GLM-4.5V는 GLM-4.5-Air를 기반으로 한 Z.ai의 시각 추론 모델입니다. 파라미터 수를 십억 개 단위로 나타내면 전체는 106, 활성 파라미터는 12입니다. 이미지 추론, 동영상 이해, GUI 과제, 복잡한 차트, 긴 문서, 시각적 그라운딩을 처리합니다. 제작사 호스팅 프로필에는 이미지, 동영상, 텍스트, 파일 입력과 텍스트 출력이 명시되어 있습니다. 페이지 설명, 추출 표, 시각적 위치, 스크린샷을 바탕으로 준비한 코드를 요청하면 유용합니다. 이 모델은 GLM-4.1V-9B 및 이후 GLM-4.6V와 구분됩니다.
이미지 추론은 장면 이해, 여러 이미지 분석, 공간 관계를 다룹니다. 각 이미지에 레이블을 붙이고 정확한 질문을 명시하세요. 차트에서는 축, 단위, 범례를 보존하고 어떤 시각적 값이 결론을 뒷받침하는지 질문하세요. 비교에서는 살펴볼 특징을 지정하고 원본 레이블별로 답변을 정리하세요. 모델은 시각적 관찰을 서면 질문과 연결할 수 있으며, 제공 자료의 양 외에도 입력 품질과 요청 결과가 중요합니다.
그라운딩은 구체적인 출력 작업 흐름입니다. 카드는 begin_of_box와 end_of_box 토큰으로 표시한 바운딩 박스를 설명하며, 네 좌표가 왼쪽 위와 오른쪽 아래 모서리를 지정합니다. 값은 픽셀 위치를 직접 나타내지 않고 이미지 크기를 기준으로 0에서 1,000까지 정규화됩니다. 찾을 대상이나 영역과 필요한 박스 형식을 명시하세요. 처리 중 이미지 크기가 조정된 경우에도 애플리케이션이 좌표를 원래 이미지에 다시 대응시킬 수 있도록 원본 이미지 치수를 결과와 함께 유지하세요.
동영상 과제에는 분할과 사건 인식이 포함되며, 문서 작업은 여러 페이지에 걸쳐 텍스트, 차트, 표, 레이아웃을 결합할 수 있습니다. 제작사는 촬영된 표를 Markdown으로 변환하고 조사 보고서 내용을 분석하는 예시를 보여 줍니다. 구체적인 질문을 준비하고 페이지나 순서 식별자를 유지하며 추출한 각 필드나 설명한 사건을 뒷받침하는 근거를 요청하세요. 생성된 요약은 텍스트 결과이며 프레임 수집, 파일 조립, 편집 적용은 연결된 환경의 역할입니다.
GUI와 웹페이지 과제는 화면 이해를 활용해 상호작용이나 코드를 제안합니다. 제작사의 예시는 페이지 스크린샷에서 HTML과 CSS를 요청하고, 스크린샷이나 녹화를 사용하는 연결된 데스크톱 어시스턴트를 시연합니다. 관련 상태, 허용된 행동, 원하는 변경을 제공하세요. 모델은 코드나 행동 설명을 준비하고 애플리케이션은 이를 실행한 뒤, 변경된 화면이나 렌더링된 페이지를 추가 검토용으로 제공합니다.
모델은 사고 응답과 비사고 응답을 지원합니다. 해당 카드는 전환 설정을 설명하며, 개방형 모델 예시는 기본적으로 사고를 활성화하고 템플릿 설정으로 비활성화합니다. 이 설정을 지원되는 작업 흐름과 연결해 유지하세요. 체크포인트 설정은 max_position_embeddings를 65,536으로 지정하고, 호스팅 프로필은 별도로 최대 16K 출력 토큰을 명시합니다. 이는 서로 다른 제작사 설정을 설명하며 보편적인 애플리케이션 윈도를 정하지 않습니다. 제작사는 맞춤형 멀티모달 과제를 위한 개방형 GLM-4.5V 체크포인트 미세 조정도 문서화합니다. 이는 일반 추론 실행과 별도의 맞춤화 작업 흐름입니다. 긴 자료와 요청한 답변은 실제 사용 설정 안에 공간이 필요합니다.
카드는 시각 코드 재현의 구체적인 한계를 밝힙니다. 원시 HTML에 Markdown 래핑이 없을 수 있고 문자 이스케이프가 렌더링 문제를 일으킬 수 있습니다. 더 약한 순수 텍스트 질의응답, 간헐적인 과도하거나 반복적인 사고, 답변 재진술, 개수 세기 같은 지각 오류도 언급합니다. 코드 과제에서는 명확한 산출물 형식을 요청하고 렌더링 결과를 살펴보세요. 추출이나 시각 분석에서는 작은 레이블을 보존하고 시각적 근거와 연결된 값을 요청하세요. 이를 통해 모델의 추론 및 그라운딩 기능을 원본과 비교할 수 있는 결과와 연결할 수 있습니다.
", "aboutText": "GLM-4.5V는 GLM-4.5-Air를 기반으로 한 Z.ai의 시각 추론 모델입니다. 파라미터 수를 십억 개 단위로 나타내면 전체는 106, 활성 파라미터는 12입니다. 이미지 추론, 동영상 이해, GUI 과제, 복잡한 차트, 긴 문서, 시각적 그라운딩을 처리합니다. 제작사 호스팅 프로필에는 이미지, 동영상, 텍스트, 파일 입력과 텍스트 출력이 명시되어 있습니다. 페이지 설명, 추출 표, 시각적 위치, 스크린샷을 바탕으로 준비한 코드를 요청하면 유용합니다. 이 모델은 GLM-4.1V-9B 및 이후 GLM-4.6V와 구분됩니다.\n\n이미지 추론은 장면 이해, 여러 이미지 분석, 공간 관계를 다룹니다. 각 이미지에 레이블을 붙이고 정확한 질문을 명시하세요. 차트에서는 축, 단위, 범례를 보존하고 어떤 시각적 값이 결론을 뒷받침하는지 질문하세요. 비교에서는 살펴볼 특징을 지정하고 원본 레이블별로 답변을 정리하세요. 모델은 시각적 관찰을 서면 질문과 연결할 수 있으며, 제공 자료의 양 외에도 입력 품질과 요청 결과가 중요합니다.\n\n그라운딩은 구체적인 출력 작업 흐름입니다. 카드는 begin_of_box와 end_of_box 토큰으로 표시한 바운딩 박스를 설명하며, 네 좌표가 왼쪽 위와 오른쪽 아래 모서리를 지정합니다. 값은 픽셀 위치를 직접 나타내지 않고 이미지 크기를 기준으로 0에서 1,000까지 정규화됩니다. 찾을 대상이나 영역과 필요한 박스 형식을 명시하세요. 처리 중 이미지 크기가 조정된 경우에도 애플리케이션이 좌표를 원래 이미지에 다시 대응시킬 수 있도록 원본 이미지 치수를 결과와 함께 유지하세요.\n\n동영상 과제에는 분할과 사건 인식이 포함되며, 문서 작업은 여러 페이지에 걸쳐 텍스트, 차트, 표, 레이아웃을 결합할 수 있습니다. 제작사는 촬영된 표를 Markdown으로 변환하고 조사 보고서 내용을 분석하는 예시를 보여 줍니다. 구체적인 질문을 준비하고 페이지나 순서 식별자를 유지하며 추출한 각 필드나 설명한 사건을 뒷받침하는 근거를 요청하세요. 생성된 요약은 텍스트 결과이며 프레임 수집, 파일 조립, 편집 적용은 연결된 환경의 역할입니다.\n\nGUI와 웹페이지 과제는 화면 이해를 활용해 상호작용이나 코드를 제안합니다. 제작사의 예시는 페이지 스크린샷에서 HTML과 CSS를 요청하고, 스크린샷이나 녹화를 사용하는 연결된 데스크톱 어시스턴트를 시연합니다. 관련 상태, 허용된 행동, 원하는 변경을 제공하세요. 모델은 코드나 행동 설명을 준비하고 애플리케이션은 이를 실행한 뒤, 변경된 화면이나 렌더링된 페이지를 추가 검토용으로 제공합니다.\n\n모델은 사고 응답과 비사고 응답을 지원합니다. 해당 카드는 전환 설정을 설명하며, 개방형 모델 예시는 기본적으로 사고를 활성화하고 템플릿 설정으로 비활성화합니다. 이 설정을 지원되는 작업 흐름과 연결해 유지하세요. 체크포인트 설정은 max_position_embeddings를 65,536으로 지정하고, 호스팅 프로필은 별도로 최대 16K 출력 토큰을 명시합니다. 이는 서로 다른 제작사 설정을 설명하며 보편적인 애플리케이션 윈도를 정하지 않습니다. 제작사는 맞춤형 멀티모달 과제를 위한 개방형 GLM-4.5V 체크포인트 미세 조정도 문서화합니다. 이는 일반 추론 실행과 별도의 맞춤화 작업 흐름입니다. 긴 자료와 요청한 답변은 실제 사용 설정 안에 공간이 필요합니다.\n\n카드는 시각 코드 재현의 구체적인 한계를 밝힙니다. 원시 HTML에 Markdown 래핑이 없을 수 있고 문자 이스케이프가 렌더링 문제를 일으킬 수 있습니다. 더 약한 순수 텍스트 질의응답, 간헐적인 과도하거나 반복적인 사고, 답변 재진술, 개수 세기 같은 지각 오류도 언급합니다. 코드 과제에서는 명확한 산출물 형식을 요청하고 렌더링 결과를 살펴보세요. 추출이나 시각 분석에서는 작은 레이블을 보존하고 시각적 근거와 연결된 값을 요청하세요. 이를 통해 모델의 추론 및 그라운딩 기능을 원본과 비교할 수 있는 결과와 연결할 수 있습니다.", "editorialOverlay": { "copy_fields": { "practical_html": "영어 기술 예제
Format a transcribed report table\n\nFrom this text transcription of page V5, produce a Markdown table: 'Experiment | control | treated; run 1 | 12 | 15; run 2 | 11 | unreadable.' Add a difference column only where both values are available. Keep V5 with the result and separate the extracted values from the calculated differences. No image is supplied.A source-labeled Markdown table with extracted numbers, calculated differences and explicit unknown values.The unreadable treated value and its difference must remain unknown rather than be estimated.z-ai/glm-4.5vGLM-4.5V는 이미지, 동영상, 복잡한 문서, GUI 과제를 위한 Z.ai의 106B-A12B 시각 추론 모델입니다. 텍스트를 반환하며 사고 응답과 직접 응답을 지원하고, 0에서 1,000까지 정규화된 좌표로 시각 요소의 위치를 찾을 수 있습니다.
이 설명은 모델의 기능을 다룹니다. Ailoot에서 사용할 수 있는 입력, 출력 및 옵션은 아래에 선택한 메서드별로 표시됩니다.
GLM-4.5V는 GLM-4.5-Air를 기반으로 한 Z.ai의 시각 추론 모델입니다. 파라미터 수를 십억 개 단위로 나타내면 전체는 106, 활성 파라미터는 12입니다. 이미지 추론, 동영상 이해, GUI 과제, 복잡한 차트, 긴 문서, 시각적 그라운딩을 처리합니다. 제작사 호스팅 프로필에는 이미지, 동영상, 텍스트, 파일 입력과 텍스트 출력이 명시되어 있습니다. 페이지 설명, 추출 표, 시각적 위치, 스크린샷을 바탕으로 준비한 코드를 요청하면 유용합니다. 이 모델은 GLM-4.1V-9B 및 이후 GLM-4.6V와 구분됩니다.
이미지 추론은 장면 이해, 여러 이미지 분석, 공간 관계를 다룹니다. 각 이미지에 레이블을 붙이고 정확한 질문을 명시하세요. 차트에서는 축, 단위, 범례를 보존하고 어떤 시각적 값이 결론을 뒷받침하는지 질문하세요. 비교에서는 살펴볼 특징을 지정하고 원본 레이블별로 답변을 정리하세요. 모델은 시각적 관찰을 서면 질문과 연결할 수 있으며, 제공 자료의 양 외에도 입력 품질과 요청 결과가 중요합니다.
그라운딩은 구체적인 출력 작업 흐름입니다. 카드는 begin_of_box와 end_of_box 토큰으로 표시한 바운딩 박스를 설명하며, 네 좌표가 왼쪽 위와 오른쪽 아래 모서리를 지정합니다. 값은 픽셀 위치를 직접 나타내지 않고 이미지 크기를 기준으로 0에서 1,000까지 정규화됩니다. 찾을 대상이나 영역과 필요한 박스 형식을 명시하세요. 처리 중 이미지 크기가 조정된 경우에도 애플리케이션이 좌표를 원래 이미지에 다시 대응시킬 수 있도록 원본 이미지 치수를 결과와 함께 유지하세요.
동영상 과제에는 분할과 사건 인식이 포함되며, 문서 작업은 여러 페이지에 걸쳐 텍스트, 차트, 표, 레이아웃을 결합할 수 있습니다. 제작사는 촬영된 표를 Markdown으로 변환하고 조사 보고서 내용을 분석하는 예시를 보여 줍니다. 구체적인 질문을 준비하고 페이지나 순서 식별자를 유지하며 추출한 각 필드나 설명한 사건을 뒷받침하는 근거를 요청하세요. 생성된 요약은 텍스트 결과이며 프레임 수집, 파일 조립, 편집 적용은 연결된 환경의 역할입니다.
GUI와 웹페이지 과제는 화면 이해를 활용해 상호작용이나 코드를 제안합니다. 제작사의 예시는 페이지 스크린샷에서 HTML과 CSS를 요청하고, 스크린샷이나 녹화를 사용하는 연결된 데스크톱 어시스턴트를 시연합니다. 관련 상태, 허용된 행동, 원하는 변경을 제공하세요. 모델은 코드나 행동 설명을 준비하고 애플리케이션은 이를 실행한 뒤, 변경된 화면이나 렌더링된 페이지를 추가 검토용으로 제공합니다.
모델은 사고 응답과 비사고 응답을 지원합니다. 해당 카드는 전환 설정을 설명하며, 개방형 모델 예시는 기본적으로 사고를 활성화하고 템플릿 설정으로 비활성화합니다. 이 설정을 지원되는 작업 흐름과 연결해 유지하세요. 체크포인트 설정은 max_position_embeddings를 65,536으로 지정하고, 호스팅 프로필은 별도로 최대 16K 출력 토큰을 명시합니다. 이는 서로 다른 제작사 설정을 설명하며 보편적인 애플리케이션 윈도를 정하지 않습니다. 제작사는 맞춤형 멀티모달 과제를 위한 개방형 GLM-4.5V 체크포인트 미세 조정도 문서화합니다. 이는 일반 추론 실행과 별도의 맞춤화 작업 흐름입니다. 긴 자료와 요청한 답변은 실제 사용 설정 안에 공간이 필요합니다.
카드는 시각 코드 재현의 구체적인 한계를 밝힙니다. 원시 HTML에 Markdown 래핑이 없을 수 있고 문자 이스케이프가 렌더링 문제를 일으킬 수 있습니다. 더 약한 순수 텍스트 질의응답, 간헐적인 과도하거나 반복적인 사고, 답변 재진술, 개수 세기 같은 지각 오류도 언급합니다. 코드 과제에서는 명확한 산출물 형식을 요청하고 렌더링 결과를 살펴보세요. 추출이나 시각 분석에서는 작은 레이블을 보존하고 시각적 근거와 연결된 값을 요청하세요. 이를 통해 모델의 추론 및 그라운딩 기능을 원본과 비교할 수 있는 결과와 연결할 수 있습니다.
POST /v1/chat/completionstexttext| 필드 | 유형 | 요건 | 값과 한도 | 기본값 |
|---|---|---|---|---|
필드model | 유형string | 요건필수 | 값과 한도 z-ai/glm-4.5v | 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 $0.0012 / 1K 토큰 출력 · 출력 토큰 $0.0036 / 1K 토큰 입력 · 캐시 읽기 $0.00022 / 1K 토큰 입력 · 캐시 쓰기 $0 / 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 $0.0012 / 1K 토큰 출력 · 출력 토큰 $0.0036 / 1K 토큰 입력 · 캐시 읽기 $0.00022 / 1K 토큰 입력 · 캐시 쓰기 $0 / 1K 토큰 입력 · 캐시 쓰기, 1시간 — / 1K 토큰 |
Ailoot는 요청 전에 예상 금액을 미리 확보합니다. 결과를 받은 뒤 측정된 사용량을 기준으로 최종 요금을 정산합니다. 스트리밍 정산에는 최종 사용량 기록을 사용합니다. 금액 확보와 정산 방식 →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "z-ai/glm-4.5v", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='z-ai/glm-4.5v',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='z-ai/glm-4.5v',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson 또는 SSE
반환된 완전한 응답, 파일, 콘텐츠 부분을 모두 보관하세요.
각 선택지와 그 콘텐츠·도구 호출·추론을 모두 보존하세요. SSE에서는 선택지/도구 인덱스별로 증분을 조합하고 최종 종료 사유와 사용량을 유지하세요.
요청/응답 ID와 헤더를 보존하세요. 텍스트 작업을 조회하는 범용 URL은 제공되지 않습니다.
| 필드 | 유형 |
|---|---|
필드choices[].index | 유형integer |
필드choices[].message.content | 유형string|null |
필드choices[].message.tool_calls | 유형tool_call[] |
필드choices[].message.reasoning_content | 유형string |
필드choices[].message.reasoning_details | 유형object|array |
필드choices[].finish_reason | 유형string|null |
필드usage | 유형object |
| 응답 | 조건 | 다음 단계 |
|---|---|---|
응답400 · invalid_request_error | 조건필수 필드, 자료 표현 방식 또는 파라미터 값이 올바르지 않음 | 다음 단계새 생성 요청 전에 표시된 필드를 수정하세요. |
Ailoot Ultra z-ai/glm-4.5v
위에 표시된 메서드 경로를 사용하세요.
z-ai/glm-4.5vGLM-4.5V는 이미지, 동영상, 복잡한 문서, GUI 과제를 위한 Z.ai의 106B-A12B 시각 추론 모델입니다. 텍스트를 반환하며 사고 응답과 직접 응답을 지원하고, 0에서 1,000까지 정규화된 좌표로 시각 요소의 위치를 찾을 수 있습니다.
이 설명은 모델의 기능을 다룹니다. Ailoot에서 사용할 수 있는 입력, 출력 및 옵션은 아래에 선택한 메서드별로 표시됩니다.
GLM-4.5V는 GLM-4.5-Air를 기반으로 한 Z.ai의 시각 추론 모델입니다. 파라미터 수를 십억 개 단위로 나타내면 전체는 106, 활성 파라미터는 12입니다. 이미지 추론, 동영상 이해, GUI 과제, 복잡한 차트, 긴 문서, 시각적 그라운딩을 처리합니다. 제작사 호스팅 프로필에는 이미지, 동영상, 텍스트, 파일 입력과 텍스트 출력이 명시되어 있습니다. 페이지 설명, 추출 표, 시각적 위치, 스크린샷을 바탕으로 준비한 코드를 요청하면 유용합니다. 이 모델은 GLM-4.1V-9B 및 이후 GLM-4.6V와 구분됩니다.
이미지 추론은 장면 이해, 여러 이미지 분석, 공간 관계를 다룹니다. 각 이미지에 레이블을 붙이고 정확한 질문을 명시하세요. 차트에서는 축, 단위, 범례를 보존하고 어떤 시각적 값이 결론을 뒷받침하는지 질문하세요. 비교에서는 살펴볼 특징을 지정하고 원본 레이블별로 답변을 정리하세요. 모델은 시각적 관찰을 서면 질문과 연결할 수 있으며, 제공 자료의 양 외에도 입력 품질과 요청 결과가 중요합니다.
그라운딩은 구체적인 출력 작업 흐름입니다. 카드는 begin_of_box와 end_of_box 토큰으로 표시한 바운딩 박스를 설명하며, 네 좌표가 왼쪽 위와 오른쪽 아래 모서리를 지정합니다. 값은 픽셀 위치를 직접 나타내지 않고 이미지 크기를 기준으로 0에서 1,000까지 정규화됩니다. 찾을 대상이나 영역과 필요한 박스 형식을 명시하세요. 처리 중 이미지 크기가 조정된 경우에도 애플리케이션이 좌표를 원래 이미지에 다시 대응시킬 수 있도록 원본 이미지 치수를 결과와 함께 유지하세요.
동영상 과제에는 분할과 사건 인식이 포함되며, 문서 작업은 여러 페이지에 걸쳐 텍스트, 차트, 표, 레이아웃을 결합할 수 있습니다. 제작사는 촬영된 표를 Markdown으로 변환하고 조사 보고서 내용을 분석하는 예시를 보여 줍니다. 구체적인 질문을 준비하고 페이지나 순서 식별자를 유지하며 추출한 각 필드나 설명한 사건을 뒷받침하는 근거를 요청하세요. 생성된 요약은 텍스트 결과이며 프레임 수집, 파일 조립, 편집 적용은 연결된 환경의 역할입니다.
GUI와 웹페이지 과제는 화면 이해를 활용해 상호작용이나 코드를 제안합니다. 제작사의 예시는 페이지 스크린샷에서 HTML과 CSS를 요청하고, 스크린샷이나 녹화를 사용하는 연결된 데스크톱 어시스턴트를 시연합니다. 관련 상태, 허용된 행동, 원하는 변경을 제공하세요. 모델은 코드나 행동 설명을 준비하고 애플리케이션은 이를 실행한 뒤, 변경된 화면이나 렌더링된 페이지를 추가 검토용으로 제공합니다.
모델은 사고 응답과 비사고 응답을 지원합니다. 해당 카드는 전환 설정을 설명하며, 개방형 모델 예시는 기본적으로 사고를 활성화하고 템플릿 설정으로 비활성화합니다. 이 설정을 지원되는 작업 흐름과 연결해 유지하세요. 체크포인트 설정은 max_position_embeddings를 65,536으로 지정하고, 호스팅 프로필은 별도로 최대 16K 출력 토큰을 명시합니다. 이는 서로 다른 제작사 설정을 설명하며 보편적인 애플리케이션 윈도를 정하지 않습니다. 제작사는 맞춤형 멀티모달 과제를 위한 개방형 GLM-4.5V 체크포인트 미세 조정도 문서화합니다. 이는 일반 추론 실행과 별도의 맞춤화 작업 흐름입니다. 긴 자료와 요청한 답변은 실제 사용 설정 안에 공간이 필요합니다.
카드는 시각 코드 재현의 구체적인 한계를 밝힙니다. 원시 HTML에 Markdown 래핑이 없을 수 있고 문자 이스케이프가 렌더링 문제를 일으킬 수 있습니다. 더 약한 순수 텍스트 질의응답, 간헐적인 과도하거나 반복적인 사고, 답변 재진술, 개수 세기 같은 지각 오류도 언급합니다. 코드 과제에서는 명확한 산출물 형식을 요청하고 렌더링 결과를 살펴보세요. 추출이나 시각 분석에서는 작은 레이블을 보존하고 시각적 근거와 연결된 값을 요청하세요. 이를 통해 모델의 추론 및 그라운딩 기능을 원본과 비교할 수 있는 결과와 연결할 수 있습니다.
POST /v1/messagestextjson, sse| 필드 | 유형 | 요건 | 값과 한도 | 기본값 |
|---|---|---|---|---|
필드model | 유형string | 요건필수 | 값과 한도 z-ai/glm-4.5v | 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 $0.0012 / 1K 토큰 출력 · 출력 토큰 $0.0036 / 1K 토큰 입력 · 캐시 읽기 $0.00022 / 1K 토큰 입력 · 캐시 쓰기 $0 / 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 $0.0012 / 1K 토큰 출력 · 출력 토큰 $0.0036 / 1K 토큰 입력 · 캐시 읽기 $0.00022 / 1K 토큰 입력 · 캐시 쓰기 $0 / 1K 토큰 입력 · 캐시 쓰기, 1시간 — / 1K 토큰 |
Ailoot는 요청 전에 예상 금액을 미리 확보합니다. 결과를 받은 뒤 측정된 사용량을 기준으로 최종 요금을 정산합니다. 스트리밍 정산에는 최종 사용량 기록을 사용합니다. 금액 확보와 정산 방식 →
{\n "model": "z-ai/glm-4.5v",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'z-ai/glm-4.5v', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'z-ai/glm-4.5v', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON 또는 SSE
반환된 완전한 응답, 파일, 콘텐츠 부분을 모두 보관하세요.
모든 콘텐츠 블록, 사고 서명, 실제 도구 사용 ID를 보존하세요. 모든 SSE 블록 증분을 조합하세요. 첫 텍스트 블록이 전체 출력은 아닙니다.
요청/응답 ID와 헤더를 보존하세요. 텍스트 작업을 조회하는 범용 URL은 제공되지 않습니다.
| 필드 | 유형 |
|---|---|
필드id | 유형string |
필드model | 유형string |
필드content[] | 유형text|thinking|tool_use|other content block |
필드stop_reason | 유형string|null |
필드usage | 유형object |
| 응답 | 조건 | 다음 단계 |
|---|---|---|
응답400 · invalid_request_error | 조건필수 필드, 자료 표현 방식 또는 파라미터 값이 올바르지 않음 | 다음 단계새 생성 요청 전에 표시된 필드를 수정하세요. |
Ailoot Ultra z-ai/glm-4.5v
위에 표시된 메서드 경로를 사용하세요.
영어 기술 예제
Format a transcribed report table\n\nFrom this text transcription of page V5, produce a Markdown table: 'Experiment | control | treated; run 1 | 12 | 15; run 2 | 11 | unreadable.' Add a difference column only where both values are available. Keep V5 with the result and separate the extracted values from the calculated differences. No image is supplied.A source-labeled Markdown table with extracted numbers, calculated differences and explicit unknown values.The unreadable treated value and its difference must remain unknown rather than be estimated.