의 추론 제어 설정을 이 모델의 low/high/max 제어와 상호 교환 가능한 것으로 취급하지 마세요.
구조화된 결과에서는 예상 필드, 유형, 원본 처리 규칙을 지정하세요. 결함 표, 변경 계획, 관찰을 요약한 JSON 객체 등이 유용한 산출물이 될 수 있습니다. 애플리케이션이 사용하기 전에 구조와 값을 모두 검증하세요. 최종 결과에는 답이나 수정 산출물, 이를 뒷받침하는 근거, 남은 가정이 표시되어야 합니다. 추론 강도가 높다고 도구가 실행되었거나 제안한 패치가 검사를 통과했거나 사실 주장이 제공된 자료 밖의 근거를 얻었다고 입증되지는 않습니다.
POST /v1/responsestexttext| 필드 | 유형 | 요건 | 값과 한도 | 기본값 |
|---|---|---|---|---|
필드model | 유형string | 요건필수 | 값과 한도 glm-5.1 | 기본값— |
필드input | 유형string|input_item[] | 요건필수 | 값과 한도 | 기본값— |
필드instructions | 유형string | 요건선택 사항 | 값과 한도 | 기본값— |
필드input[].type | 유형string | 요건선택 사항 | 값과 한도 message, reasoning, function_call, function_call_output | 기본값— |
필드input[].content | 유형string|content_part[] | 요건선택 사항 | 값과 한도 | 기본값— |
필드input[].call_id | 유형string | 요건선택 사항 | 값과 한도 적용 조건: function_call_output. 실제 반환된 call_id를 유지하세요 | 기본값— |
필드input[].output | 유형string|content_part[] | 요건선택 사항 | 값과 한도 적용 조건: function_call_output | 기본값— |
필드max_output_tokens | 유형integer | 요건선택 사항 | 값과 한도 최솟값: 1 모델에 따라 다름 | 기본값— |
필드stream | 유형boolean | 요건선택 사항 | 값과 한도 | 기본값false |
필드temperature | 유형number | 요건선택 사항 | 값과 한도 모델에 따라 다름 | 기본값— |
필드top_p | 유형number | 요건선택 사항 | 값과 한도 모델에 따라 다름 | 기본값— |
필드tools | 유형tool[] | 요건선택 사항 | 값과 한도 모델에 따라 다름 | 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— |
필드reasoning.effort | 유형string | 요건선택 사항 | 값과 한도 모델에 따라 다름 | 기본값— |
필드reasoning.summary | 유형string | 요건선택 사항 | 값과 한도 모델에 따라 다름 | 기본값— |
필드text.format | 유형object | 요건선택 사항 | 값과 한도 모델에 따라 다름 | 기본값— |
필드text.verbosity | 유형string | 요건선택 사항 | 값과 한도 모델에 따라 다름 | 기본값— |
필드include | 유형string[] | 요건선택 사항 | 값과 한도 모델에 따라 다름 | 기본값— |
필드store | 유형boolean | 요건선택 사항 | 값과 한도 모델에 따라 다름 | 기본값— |
필드previous_response_id | 유형string | 요건선택 사항 | 값과 한도 ID 요건: 지원되는 이어가기의 실제 응답 ID만 사용 모델에 따라 다름 | 기본값— |
필드service_tier | 유형string | 요건선택 사항 | 값과 한도 모델에 따라 다름 | 기본값— |
필드prompt_cache_key | 유형string | 요건선택 사항 | 값과 한도 모델에 따라 다름 | 기본값— |
필드prompt_cache_options | 유형object | 요건선택 사항 | 값과 한도 모델에 따라 다름 | 기본값— |
텍스트 · UTF8 텍스트
입력 텍스트 또는 input_text 파트
| 매개변수 | 명세 |
|---|---|
매개변수material_types | 명세text |
매개변수required | 명세model, input |
매개변수optional_controls | 명세null |
매개변수content_type | 명세application/json |
매개변수text_file_material | 명세실제 UTF-8 콘텐츠를 텍스트로 삽입합니다. 파일 ID/URLs에는 별도의 정확한 지원이 필요합니다 |
수명 주기: exact retained published method
메서드 형식과 ID는 정확합니다. 공급자의 기능 지원과 요청 수락은 별개입니다.
POST /v1/responsesAiloot는 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 →
모델 수준의 참조 요금표는 메서드 선택, 견적 또는 요금을 변경하지 않습니다. 실제 과금에는 선택한 Ailoot 메서드 요금이 적용됩니다.
각 요금을 표시된 조건과 대조하세요. 서로 대체되는 설정 묶음마다 하나의 요금만 적용하세요.
| 설정 | 요금표 | 컨텍스트 토큰 수 초과 기준 | 컨텍스트 토큰 수 이하 기준 | 요금 |
|---|---|---|---|---|
| 설정OpenAI Chat · 기본 토큰 요금 | 요금표기본 요금 | 컨텍스트 토큰 수 초과 기준— | 컨텍스트 토큰 수 이하 기준상한 없음 | 요금 입력 · 입력 토큰 $0.0028 / 1K 토큰 출력 · 출력 토큰 $0.0088 / 1K 토큰 입력 · 캐시 읽기 $0.00052 / 1K 토큰 입력 · 캐시 쓰기 — / 1K 토큰 입력 · 캐시 쓰기, 1시간 — / 1K 토큰 |
| 설정OpenAI Chat · 요청 길이 구간 1 | 요금표— | 컨텍스트 토큰 수 초과 기준0 | 컨텍스트 토큰 수 이하 기준상한 없음 | 요금 입력 · 입력 토큰 $0.0028 / 1K 토큰 출력 · 출력 토큰 $0.0088 / 1K 토큰 입력 · 캐시 읽기 $0.00052 / 1K 토큰 입력 · 캐시 쓰기 — / 1K 토큰 입력 · 캐시 쓰기, 1시간 — / 1K 토큰 |
| 설정Anthropic Messages · 기본 토큰 요금 | 요금표기본 요금 | 컨텍스트 토큰 수 초과 기준— | 컨텍스트 토큰 수 이하 기준상한 없음 | 요금 입력 · 입력 토큰 $0.0028 / 1K 토큰 출력 · 출력 토큰 $0.0088 / 1K 토큰 입력 · 캐시 읽기 $0.00052 / 1K 토큰 입력 · 캐시 쓰기 — / 1K 토큰 입력 · 캐시 쓰기, 1시간 — / 1K 토큰 |
| 설정Anthropic Messages · 요청 길이 구간 1 | 요금표— | 컨텍스트 토큰 수 초과 기준0 | 컨텍스트 토큰 수 이하 기준상한 없음 | 요금 입력 · 입력 토큰 $0.0028 / 1K 토큰 출력 · 출력 토큰 $0.0088 / 1K 토큰 입력 · 캐시 읽기 $0.00052 / 1K 토큰 입력 · 캐시 쓰기 — / 1K 토큰 입력 · 캐시 쓰기, 1시간 — / 1K 토큰 |
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 source-material file}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "glm-5.1", "input": ""}')\nf=Path(os.environ["AILOOT_TEXT_FILE"])\nif not f.is_file():raise SystemExit("Choose your actual UTF-8 source material")\ntext=f.read_text(encoding="utf-8")\nif not text.strip():raise SystemExit("Source material must contain text")\np["input"]="Summarize this material and quote supporting source passages.\\n\\n"+text\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/responses \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(json.loads(Path("result.json").read_text(encoding="utf-8")))\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient = OpenAI(base_url="https://api.ailoot.ai/v1", api_key=os.environ["AILOOT_API_KEY"], max_retries=0)\nresp = client.responses.create(model="glm-5.1", input="Explain the difference between an observation and a hypothesis in three sentences.")\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(resp.to_dict(mode="json"))\nimport OpenAI from "openai";\n\nif (!process.env.AILOOT_API_KEY?.trim()) throw new Error("Set AILOOT_API_KEY before making a request");\nconst client = new OpenAI({ baseURL: "https://api.ailoot.ai/v1", apiKey: process.env.AILOOT_API_KEY, maxRetries: 0 });\nconst resp = await client.responses.create({ model: "glm-5.1", input: "Explain the difference between an observation and a hypothesis in three sentences." });\nimport { writeFileSync } from "node:fs";\n\nfunction saveResult(data, stem = "result") {\n writeFileSync(stem + ".json", JSON.stringify(data, null, 2));\n console.log(JSON.stringify(data, null, 2));\n const saveBlob = (encoded, suffix, label) => {\n const raw = Buffer.from(encoded, "base64");\n const ext = raw.subarray(0,8).equals(Buffer.from([137,80,78,71,13,10,26,10])) ? "png" : raw[0]===255 && raw[1]===216 ? "jpg" : raw.subarray(0,4).toString()==="RIFF" && raw.subarray(8,12).toString()==="WEBP" ? "webp" : suffix;\n const file = `${stem}-${label}.${ext}`;\n writeFileSync(file, raw); console.log("Saved", file);\n };\n for (const [i, block] of (data.content || []).entries()) console.log("Content", i, JSON.stringify(block));\n for (const choice of data.choices || []) console.log("Choice", choice.index, JSON.stringify(choice.message || choice.delta || {}));\n for (const [i, item] of (data.output || []).entries()) {\n console.log("Output", i, JSON.stringify(item));\n if (item.type === "image_generation_call" && item.result) saveBlob(item.result, item.output_format || "bin", `output-${i}`);\n }\n for (const [ci, candidate] of (data.candidates || []).entries()) {\n for (const [pi, part] of (candidate.content?.parts || []).entries()) {\n console.log("Candidate/part", ci, pi, JSON.stringify(part));\n const blob = part.inlineData || part.inline_data;\n if (blob?.data) {\n const mime = blob.mimeType || blob.mime_type;\n const suffix = ({"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"})[mime] || "bin";\n saveBlob(blob.data, suffix, `candidate-${ci}-part-${pi}`);\n }\n }\n }\n}\n\nsaveResult(resp);\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nwith client.responses.stream(model="glm-5.1", input="Explain the difference between an observation and a hypothesis in three sentences.") as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_response()\n save_result(final.to_dict(mode="json"),"stream-result")\njson 또는 SSE
반환된 완전한 응답, 파일, 콘텐츠 부분을 모두 보관하세요.
모든 출력 항목과 콘텐츠 파트, 실제 함수 call_id, 암호화된 추론, 사용량을 보존하세요. 스트리밍에서는 이벤트/항목의 식별 정보를 완전하게 유지하세요.
요청/응답 ID와 헤더를 보존하세요. 텍스트 작업을 조회하는 범용 URL은 제공되지 않습니다.
| 필드 | 유형 |
|---|---|
필드id | 유형string |
필드status | 유형string |
필드output[] | 유형message|reasoning|function_call|other item |
필드output[].content[] | 유형content part |
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 glm-5.3, glm, glm-5, glm-5.1, glm-5.2, glm-latest
Ailoot Ultra glm-5.3, z-ai/glm-5.3, ~z-ai/glm-latest
/chat/completions
z-ai/glm-5.3, glm, glm-5, glm-5.1, glm-5.2, glm-latest, ~z-ai/glm-latest, glm-5.3, glm-5.3
glm-5.1Z.ai GLM 5.3은 복잡한 소프트웨어 엔지니어링, 터미널 작업, 장기 에이전트를 위한 텍스트 추론 모델입니다. 제작사 문서에 명시된 1M토큰 컨텍스트, 최대 128K 출력 토큰, 함수 호출, low/high/max 추론 강도를 지원하며 추론은 항상 활성화됩니다.
이 설명은 모델의 기능을 다룹니다. Ailoot에서 사용할 수 있는 입력, 출력 및 옵션은 아래에 선택한 메서드별로 표시됩니다.
Z.ai GLM 5.3은 복잡한 소프트웨어 엔지니어링과 장기 에이전트 작업을 위해 설계된 대규모 텍스트 추론 모델입니다. 제조사는 GLM 5.2와 동일한 기반 모델을 사용하며 새 성능 향상은 사후 학습에서 나온다고 밝힙니다. 이번 릴리스는 프로그래밍, 터미널 작업, 여러 의존 단계가 있는 폭넓은 과제의 역량 강화에 중점을 둡니다. 텍스트를 입력받고 코드, 설명, 계획, 도구가 연결된 애플리케이션에서의 도구 호출 요청 등을 텍스트로 출력합니다.
문서화된 추론 모드는 항상 활성화됩니다. GLM 5.3은 low, high, max의 세 가지 강도를 제공하며 기본값은 max입니다. 제작사는 복잡한 코딩에 max를 권장하고, low는 간단한 단계에 더 가벼운 추론 옵션을 제공합니다. 선택한 강도와 함께 명확한 최종 산출물과 완료 기준을 제시하세요. 예를 들어 “이 파일과 실패 결과를 살펴보고, 영향받는 모듈 전반에서 원인을 추적한 뒤, 공개 인터페이스를 보존하는 수정안을 제시하고 어떤 검사가 회귀 문제가 해결되었음을 입증하는지 설명하세요”라고 요청할 수 있습니다.
제작사는 1M토큰의 컨텍스트 윈도와 128K토큰의 최대 출력 길이를 명시합니다. 모델이 조사해야 할 관계를 중심으로 긴 자료를 구성하세요. 파일 이름, 관련 정의, 원본 레이블, 관찰 순서를 보존하고 해당 작업 컨텍스트 안에 추론과 최종 답변 공간을 남기세요. 큰 윈도는 모듈 간 의존 관계나 긴 에이전트 관찰 순서에 유용하지만, 무관한 자료를 방향 없이 모아 둔다고 명확한 과제가 되지는 않습니다.
저장소 작업에서는 예상 동작, 관련 소스 텍스트, 의존성 버전, 실제 오류 출력을 제공하세요. 패치를 제안하기 전에 영향받는 동작을 파악하도록 요청하세요. 리팩터링에서는 보존할 인터페이스와 불변 조건을 명시하세요. 유용한 응답은 수정된 코드, 변경이 관찰된 문제를 해결하는 이유, 결과 확인에 필요한 사례를 포함합니다. 실제 결과를 도구가 연결된 작업 흐름에 다시 제공해 다음 단계가 이전 제안이 아닌 변경된 상태에 근거하도록 하세요.
성능 작업에서는 워크로드, 기준선, 실행 시간, 프로파일 또는 할당 기록 같은 측정치를 제공하세요. Z.ai는 병목 진단, 최적화, 실험, 정확성을 유지한 결과를 포함하는 학습 과제를 설명합니다. 실용적인 요청은 “이 프로파일로 가장 영향이 큰 병목을 찾고, 측정 가능한 변경 하나를 제안하며, 어떤 결과가 나와야 변경을 유지할 근거가 되는지 설명하세요”입니다. 성능 가설과 기록된 개선을 구분하세요. 결과를 살펴볼 때 같은 워크로드와 관련 조건을 유지하세요.
이번 릴리스는 취약점 분석 역량도 발전시킵니다. 방어 목적의 소스 검토에서는 관련 코드, 의도한 신뢰 경계, 실행 조건을 제공하세요. 의심되는 문제를 영향받는 입력과 동작, 집중된 개선 조치에 연결하는 분석 결과를 요청하세요. 잠재적 약점과 재현된 결함을 구분하고 검증에 사용한 관찰을 보존하세요. 의심스러운 패턴을 모두 확정된 취약점으로 취급하기보다 구체적인 근거와 수정 제안을 우선하는 보고서가 더 유용합니다.
함수 호출을 통해 주변 애플리케이션은 외부 작업을 모델에 제공할 수 있습니다. 각 도구의 목적, 인수, 예상 결과를 정의하고 실제 도구 관찰 결과를 다음 단계에 반환하세요. 모델은 그 결과를 추론하고 과제를 어떻게 바꿀지 판단할 수 있습니다. 제안된 행동, 실행된 작업, 미해결 검사를 구분하세요. 제작사는 추론과 답변 조각을 별도로 반환하는 스트리밍 응답도 문서화합니다. 이를 최종 보고서나 코드 설명으로 취급하기 전에 완성된 답변을 조합하세요.
로컬 모델 카드에는 구체적인 이력 설정이 나옵니다. 채팅 템플릿은 기본적으로 사고 내용을 유지하지만, 제작사는 일반 채팅에서는 이전 사고 내용을 명시적으로 지우도록 권장합니다. 용도에 맞는 대화 구조를 적용하고, 이어서 작업하는 데 필요한 실제 완성 답변과 도구 결과를 보존하세요. GLM 5.2나 별도 GLM 5.3 Flash 에디션의 추론 제어 설정을 이 모델의 low/high/max 제어와 상호 교환 가능한 것으로 취급하지 마세요.
구조화된 결과에서는 예상 필드, 유형, 원본 처리 규칙을 지정하세요. 결함 표, 변경 계획, 관찰을 요약한 JSON 객체 등이 유용한 산출물이 될 수 있습니다. 애플리케이션이 사용하기 전에 구조와 값을 모두 검증하세요. 최종 결과에는 답이나 수정 산출물, 이를 뒷받침하는 근거, 남은 가정이 표시되어야 합니다. 추론 강도가 높다고 도구가 실행되었거나 제안한 패치가 검사를 통과했거나 사실 주장이 제공된 자료 밖의 근거를 얻었다고 입증되지는 않습니다.
POST /v1/chat/completionstexttext| 필드 | 유형 | 요건 | 값과 한도 | 기본값 |
|---|---|---|---|---|
필드model | 유형string | 요건필수 | 값과 한도 glm-5.1 | 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 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— |
텍스트 · UTF8 텍스트
messages[].content
| 매개변수 | 명세 |
|---|---|
매개변수material_types | 명세text |
매개변수required | 명세model, messages |
매개변수optional_controls | 명세null |
매개변수content_type | 명세application/json |
매개변수text_file_material | 명세실제 UTF-8 콘텐츠를 텍스트로 삽입합니다. 파일 ID/URLs에는 별도의 정확한 지원이 필요합니다 |
수명 주기: exact retained published method
메서드 형식과 ID는 정확합니다. 공급자의 기능 지원과 요청 수락은 별개입니다.
POST /v1/chat/completionsAiloot는 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 →
모델 수준의 참조 요금표는 메서드 선택, 견적 또는 요금을 변경하지 않습니다. 실제 과금에는 선택한 Ailoot 메서드 요금이 적용됩니다.
각 요금을 표시된 조건과 대조하세요. 서로 대체되는 설정 묶음마다 하나의 요금만 적용하세요.
| 설정 | 요금표 | 컨텍스트 토큰 수 초과 기준 | 컨텍스트 토큰 수 이하 기준 | 요금 |
|---|---|---|---|---|
| 설정OpenAI Chat · 기본 토큰 요금 | 요금표기본 요금 | 컨텍스트 토큰 수 초과 기준— | 컨텍스트 토큰 수 이하 기준상한 없음 | 요금 입력 · 입력 토큰 $0.0028 / 1K 토큰 출력 · 출력 토큰 $0.0088 / 1K 토큰 입력 · 캐시 읽기 $0.00052 / 1K 토큰 입력 · 캐시 쓰기 — / 1K 토큰 입력 · 캐시 쓰기, 1시간 — / 1K 토큰 |
| 설정OpenAI Chat · 요청 길이 구간 1 | 요금표— | 컨텍스트 토큰 수 초과 기준0 | 컨텍스트 토큰 수 이하 기준상한 없음 | 요금 입력 · 입력 토큰 $0.0028 / 1K 토큰 출력 · 출력 토큰 $0.0088 / 1K 토큰 입력 · 캐시 읽기 $0.00052 / 1K 토큰 입력 · 캐시 쓰기 — / 1K 토큰 입력 · 캐시 쓰기, 1시간 — / 1K 토큰 |
| 설정Anthropic Messages · 기본 토큰 요금 | 요금표기본 요금 | 컨텍스트 토큰 수 초과 기준— | 컨텍스트 토큰 수 이하 기준상한 없음 | 요금 입력 · 입력 토큰 $0.0028 / 1K 토큰 출력 · 출력 토큰 $0.0088 / 1K 토큰 입력 · 캐시 읽기 $0.00052 / 1K 토큰 입력 · 캐시 쓰기 — / 1K 토큰 입력 · 캐시 쓰기, 1시간 — / 1K 토큰 |
| 설정Anthropic Messages · 요청 길이 구간 1 | 요금표— | 컨텍스트 토큰 수 초과 기준0 | 컨텍스트 토큰 수 이하 기준상한 없음 | 요금 입력 · 입력 토큰 $0.0028 / 1K 토큰 출력 · 출력 토큰 $0.0088 / 1K 토큰 입력 · 캐시 읽기 $0.00052 / 1K 토큰 입력 · 캐시 쓰기 — / 1K 토큰 입력 · 캐시 쓰기, 1시간 — / 1K 토큰 |
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 source-material file}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "glm-5.1", "messages": []}')\nf=Path(os.environ["AILOOT_TEXT_FILE"])\nif not f.is_file():raise SystemExit("Choose your actual UTF-8 source material")\ntext=f.read_text(encoding="utf-8")\nif not text.strip():raise SystemExit("Source material must contain text")\np["messages"]=[{"role":"user","content":"Summarize this material and quote supporting source passages.\\n\\n"+text}]\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nprint(json.dumps(json.loads(Path("result.json").read_text()),ensure_ascii=False,indent=2))\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient = OpenAI(base_url="https://api.ailoot.ai/v1", api_key=os.environ["AILOOT_API_KEY"], max_retries=0)\nresp = client.chat.completions.create(\n model="glm-5.1",\n messages=[{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}],\n)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(resp.to_dict(mode="json"))\nimport OpenAI from "openai";\n\nif (!process.env.AILOOT_API_KEY?.trim()) throw new Error("Set AILOOT_API_KEY before making a request");\nconst client = new OpenAI({ baseURL: "https://api.ailoot.ai/v1", apiKey: process.env.AILOOT_API_KEY, maxRetries: 0 });\nconst resp = await client.chat.completions.create({\n model: "glm-5.1",\n messages: [{ role: "user", content: "Explain the difference between an observation and a hypothesis in three sentences." }],\n});\nimport { writeFileSync } from "node:fs";\n\nfunction saveResult(data, stem = "result") {\n writeFileSync(stem + ".json", JSON.stringify(data, null, 2));\n console.log(JSON.stringify(data, null, 2));\n const saveBlob = (encoded, suffix, label) => {\n const raw = Buffer.from(encoded, "base64");\n const ext = raw.subarray(0,8).equals(Buffer.from([137,80,78,71,13,10,26,10])) ? "png" : raw[0]===255 && raw[1]===216 ? "jpg" : raw.subarray(0,4).toString()==="RIFF" && raw.subarray(8,12).toString()==="WEBP" ? "webp" : suffix;\n const file = `${stem}-${label}.${ext}`;\n writeFileSync(file, raw); console.log("Saved", file);\n };\n for (const [i, block] of (data.content || []).entries()) console.log("Content", i, JSON.stringify(block));\n for (const choice of data.choices || []) console.log("Choice", choice.index, JSON.stringify(choice.message || choice.delta || {}));\n for (const [i, item] of (data.output || []).entries()) {\n console.log("Output", i, JSON.stringify(item));\n if (item.type === "image_generation_call" && item.result) saveBlob(item.result, item.output_format || "bin", `output-${i}`);\n }\n for (const [ci, candidate] of (data.candidates || []).entries()) {\n for (const [pi, part] of (candidate.content?.parts || []).entries()) {\n console.log("Candidate/part", ci, pi, JSON.stringify(part));\n const blob = part.inlineData || part.inline_data;\n if (blob?.data) {\n const mime = blob.mimeType || blob.mime_type;\n const suffix = ({"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"})[mime] || "bin";\n saveBlob(blob.data, suffix, `candidate-${ci}-part-${pi}`);\n }\n }\n }\n}\n\nsaveResult(resp);\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='glm-5.1',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson 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 glm-5.3, glm, glm-5, glm-5.1, glm-5.2, glm-latest
Ailoot Ultra glm-5.3, z-ai/glm-5.3, ~z-ai/glm-latest
/chat/completions
z-ai/glm-5.3, glm, glm-5, glm-5.1, glm-5.2, glm-latest, ~z-ai/glm-latest, glm-5.3, glm-5.3
glm-5.2Z.ai GLM 5.3은 복잡한 소프트웨어 엔지니어링, 터미널 작업, 장기 에이전트를 위한 텍스트 추론 모델입니다. 제작사 문서에 명시된 1M토큰 컨텍스트, 최대 128K 출력 토큰, 함수 호출, low/high/max 추론 강도를 지원하며 추론은 항상 활성화됩니다.
이 설명은 모델의 기능을 다룹니다. Ailoot에서 사용할 수 있는 입력, 출력 및 옵션은 아래에 선택한 메서드별로 표시됩니다.
Z.ai GLM 5.3은 복잡한 소프트웨어 엔지니어링과 장기 에이전트 작업을 위해 설계된 대규모 텍스트 추론 모델입니다. 제조사는 GLM 5.2와 동일한 기반 모델을 사용하며 새 성능 향상은 사후 학습에서 나온다고 밝힙니다. 이번 릴리스는 프로그래밍, 터미널 작업, 여러 의존 단계가 있는 폭넓은 과제의 역량 강화에 중점을 둡니다. 텍스트를 입력받고 코드, 설명, 계획, 도구가 연결된 애플리케이션에서의 도구 호출 요청 등을 텍스트로 출력합니다.
문서화된 추론 모드는 항상 활성화됩니다. GLM 5.3은 low, high, max의 세 가지 강도를 제공하며 기본값은 max입니다. 제작사는 복잡한 코딩에 max를 권장하고, low는 간단한 단계에 더 가벼운 추론 옵션을 제공합니다. 선택한 강도와 함께 명확한 최종 산출물과 완료 기준을 제시하세요. 예를 들어 “이 파일과 실패 결과를 살펴보고, 영향받는 모듈 전반에서 원인을 추적한 뒤, 공개 인터페이스를 보존하는 수정안을 제시하고 어떤 검사가 회귀 문제가 해결되었음을 입증하는지 설명하세요”라고 요청할 수 있습니다.
제작사는 1M토큰의 컨텍스트 윈도와 128K토큰의 최대 출력 길이를 명시합니다. 모델이 조사해야 할 관계를 중심으로 긴 자료를 구성하세요. 파일 이름, 관련 정의, 원본 레이블, 관찰 순서를 보존하고 해당 작업 컨텍스트 안에 추론과 최종 답변 공간을 남기세요. 큰 윈도는 모듈 간 의존 관계나 긴 에이전트 관찰 순서에 유용하지만, 무관한 자료를 방향 없이 모아 둔다고 명확한 과제가 되지는 않습니다.
저장소 작업에서는 예상 동작, 관련 소스 텍스트, 의존성 버전, 실제 오류 출력을 제공하세요. 패치를 제안하기 전에 영향받는 동작을 파악하도록 요청하세요. 리팩터링에서는 보존할 인터페이스와 불변 조건을 명시하세요. 유용한 응답은 수정된 코드, 변경이 관찰된 문제를 해결하는 이유, 결과 확인에 필요한 사례를 포함합니다. 실제 결과를 도구가 연결된 작업 흐름에 다시 제공해 다음 단계가 이전 제안이 아닌 변경된 상태에 근거하도록 하세요.
성능 작업에서는 워크로드, 기준선, 실행 시간, 프로파일 또는 할당 기록 같은 측정치를 제공하세요. Z.ai는 병목 진단, 최적화, 실험, 정확성을 유지한 결과를 포함하는 학습 과제를 설명합니다. 실용적인 요청은 “이 프로파일로 가장 영향이 큰 병목을 찾고, 측정 가능한 변경 하나를 제안하며, 어떤 결과가 나와야 변경을 유지할 근거가 되는지 설명하세요”입니다. 성능 가설과 기록된 개선을 구분하세요. 결과를 살펴볼 때 같은 워크로드와 관련 조건을 유지하세요.
이번 릴리스는 취약점 분석 역량도 발전시킵니다. 방어 목적의 소스 검토에서는 관련 코드, 의도한 신뢰 경계, 실행 조건을 제공하세요. 의심되는 문제를 영향받는 입력과 동작, 집중된 개선 조치에 연결하는 분석 결과를 요청하세요. 잠재적 약점과 재현된 결함을 구분하고 검증에 사용한 관찰을 보존하세요. 의심스러운 패턴을 모두 확정된 취약점으로 취급하기보다 구체적인 근거와 수정 제안을 우선하는 보고서가 더 유용합니다.
함수 호출을 통해 주변 애플리케이션은 외부 작업을 모델에 제공할 수 있습니다. 각 도구의 목적, 인수, 예상 결과를 정의하고 실제 도구 관찰 결과를 다음 단계에 반환하세요. 모델은 그 결과를 추론하고 과제를 어떻게 바꿀지 판단할 수 있습니다. 제안된 행동, 실행된 작업, 미해결 검사를 구분하세요. 제작사는 추론과 답변 조각을 별도로 반환하는 스트리밍 응답도 문서화합니다. 이를 최종 보고서나 코드 설명으로 취급하기 전에 완성된 답변을 조합하세요.
로컬 모델 카드에는 구체적인 이력 설정이 나옵니다. 채팅 템플릿은 기본적으로 사고 내용을 유지하지만, 제작사는 일반 채팅에서는 이전 사고 내용을 명시적으로 지우도록 권장합니다. 용도에 맞는 대화 구조를 적용하고, 이어서 작업하는 데 필요한 실제 완성 답변과 도구 결과를 보존하세요. GLM 5.2나 별도 GLM 5.3 Flash 에디션의 추론 제어 설정을 이 모델의 low/high/max 제어와 상호 교환 가능한 것으로 취급하지 마세요.
구조화된 결과에서는 예상 필드, 유형, 원본 처리 규칙을 지정하세요. 결함 표, 변경 계획, 관찰을 요약한 JSON 객체 등이 유용한 산출물이 될 수 있습니다. 애플리케이션이 사용하기 전에 구조와 값을 모두 검증하세요. 최종 결과에는 답이나 수정 산출물, 이를 뒷받침하는 근거, 남은 가정이 표시되어야 합니다. 추론 강도가 높다고 도구가 실행되었거나 제안한 패치가 검사를 통과했거나 사실 주장이 제공된 자료 밖의 근거를 얻었다고 입증되지는 않습니다.
POST /v1/messagestexttext| 필드 | 유형 | 요건 | 값과 한도 | 기본값 |
|---|---|---|---|---|
필드model | 유형string | 요건필수 | 값과 한도 glm-5.2 | 기본값— |
필드messages | 유형message[] | 요건필수 | 값과 한도 최소 항목 수: 1 | 기본값— |
필드messages[].role | 유형string | 요건필수 | 값과 한도 user, assistant | 기본값— |
필드messages[].content | 유형string|content_block[] | 요건필수 | 값과 한도 | 기본값— |
필드system | 유형string|content_block[] | 요건선택 사항 | 값과 한도 | 기본값— |
필드max_tokens | 유형integer | 요건필수 | 값과 한도 최솟값: 1 한도 적용 대상: 선택한 모델/카드의 정확한 상한 | 기본값— |
필드stream | 유형boolean | 요건선택 사항 | 값과 한도 | 기본값false |
필드temperature | 유형number | 요건선택 사항 | 값과 한도 모델에 따라 다름 | 기본값— |
필드top_p | 유형number | 요건선택 사항 | 값과 한도 모델에 따라 다름 | 기본값— |
필드stop_sequences | 유형string[] | 요건선택 사항 | 값과 한도 모델에 따라 다름 | 기본값— |
필드tools | 유형tool[] | 요건선택 사항 | 값과 한도 모델에 따라 다름 | 기본값— |
필드tools[].name | 유형string | 요건선택 사항 | 값과 한도 적용 조건: 도구 지정됨 | 기본값— |
필드tools[].description | 유형string | 요건선택 사항 | 값과 한도 | 기본값— |
필드tools[].input_schema | 유형JSON_schema | 요건선택 사항 | 값과 한도 | 기본값— |
필드tool_choice | 유형object | 요건선택 사항 | 값과 한도 모델에 따라 다름 | 기본값— |
필드thinking.type | 유형string | 요건선택 사항 | 값과 한도 모델에 따라 다름 | 기본값— |
필드thinking.budget_tokens | 유형integer | 요건선택 사항 | 값과 한도 모델에 따라 다름 | 기본값— |
필드output_config.effort | 유형string | 요건선택 사항 | 값과 한도 모델에 따라 다름 | 기본값— |
필드metadata | 유형object | 요건선택 사항 | 값과 한도 | 기본값— |
필드cache_control | 유형object | 요건선택 사항 | 값과 한도 모델에 따라 다름 | 기본값— |
텍스트 · UTF8 텍스트
messages[].content 또는 type=text 블록
| 매개변수 | 명세 |
|---|---|
매개변수material_types | 명세text |
매개변수required | 명세model, messages, max_tokens |
매개변수optional_controls | 명세null |
매개변수content_type | 명세application/json |
매개변수text_file_material | 명세실제 UTF-8 콘텐츠를 텍스트로 삽입합니다. 파일 ID/URLs에는 별도의 정확한 지원이 필요합니다 |
수명 주기: exact retained published method
메서드 형식과 ID는 정확합니다. 공급자의 기능 지원과 요청 수락은 별개입니다.
POST /v1/messagesAiloot는 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 →
모델 수준의 참조 요금표는 메서드 선택, 견적 또는 요금을 변경하지 않습니다. 실제 과금에는 선택한 Ailoot 메서드 요금이 적용됩니다.
각 요금을 표시된 조건과 대조하세요. 서로 대체되는 설정 묶음마다 하나의 요금만 적용하세요.
| 설정 | 요금표 | 컨텍스트 토큰 수 초과 기준 | 컨텍스트 토큰 수 이하 기준 | 요금 |
|---|---|---|---|---|
| 설정OpenAI Chat · 기본 토큰 요금 | 요금표기본 요금 | 컨텍스트 토큰 수 초과 기준— | 컨텍스트 토큰 수 이하 기준상한 없음 | 요금 입력 · 입력 토큰 $0.0028 / 1K 토큰 출력 · 출력 토큰 $0.0088 / 1K 토큰 입력 · 캐시 읽기 $0.00052 / 1K 토큰 입력 · 캐시 쓰기 — / 1K 토큰 입력 · 캐시 쓰기, 1시간 — / 1K 토큰 |
| 설정OpenAI Chat · 요청 길이 구간 1 | 요금표— | 컨텍스트 토큰 수 초과 기준0 | 컨텍스트 토큰 수 이하 기준상한 없음 | 요금 입력 · 입력 토큰 $0.0028 / 1K 토큰 출력 · 출력 토큰 $0.0088 / 1K 토큰 입력 · 캐시 읽기 $0.00052 / 1K 토큰 입력 · 캐시 쓰기 — / 1K 토큰 입력 · 캐시 쓰기, 1시간 — / 1K 토큰 |
| 설정Anthropic Messages · 기본 토큰 요금 | 요금표기본 요금 | 컨텍스트 토큰 수 초과 기준— | 컨텍스트 토큰 수 이하 기준상한 없음 | 요금 입력 · 입력 토큰 $0.0028 / 1K 토큰 출력 · 출력 토큰 $0.0088 / 1K 토큰 입력 · 캐시 읽기 $0.00052 / 1K 토큰 입력 · 캐시 쓰기 — / 1K 토큰 입력 · 캐시 쓰기, 1시간 — / 1K 토큰 |
| 설정Anthropic Messages · 요청 길이 구간 1 | 요금표— | 컨텍스트 토큰 수 초과 기준0 | 컨텍스트 토큰 수 이하 기준상한 없음 | 요금 입력 · 입력 토큰 $0.0028 / 1K 토큰 출력 · 출력 토큰 $0.0088 / 1K 토큰 입력 · 캐시 읽기 $0.00052 / 1K 토큰 입력 · 캐시 쓰기 — / 1K 토큰 입력 · 캐시 쓰기, 1시간 — / 1K 토큰 |
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 source-material file}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "glm-5.2", "max_tokens": 1024, "messages": []}')\nf=Path(os.environ["AILOOT_TEXT_FILE"])\nif not f.is_file():raise SystemExit("Choose your actual UTF-8 source material")\ntext=f.read_text(encoding="utf-8")\nif not text.strip():raise SystemExit("Source material must contain text")\np["messages"]=[{"role":"user","content":"Summarize this material and quote supporting source passages.\\n\\n"+text}]\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nprint(json.dumps(json.loads(Path("result.json").read_text()),ensure_ascii=False,indent=2))\nPY_RESULT\nimport anthropic\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient = anthropic.Anthropic(base_url="https://api.ailoot.ai", api_key=os.environ["AILOOT_API_KEY"], max_retries=0)\nmsg = client.messages.create(\n model="glm-5.2",\n max_tokens=1024,\n messages=[{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}],\n)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(msg.to_dict(mode="json"))\nimport Anthropic from "@anthropic-ai/sdk";\n\nif (!process.env.AILOOT_API_KEY?.trim()) throw new Error("Set AILOOT_API_KEY before making a request");\nconst client = new Anthropic({ baseURL: "https://api.ailoot.ai", apiKey: process.env.AILOOT_API_KEY, maxRetries: 0 });\nconst msg = await client.messages.create({\n model: "glm-5.2",\n max_tokens: 1024,\n messages: [{ role: "user", content: "Explain the difference between an observation and a hypothesis in three sentences." }],\n});\nimport { writeFileSync } from "node:fs";\n\nfunction saveResult(data, stem = "result") {\n writeFileSync(stem + ".json", JSON.stringify(data, null, 2));\n console.log(JSON.stringify(data, null, 2));\n const saveBlob = (encoded, suffix, label) => {\n const raw = Buffer.from(encoded, "base64");\n const ext = raw.subarray(0,8).equals(Buffer.from([137,80,78,71,13,10,26,10])) ? "png" : raw[0]===255 && raw[1]===216 ? "jpg" : raw.subarray(0,4).toString()==="RIFF" && raw.subarray(8,12).toString()==="WEBP" ? "webp" : suffix;\n const file = `${stem}-${label}.${ext}`;\n writeFileSync(file, raw); console.log("Saved", file);\n };\n for (const [i, block] of (data.content || []).entries()) console.log("Content", i, JSON.stringify(block));\n for (const choice of data.choices || []) console.log("Choice", choice.index, JSON.stringify(choice.message || choice.delta || {}));\n for (const [i, item] of (data.output || []).entries()) {\n console.log("Output", i, JSON.stringify(item));\n if (item.type === "image_generation_call" && item.result) saveBlob(item.result, item.output_format || "bin", `output-${i}`);\n }\n for (const [ci, candidate] of (data.candidates || []).entries()) {\n for (const [pi, part] of (candidate.content?.parts || []).entries()) {\n console.log("Candidate/part", ci, pi, JSON.stringify(part));\n const blob = part.inlineData || part.inline_data;\n if (blob?.data) {\n const mime = blob.mimeType || blob.mime_type;\n const suffix = ({"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"})[mime] || "bin";\n saveBlob(blob.data, suffix, `candidate-${ci}-part-${pi}`);\n }\n }\n }\n}\n\nsaveResult(msg);\nimport anthropic,os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=anthropic.Anthropic(base_url="https://api.ailoot.ai",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.messages.stream(model='glm-5.2',max_tokens=1024,messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_message()\n save_result(final.to_dict(mode="json"),"stream-result")\njson 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 glm-5.3, glm, glm-5, glm-5.1, glm-5.2, glm-latest
Ailoot Ultra glm-5.3, z-ai/glm-5.3, ~z-ai/glm-latest
/chat/completions
z-ai/glm-5.3, glm, glm-5, glm-5.1, glm-5.2, glm-latest, ~z-ai/glm-latest, glm-5.3, glm-5.3
glm-5.2Z.ai GLM 5.3은 복잡한 소프트웨어 엔지니어링, 터미널 작업, 장기 에이전트를 위한 텍스트 추론 모델입니다. 제작사 문서에 명시된 1M토큰 컨텍스트, 최대 128K 출력 토큰, 함수 호출, low/high/max 추론 강도를 지원하며 추론은 항상 활성화됩니다.
이 설명은 모델의 기능을 다룹니다. Ailoot에서 사용할 수 있는 입력, 출력 및 옵션은 아래에 선택한 메서드별로 표시됩니다.
Z.ai GLM 5.3은 복잡한 소프트웨어 엔지니어링과 장기 에이전트 작업을 위해 설계된 대규모 텍스트 추론 모델입니다. 제조사는 GLM 5.2와 동일한 기반 모델을 사용하며 새 성능 향상은 사후 학습에서 나온다고 밝힙니다. 이번 릴리스는 프로그래밍, 터미널 작업, 여러 의존 단계가 있는 폭넓은 과제의 역량 강화에 중점을 둡니다. 텍스트를 입력받고 코드, 설명, 계획, 도구가 연결된 애플리케이션에서의 도구 호출 요청 등을 텍스트로 출력합니다.
문서화된 추론 모드는 항상 활성화됩니다. GLM 5.3은 low, high, max의 세 가지 강도를 제공하며 기본값은 max입니다. 제작사는 복잡한 코딩에 max를 권장하고, low는 간단한 단계에 더 가벼운 추론 옵션을 제공합니다. 선택한 강도와 함께 명확한 최종 산출물과 완료 기준을 제시하세요. 예를 들어 “이 파일과 실패 결과를 살펴보고, 영향받는 모듈 전반에서 원인을 추적한 뒤, 공개 인터페이스를 보존하는 수정안을 제시하고 어떤 검사가 회귀 문제가 해결되었음을 입증하는지 설명하세요”라고 요청할 수 있습니다.
제작사는 1M토큰의 컨텍스트 윈도와 128K토큰의 최대 출력 길이를 명시합니다. 모델이 조사해야 할 관계를 중심으로 긴 자료를 구성하세요. 파일 이름, 관련 정의, 원본 레이블, 관찰 순서를 보존하고 해당 작업 컨텍스트 안에 추론과 최종 답변 공간을 남기세요. 큰 윈도는 모듈 간 의존 관계나 긴 에이전트 관찰 순서에 유용하지만, 무관한 자료를 방향 없이 모아 둔다고 명확한 과제가 되지는 않습니다.
저장소 작업에서는 예상 동작, 관련 소스 텍스트, 의존성 버전, 실제 오류 출력을 제공하세요. 패치를 제안하기 전에 영향받는 동작을 파악하도록 요청하세요. 리팩터링에서는 보존할 인터페이스와 불변 조건을 명시하세요. 유용한 응답은 수정된 코드, 변경이 관찰된 문제를 해결하는 이유, 결과 확인에 필요한 사례를 포함합니다. 실제 결과를 도구가 연결된 작업 흐름에 다시 제공해 다음 단계가 이전 제안이 아닌 변경된 상태에 근거하도록 하세요.
성능 작업에서는 워크로드, 기준선, 실행 시간, 프로파일 또는 할당 기록 같은 측정치를 제공하세요. Z.ai는 병목 진단, 최적화, 실험, 정확성을 유지한 결과를 포함하는 학습 과제를 설명합니다. 실용적인 요청은 “이 프로파일로 가장 영향이 큰 병목을 찾고, 측정 가능한 변경 하나를 제안하며, 어떤 결과가 나와야 변경을 유지할 근거가 되는지 설명하세요”입니다. 성능 가설과 기록된 개선을 구분하세요. 결과를 살펴볼 때 같은 워크로드와 관련 조건을 유지하세요.
이번 릴리스는 취약점 분석 역량도 발전시킵니다. 방어 목적의 소스 검토에서는 관련 코드, 의도한 신뢰 경계, 실행 조건을 제공하세요. 의심되는 문제를 영향받는 입력과 동작, 집중된 개선 조치에 연결하는 분석 결과를 요청하세요. 잠재적 약점과 재현된 결함을 구분하고 검증에 사용한 관찰을 보존하세요. 의심스러운 패턴을 모두 확정된 취약점으로 취급하기보다 구체적인 근거와 수정 제안을 우선하는 보고서가 더 유용합니다.
함수 호출을 통해 주변 애플리케이션은 외부 작업을 모델에 제공할 수 있습니다. 각 도구의 목적, 인수, 예상 결과를 정의하고 실제 도구 관찰 결과를 다음 단계에 반환하세요. 모델은 그 결과를 추론하고 과제를 어떻게 바꿀지 판단할 수 있습니다. 제안된 행동, 실행된 작업, 미해결 검사를 구분하세요. 제작사는 추론과 답변 조각을 별도로 반환하는 스트리밍 응답도 문서화합니다. 이를 최종 보고서나 코드 설명으로 취급하기 전에 완성된 답변을 조합하세요.
로컬 모델 카드에는 구체적인 이력 설정이 나옵니다. 채팅 템플릿은 기본적으로 사고 내용을 유지하지만, 제작사는 일반 채팅에서는 이전 사고 내용을 명시적으로 지우도록 권장합니다. 용도에 맞는 대화 구조를 적용하고, 이어서 작업하는 데 필요한 실제 완성 답변과 도구 결과를 보존하세요. GLM 5.2나 별도 GLM 5.3 Flash 에디션의 추론 제어 설정을 이 모델의 low/high/max 제어와 상호 교환 가능한 것으로 취급하지 마세요.
구조화된 결과에서는 예상 필드, 유형, 원본 처리 규칙을 지정하세요. 결함 표, 변경 계획, 관찰을 요약한 JSON 객체 등이 유용한 산출물이 될 수 있습니다. 애플리케이션이 사용하기 전에 구조와 값을 모두 검증하세요. 최종 결과에는 답이나 수정 산출물, 이를 뒷받침하는 근거, 남은 가정이 표시되어야 합니다. 추론 강도가 높다고 도구가 실행되었거나 제안한 패치가 검사를 통과했거나 사실 주장이 제공된 자료 밖의 근거를 얻었다고 입증되지는 않습니다.
POST /v1/responsestexttext| 필드 | 유형 | 요건 | 값과 한도 | 기본값 |
|---|---|---|---|---|
필드model | 유형string | 요건필수 | 값과 한도 glm-5.2 | 기본값— |
필드input | 유형string|input_item[] | 요건필수 | 값과 한도 | 기본값— |
필드instructions | 유형string | 요건선택 사항 | 값과 한도 | 기본값— |
필드input[].type | 유형string | 요건선택 사항 | 값과 한도 message, reasoning, function_call, function_call_output | 기본값— |
필드input[].content | 유형string|content_part[] | 요건선택 사항 | 값과 한도 | 기본값— |
필드input[].call_id | 유형string | 요건선택 사항 | 값과 한도 적용 조건: function_call_output. 실제 반환된 call_id를 유지하세요 | 기본값— |
필드input[].output | 유형string|content_part[] | 요건선택 사항 | 값과 한도 적용 조건: function_call_output | 기본값— |
필드max_output_tokens | 유형integer | 요건선택 사항 | 값과 한도 최솟값: 1 모델에 따라 다름 | 기본값— |
필드stream | 유형boolean | 요건선택 사항 | 값과 한도 | 기본값false |
필드temperature | 유형number | 요건선택 사항 | 값과 한도 모델에 따라 다름 | 기본값— |
필드top_p | 유형number | 요건선택 사항 | 값과 한도 모델에 따라 다름 | 기본값— |
필드tools | 유형tool[] | 요건선택 사항 | 값과 한도 모델에 따라 다름 | 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— |
필드reasoning.effort | 유형string | 요건선택 사항 | 값과 한도 모델에 따라 다름 | 기본값— |
필드reasoning.summary | 유형string | 요건선택 사항 | 값과 한도 모델에 따라 다름 | 기본값— |
필드text.format | 유형object | 요건선택 사항 | 값과 한도 모델에 따라 다름 | 기본값— |
필드text.verbosity | 유형string | 요건선택 사항 | 값과 한도 모델에 따라 다름 | 기본값— |
필드include | 유형string[] | 요건선택 사항 | 값과 한도 모델에 따라 다름 | 기본값— |
필드store | 유형boolean | 요건선택 사항 | 값과 한도 모델에 따라 다름 | 기본값— |
필드previous_response_id | 유형string | 요건선택 사항 | 값과 한도 ID 요건: 지원되는 이어가기의 실제 응답 ID만 사용 모델에 따라 다름 | 기본값— |
필드service_tier | 유형string | 요건선택 사항 | 값과 한도 모델에 따라 다름 | 기본값— |
필드prompt_cache_key | 유형string | 요건선택 사항 | 값과 한도 모델에 따라 다름 | 기본값— |
필드prompt_cache_options | 유형object | 요건선택 사항 | 값과 한도 모델에 따라 다름 | 기본값— |
텍스트 · UTF8 텍스트
입력 텍스트 또는 input_text 파트
| 매개변수 | 명세 |
|---|---|
매개변수material_types | 명세text |
매개변수required | 명세model, input |
매개변수optional_controls | 명세null |
매개변수content_type | 명세application/json |
매개변수text_file_material | 명세실제 UTF-8 콘텐츠를 텍스트로 삽입합니다. 파일 ID/URLs에는 별도의 정확한 지원이 필요합니다 |
수명 주기: exact retained published method
메서드 형식과 ID는 정확합니다. 공급자의 기능 지원과 요청 수락은 별개입니다.
POST /v1/responsesAiloot는 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 →
모델 수준의 참조 요금표는 메서드 선택, 견적 또는 요금을 변경하지 않습니다. 실제 과금에는 선택한 Ailoot 메서드 요금이 적용됩니다.
각 요금을 표시된 조건과 대조하세요. 서로 대체되는 설정 묶음마다 하나의 요금만 적용하세요.
| 설정 | 요금표 | 컨텍스트 토큰 수 초과 기준 | 컨텍스트 토큰 수 이하 기준 | 요금 |
|---|---|---|---|---|
| 설정OpenAI Chat · 기본 토큰 요금 | 요금표기본 요금 | 컨텍스트 토큰 수 초과 기준— | 컨텍스트 토큰 수 이하 기준상한 없음 | 요금 입력 · 입력 토큰 $0.0028 / 1K 토큰 출력 · 출력 토큰 $0.0088 / 1K 토큰 입력 · 캐시 읽기 $0.00052 / 1K 토큰 입력 · 캐시 쓰기 — / 1K 토큰 입력 · 캐시 쓰기, 1시간 — / 1K 토큰 |
| 설정OpenAI Chat · 요청 길이 구간 1 | 요금표— | 컨텍스트 토큰 수 초과 기준0 | 컨텍스트 토큰 수 이하 기준상한 없음 | 요금 입력 · 입력 토큰 $0.0028 / 1K 토큰 출력 · 출력 토큰 $0.0088 / 1K 토큰 입력 · 캐시 읽기 $0.00052 / 1K 토큰 입력 · 캐시 쓰기 — / 1K 토큰 입력 · 캐시 쓰기, 1시간 — / 1K 토큰 |
| 설정Anthropic Messages · 기본 토큰 요금 | 요금표기본 요금 | 컨텍스트 토큰 수 초과 기준— | 컨텍스트 토큰 수 이하 기준상한 없음 | 요금 입력 · 입력 토큰 $0.0028 / 1K 토큰 출력 · 출력 토큰 $0.0088 / 1K 토큰 입력 · 캐시 읽기 $0.00052 / 1K 토큰 입력 · 캐시 쓰기 — / 1K 토큰 입력 · 캐시 쓰기, 1시간 — / 1K 토큰 |
| 설정Anthropic Messages · 요청 길이 구간 1 | 요금표— | 컨텍스트 토큰 수 초과 기준0 | 컨텍스트 토큰 수 이하 기준상한 없음 | 요금 입력 · 입력 토큰 $0.0028 / 1K 토큰 출력 · 출력 토큰 $0.0088 / 1K 토큰 입력 · 캐시 읽기 $0.00052 / 1K 토큰 입력 · 캐시 쓰기 — / 1K 토큰 입력 · 캐시 쓰기, 1시간 — / 1K 토큰 |
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 source-material file}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "glm-5.2", "input": ""}')\nf=Path(os.environ["AILOOT_TEXT_FILE"])\nif not f.is_file():raise SystemExit("Choose your actual UTF-8 source material")\ntext=f.read_text(encoding="utf-8")\nif not text.strip():raise SystemExit("Source material must contain text")\np["input"]="Summarize this material and quote supporting source passages.\\n\\n"+text\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/responses \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(json.loads(Path("result.json").read_text(encoding="utf-8")))\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient = OpenAI(base_url="https://api.ailoot.ai/v1", api_key=os.environ["AILOOT_API_KEY"], max_retries=0)\nresp = client.responses.create(model="glm-5.2", input="Explain the difference between an observation and a hypothesis in three sentences.")\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(resp.to_dict(mode="json"))\nimport OpenAI from "openai";\n\nif (!process.env.AILOOT_API_KEY?.trim()) throw new Error("Set AILOOT_API_KEY before making a request");\nconst client = new OpenAI({ baseURL: "https://api.ailoot.ai/v1", apiKey: process.env.AILOOT_API_KEY, maxRetries: 0 });\nconst resp = await client.responses.create({ model: "glm-5.2", input: "Explain the difference between an observation and a hypothesis in three sentences." });\nimport { writeFileSync } from "node:fs";\n\nfunction saveResult(data, stem = "result") {\n writeFileSync(stem + ".json", JSON.stringify(data, null, 2));\n console.log(JSON.stringify(data, null, 2));\n const saveBlob = (encoded, suffix, label) => {\n const raw = Buffer.from(encoded, "base64");\n const ext = raw.subarray(0,8).equals(Buffer.from([137,80,78,71,13,10,26,10])) ? "png" : raw[0]===255 && raw[1]===216 ? "jpg" : raw.subarray(0,4).toString()==="RIFF" && raw.subarray(8,12).toString()==="WEBP" ? "webp" : suffix;\n const file = `${stem}-${label}.${ext}`;\n writeFileSync(file, raw); console.log("Saved", file);\n };\n for (const [i, block] of (data.content || []).entries()) console.log("Content", i, JSON.stringify(block));\n for (const choice of data.choices || []) console.log("Choice", choice.index, JSON.stringify(choice.message || choice.delta || {}));\n for (const [i, item] of (data.output || []).entries()) {\n console.log("Output", i, JSON.stringify(item));\n if (item.type === "image_generation_call" && item.result) saveBlob(item.result, item.output_format || "bin", `output-${i}`);\n }\n for (const [ci, candidate] of (data.candidates || []).entries()) {\n for (const [pi, part] of (candidate.content?.parts || []).entries()) {\n console.log("Candidate/part", ci, pi, JSON.stringify(part));\n const blob = part.inlineData || part.inline_data;\n if (blob?.data) {\n const mime = blob.mimeType || blob.mime_type;\n const suffix = ({"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"})[mime] || "bin";\n saveBlob(blob.data, suffix, `candidate-${ci}-part-${pi}`);\n }\n }\n }\n}\n\nsaveResult(resp);\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nwith client.responses.stream(model="glm-5.2", input="Explain the difference between an observation and a hypothesis in three sentences.") as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_response()\n save_result(final.to_dict(mode="json"),"stream-result")\njson 또는 SSE
반환된 완전한 응답, 파일, 콘텐츠 부분을 모두 보관하세요.
모든 출력 항목과 콘텐츠 파트, 실제 함수 call_id, 암호화된 추론, 사용량을 보존하세요. 스트리밍에서는 이벤트/항목의 식별 정보를 완전하게 유지하세요.
요청/응답 ID와 헤더를 보존하세요. 텍스트 작업을 조회하는 범용 URL은 제공되지 않습니다.
| 필드 | 유형 |
|---|---|
필드id | 유형string |
필드status | 유형string |
필드output[] | 유형message|reasoning|function_call|other item |
필드output[].content[] | 유형content part |
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 glm-5.3, glm, glm-5, glm-5.1, glm-5.2, glm-latest
Ailoot Ultra glm-5.3, z-ai/glm-5.3, ~z-ai/glm-latest
/chat/completions
z-ai/glm-5.3, glm, glm-5, glm-5.1, glm-5.2, glm-latest, ~z-ai/glm-latest, glm-5.3, glm-5.3
glm-5.2Z.ai GLM 5.3은 복잡한 소프트웨어 엔지니어링, 터미널 작업, 장기 에이전트를 위한 텍스트 추론 모델입니다. 제작사 문서에 명시된 1M토큰 컨텍스트, 최대 128K 출력 토큰, 함수 호출, low/high/max 추론 강도를 지원하며 추론은 항상 활성화됩니다.
이 설명은 모델의 기능을 다룹니다. Ailoot에서 사용할 수 있는 입력, 출력 및 옵션은 아래에 선택한 메서드별로 표시됩니다.
Z.ai GLM 5.3은 복잡한 소프트웨어 엔지니어링과 장기 에이전트 작업을 위해 설계된 대규모 텍스트 추론 모델입니다. 제조사는 GLM 5.2와 동일한 기반 모델을 사용하며 새 성능 향상은 사후 학습에서 나온다고 밝힙니다. 이번 릴리스는 프로그래밍, 터미널 작업, 여러 의존 단계가 있는 폭넓은 과제의 역량 강화에 중점을 둡니다. 텍스트를 입력받고 코드, 설명, 계획, 도구가 연결된 애플리케이션에서의 도구 호출 요청 등을 텍스트로 출력합니다.
문서화된 추론 모드는 항상 활성화됩니다. GLM 5.3은 low, high, max의 세 가지 강도를 제공하며 기본값은 max입니다. 제작사는 복잡한 코딩에 max를 권장하고, low는 간단한 단계에 더 가벼운 추론 옵션을 제공합니다. 선택한 강도와 함께 명확한 최종 산출물과 완료 기준을 제시하세요. 예를 들어 “이 파일과 실패 결과를 살펴보고, 영향받는 모듈 전반에서 원인을 추적한 뒤, 공개 인터페이스를 보존하는 수정안을 제시하고 어떤 검사가 회귀 문제가 해결되었음을 입증하는지 설명하세요”라고 요청할 수 있습니다.
제작사는 1M토큰의 컨텍스트 윈도와 128K토큰의 최대 출력 길이를 명시합니다. 모델이 조사해야 할 관계를 중심으로 긴 자료를 구성하세요. 파일 이름, 관련 정의, 원본 레이블, 관찰 순서를 보존하고 해당 작업 컨텍스트 안에 추론과 최종 답변 공간을 남기세요. 큰 윈도는 모듈 간 의존 관계나 긴 에이전트 관찰 순서에 유용하지만, 무관한 자료를 방향 없이 모아 둔다고 명확한 과제가 되지는 않습니다.
저장소 작업에서는 예상 동작, 관련 소스 텍스트, 의존성 버전, 실제 오류 출력을 제공하세요. 패치를 제안하기 전에 영향받는 동작을 파악하도록 요청하세요. 리팩터링에서는 보존할 인터페이스와 불변 조건을 명시하세요. 유용한 응답은 수정된 코드, 변경이 관찰된 문제를 해결하는 이유, 결과 확인에 필요한 사례를 포함합니다. 실제 결과를 도구가 연결된 작업 흐름에 다시 제공해 다음 단계가 이전 제안이 아닌 변경된 상태에 근거하도록 하세요.
성능 작업에서는 워크로드, 기준선, 실행 시간, 프로파일 또는 할당 기록 같은 측정치를 제공하세요. Z.ai는 병목 진단, 최적화, 실험, 정확성을 유지한 결과를 포함하는 학습 과제를 설명합니다. 실용적인 요청은 “이 프로파일로 가장 영향이 큰 병목을 찾고, 측정 가능한 변경 하나를 제안하며, 어떤 결과가 나와야 변경을 유지할 근거가 되는지 설명하세요”입니다. 성능 가설과 기록된 개선을 구분하세요. 결과를 살펴볼 때 같은 워크로드와 관련 조건을 유지하세요.
이번 릴리스는 취약점 분석 역량도 발전시킵니다. 방어 목적의 소스 검토에서는 관련 코드, 의도한 신뢰 경계, 실행 조건을 제공하세요. 의심되는 문제를 영향받는 입력과 동작, 집중된 개선 조치에 연결하는 분석 결과를 요청하세요. 잠재적 약점과 재현된 결함을 구분하고 검증에 사용한 관찰을 보존하세요. 의심스러운 패턴을 모두 확정된 취약점으로 취급하기보다 구체적인 근거와 수정 제안을 우선하는 보고서가 더 유용합니다.
함수 호출을 통해 주변 애플리케이션은 외부 작업을 모델에 제공할 수 있습니다. 각 도구의 목적, 인수, 예상 결과를 정의하고 실제 도구 관찰 결과를 다음 단계에 반환하세요. 모델은 그 결과를 추론하고 과제를 어떻게 바꿀지 판단할 수 있습니다. 제안된 행동, 실행된 작업, 미해결 검사를 구분하세요. 제작사는 추론과 답변 조각을 별도로 반환하는 스트리밍 응답도 문서화합니다. 이를 최종 보고서나 코드 설명으로 취급하기 전에 완성된 답변을 조합하세요.
로컬 모델 카드에는 구체적인 이력 설정이 나옵니다. 채팅 템플릿은 기본적으로 사고 내용을 유지하지만, 제작사는 일반 채팅에서는 이전 사고 내용을 명시적으로 지우도록 권장합니다. 용도에 맞는 대화 구조를 적용하고, 이어서 작업하는 데 필요한 실제 완성 답변과 도구 결과를 보존하세요. GLM 5.2나 별도 GLM 5.3 Flash 에디션의 추론 제어 설정을 이 모델의 low/high/max 제어와 상호 교환 가능한 것으로 취급하지 마세요.
구조화된 결과에서는 예상 필드, 유형, 원본 처리 규칙을 지정하세요. 결함 표, 변경 계획, 관찰을 요약한 JSON 객체 등이 유용한 산출물이 될 수 있습니다. 애플리케이션이 사용하기 전에 구조와 값을 모두 검증하세요. 최종 결과에는 답이나 수정 산출물, 이를 뒷받침하는 근거, 남은 가정이 표시되어야 합니다. 추론 강도가 높다고 도구가 실행되었거나 제안한 패치가 검사를 통과했거나 사실 주장이 제공된 자료 밖의 근거를 얻었다고 입증되지는 않습니다.
POST /v1/chat/completionstexttext| 필드 | 유형 | 요건 | 값과 한도 | 기본값 |
|---|---|---|---|---|
필드model | 유형string | 요건필수 | 값과 한도 glm-5.2 | 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 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— |
텍스트 · UTF8 텍스트
messages[].content
| 매개변수 | 명세 |
|---|---|
매개변수material_types | 명세text |
매개변수required | 명세model, messages |
매개변수optional_controls | 명세null |
매개변수content_type | 명세application/json |
매개변수text_file_material | 명세실제 UTF-8 콘텐츠를 텍스트로 삽입합니다. 파일 ID/URLs에는 별도의 정확한 지원이 필요합니다 |
수명 주기: exact retained published method
메서드 형식과 ID는 정확합니다. 공급자의 기능 지원과 요청 수락은 별개입니다.
POST /v1/chat/completionsAiloot는 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 →
모델 수준의 참조 요금표는 메서드 선택, 견적 또는 요금을 변경하지 않습니다. 실제 과금에는 선택한 Ailoot 메서드 요금이 적용됩니다.
각 요금을 표시된 조건과 대조하세요. 서로 대체되는 설정 묶음마다 하나의 요금만 적용하세요.
| 설정 | 요금표 | 컨텍스트 토큰 수 초과 기준 | 컨텍스트 토큰 수 이하 기준 | 요금 |
|---|---|---|---|---|
| 설정OpenAI Chat · 기본 토큰 요금 | 요금표기본 요금 | 컨텍스트 토큰 수 초과 기준— | 컨텍스트 토큰 수 이하 기준상한 없음 | 요금 입력 · 입력 토큰 $0.0028 / 1K 토큰 출력 · 출력 토큰 $0.0088 / 1K 토큰 입력 · 캐시 읽기 $0.00052 / 1K 토큰 입력 · 캐시 쓰기 — / 1K 토큰 입력 · 캐시 쓰기, 1시간 — / 1K 토큰 |
| 설정OpenAI Chat · 요청 길이 구간 1 | 요금표— | 컨텍스트 토큰 수 초과 기준0 | 컨텍스트 토큰 수 이하 기준상한 없음 | 요금 입력 · 입력 토큰 $0.0028 / 1K 토큰 출력 · 출력 토큰 $0.0088 / 1K 토큰 입력 · 캐시 읽기 $0.00052 / 1K 토큰 입력 · 캐시 쓰기 — / 1K 토큰 입력 · 캐시 쓰기, 1시간 — / 1K 토큰 |
| 설정Anthropic Messages · 기본 토큰 요금 | 요금표기본 요금 | 컨텍스트 토큰 수 초과 기준— | 컨텍스트 토큰 수 이하 기준상한 없음 | 요금 입력 · 입력 토큰 $0.0028 / 1K 토큰 출력 · 출력 토큰 $0.0088 / 1K 토큰 입력 · 캐시 읽기 $0.00052 / 1K 토큰 입력 · 캐시 쓰기 — / 1K 토큰 입력 · 캐시 쓰기, 1시간 — / 1K 토큰 |
| 설정Anthropic Messages · 요청 길이 구간 1 | 요금표— | 컨텍스트 토큰 수 초과 기준0 | 컨텍스트 토큰 수 이하 기준상한 없음 | 요금 입력 · 입력 토큰 $0.0028 / 1K 토큰 출력 · 출력 토큰 $0.0088 / 1K 토큰 입력 · 캐시 읽기 $0.00052 / 1K 토큰 입력 · 캐시 쓰기 — / 1K 토큰 입력 · 캐시 쓰기, 1시간 — / 1K 토큰 |
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 source-material file}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "glm-5.2", "messages": []}')\nf=Path(os.environ["AILOOT_TEXT_FILE"])\nif not f.is_file():raise SystemExit("Choose your actual UTF-8 source material")\ntext=f.read_text(encoding="utf-8")\nif not text.strip():raise SystemExit("Source material must contain text")\np["messages"]=[{"role":"user","content":"Summarize this material and quote supporting source passages.\\n\\n"+text}]\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nprint(json.dumps(json.loads(Path("result.json").read_text()),ensure_ascii=False,indent=2))\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient = OpenAI(base_url="https://api.ailoot.ai/v1", api_key=os.environ["AILOOT_API_KEY"], max_retries=0)\nresp = client.chat.completions.create(\n model="glm-5.2",\n messages=[{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}],\n)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(resp.to_dict(mode="json"))\nimport OpenAI from "openai";\n\nif (!process.env.AILOOT_API_KEY?.trim()) throw new Error("Set AILOOT_API_KEY before making a request");\nconst client = new OpenAI({ baseURL: "https://api.ailoot.ai/v1", apiKey: process.env.AILOOT_API_KEY, maxRetries: 0 });\nconst resp = await client.chat.completions.create({\n model: "glm-5.2",\n messages: [{ role: "user", content: "Explain the difference between an observation and a hypothesis in three sentences." }],\n});\nimport { writeFileSync } from "node:fs";\n\nfunction saveResult(data, stem = "result") {\n writeFileSync(stem + ".json", JSON.stringify(data, null, 2));\n console.log(JSON.stringify(data, null, 2));\n const saveBlob = (encoded, suffix, label) => {\n const raw = Buffer.from(encoded, "base64");\n const ext = raw.subarray(0,8).equals(Buffer.from([137,80,78,71,13,10,26,10])) ? "png" : raw[0]===255 && raw[1]===216 ? "jpg" : raw.subarray(0,4).toString()==="RIFF" && raw.subarray(8,12).toString()==="WEBP" ? "webp" : suffix;\n const file = `${stem}-${label}.${ext}`;\n writeFileSync(file, raw); console.log("Saved", file);\n };\n for (const [i, block] of (data.content || []).entries()) console.log("Content", i, JSON.stringify(block));\n for (const choice of data.choices || []) console.log("Choice", choice.index, JSON.stringify(choice.message || choice.delta || {}));\n for (const [i, item] of (data.output || []).entries()) {\n console.log("Output", i, JSON.stringify(item));\n if (item.type === "image_generation_call" && item.result) saveBlob(item.result, item.output_format || "bin", `output-${i}`);\n }\n for (const [ci, candidate] of (data.candidates || []).entries()) {\n for (const [pi, part] of (candidate.content?.parts || []).entries()) {\n console.log("Candidate/part", ci, pi, JSON.stringify(part));\n const blob = part.inlineData || part.inline_data;\n if (blob?.data) {\n const mime = blob.mimeType || blob.mime_type;\n const suffix = ({"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"})[mime] || "bin";\n saveBlob(blob.data, suffix, `candidate-${ci}-part-${pi}`);\n }\n }\n }\n}\n\nsaveResult(resp);\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='glm-5.2',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson 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 glm-5.3, glm, glm-5, glm-5.1, glm-5.2, glm-latest
Ailoot Ultra glm-5.3, z-ai/glm-5.3, ~z-ai/glm-latest
/chat/completions
z-ai/glm-5.3, glm, glm-5, glm-5.1, glm-5.2, glm-latest, ~z-ai/glm-latest, glm-5.3, glm-5.3
glm-latestZ.ai GLM 5.3은 복잡한 소프트웨어 엔지니어링, 터미널 작업, 장기 에이전트를 위한 텍스트 추론 모델입니다. 제작사 문서에 명시된 1M토큰 컨텍스트, 최대 128K 출력 토큰, 함수 호출, low/high/max 추론 강도를 지원하며 추론은 항상 활성화됩니다.
이 설명은 모델의 기능을 다룹니다. Ailoot에서 사용할 수 있는 입력, 출력 및 옵션은 아래에 선택한 메서드별로 표시됩니다.
Z.ai GLM 5.3은 복잡한 소프트웨어 엔지니어링과 장기 에이전트 작업을 위해 설계된 대규모 텍스트 추론 모델입니다. 제조사는 GLM 5.2와 동일한 기반 모델을 사용하며 새 성능 향상은 사후 학습에서 나온다고 밝힙니다. 이번 릴리스는 프로그래밍, 터미널 작업, 여러 의존 단계가 있는 폭넓은 과제의 역량 강화에 중점을 둡니다. 텍스트를 입력받고 코드, 설명, 계획, 도구가 연결된 애플리케이션에서의 도구 호출 요청 등을 텍스트로 출력합니다.
문서화된 추론 모드는 항상 활성화됩니다. GLM 5.3은 low, high, max의 세 가지 강도를 제공하며 기본값은 max입니다. 제작사는 복잡한 코딩에 max를 권장하고, low는 간단한 단계에 더 가벼운 추론 옵션을 제공합니다. 선택한 강도와 함께 명확한 최종 산출물과 완료 기준을 제시하세요. 예를 들어 “이 파일과 실패 결과를 살펴보고, 영향받는 모듈 전반에서 원인을 추적한 뒤, 공개 인터페이스를 보존하는 수정안을 제시하고 어떤 검사가 회귀 문제가 해결되었음을 입증하는지 설명하세요”라고 요청할 수 있습니다.
제작사는 1M토큰의 컨텍스트 윈도와 128K토큰의 최대 출력 길이를 명시합니다. 모델이 조사해야 할 관계를 중심으로 긴 자료를 구성하세요. 파일 이름, 관련 정의, 원본 레이블, 관찰 순서를 보존하고 해당 작업 컨텍스트 안에 추론과 최종 답변 공간을 남기세요. 큰 윈도는 모듈 간 의존 관계나 긴 에이전트 관찰 순서에 유용하지만, 무관한 자료를 방향 없이 모아 둔다고 명확한 과제가 되지는 않습니다.
저장소 작업에서는 예상 동작, 관련 소스 텍스트, 의존성 버전, 실제 오류 출력을 제공하세요. 패치를 제안하기 전에 영향받는 동작을 파악하도록 요청하세요. 리팩터링에서는 보존할 인터페이스와 불변 조건을 명시하세요. 유용한 응답은 수정된 코드, 변경이 관찰된 문제를 해결하는 이유, 결과 확인에 필요한 사례를 포함합니다. 실제 결과를 도구가 연결된 작업 흐름에 다시 제공해 다음 단계가 이전 제안이 아닌 변경된 상태에 근거하도록 하세요.
성능 작업에서는 워크로드, 기준선, 실행 시간, 프로파일 또는 할당 기록 같은 측정치를 제공하세요. Z.ai는 병목 진단, 최적화, 실험, 정확성을 유지한 결과를 포함하는 학습 과제를 설명합니다. 실용적인 요청은 “이 프로파일로 가장 영향이 큰 병목을 찾고, 측정 가능한 변경 하나를 제안하며, 어떤 결과가 나와야 변경을 유지할 근거가 되는지 설명하세요”입니다. 성능 가설과 기록된 개선을 구분하세요. 결과를 살펴볼 때 같은 워크로드와 관련 조건을 유지하세요.
이번 릴리스는 취약점 분석 역량도 발전시킵니다. 방어 목적의 소스 검토에서는 관련 코드, 의도한 신뢰 경계, 실행 조건을 제공하세요. 의심되는 문제를 영향받는 입력과 동작, 집중된 개선 조치에 연결하는 분석 결과를 요청하세요. 잠재적 약점과 재현된 결함을 구분하고 검증에 사용한 관찰을 보존하세요. 의심스러운 패턴을 모두 확정된 취약점으로 취급하기보다 구체적인 근거와 수정 제안을 우선하는 보고서가 더 유용합니다.
함수 호출을 통해 주변 애플리케이션은 외부 작업을 모델에 제공할 수 있습니다. 각 도구의 목적, 인수, 예상 결과를 정의하고 실제 도구 관찰 결과를 다음 단계에 반환하세요. 모델은 그 결과를 추론하고 과제를 어떻게 바꿀지 판단할 수 있습니다. 제안된 행동, 실행된 작업, 미해결 검사를 구분하세요. 제작사는 추론과 답변 조각을 별도로 반환하는 스트리밍 응답도 문서화합니다. 이를 최종 보고서나 코드 설명으로 취급하기 전에 완성된 답변을 조합하세요.
로컬 모델 카드에는 구체적인 이력 설정이 나옵니다. 채팅 템플릿은 기본적으로 사고 내용을 유지하지만, 제작사는 일반 채팅에서는 이전 사고 내용을 명시적으로 지우도록 권장합니다. 용도에 맞는 대화 구조를 적용하고, 이어서 작업하는 데 필요한 실제 완성 답변과 도구 결과를 보존하세요. GLM 5.2나 별도 GLM 5.3 Flash 에디션의 추론 제어 설정을 이 모델의 low/high/max 제어와 상호 교환 가능한 것으로 취급하지 마세요.
구조화된 결과에서는 예상 필드, 유형, 원본 처리 규칙을 지정하세요. 결함 표, 변경 계획, 관찰을 요약한 JSON 객체 등이 유용한 산출물이 될 수 있습니다. 애플리케이션이 사용하기 전에 구조와 값을 모두 검증하세요. 최종 결과에는 답이나 수정 산출물, 이를 뒷받침하는 근거, 남은 가정이 표시되어야 합니다. 추론 강도가 높다고 도구가 실행되었거나 제안한 패치가 검사를 통과했거나 사실 주장이 제공된 자료 밖의 근거를 얻었다고 입증되지는 않습니다.
POST /v1/messagestexttext| 필드 | 유형 | 요건 | 값과 한도 | 기본값 |
|---|---|---|---|---|
필드model | 유형string | 요건필수 | 값과 한도 glm-latest | 기본값— |
필드messages | 유형message[] | 요건필수 | 값과 한도 최소 항목 수: 1 | 기본값— |
필드messages[].role | 유형string | 요건필수 | 값과 한도 user, assistant | 기본값— |
필드messages[].content | 유형string|content_block[] | 요건필수 | 값과 한도 | 기본값— |
필드system | 유형string|content_block[] | 요건선택 사항 | 값과 한도 | 기본값— |
필드max_tokens | 유형integer | 요건필수 | 값과 한도 최솟값: 1 한도 적용 대상: 선택한 모델/카드의 정확한 상한 | 기본값— |
필드stream | 유형boolean | 요건선택 사항 | 값과 한도 | 기본값false |
필드temperature | 유형number | 요건선택 사항 | 값과 한도 모델에 따라 다름 | 기본값— |
필드top_p | 유형number | 요건선택 사항 | 값과 한도 모델에 따라 다름 | 기본값— |
필드stop_sequences | 유형string[] | 요건선택 사항 | 값과 한도 모델에 따라 다름 | 기본값— |
필드tools | 유형tool[] | 요건선택 사항 | 값과 한도 모델에 따라 다름 | 기본값— |
필드tools[].name | 유형string | 요건선택 사항 | 값과 한도 적용 조건: 도구 지정됨 | 기본값— |
필드tools[].description | 유형string | 요건선택 사항 | 값과 한도 | 기본값— |
필드tools[].input_schema | 유형JSON_schema | 요건선택 사항 | 값과 한도 | 기본값— |
필드tool_choice | 유형object | 요건선택 사항 | 값과 한도 모델에 따라 다름 | 기본값— |
필드thinking.type | 유형string | 요건선택 사항 | 값과 한도 모델에 따라 다름 | 기본값— |
필드thinking.budget_tokens | 유형integer | 요건선택 사항 | 값과 한도 모델에 따라 다름 | 기본값— |
필드output_config.effort | 유형string | 요건선택 사항 | 값과 한도 모델에 따라 다름 | 기본값— |
필드metadata | 유형object | 요건선택 사항 | 값과 한도 | 기본값— |
필드cache_control | 유형object | 요건선택 사항 | 값과 한도 모델에 따라 다름 | 기본값— |
텍스트 · UTF8 텍스트
messages[].content 또는 type=text 블록
| 매개변수 | 명세 |
|---|---|
매개변수material_types | 명세text |
매개변수required | 명세model, messages, max_tokens |
매개변수optional_controls | 명세null |
매개변수content_type | 명세application/json |
매개변수text_file_material | 명세실제 UTF-8 콘텐츠를 텍스트로 삽입합니다. 파일 ID/URLs에는 별도의 정확한 지원이 필요합니다 |
수명 주기: exact retained published method
메서드 형식과 ID는 정확합니다. 공급자의 기능 지원과 요청 수락은 별개입니다.
POST /v1/messagesAiloot는 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 →
모델 수준의 참조 요금표는 메서드 선택, 견적 또는 요금을 변경하지 않습니다. 실제 과금에는 선택한 Ailoot 메서드 요금이 적용됩니다.
각 요금을 표시된 조건과 대조하세요. 서로 대체되는 설정 묶음마다 하나의 요금만 적용하세요.
| 설정 | 요금표 | 컨텍스트 토큰 수 초과 기준 | 컨텍스트 토큰 수 이하 기준 | 요금 |
|---|---|---|---|---|
| 설정OpenAI Chat · 기본 토큰 요금 | 요금표기본 요금 | 컨텍스트 토큰 수 초과 기준— | 컨텍스트 토큰 수 이하 기준상한 없음 | 요금 입력 · 입력 토큰 $0.0028 / 1K 토큰 출력 · 출력 토큰 $0.0088 / 1K 토큰 입력 · 캐시 읽기 $0.00052 / 1K 토큰 입력 · 캐시 쓰기 — / 1K 토큰 입력 · 캐시 쓰기, 1시간 — / 1K 토큰 |
| 설정OpenAI Chat · 요청 길이 구간 1 | 요금표— | 컨텍스트 토큰 수 초과 기준0 | 컨텍스트 토큰 수 이하 기준상한 없음 | 요금 입력 · 입력 토큰 $0.0028 / 1K 토큰 출력 · 출력 토큰 $0.0088 / 1K 토큰 입력 · 캐시 읽기 $0.00052 / 1K 토큰 입력 · 캐시 쓰기 — / 1K 토큰 입력 · 캐시 쓰기, 1시간 — / 1K 토큰 |
| 설정Anthropic Messages · 기본 토큰 요금 | 요금표기본 요금 | 컨텍스트 토큰 수 초과 기준— | 컨텍스트 토큰 수 이하 기준상한 없음 | 요금 입력 · 입력 토큰 $0.0028 / 1K 토큰 출력 · 출력 토큰 $0.0088 / 1K 토큰 입력 · 캐시 읽기 $0.00052 / 1K 토큰 입력 · 캐시 쓰기 — / 1K 토큰 입력 · 캐시 쓰기, 1시간 — / 1K 토큰 |
| 설정Anthropic Messages · 요청 길이 구간 1 | 요금표— | 컨텍스트 토큰 수 초과 기준0 | 컨텍스트 토큰 수 이하 기준상한 없음 | 요금 입력 · 입력 토큰 $0.0028 / 1K 토큰 출력 · 출력 토큰 $0.0088 / 1K 토큰 입력 · 캐시 읽기 $0.00052 / 1K 토큰 입력 · 캐시 쓰기 — / 1K 토큰 입력 · 캐시 쓰기, 1시간 — / 1K 토큰 |
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 source-material file}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "glm-latest", "max_tokens": 1024, "messages": []}')\nf=Path(os.environ["AILOOT_TEXT_FILE"])\nif not f.is_file():raise SystemExit("Choose your actual UTF-8 source material")\ntext=f.read_text(encoding="utf-8")\nif not text.strip():raise SystemExit("Source material must contain text")\np["messages"]=[{"role":"user","content":"Summarize this material and quote supporting source passages.\\n\\n"+text}]\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nprint(json.dumps(json.loads(Path("result.json").read_text()),ensure_ascii=False,indent=2))\nPY_RESULT\nimport anthropic\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient = anthropic.Anthropic(base_url="https://api.ailoot.ai", api_key=os.environ["AILOOT_API_KEY"], max_retries=0)\nmsg = client.messages.create(\n model="glm-latest",\n max_tokens=1024,\n messages=[{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}],\n)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(msg.to_dict(mode="json"))\nimport Anthropic from "@anthropic-ai/sdk";\n\nif (!process.env.AILOOT_API_KEY?.trim()) throw new Error("Set AILOOT_API_KEY before making a request");\nconst client = new Anthropic({ baseURL: "https://api.ailoot.ai", apiKey: process.env.AILOOT_API_KEY, maxRetries: 0 });\nconst msg = await client.messages.create({\n model: "glm-latest",\n max_tokens: 1024,\n messages: [{ role: "user", content: "Explain the difference between an observation and a hypothesis in three sentences." }],\n});\nimport { writeFileSync } from "node:fs";\n\nfunction saveResult(data, stem = "result") {\n writeFileSync(stem + ".json", JSON.stringify(data, null, 2));\n console.log(JSON.stringify(data, null, 2));\n const saveBlob = (encoded, suffix, label) => {\n const raw = Buffer.from(encoded, "base64");\n const ext = raw.subarray(0,8).equals(Buffer.from([137,80,78,71,13,10,26,10])) ? "png" : raw[0]===255 && raw[1]===216 ? "jpg" : raw.subarray(0,4).toString()==="RIFF" && raw.subarray(8,12).toString()==="WEBP" ? "webp" : suffix;\n const file = `${stem}-${label}.${ext}`;\n writeFileSync(file, raw); console.log("Saved", file);\n };\n for (const [i, block] of (data.content || []).entries()) console.log("Content", i, JSON.stringify(block));\n for (const choice of data.choices || []) console.log("Choice", choice.index, JSON.stringify(choice.message || choice.delta || {}));\n for (const [i, item] of (data.output || []).entries()) {\n console.log("Output", i, JSON.stringify(item));\n if (item.type === "image_generation_call" && item.result) saveBlob(item.result, item.output_format || "bin", `output-${i}`);\n }\n for (const [ci, candidate] of (data.candidates || []).entries()) {\n for (const [pi, part] of (candidate.content?.parts || []).entries()) {\n console.log("Candidate/part", ci, pi, JSON.stringify(part));\n const blob = part.inlineData || part.inline_data;\n if (blob?.data) {\n const mime = blob.mimeType || blob.mime_type;\n const suffix = ({"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"})[mime] || "bin";\n saveBlob(blob.data, suffix, `candidate-${ci}-part-${pi}`);\n }\n }\n }\n}\n\nsaveResult(msg);\nimport anthropic,os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=anthropic.Anthropic(base_url="https://api.ailoot.ai",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.messages.stream(model='glm-latest',max_tokens=1024,messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_message()\n save_result(final.to_dict(mode="json"),"stream-result")\njson 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 glm-5.3, glm, glm-5, glm-5.1, glm-5.2, glm-latest
Ailoot Ultra glm-5.3, z-ai/glm-5.3, ~z-ai/glm-latest
/chat/completions
z-ai/glm-5.3, glm, glm-5, glm-5.1, glm-5.2, glm-latest, ~z-ai/glm-latest, glm-5.3, glm-5.3
glm-latestZ.ai GLM 5.3은 복잡한 소프트웨어 엔지니어링, 터미널 작업, 장기 에이전트를 위한 텍스트 추론 모델입니다. 제작사 문서에 명시된 1M토큰 컨텍스트, 최대 128K 출력 토큰, 함수 호출, low/high/max 추론 강도를 지원하며 추론은 항상 활성화됩니다.
이 설명은 모델의 기능을 다룹니다. Ailoot에서 사용할 수 있는 입력, 출력 및 옵션은 아래에 선택한 메서드별로 표시됩니다.
Z.ai GLM 5.3은 복잡한 소프트웨어 엔지니어링과 장기 에이전트 작업을 위해 설계된 대규모 텍스트 추론 모델입니다. 제조사는 GLM 5.2와 동일한 기반 모델을 사용하며 새 성능 향상은 사후 학습에서 나온다고 밝힙니다. 이번 릴리스는 프로그래밍, 터미널 작업, 여러 의존 단계가 있는 폭넓은 과제의 역량 강화에 중점을 둡니다. 텍스트를 입력받고 코드, 설명, 계획, 도구가 연결된 애플리케이션에서의 도구 호출 요청 등을 텍스트로 출력합니다.
문서화된 추론 모드는 항상 활성화됩니다. GLM 5.3은 low, high, max의 세 가지 강도를 제공하며 기본값은 max입니다. 제작사는 복잡한 코딩에 max를 권장하고, low는 간단한 단계에 더 가벼운 추론 옵션을 제공합니다. 선택한 강도와 함께 명확한 최종 산출물과 완료 기준을 제시하세요. 예를 들어 “이 파일과 실패 결과를 살펴보고, 영향받는 모듈 전반에서 원인을 추적한 뒤, 공개 인터페이스를 보존하는 수정안을 제시하고 어떤 검사가 회귀 문제가 해결되었음을 입증하는지 설명하세요”라고 요청할 수 있습니다.
제작사는 1M토큰의 컨텍스트 윈도와 128K토큰의 최대 출력 길이를 명시합니다. 모델이 조사해야 할 관계를 중심으로 긴 자료를 구성하세요. 파일 이름, 관련 정의, 원본 레이블, 관찰 순서를 보존하고 해당 작업 컨텍스트 안에 추론과 최종 답변 공간을 남기세요. 큰 윈도는 모듈 간 의존 관계나 긴 에이전트 관찰 순서에 유용하지만, 무관한 자료를 방향 없이 모아 둔다고 명확한 과제가 되지는 않습니다.
저장소 작업에서는 예상 동작, 관련 소스 텍스트, 의존성 버전, 실제 오류 출력을 제공하세요. 패치를 제안하기 전에 영향받는 동작을 파악하도록 요청하세요. 리팩터링에서는 보존할 인터페이스와 불변 조건을 명시하세요. 유용한 응답은 수정된 코드, 변경이 관찰된 문제를 해결하는 이유, 결과 확인에 필요한 사례를 포함합니다. 실제 결과를 도구가 연결된 작업 흐름에 다시 제공해 다음 단계가 이전 제안이 아닌 변경된 상태에 근거하도록 하세요.
성능 작업에서는 워크로드, 기준선, 실행 시간, 프로파일 또는 할당 기록 같은 측정치를 제공하세요. Z.ai는 병목 진단, 최적화, 실험, 정확성을 유지한 결과를 포함하는 학습 과제를 설명합니다. 실용적인 요청은 “이 프로파일로 가장 영향이 큰 병목을 찾고, 측정 가능한 변경 하나를 제안하며, 어떤 결과가 나와야 변경을 유지할 근거가 되는지 설명하세요”입니다. 성능 가설과 기록된 개선을 구분하세요. 결과를 살펴볼 때 같은 워크로드와 관련 조건을 유지하세요.
이번 릴리스는 취약점 분석 역량도 발전시킵니다. 방어 목적의 소스 검토에서는 관련 코드, 의도한 신뢰 경계, 실행 조건을 제공하세요. 의심되는 문제를 영향받는 입력과 동작, 집중된 개선 조치에 연결하는 분석 결과를 요청하세요. 잠재적 약점과 재현된 결함을 구분하고 검증에 사용한 관찰을 보존하세요. 의심스러운 패턴을 모두 확정된 취약점으로 취급하기보다 구체적인 근거와 수정 제안을 우선하는 보고서가 더 유용합니다.
함수 호출을 통해 주변 애플리케이션은 외부 작업을 모델에 제공할 수 있습니다. 각 도구의 목적, 인수, 예상 결과를 정의하고 실제 도구 관찰 결과를 다음 단계에 반환하세요. 모델은 그 결과를 추론하고 과제를 어떻게 바꿀지 판단할 수 있습니다. 제안된 행동, 실행된 작업, 미해결 검사를 구분하세요. 제작사는 추론과 답변 조각을 별도로 반환하는 스트리밍 응답도 문서화합니다. 이를 최종 보고서나 코드 설명으로 취급하기 전에 완성된 답변을 조합하세요.
로컬 모델 카드에는 구체적인 이력 설정이 나옵니다. 채팅 템플릿은 기본적으로 사고 내용을 유지하지만, 제작사는 일반 채팅에서는 이전 사고 내용을 명시적으로 지우도록 권장합니다. 용도에 맞는 대화 구조를 적용하고, 이어서 작업하는 데 필요한 실제 완성 답변과 도구 결과를 보존하세요. GLM 5.2나 별도 GLM 5.3 Flash 에디션의 추론 제어 설정을 이 모델의 low/high/max 제어와 상호 교환 가능한 것으로 취급하지 마세요.
구조화된 결과에서는 예상 필드, 유형, 원본 처리 규칙을 지정하세요. 결함 표, 변경 계획, 관찰을 요약한 JSON 객체 등이 유용한 산출물이 될 수 있습니다. 애플리케이션이 사용하기 전에 구조와 값을 모두 검증하세요. 최종 결과에는 답이나 수정 산출물, 이를 뒷받침하는 근거, 남은 가정이 표시되어야 합니다. 추론 강도가 높다고 도구가 실행되었거나 제안한 패치가 검사를 통과했거나 사실 주장이 제공된 자료 밖의 근거를 얻었다고 입증되지는 않습니다.
POST /v1/responsestexttext| 필드 | 유형 | 요건 | 값과 한도 | 기본값 |
|---|---|---|---|---|
필드model | 유형string | 요건필수 | 값과 한도 glm-latest | 기본값— |
필드input | 유형string|input_item[] | 요건필수 | 값과 한도 | 기본값— |
필드instructions | 유형string | 요건선택 사항 | 값과 한도 | 기본값— |
필드input[].type | 유형string | 요건선택 사항 | 값과 한도 message, reasoning, function_call, function_call_output | 기본값— |
필드input[].content | 유형string|content_part[] | 요건선택 사항 | 값과 한도 | 기본값— |
필드input[].call_id | 유형string | 요건선택 사항 | 값과 한도 적용 조건: function_call_output. 실제 반환된 call_id를 유지하세요 | 기본값— |
필드input[].output | 유형string|content_part[] | 요건선택 사항 | 값과 한도 적용 조건: function_call_output | 기본값— |
필드max_output_tokens | 유형integer | 요건선택 사항 | 값과 한도 최솟값: 1 모델에 따라 다름 | 기본값— |
필드stream | 유형boolean | 요건선택 사항 | 값과 한도 | 기본값false |
필드temperature | 유형number | 요건선택 사항 | 값과 한도 모델에 따라 다름 | 기본값— |
필드top_p | 유형number | 요건선택 사항 | 값과 한도 모델에 따라 다름 | 기본값— |
필드tools | 유형tool[] | 요건선택 사항 | 값과 한도 모델에 따라 다름 | 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— |
필드reasoning.effort | 유형string | 요건선택 사항 | 값과 한도 모델에 따라 다름 | 기본값— |
필드reasoning.summary | 유형string | 요건선택 사항 | 값과 한도 모델에 따라 다름 | 기본값— |
필드text.format | 유형object | 요건선택 사항 | 값과 한도 모델에 따라 다름 | 기본값— |
필드text.verbosity | 유형string | 요건선택 사항 | 값과 한도 모델에 따라 다름 | 기본값— |
필드include | 유형string[] | 요건선택 사항 | 값과 한도 모델에 따라 다름 | 기본값— |
필드store | 유형boolean | 요건선택 사항 | 값과 한도 모델에 따라 다름 | 기본값— |
필드previous_response_id | 유형string | 요건선택 사항 | 값과 한도 ID 요건: 지원되는 이어가기의 실제 응답 ID만 사용 모델에 따라 다름 | 기본값— |
필드service_tier | 유형string | 요건선택 사항 | 값과 한도 모델에 따라 다름 | 기본값— |
필드prompt_cache_key | 유형string | 요건선택 사항 | 값과 한도 모델에 따라 다름 | 기본값— |
필드prompt_cache_options | 유형object | 요건선택 사항 | 값과 한도 모델에 따라 다름 | 기본값— |
텍스트 · UTF8 텍스트
입력 텍스트 또는 input_text 파트
| 매개변수 | 명세 |
|---|---|
매개변수material_types | 명세text |
매개변수required | 명세model, input |
매개변수optional_controls | 명세null |
매개변수content_type | 명세application/json |
매개변수text_file_material | 명세실제 UTF-8 콘텐츠를 텍스트로 삽입합니다. 파일 ID/URLs에는 별도의 정확한 지원이 필요합니다 |
수명 주기: exact retained published method
메서드 형식과 ID는 정확합니다. 공급자의 기능 지원과 요청 수락은 별개입니다.
POST /v1/responsesAiloot는 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 →
모델 수준의 참조 요금표는 메서드 선택, 견적 또는 요금을 변경하지 않습니다. 실제 과금에는 선택한 Ailoot 메서드 요금이 적용됩니다.
각 요금을 표시된 조건과 대조하세요. 서로 대체되는 설정 묶음마다 하나의 요금만 적용하세요.
| 설정 | 요금표 | 컨텍스트 토큰 수 초과 기준 | 컨텍스트 토큰 수 이하 기준 | 요금 |
|---|---|---|---|---|
| 설정OpenAI Chat · 기본 토큰 요금 | 요금표기본 요금 | 컨텍스트 토큰 수 초과 기준— | 컨텍스트 토큰 수 이하 기준상한 없음 | 요금 입력 · 입력 토큰 $0.0028 / 1K 토큰 출력 · 출력 토큰 $0.0088 / 1K 토큰 입력 · 캐시 읽기 $0.00052 / 1K 토큰 입력 · 캐시 쓰기 — / 1K 토큰 입력 · 캐시 쓰기, 1시간 — / 1K 토큰 |
| 설정OpenAI Chat · 요청 길이 구간 1 | 요금표— | 컨텍스트 토큰 수 초과 기준0 | 컨텍스트 토큰 수 이하 기준상한 없음 | 요금 입력 · 입력 토큰 $0.0028 / 1K 토큰 출력 · 출력 토큰 $0.0088 / 1K 토큰 입력 · 캐시 읽기 $0.00052 / 1K 토큰 입력 · 캐시 쓰기 — / 1K 토큰 입력 · 캐시 쓰기, 1시간 — / 1K 토큰 |
| 설정Anthropic Messages · 기본 토큰 요금 | 요금표기본 요금 | 컨텍스트 토큰 수 초과 기준— | 컨텍스트 토큰 수 이하 기준상한 없음 | 요금 입력 · 입력 토큰 $0.0028 / 1K 토큰 출력 · 출력 토큰 $0.0088 / 1K 토큰 입력 · 캐시 읽기 $0.00052 / 1K 토큰 입력 · 캐시 쓰기 — / 1K 토큰 입력 · 캐시 쓰기, 1시간 — / 1K 토큰 |
| 설정Anthropic Messages · 요청 길이 구간 1 | 요금표— | 컨텍스트 토큰 수 초과 기준0 | 컨텍스트 토큰 수 이하 기준상한 없음 | 요금 입력 · 입력 토큰 $0.0028 / 1K 토큰 출력 · 출력 토큰 $0.0088 / 1K 토큰 입력 · 캐시 읽기 $0.00052 / 1K 토큰 입력 · 캐시 쓰기 — / 1K 토큰 입력 · 캐시 쓰기, 1시간 — / 1K 토큰 |
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 source-material file}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "glm-latest", "input": ""}')\nf=Path(os.environ["AILOOT_TEXT_FILE"])\nif not f.is_file():raise SystemExit("Choose your actual UTF-8 source material")\ntext=f.read_text(encoding="utf-8")\nif not text.strip():raise SystemExit("Source material must contain text")\np["input"]="Summarize this material and quote supporting source passages.\\n\\n"+text\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/responses \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(json.loads(Path("result.json").read_text(encoding="utf-8")))\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient = OpenAI(base_url="https://api.ailoot.ai/v1", api_key=os.environ["AILOOT_API_KEY"], max_retries=0)\nresp = client.responses.create(model="glm-latest", input="Explain the difference between an observation and a hypothesis in three sentences.")\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(resp.to_dict(mode="json"))\nimport OpenAI from "openai";\n\nif (!process.env.AILOOT_API_KEY?.trim()) throw new Error("Set AILOOT_API_KEY before making a request");\nconst client = new OpenAI({ baseURL: "https://api.ailoot.ai/v1", apiKey: process.env.AILOOT_API_KEY, maxRetries: 0 });\nconst resp = await client.responses.create({ model: "glm-latest", input: "Explain the difference between an observation and a hypothesis in three sentences." });\nimport { writeFileSync } from "node:fs";\n\nfunction saveResult(data, stem = "result") {\n writeFileSync(stem + ".json", JSON.stringify(data, null, 2));\n console.log(JSON.stringify(data, null, 2));\n const saveBlob = (encoded, suffix, label) => {\n const raw = Buffer.from(encoded, "base64");\n const ext = raw.subarray(0,8).equals(Buffer.from([137,80,78,71,13,10,26,10])) ? "png" : raw[0]===255 && raw[1]===216 ? "jpg" : raw.subarray(0,4).toString()==="RIFF" && raw.subarray(8,12).toString()==="WEBP" ? "webp" : suffix;\n const file = `${stem}-${label}.${ext}`;\n writeFileSync(file, raw); console.log("Saved", file);\n };\n for (const [i, block] of (data.content || []).entries()) console.log("Content", i, JSON.stringify(block));\n for (const choice of data.choices || []) console.log("Choice", choice.index, JSON.stringify(choice.message || choice.delta || {}));\n for (const [i, item] of (data.output || []).entries()) {\n console.log("Output", i, JSON.stringify(item));\n if (item.type === "image_generation_call" && item.result) saveBlob(item.result, item.output_format || "bin", `output-${i}`);\n }\n for (const [ci, candidate] of (data.candidates || []).entries()) {\n for (const [pi, part] of (candidate.content?.parts || []).entries()) {\n console.log("Candidate/part", ci, pi, JSON.stringify(part));\n const blob = part.inlineData || part.inline_data;\n if (blob?.data) {\n const mime = blob.mimeType || blob.mime_type;\n const suffix = ({"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"})[mime] || "bin";\n saveBlob(blob.data, suffix, `candidate-${ci}-part-${pi}`);\n }\n }\n }\n}\n\nsaveResult(resp);\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nwith client.responses.stream(model="glm-latest", input="Explain the difference between an observation and a hypothesis in three sentences.") as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_response()\n save_result(final.to_dict(mode="json"),"stream-result")\njson 또는 SSE
반환된 완전한 응답, 파일, 콘텐츠 부분을 모두 보관하세요.
모든 출력 항목과 콘텐츠 파트, 실제 함수 call_id, 암호화된 추론, 사용량을 보존하세요. 스트리밍에서는 이벤트/항목의 식별 정보를 완전하게 유지하세요.
요청/응답 ID와 헤더를 보존하세요. 텍스트 작업을 조회하는 범용 URL은 제공되지 않습니다.
| 필드 | 유형 |
|---|---|
필드id | 유형string |
필드status | 유형string |
필드output[] | 유형message|reasoning|function_call|other item |
필드output[].content[] | 유형content part |
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 glm-5.3, glm, glm-5, glm-5.1, glm-5.2, glm-latest
Ailoot Ultra glm-5.3, z-ai/glm-5.3, ~z-ai/glm-latest
/chat/completions
z-ai/glm-5.3, glm, glm-5, glm-5.1, glm-5.2, glm-latest, ~z-ai/glm-latest, glm-5.3, glm-5.3
glm-latestZ.ai GLM 5.3은 복잡한 소프트웨어 엔지니어링, 터미널 작업, 장기 에이전트를 위한 텍스트 추론 모델입니다. 제작사 문서에 명시된 1M토큰 컨텍스트, 최대 128K 출력 토큰, 함수 호출, low/high/max 추론 강도를 지원하며 추론은 항상 활성화됩니다.
이 설명은 모델의 기능을 다룹니다. Ailoot에서 사용할 수 있는 입력, 출력 및 옵션은 아래에 선택한 메서드별로 표시됩니다.
Z.ai GLM 5.3은 복잡한 소프트웨어 엔지니어링과 장기 에이전트 작업을 위해 설계된 대규모 텍스트 추론 모델입니다. 제조사는 GLM 5.2와 동일한 기반 모델을 사용하며 새 성능 향상은 사후 학습에서 나온다고 밝힙니다. 이번 릴리스는 프로그래밍, 터미널 작업, 여러 의존 단계가 있는 폭넓은 과제의 역량 강화에 중점을 둡니다. 텍스트를 입력받고 코드, 설명, 계획, 도구가 연결된 애플리케이션에서의 도구 호출 요청 등을 텍스트로 출력합니다.
문서화된 추론 모드는 항상 활성화됩니다. GLM 5.3은 low, high, max의 세 가지 강도를 제공하며 기본값은 max입니다. 제작사는 복잡한 코딩에 max를 권장하고, low는 간단한 단계에 더 가벼운 추론 옵션을 제공합니다. 선택한 강도와 함께 명확한 최종 산출물과 완료 기준을 제시하세요. 예를 들어 “이 파일과 실패 결과를 살펴보고, 영향받는 모듈 전반에서 원인을 추적한 뒤, 공개 인터페이스를 보존하는 수정안을 제시하고 어떤 검사가 회귀 문제가 해결되었음을 입증하는지 설명하세요”라고 요청할 수 있습니다.
제작사는 1M토큰의 컨텍스트 윈도와 128K토큰의 최대 출력 길이를 명시합니다. 모델이 조사해야 할 관계를 중심으로 긴 자료를 구성하세요. 파일 이름, 관련 정의, 원본 레이블, 관찰 순서를 보존하고 해당 작업 컨텍스트 안에 추론과 최종 답변 공간을 남기세요. 큰 윈도는 모듈 간 의존 관계나 긴 에이전트 관찰 순서에 유용하지만, 무관한 자료를 방향 없이 모아 둔다고 명확한 과제가 되지는 않습니다.
저장소 작업에서는 예상 동작, 관련 소스 텍스트, 의존성 버전, 실제 오류 출력을 제공하세요. 패치를 제안하기 전에 영향받는 동작을 파악하도록 요청하세요. 리팩터링에서는 보존할 인터페이스와 불변 조건을 명시하세요. 유용한 응답은 수정된 코드, 변경이 관찰된 문제를 해결하는 이유, 결과 확인에 필요한 사례를 포함합니다. 실제 결과를 도구가 연결된 작업 흐름에 다시 제공해 다음 단계가 이전 제안이 아닌 변경된 상태에 근거하도록 하세요.
성능 작업에서는 워크로드, 기준선, 실행 시간, 프로파일 또는 할당 기록 같은 측정치를 제공하세요. Z.ai는 병목 진단, 최적화, 실험, 정확성을 유지한 결과를 포함하는 학습 과제를 설명합니다. 실용적인 요청은 “이 프로파일로 가장 영향이 큰 병목을 찾고, 측정 가능한 변경 하나를 제안하며, 어떤 결과가 나와야 변경을 유지할 근거가 되는지 설명하세요”입니다. 성능 가설과 기록된 개선을 구분하세요. 결과를 살펴볼 때 같은 워크로드와 관련 조건을 유지하세요.
이번 릴리스는 취약점 분석 역량도 발전시킵니다. 방어 목적의 소스 검토에서는 관련 코드, 의도한 신뢰 경계, 실행 조건을 제공하세요. 의심되는 문제를 영향받는 입력과 동작, 집중된 개선 조치에 연결하는 분석 결과를 요청하세요. 잠재적 약점과 재현된 결함을 구분하고 검증에 사용한 관찰을 보존하세요. 의심스러운 패턴을 모두 확정된 취약점으로 취급하기보다 구체적인 근거와 수정 제안을 우선하는 보고서가 더 유용합니다.
함수 호출을 통해 주변 애플리케이션은 외부 작업을 모델에 제공할 수 있습니다. 각 도구의 목적, 인수, 예상 결과를 정의하고 실제 도구 관찰 결과를 다음 단계에 반환하세요. 모델은 그 결과를 추론하고 과제를 어떻게 바꿀지 판단할 수 있습니다. 제안된 행동, 실행된 작업, 미해결 검사를 구분하세요. 제작사는 추론과 답변 조각을 별도로 반환하는 스트리밍 응답도 문서화합니다. 이를 최종 보고서나 코드 설명으로 취급하기 전에 완성된 답변을 조합하세요.
로컬 모델 카드에는 구체적인 이력 설정이 나옵니다. 채팅 템플릿은 기본적으로 사고 내용을 유지하지만, 제작사는 일반 채팅에서는 이전 사고 내용을 명시적으로 지우도록 권장합니다. 용도에 맞는 대화 구조를 적용하고, 이어서 작업하는 데 필요한 실제 완성 답변과 도구 결과를 보존하세요. GLM 5.2나 별도 GLM 5.3 Flash 에디션의 추론 제어 설정을 이 모델의 low/high/max 제어와 상호 교환 가능한 것으로 취급하지 마세요.
구조화된 결과에서는 예상 필드, 유형, 원본 처리 규칙을 지정하세요. 결함 표, 변경 계획, 관찰을 요약한 JSON 객체 등이 유용한 산출물이 될 수 있습니다. 애플리케이션이 사용하기 전에 구조와 값을 모두 검증하세요. 최종 결과에는 답이나 수정 산출물, 이를 뒷받침하는 근거, 남은 가정이 표시되어야 합니다. 추론 강도가 높다고 도구가 실행되었거나 제안한 패치가 검사를 통과했거나 사실 주장이 제공된 자료 밖의 근거를 얻었다고 입증되지는 않습니다.
POST /v1/chat/completionstexttext| 필드 | 유형 | 요건 | 값과 한도 | 기본값 |
|---|---|---|---|---|
필드model | 유형string | 요건필수 | 값과 한도 glm-latest | 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 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— |
텍스트 · UTF8 텍스트
messages[].content
| 매개변수 | 명세 |
|---|---|
매개변수material_types | 명세text |
매개변수required | 명세model, messages |
매개변수optional_controls | 명세null |
매개변수content_type | 명세application/json |
매개변수text_file_material | 명세실제 UTF-8 콘텐츠를 텍스트로 삽입합니다. 파일 ID/URLs에는 별도의 정확한 지원이 필요합니다 |
수명 주기: exact retained published method
메서드 형식과 ID는 정확합니다. 공급자의 기능 지원과 요청 수락은 별개입니다.
POST /v1/chat/completionsAiloot는 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 →
모델 수준의 참조 요금표는 메서드 선택, 견적 또는 요금을 변경하지 않습니다. 실제 과금에는 선택한 Ailoot 메서드 요금이 적용됩니다.
각 요금을 표시된 조건과 대조하세요. 서로 대체되는 설정 묶음마다 하나의 요금만 적용하세요.
| 설정 | 요금표 | 컨텍스트 토큰 수 초과 기준 | 컨텍스트 토큰 수 이하 기준 | 요금 |
|---|---|---|---|---|
| 설정OpenAI Chat · 기본 토큰 요금 | 요금표기본 요금 | 컨텍스트 토큰 수 초과 기준— | 컨텍스트 토큰 수 이하 기준상한 없음 | 요금 입력 · 입력 토큰 $0.0028 / 1K 토큰 출력 · 출력 토큰 $0.0088 / 1K 토큰 입력 · 캐시 읽기 $0.00052 / 1K 토큰 입력 · 캐시 쓰기 — / 1K 토큰 입력 · 캐시 쓰기, 1시간 — / 1K 토큰 |
| 설정OpenAI Chat · 요청 길이 구간 1 | 요금표— | 컨텍스트 토큰 수 초과 기준0 | 컨텍스트 토큰 수 이하 기준상한 없음 | 요금 입력 · 입력 토큰 $0.0028 / 1K 토큰 출력 · 출력 토큰 $0.0088 / 1K 토큰 입력 · 캐시 읽기 $0.00052 / 1K 토큰 입력 · 캐시 쓰기 — / 1K 토큰 입력 · 캐시 쓰기, 1시간 — / 1K 토큰 |
| 설정Anthropic Messages · 기본 토큰 요금 | 요금표기본 요금 | 컨텍스트 토큰 수 초과 기준— | 컨텍스트 토큰 수 이하 기준상한 없음 | 요금 입력 · 입력 토큰 $0.0028 / 1K 토큰 출력 · 출력 토큰 $0.0088 / 1K 토큰 입력 · 캐시 읽기 $0.00052 / 1K 토큰 입력 · 캐시 쓰기 — / 1K 토큰 입력 · 캐시 쓰기, 1시간 — / 1K 토큰 |
| 설정Anthropic Messages · 요청 길이 구간 1 | 요금표— | 컨텍스트 토큰 수 초과 기준0 | 컨텍스트 토큰 수 이하 기준상한 없음 | 요금 입력 · 입력 토큰 $0.0028 / 1K 토큰 출력 · 출력 토큰 $0.0088 / 1K 토큰 입력 · 캐시 읽기 $0.00052 / 1K 토큰 입력 · 캐시 쓰기 — / 1K 토큰 입력 · 캐시 쓰기, 1시간 — / 1K 토큰 |
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 source-material file}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "glm-latest", "messages": []}')\nf=Path(os.environ["AILOOT_TEXT_FILE"])\nif not f.is_file():raise SystemExit("Choose your actual UTF-8 source material")\ntext=f.read_text(encoding="utf-8")\nif not text.strip():raise SystemExit("Source material must contain text")\np["messages"]=[{"role":"user","content":"Summarize this material and quote supporting source passages.\\n\\n"+text}]\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nprint(json.dumps(json.loads(Path("result.json").read_text()),ensure_ascii=False,indent=2))\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient = OpenAI(base_url="https://api.ailoot.ai/v1", api_key=os.environ["AILOOT_API_KEY"], max_retries=0)\nresp = client.chat.completions.create(\n model="glm-latest",\n messages=[{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}],\n)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(resp.to_dict(mode="json"))\nimport OpenAI from "openai";\n\nif (!process.env.AILOOT_API_KEY?.trim()) throw new Error("Set AILOOT_API_KEY before making a request");\nconst client = new OpenAI({ baseURL: "https://api.ailoot.ai/v1", apiKey: process.env.AILOOT_API_KEY, maxRetries: 0 });\nconst resp = await client.chat.completions.create({\n model: "glm-latest",\n messages: [{ role: "user", content: "Explain the difference between an observation and a hypothesis in three sentences." }],\n});\nimport { writeFileSync } from "node:fs";\n\nfunction saveResult(data, stem = "result") {\n writeFileSync(stem + ".json", JSON.stringify(data, null, 2));\n console.log(JSON.stringify(data, null, 2));\n const saveBlob = (encoded, suffix, label) => {\n const raw = Buffer.from(encoded, "base64");\n const ext = raw.subarray(0,8).equals(Buffer.from([137,80,78,71,13,10,26,10])) ? "png" : raw[0]===255 && raw[1]===216 ? "jpg" : raw.subarray(0,4).toString()==="RIFF" && raw.subarray(8,12).toString()==="WEBP" ? "webp" : suffix;\n const file = `${stem}-${label}.${ext}`;\n writeFileSync(file, raw); console.log("Saved", file);\n };\n for (const [i, block] of (data.content || []).entries()) console.log("Content", i, JSON.stringify(block));\n for (const choice of data.choices || []) console.log("Choice", choice.index, JSON.stringify(choice.message || choice.delta || {}));\n for (const [i, item] of (data.output || []).entries()) {\n console.log("Output", i, JSON.stringify(item));\n if (item.type === "image_generation_call" && item.result) saveBlob(item.result, item.output_format || "bin", `output-${i}`);\n }\n for (const [ci, candidate] of (data.candidates || []).entries()) {\n for (const [pi, part] of (candidate.content?.parts || []).entries()) {\n console.log("Candidate/part", ci, pi, JSON.stringify(part));\n const blob = part.inlineData || part.inline_data;\n if (blob?.data) {\n const mime = blob.mimeType || blob.mime_type;\n const suffix = ({"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"})[mime] || "bin";\n saveBlob(blob.data, suffix, `candidate-${ci}-part-${pi}`);\n }\n }\n }\n}\n\nsaveResult(resp);\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='glm-latest',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson 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 glm-5.3, glm, glm-5, glm-5.1, glm-5.2, glm-latest
Ailoot Ultra glm-5.3, z-ai/glm-5.3, ~z-ai/glm-latest
/chat/completions
z-ai/glm-5.3, glm, glm-5, glm-5.1, glm-5.2, glm-latest, ~z-ai/glm-latest, glm-5.3, glm-5.3
z-ai/glm-5.3Z.ai GLM 5.3은 복잡한 소프트웨어 엔지니어링, 터미널 작업, 장기 에이전트를 위한 텍스트 추론 모델입니다. 제작사 문서에 명시된 1M토큰 컨텍스트, 최대 128K 출력 토큰, 함수 호출, low/high/max 추론 강도를 지원하며 추론은 항상 활성화됩니다.
이 설명은 모델의 기능을 다룹니다. Ailoot에서 사용할 수 있는 입력, 출력 및 옵션은 아래에 선택한 메서드별로 표시됩니다.
Z.ai GLM 5.3은 복잡한 소프트웨어 엔지니어링과 장기 에이전트 작업을 위해 설계된 대규모 텍스트 추론 모델입니다. 제조사는 GLM 5.2와 동일한 기반 모델을 사용하며 새 성능 향상은 사후 학습에서 나온다고 밝힙니다. 이번 릴리스는 프로그래밍, 터미널 작업, 여러 의존 단계가 있는 폭넓은 과제의 역량 강화에 중점을 둡니다. 텍스트를 입력받고 코드, 설명, 계획, 도구가 연결된 애플리케이션에서의 도구 호출 요청 등을 텍스트로 출력합니다.
문서화된 추론 모드는 항상 활성화됩니다. GLM 5.3은 low, high, max의 세 가지 강도를 제공하며 기본값은 max입니다. 제작사는 복잡한 코딩에 max를 권장하고, low는 간단한 단계에 더 가벼운 추론 옵션을 제공합니다. 선택한 강도와 함께 명확한 최종 산출물과 완료 기준을 제시하세요. 예를 들어 “이 파일과 실패 결과를 살펴보고, 영향받는 모듈 전반에서 원인을 추적한 뒤, 공개 인터페이스를 보존하는 수정안을 제시하고 어떤 검사가 회귀 문제가 해결되었음을 입증하는지 설명하세요”라고 요청할 수 있습니다.
제작사는 1M토큰의 컨텍스트 윈도와 128K토큰의 최대 출력 길이를 명시합니다. 모델이 조사해야 할 관계를 중심으로 긴 자료를 구성하세요. 파일 이름, 관련 정의, 원본 레이블, 관찰 순서를 보존하고 해당 작업 컨텍스트 안에 추론과 최종 답변 공간을 남기세요. 큰 윈도는 모듈 간 의존 관계나 긴 에이전트 관찰 순서에 유용하지만, 무관한 자료를 방향 없이 모아 둔다고 명확한 과제가 되지는 않습니다.
저장소 작업에서는 예상 동작, 관련 소스 텍스트, 의존성 버전, 실제 오류 출력을 제공하세요. 패치를 제안하기 전에 영향받는 동작을 파악하도록 요청하세요. 리팩터링에서는 보존할 인터페이스와 불변 조건을 명시하세요. 유용한 응답은 수정된 코드, 변경이 관찰된 문제를 해결하는 이유, 결과 확인에 필요한 사례를 포함합니다. 실제 결과를 도구가 연결된 작업 흐름에 다시 제공해 다음 단계가 이전 제안이 아닌 변경된 상태에 근거하도록 하세요.
성능 작업에서는 워크로드, 기준선, 실행 시간, 프로파일 또는 할당 기록 같은 측정치를 제공하세요. Z.ai는 병목 진단, 최적화, 실험, 정확성을 유지한 결과를 포함하는 학습 과제를 설명합니다. 실용적인 요청은 “이 프로파일로 가장 영향이 큰 병목을 찾고, 측정 가능한 변경 하나를 제안하며, 어떤 결과가 나와야 변경을 유지할 근거가 되는지 설명하세요”입니다. 성능 가설과 기록된 개선을 구분하세요. 결과를 살펴볼 때 같은 워크로드와 관련 조건을 유지하세요.
이번 릴리스는 취약점 분석 역량도 발전시킵니다. 방어 목적의 소스 검토에서는 관련 코드, 의도한 신뢰 경계, 실행 조건을 제공하세요. 의심되는 문제를 영향받는 입력과 동작, 집중된 개선 조치에 연결하는 분석 결과를 요청하세요. 잠재적 약점과 재현된 결함을 구분하고 검증에 사용한 관찰을 보존하세요. 의심스러운 패턴을 모두 확정된 취약점으로 취급하기보다 구체적인 근거와 수정 제안을 우선하는 보고서가 더 유용합니다.
함수 호출을 통해 주변 애플리케이션은 외부 작업을 모델에 제공할 수 있습니다. 각 도구의 목적, 인수, 예상 결과를 정의하고 실제 도구 관찰 결과를 다음 단계에 반환하세요. 모델은 그 결과를 추론하고 과제를 어떻게 바꿀지 판단할 수 있습니다. 제안된 행동, 실행된 작업, 미해결 검사를 구분하세요. 제작사는 추론과 답변 조각을 별도로 반환하는 스트리밍 응답도 문서화합니다. 이를 최종 보고서나 코드 설명으로 취급하기 전에 완성된 답변을 조합하세요.
로컬 모델 카드에는 구체적인 이력 설정이 나옵니다. 채팅 템플릿은 기본적으로 사고 내용을 유지하지만, 제작사는 일반 채팅에서는 이전 사고 내용을 명시적으로 지우도록 권장합니다. 용도에 맞는 대화 구조를 적용하고, 이어서 작업하는 데 필요한 실제 완성 답변과 도구 결과를 보존하세요. GLM 5.2나 별도 GLM 5.3 Flash 에디션의 추론 제어 설정을 이 모델의 low/high/max 제어와 상호 교환 가능한 것으로 취급하지 마세요.
구조화된 결과에서는 예상 필드, 유형, 원본 처리 규칙을 지정하세요. 결함 표, 변경 계획, 관찰을 요약한 JSON 객체 등이 유용한 산출물이 될 수 있습니다. 애플리케이션이 사용하기 전에 구조와 값을 모두 검증하세요. 최종 결과에는 답이나 수정 산출물, 이를 뒷받침하는 근거, 남은 가정이 표시되어야 합니다. 추론 강도가 높다고 도구가 실행되었거나 제안한 패치가 검사를 통과했거나 사실 주장이 제공된 자료 밖의 근거를 얻었다고 입증되지는 않습니다.
POST /v1/chat/completionstexttext| 필드 | 유형 | 요건 | 값과 한도 | 기본값 |
|---|---|---|---|---|
필드model | 유형string | 요건필수 | 값과 한도 z-ai/glm-5.3 | 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.
각 요금을 표시된 조건과 대조하세요. 서로 대체되는 설정 묶음마다 하나의 요금만 적용하세요.
| 설정 | 요금표 | 컨텍스트 토큰 수 초과 기준 | 컨텍스트 토큰 수 이하 기준 | 요금 |
|---|---|---|---|---|
| 설정토큰의 기본 단가 | 요금표기본 요금 | 컨텍스트 토큰 수 초과 기준— | 컨텍스트 토큰 수 이하 기준상한 없음 | 요금 입력 · 입력 토큰 $0.0028 / 1K 토큰 출력 · 출력 토큰 $0.0088 / 1K 토큰 입력 · 캐시 읽기 $0.00052 / 1K 토큰 입력 · 캐시 쓰기 — / 1K 토큰 입력 · 캐시 쓰기, 1시간 — / 1K 토큰 |
| 설정요청 길이 구간 1 | 요금표— | 컨텍스트 토큰 수 초과 기준0 | 컨텍스트 토큰 수 이하 기준상한 없음 | 요금 입력 · 입력 토큰 $0.0028 / 1K 토큰 출력 · 출력 토큰 $0.0088 / 1K 토큰 입력 · 캐시 읽기 $0.00052 / 1K 토큰 입력 · 캐시 쓰기 — / 1K 토큰 입력 · 캐시 쓰기, 1시간 — / 1K 토큰 |
Ailoot는 요청 전에 예상 금액을 미리 확보합니다. 결과를 받은 뒤 측정된 사용량을 기준으로 최종 요금을 정산합니다. 스트리밍 정산에는 최종 사용량 기록을 사용합니다. 금액 확보와 정산 방식 →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "z-ai/glm-5.3", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='z-ai/glm-5.3',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='z-ai/glm-5.3',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson 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 glm-5.3, glm, glm-5, glm-5.1, glm-5.2, glm-latest
Ailoot Ultra glm-5.3, z-ai/glm-5.3, ~z-ai/glm-latest
/chat/completions
z-ai/glm-5.3, glm, glm-5, glm-5.1, glm-5.2, glm-latest, ~z-ai/glm-latest, glm-5.3, glm-5.3
z-ai/glm-5.3Z.ai GLM 5.3은 복잡한 소프트웨어 엔지니어링, 터미널 작업, 장기 에이전트를 위한 텍스트 추론 모델입니다. 제작사 문서에 명시된 1M토큰 컨텍스트, 최대 128K 출력 토큰, 함수 호출, low/high/max 추론 강도를 지원하며 추론은 항상 활성화됩니다.
이 설명은 모델의 기능을 다룹니다. Ailoot에서 사용할 수 있는 입력, 출력 및 옵션은 아래에 선택한 메서드별로 표시됩니다.
Z.ai GLM 5.3은 복잡한 소프트웨어 엔지니어링과 장기 에이전트 작업을 위해 설계된 대규모 텍스트 추론 모델입니다. 제조사는 GLM 5.2와 동일한 기반 모델을 사용하며 새 성능 향상은 사후 학습에서 나온다고 밝힙니다. 이번 릴리스는 프로그래밍, 터미널 작업, 여러 의존 단계가 있는 폭넓은 과제의 역량 강화에 중점을 둡니다. 텍스트를 입력받고 코드, 설명, 계획, 도구가 연결된 애플리케이션에서의 도구 호출 요청 등을 텍스트로 출력합니다.
문서화된 추론 모드는 항상 활성화됩니다. GLM 5.3은 low, high, max의 세 가지 강도를 제공하며 기본값은 max입니다. 제작사는 복잡한 코딩에 max를 권장하고, low는 간단한 단계에 더 가벼운 추론 옵션을 제공합니다. 선택한 강도와 함께 명확한 최종 산출물과 완료 기준을 제시하세요. 예를 들어 “이 파일과 실패 결과를 살펴보고, 영향받는 모듈 전반에서 원인을 추적한 뒤, 공개 인터페이스를 보존하는 수정안을 제시하고 어떤 검사가 회귀 문제가 해결되었음을 입증하는지 설명하세요”라고 요청할 수 있습니다.
제작사는 1M토큰의 컨텍스트 윈도와 128K토큰의 최대 출력 길이를 명시합니다. 모델이 조사해야 할 관계를 중심으로 긴 자료를 구성하세요. 파일 이름, 관련 정의, 원본 레이블, 관찰 순서를 보존하고 해당 작업 컨텍스트 안에 추론과 최종 답변 공간을 남기세요. 큰 윈도는 모듈 간 의존 관계나 긴 에이전트 관찰 순서에 유용하지만, 무관한 자료를 방향 없이 모아 둔다고 명확한 과제가 되지는 않습니다.
저장소 작업에서는 예상 동작, 관련 소스 텍스트, 의존성 버전, 실제 오류 출력을 제공하세요. 패치를 제안하기 전에 영향받는 동작을 파악하도록 요청하세요. 리팩터링에서는 보존할 인터페이스와 불변 조건을 명시하세요. 유용한 응답은 수정된 코드, 변경이 관찰된 문제를 해결하는 이유, 결과 확인에 필요한 사례를 포함합니다. 실제 결과를 도구가 연결된 작업 흐름에 다시 제공해 다음 단계가 이전 제안이 아닌 변경된 상태에 근거하도록 하세요.
성능 작업에서는 워크로드, 기준선, 실행 시간, 프로파일 또는 할당 기록 같은 측정치를 제공하세요. Z.ai는 병목 진단, 최적화, 실험, 정확성을 유지한 결과를 포함하는 학습 과제를 설명합니다. 실용적인 요청은 “이 프로파일로 가장 영향이 큰 병목을 찾고, 측정 가능한 변경 하나를 제안하며, 어떤 결과가 나와야 변경을 유지할 근거가 되는지 설명하세요”입니다. 성능 가설과 기록된 개선을 구분하세요. 결과를 살펴볼 때 같은 워크로드와 관련 조건을 유지하세요.
이번 릴리스는 취약점 분석 역량도 발전시킵니다. 방어 목적의 소스 검토에서는 관련 코드, 의도한 신뢰 경계, 실행 조건을 제공하세요. 의심되는 문제를 영향받는 입력과 동작, 집중된 개선 조치에 연결하는 분석 결과를 요청하세요. 잠재적 약점과 재현된 결함을 구분하고 검증에 사용한 관찰을 보존하세요. 의심스러운 패턴을 모두 확정된 취약점으로 취급하기보다 구체적인 근거와 수정 제안을 우선하는 보고서가 더 유용합니다.
함수 호출을 통해 주변 애플리케이션은 외부 작업을 모델에 제공할 수 있습니다. 각 도구의 목적, 인수, 예상 결과를 정의하고 실제 도구 관찰 결과를 다음 단계에 반환하세요. 모델은 그 결과를 추론하고 과제를 어떻게 바꿀지 판단할 수 있습니다. 제안된 행동, 실행된 작업, 미해결 검사를 구분하세요. 제작사는 추론과 답변 조각을 별도로 반환하는 스트리밍 응답도 문서화합니다. 이를 최종 보고서나 코드 설명으로 취급하기 전에 완성된 답변을 조합하세요.
로컬 모델 카드에는 구체적인 이력 설정이 나옵니다. 채팅 템플릿은 기본적으로 사고 내용을 유지하지만, 제작사는 일반 채팅에서는 이전 사고 내용을 명시적으로 지우도록 권장합니다. 용도에 맞는 대화 구조를 적용하고, 이어서 작업하는 데 필요한 실제 완성 답변과 도구 결과를 보존하세요. GLM 5.2나 별도 GLM 5.3 Flash 에디션의 추론 제어 설정을 이 모델의 low/high/max 제어와 상호 교환 가능한 것으로 취급하지 마세요.
구조화된 결과에서는 예상 필드, 유형, 원본 처리 규칙을 지정하세요. 결함 표, 변경 계획, 관찰을 요약한 JSON 객체 등이 유용한 산출물이 될 수 있습니다. 애플리케이션이 사용하기 전에 구조와 값을 모두 검증하세요. 최종 결과에는 답이나 수정 산출물, 이를 뒷받침하는 근거, 남은 가정이 표시되어야 합니다. 추론 강도가 높다고 도구가 실행되었거나 제안한 패치가 검사를 통과했거나 사실 주장이 제공된 자료 밖의 근거를 얻었다고 입증되지는 않습니다.
POST /v1/messagestextjson, sse| 필드 | 유형 | 요건 | 값과 한도 | 기본값 |
|---|---|---|---|---|
필드model | 유형string | 요건필수 | 값과 한도 z-ai/glm-5.3 | 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.
각 요금을 표시된 조건과 대조하세요. 서로 대체되는 설정 묶음마다 하나의 요금만 적용하세요.
| 설정 | 요금표 | 컨텍스트 토큰 수 초과 기준 | 컨텍스트 토큰 수 이하 기준 | 요금 |
|---|---|---|---|---|
| 설정토큰의 기본 단가 | 요금표기본 요금 | 컨텍스트 토큰 수 초과 기준— | 컨텍스트 토큰 수 이하 기준상한 없음 | 요금 입력 · 입력 토큰 $0.0028 / 1K 토큰 출력 · 출력 토큰 $0.0088 / 1K 토큰 입력 · 캐시 읽기 $0.00052 / 1K 토큰 입력 · 캐시 쓰기 — / 1K 토큰 입력 · 캐시 쓰기, 1시간 — / 1K 토큰 |
| 설정요청 길이 구간 1 | 요금표— | 컨텍스트 토큰 수 초과 기준0 | 컨텍스트 토큰 수 이하 기준상한 없음 | 요금 입력 · 입력 토큰 $0.0028 / 1K 토큰 출력 · 출력 토큰 $0.0088 / 1K 토큰 입력 · 캐시 읽기 $0.00052 / 1K 토큰 입력 · 캐시 쓰기 — / 1K 토큰 입력 · 캐시 쓰기, 1시간 — / 1K 토큰 |
Ailoot는 요청 전에 예상 금액을 미리 확보합니다. 결과를 받은 뒤 측정된 사용량을 기준으로 최종 요금을 정산합니다. 스트리밍 정산에는 최종 사용량 기록을 사용합니다. 금액 확보와 정산 방식 →
{\n "model": "z-ai/glm-5.3",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'z-ai/glm-5.3', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'z-ai/glm-5.3', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON 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 glm-5.3, glm, glm-5, glm-5.1, glm-5.2, glm-latest
Ailoot Ultra glm-5.3, z-ai/glm-5.3, ~z-ai/glm-latest
/chat/completions
z-ai/glm-5.3, glm, glm-5, glm-5.1, glm-5.2, glm-latest, ~z-ai/glm-latest, glm-5.3, glm-5.3
~z-ai/glm-latestZ.ai GLM 5.3은 복잡한 소프트웨어 엔지니어링, 터미널 작업, 장기 에이전트를 위한 텍스트 추론 모델입니다. 제작사 문서에 명시된 1M토큰 컨텍스트, 최대 128K 출력 토큰, 함수 호출, low/high/max 추론 강도를 지원하며 추론은 항상 활성화됩니다.
이 설명은 모델의 기능을 다룹니다. Ailoot에서 사용할 수 있는 입력, 출력 및 옵션은 아래에 선택한 메서드별로 표시됩니다.
Z.ai GLM 5.3은 복잡한 소프트웨어 엔지니어링과 장기 에이전트 작업을 위해 설계된 대규모 텍스트 추론 모델입니다. 제조사는 GLM 5.2와 동일한 기반 모델을 사용하며 새 성능 향상은 사후 학습에서 나온다고 밝힙니다. 이번 릴리스는 프로그래밍, 터미널 작업, 여러 의존 단계가 있는 폭넓은 과제의 역량 강화에 중점을 둡니다. 텍스트를 입력받고 코드, 설명, 계획, 도구가 연결된 애플리케이션에서의 도구 호출 요청 등을 텍스트로 출력합니다.
문서화된 추론 모드는 항상 활성화됩니다. GLM 5.3은 low, high, max의 세 가지 강도를 제공하며 기본값은 max입니다. 제작사는 복잡한 코딩에 max를 권장하고, low는 간단한 단계에 더 가벼운 추론 옵션을 제공합니다. 선택한 강도와 함께 명확한 최종 산출물과 완료 기준을 제시하세요. 예를 들어 “이 파일과 실패 결과를 살펴보고, 영향받는 모듈 전반에서 원인을 추적한 뒤, 공개 인터페이스를 보존하는 수정안을 제시하고 어떤 검사가 회귀 문제가 해결되었음을 입증하는지 설명하세요”라고 요청할 수 있습니다.
제작사는 1M토큰의 컨텍스트 윈도와 128K토큰의 최대 출력 길이를 명시합니다. 모델이 조사해야 할 관계를 중심으로 긴 자료를 구성하세요. 파일 이름, 관련 정의, 원본 레이블, 관찰 순서를 보존하고 해당 작업 컨텍스트 안에 추론과 최종 답변 공간을 남기세요. 큰 윈도는 모듈 간 의존 관계나 긴 에이전트 관찰 순서에 유용하지만, 무관한 자료를 방향 없이 모아 둔다고 명확한 과제가 되지는 않습니다.
저장소 작업에서는 예상 동작, 관련 소스 텍스트, 의존성 버전, 실제 오류 출력을 제공하세요. 패치를 제안하기 전에 영향받는 동작을 파악하도록 요청하세요. 리팩터링에서는 보존할 인터페이스와 불변 조건을 명시하세요. 유용한 응답은 수정된 코드, 변경이 관찰된 문제를 해결하는 이유, 결과 확인에 필요한 사례를 포함합니다. 실제 결과를 도구가 연결된 작업 흐름에 다시 제공해 다음 단계가 이전 제안이 아닌 변경된 상태에 근거하도록 하세요.
성능 작업에서는 워크로드, 기준선, 실행 시간, 프로파일 또는 할당 기록 같은 측정치를 제공하세요. Z.ai는 병목 진단, 최적화, 실험, 정확성을 유지한 결과를 포함하는 학습 과제를 설명합니다. 실용적인 요청은 “이 프로파일로 가장 영향이 큰 병목을 찾고, 측정 가능한 변경 하나를 제안하며, 어떤 결과가 나와야 변경을 유지할 근거가 되는지 설명하세요”입니다. 성능 가설과 기록된 개선을 구분하세요. 결과를 살펴볼 때 같은 워크로드와 관련 조건을 유지하세요.
이번 릴리스는 취약점 분석 역량도 발전시킵니다. 방어 목적의 소스 검토에서는 관련 코드, 의도한 신뢰 경계, 실행 조건을 제공하세요. 의심되는 문제를 영향받는 입력과 동작, 집중된 개선 조치에 연결하는 분석 결과를 요청하세요. 잠재적 약점과 재현된 결함을 구분하고 검증에 사용한 관찰을 보존하세요. 의심스러운 패턴을 모두 확정된 취약점으로 취급하기보다 구체적인 근거와 수정 제안을 우선하는 보고서가 더 유용합니다.
함수 호출을 통해 주변 애플리케이션은 외부 작업을 모델에 제공할 수 있습니다. 각 도구의 목적, 인수, 예상 결과를 정의하고 실제 도구 관찰 결과를 다음 단계에 반환하세요. 모델은 그 결과를 추론하고 과제를 어떻게 바꿀지 판단할 수 있습니다. 제안된 행동, 실행된 작업, 미해결 검사를 구분하세요. 제작사는 추론과 답변 조각을 별도로 반환하는 스트리밍 응답도 문서화합니다. 이를 최종 보고서나 코드 설명으로 취급하기 전에 완성된 답변을 조합하세요.
로컬 모델 카드에는 구체적인 이력 설정이 나옵니다. 채팅 템플릿은 기본적으로 사고 내용을 유지하지만, 제작사는 일반 채팅에서는 이전 사고 내용을 명시적으로 지우도록 권장합니다. 용도에 맞는 대화 구조를 적용하고, 이어서 작업하는 데 필요한 실제 완성 답변과 도구 결과를 보존하세요. GLM 5.2나 별도 GLM 5.3 Flash 에디션의 추론 제어 설정을 이 모델의 low/high/max 제어와 상호 교환 가능한 것으로 취급하지 마세요.
구조화된 결과에서는 예상 필드, 유형, 원본 처리 규칙을 지정하세요. 결함 표, 변경 계획, 관찰을 요약한 JSON 객체 등이 유용한 산출물이 될 수 있습니다. 애플리케이션이 사용하기 전에 구조와 값을 모두 검증하세요. 최종 결과에는 답이나 수정 산출물, 이를 뒷받침하는 근거, 남은 가정이 표시되어야 합니다. 추론 강도가 높다고 도구가 실행되었거나 제안한 패치가 검사를 통과했거나 사실 주장이 제공된 자료 밖의 근거를 얻었다고 입증되지는 않습니다.
POST /v1/chat/completionstexttext| 필드 | 유형 | 요건 | 값과 한도 | 기본값 |
|---|---|---|---|---|
필드model | 유형string | 요건필수 | 값과 한도 ~z-ai/glm-latest | 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.
각 요금을 표시된 조건과 대조하세요. 서로 대체되는 설정 묶음마다 하나의 요금만 적용하세요.
| 설정 | 요금표 | 컨텍스트 토큰 수 초과 기준 | 컨텍스트 토큰 수 이하 기준 | 요금 |
|---|---|---|---|---|
| 설정토큰의 기본 단가 | 요금표기본 요금 | 컨텍스트 토큰 수 초과 기준— | 컨텍스트 토큰 수 이하 기준상한 없음 | 요금 입력 · 입력 토큰 $0.0028 / 1K 토큰 출력 · 출력 토큰 $0.0088 / 1K 토큰 입력 · 캐시 읽기 $0.00052 / 1K 토큰 입력 · 캐시 쓰기 — / 1K 토큰 입력 · 캐시 쓰기, 1시간 — / 1K 토큰 |
| 설정요청 길이 구간 1 | 요금표— | 컨텍스트 토큰 수 초과 기준0 | 컨텍스트 토큰 수 이하 기준상한 없음 | 요금 입력 · 입력 토큰 $0.0028 / 1K 토큰 출력 · 출력 토큰 $0.0088 / 1K 토큰 입력 · 캐시 읽기 $0.00052 / 1K 토큰 입력 · 캐시 쓰기 — / 1K 토큰 입력 · 캐시 쓰기, 1시간 — / 1K 토큰 |
Ailoot는 요청 전에 예상 금액을 미리 확보합니다. 결과를 받은 뒤 측정된 사용량을 기준으로 최종 요금을 정산합니다. 스트리밍 정산에는 최종 사용량 기록을 사용합니다. 금액 확보와 정산 방식 →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "~z-ai/glm-latest", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='~z-ai/glm-latest',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='~z-ai/glm-latest',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson 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 glm-5.3, glm, glm-5, glm-5.1, glm-5.2, glm-latest
Ailoot Ultra glm-5.3, z-ai/glm-5.3, ~z-ai/glm-latest
/chat/completions
z-ai/glm-5.3, glm, glm-5, glm-5.1, glm-5.2, glm-latest, ~z-ai/glm-latest, glm-5.3, glm-5.3
~z-ai/glm-latestZ.ai GLM 5.3은 복잡한 소프트웨어 엔지니어링, 터미널 작업, 장기 에이전트를 위한 텍스트 추론 모델입니다. 제작사 문서에 명시된 1M토큰 컨텍스트, 최대 128K 출력 토큰, 함수 호출, low/high/max 추론 강도를 지원하며 추론은 항상 활성화됩니다.
이 설명은 모델의 기능을 다룹니다. Ailoot에서 사용할 수 있는 입력, 출력 및 옵션은 아래에 선택한 메서드별로 표시됩니다.
Z.ai GLM 5.3은 복잡한 소프트웨어 엔지니어링과 장기 에이전트 작업을 위해 설계된 대규모 텍스트 추론 모델입니다. 제조사는 GLM 5.2와 동일한 기반 모델을 사용하며 새 성능 향상은 사후 학습에서 나온다고 밝힙니다. 이번 릴리스는 프로그래밍, 터미널 작업, 여러 의존 단계가 있는 폭넓은 과제의 역량 강화에 중점을 둡니다. 텍스트를 입력받고 코드, 설명, 계획, 도구가 연결된 애플리케이션에서의 도구 호출 요청 등을 텍스트로 출력합니다.
문서화된 추론 모드는 항상 활성화됩니다. GLM 5.3은 low, high, max의 세 가지 강도를 제공하며 기본값은 max입니다. 제작사는 복잡한 코딩에 max를 권장하고, low는 간단한 단계에 더 가벼운 추론 옵션을 제공합니다. 선택한 강도와 함께 명확한 최종 산출물과 완료 기준을 제시하세요. 예를 들어 “이 파일과 실패 결과를 살펴보고, 영향받는 모듈 전반에서 원인을 추적한 뒤, 공개 인터페이스를 보존하는 수정안을 제시하고 어떤 검사가 회귀 문제가 해결되었음을 입증하는지 설명하세요”라고 요청할 수 있습니다.
제작사는 1M토큰의 컨텍스트 윈도와 128K토큰의 최대 출력 길이를 명시합니다. 모델이 조사해야 할 관계를 중심으로 긴 자료를 구성하세요. 파일 이름, 관련 정의, 원본 레이블, 관찰 순서를 보존하고 해당 작업 컨텍스트 안에 추론과 최종 답변 공간을 남기세요. 큰 윈도는 모듈 간 의존 관계나 긴 에이전트 관찰 순서에 유용하지만, 무관한 자료를 방향 없이 모아 둔다고 명확한 과제가 되지는 않습니다.
저장소 작업에서는 예상 동작, 관련 소스 텍스트, 의존성 버전, 실제 오류 출력을 제공하세요. 패치를 제안하기 전에 영향받는 동작을 파악하도록 요청하세요. 리팩터링에서는 보존할 인터페이스와 불변 조건을 명시하세요. 유용한 응답은 수정된 코드, 변경이 관찰된 문제를 해결하는 이유, 결과 확인에 필요한 사례를 포함합니다. 실제 결과를 도구가 연결된 작업 흐름에 다시 제공해 다음 단계가 이전 제안이 아닌 변경된 상태에 근거하도록 하세요.
성능 작업에서는 워크로드, 기준선, 실행 시간, 프로파일 또는 할당 기록 같은 측정치를 제공하세요. Z.ai는 병목 진단, 최적화, 실험, 정확성을 유지한 결과를 포함하는 학습 과제를 설명합니다. 실용적인 요청은 “이 프로파일로 가장 영향이 큰 병목을 찾고, 측정 가능한 변경 하나를 제안하며, 어떤 결과가 나와야 변경을 유지할 근거가 되는지 설명하세요”입니다. 성능 가설과 기록된 개선을 구분하세요. 결과를 살펴볼 때 같은 워크로드와 관련 조건을 유지하세요.
이번 릴리스는 취약점 분석 역량도 발전시킵니다. 방어 목적의 소스 검토에서는 관련 코드, 의도한 신뢰 경계, 실행 조건을 제공하세요. 의심되는 문제를 영향받는 입력과 동작, 집중된 개선 조치에 연결하는 분석 결과를 요청하세요. 잠재적 약점과 재현된 결함을 구분하고 검증에 사용한 관찰을 보존하세요. 의심스러운 패턴을 모두 확정된 취약점으로 취급하기보다 구체적인 근거와 수정 제안을 우선하는 보고서가 더 유용합니다.
함수 호출을 통해 주변 애플리케이션은 외부 작업을 모델에 제공할 수 있습니다. 각 도구의 목적, 인수, 예상 결과를 정의하고 실제 도구 관찰 결과를 다음 단계에 반환하세요. 모델은 그 결과를 추론하고 과제를 어떻게 바꿀지 판단할 수 있습니다. 제안된 행동, 실행된 작업, 미해결 검사를 구분하세요. 제작사는 추론과 답변 조각을 별도로 반환하는 스트리밍 응답도 문서화합니다. 이를 최종 보고서나 코드 설명으로 취급하기 전에 완성된 답변을 조합하세요.
로컬 모델 카드에는 구체적인 이력 설정이 나옵니다. 채팅 템플릿은 기본적으로 사고 내용을 유지하지만, 제작사는 일반 채팅에서는 이전 사고 내용을 명시적으로 지우도록 권장합니다. 용도에 맞는 대화 구조를 적용하고, 이어서 작업하는 데 필요한 실제 완성 답변과 도구 결과를 보존하세요. GLM 5.2나 별도 GLM 5.3 Flash 에디션의 추론 제어 설정을 이 모델의 low/high/max 제어와 상호 교환 가능한 것으로 취급하지 마세요.
구조화된 결과에서는 예상 필드, 유형, 원본 처리 규칙을 지정하세요. 결함 표, 변경 계획, 관찰을 요약한 JSON 객체 등이 유용한 산출물이 될 수 있습니다. 애플리케이션이 사용하기 전에 구조와 값을 모두 검증하세요. 최종 결과에는 답이나 수정 산출물, 이를 뒷받침하는 근거, 남은 가정이 표시되어야 합니다. 추론 강도가 높다고 도구가 실행되었거나 제안한 패치가 검사를 통과했거나 사실 주장이 제공된 자료 밖의 근거를 얻었다고 입증되지는 않습니다.
POST /v1/messagestextjson, sse| 필드 | 유형 | 요건 | 값과 한도 | 기본값 |
|---|---|---|---|---|
필드model | 유형string | 요건필수 | 값과 한도 ~z-ai/glm-latest | 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.
각 요금을 표시된 조건과 대조하세요. 서로 대체되는 설정 묶음마다 하나의 요금만 적용하세요.
| 설정 | 요금표 | 컨텍스트 토큰 수 초과 기준 | 컨텍스트 토큰 수 이하 기준 | 요금 |
|---|---|---|---|---|
| 설정토큰의 기본 단가 | 요금표기본 요금 | 컨텍스트 토큰 수 초과 기준— | 컨텍스트 토큰 수 이하 기준상한 없음 | 요금 입력 · 입력 토큰 $0.0028 / 1K 토큰 출력 · 출력 토큰 $0.0088 / 1K 토큰 입력 · 캐시 읽기 $0.00052 / 1K 토큰 입력 · 캐시 쓰기 — / 1K 토큰 입력 · 캐시 쓰기, 1시간 — / 1K 토큰 |
| 설정요청 길이 구간 1 | 요금표— | 컨텍스트 토큰 수 초과 기준0 | 컨텍스트 토큰 수 이하 기준상한 없음 | 요금 입력 · 입력 토큰 $0.0028 / 1K 토큰 출력 · 출력 토큰 $0.0088 / 1K 토큰 입력 · 캐시 읽기 $0.00052 / 1K 토큰 입력 · 캐시 쓰기 — / 1K 토큰 입력 · 캐시 쓰기, 1시간 — / 1K 토큰 |
Ailoot는 요청 전에 예상 금액을 미리 확보합니다. 결과를 받은 뒤 측정된 사용량을 기준으로 최종 요금을 정산합니다. 스트리밍 정산에는 최종 사용량 기록을 사용합니다. 금액 확보와 정산 방식 →
{\n "model": "~z-ai/glm-latest",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': '~z-ai/glm-latest', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': '~z-ai/glm-latest', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON 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 glm-5.3, glm, glm-5, glm-5.1, glm-5.2, glm-latest
Ailoot Ultra glm-5.3, z-ai/glm-5.3, ~z-ai/glm-latest
/chat/completions
z-ai/glm-5.3, glm, glm-5, glm-5.1, glm-5.2, glm-latest, ~z-ai/glm-latest, glm-5.3, glm-5.3
영어 기술 예제
Target a measured bottleneck\n\nProfile P1 for one import: parsing 0.4 s, per-row database lookups 8.1 s, writing 0.8 s. The import handles 10,000 rows, including repeated customer IDs. Propose one correctness-preserving optimization, describe what lookup behavior must remain identical and define a same-workload check before claiming an improvement.A bottleneck hypothesis, one proposed change and a correctness plus timing comparison plan.The proposal must use P1 without inventing an observed speedup or losing missing-customer behavior.