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": null, "copy_sha256": null, "copy_source": null, "html_sha256": "97379fbb52ae098f7604ee67fdd12e891e8c16d4bb8f1b373be4f567325bd134", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "ko", "methods": [ { "html": "z-ai/glm-5.3:batchZ.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/batchestexttext| 필드 | 유형 | 요건 | 값과 한도 | 기본값 |
|---|---|---|---|---|
필드endpoint | 유형string | 요건필수 | 값과 한도 /v1/chat/completions | 기본값— |
필드model | 유형string | 요건필수 | 값과 한도 z-ai/glm-5.3:batch | 기본값— |
필드requests | 유형batch_item[] | 요건필수 | 값과 한도 최소 항목 수: 1 | 기본값— |
필드requests[].custom_id | 유형string | 요건필수 | 값과 한도 | 기본값— |
필드requests[].body.messages | 유형message[] | 요건필수 | 값과 한도 | 기본값— |
필드completion_window | 유형string | 요건선택 사항 | 값과 한도 24h | 기본값— |
필드provider | 유형object|null | 요건선택 사항 | 값과 한도 | 기본값— |
필드requests[].body.model | 유형string | 요건선택 사항 | 값과 한도 z-ai/glm-5.3:batch, z-ai/glm-5.3 | 기본값— |
필드provider.only | 유형string[] | 요건선택 사항 | 값과 한도 deepinfra/fp4 | 기본값— |
필드provider.allow_fallbacks | 유형boolean|null | 요건선택 사항 | 값과 한도 false, null | 기본값— |
| 매개변수 | 명세 |
|---|---|
매개변수content_type | 명세application/json |
매개변수required | 명세endpoint, model, requests |
매개변수material_types | 명세text |
매개변수representation | 명세인라인 requests[]; 각 항목에는 custom_id와 body가 있습니다 |
매개변수request_endpoint_profile | 명세/v1/chat/completions |
매개변수file_material | 명세호출자는 실제 UTF-8 JSONL을 로컬에서 읽어 requests[]에 넣을 수 있습니다. 업로드 목적, input_file_id 또는 파일 참조는 사용하지 않습니다. 고객 자료가 없거나 비어 있으면 POST 전에 준비를 중단합니다. |
매개변수serialization_order | 명세endpoint, model, provider (제공된 경우), completion_window (제공된 경우), requests는 마지막에 |
매개변수optional_controls | 명세provider.only, provider.allow_fallbacks, completion_window |
매개변수schema_scope | 명세문서에 명시된 인라인 배치 요청 구조에 담긴 텍스트 Chat Completions 본문입니다. |
수명 주기: asynchronous
GET /v1/batches/{operation_id} · 최초 생성 응답에서 실제로 반환된 response.id; 동일한 사용자/키/그룹
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 $0.0009 / 1K 토큰 출력 · 출력 토큰 $0.004 / 1K 토큰 입력 · 캐시 읽기 $0.0002 / 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 $0.0009 / 1K 토큰 출력 · 출력 토큰 $0.004 / 1K 토큰 입력 · 캐시 읽기 $0.0002 / 1K 토큰 입력 · 캐시 쓰기 — / 1K 토큰 입력 · 캐시 쓰기, 1시간 — / 1K 토큰 |
Ailoot는 요청 전에 예상 금액을 미리 확보합니다. 결과를 받은 뒤 측정된 사용량을 기준으로 최종 요금을 정산합니다. 스트리밍 정산에는 최종 사용량 기록을 사용합니다. 금액 확보와 정산 방식 →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json\nfrom pathlib import Path\nbody=json.loads('{"endpoint":"/v1/chat/completions","model":"z-ai/glm-5.3:batch","requests":[{"custom_id":"req-0001","body":{"messages":[{"role":"user","content":"Hello!"}],"max_tokens":16}}]}')\nPath("batch-request.json").write_text(json.dumps(body,ensure_ascii=False),encoding="utf-8")\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/batches \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @batch-request.json -D batch-response-headers.txt -o batch-create-response.json\nimport json, os\nfrom pathlib import Path\nfrom urllib.request import Request, urlopen\n\ndef prepare_requests(customer_path):\n path = Path(customer_path)\n if not path.is_file(): raise ValueError("Customer JSONL file is missing")\n items = [json.loads(line) for line in path.read_text(encoding="utf-8").splitlines() if line.strip()]\n if not items: raise ValueError("Customer JSONL contains no requests")\n ids = set()\n for item in items:\n if set(item) != {"custom_id", "body"}: raise ValueError("Each item needs custom_id and body")\n cid = item["custom_id"]\n if not isinstance(cid, str) or not cid.strip() or cid in ids: raise ValueError("custom_id must be nonempty and unique")\n ids.add(cid)\n if not isinstance(item["body"], dict) or not item["body"].get("messages"): raise ValueError("Supply actual text messages")\n supplied_model = item["body"].get("model")\n if supplied_model is not None and supplied_model not in ['z-ai/glm-5.3:batch', 'z-ai/glm-5.3']: raise ValueError("body.model must be an exact documented caller or wire ID")\n return {"endpoint":"/v1/chat/completions", "model":"z-ai/glm-5.3:batch", "requests":items}\n\nif __name__ == "__main__":\n material = os.environ.get("AILOOT_BATCH_REQUESTS_JSONL", "")\n if not material: raise SystemExit("Set AILOOT_BATCH_REQUESTS_JSONL to your actual customer file")\n body = prepare_requests(material)\n key = os.environ.get("AILOOT_API_KEY", "")\n if not key: raise SystemExit("Set AILOOT_API_KEY")\n request = Request("https://api.ailoot.ai/v1/batches", data=json.dumps(body, ensure_ascii=False).encode("utf-8"), headers={"Authorization":"Bearer " + key, "Content-Type":"application/json"}, method="POST")\n with urlopen(request) as response:\n raw = response.read()\n Path("batch-create-response.json").write_bytes(raw)\n print(raw.decode("utf-8"))\nimport json\nfrom pathlib import Path\nraw = Path("batch-status-response.json").read_bytes()\nresponse = json.loads(raw)\nif response.get("status") != "completed":\n raise SystemExit("Keep the original operation; read its status without resubmitting")\nresults = response.get("results")\nif not isinstance(results, list) or not results:\n raise SystemExit("Preserve the original response; completed results are missing")\nPath("batch-results.jsonl").write_text("".join(json.dumps(item, ensure_ascii=False) + "\\n" for item in results), encoding="utf-8")\n# Preserve batch-status-response.json with aggregate usage and every result/error.\n인라인 results[].response.body JSON
GET /v1/batches/{operation_id}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\nBATCH_OPERATION_ID="$(python3 - <<'PY_ID'\nimport json\nfrom pathlib import Path\nfrom urllib.parse import quote\nresponse = json.loads(Path("batch-create-response.json").read_text(encoding="utf-8"))\noperation = response.get("id")\nif not isinstance(operation, str) or not operation: raise SystemExit("No actual original operation ID; preserve the response and do not resubmit")\nprint(quote(operation, safe=""))\nPY_ID\n)"\ncurl --fail-with-body --silent --show-error "https://api.ailoot.ai/v1/batches/$BATCH_OPERATION_ID" \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -o batch-status-response.json\n반환된 완전한 응답, 파일, 콘텐츠 부분을 모두 보관하세요.
최초 상태 JSON 전체, 모든 결과/custom_id와 응답 또는 오류 본문 전체를 보관하세요. 완료된 results[]는 필터링 없이 JSONL로 저장하세요.
최초 작업 ID를 보관하세요. 503 result_pending_check에는 X-Should-Retry:false가 포함됩니다. 상태가 불명확한 최초 배치를 다시 제출하지 마세요.
| 필드 | 유형 |
|---|---|
필드results[].custom_id | 유형string |
필드results[].response.body.choices[].message.content | 유형string|null |
필드results[].error | 유형object|null |
필드usage | 유형object|null |
필드id | 유형string |
필드model | 유형string |
필드endpoint | 유형string |
필드status | 유형string |
필드request_counts | 유형object |
필드results[].id | 유형string |
필드results[].response.status_code | 유형integer |
필드results[].response.request_id | 유형string |
| 응답 | 조건 | 다음 단계 |
|---|---|---|
응답400 · invalid_request_error | 조건문서에 명시된 인라인 요청 구조가 유효하지 않거나, 키가 중복되거나, 항목 식별 정보 또는 설정된 모델 기능에 충돌이 있습니다. | 다음 단계새로 제출하기 전에 표시된 필드를 수정하세요. |
응답401 · authentication_error | 조건유효하지 않은 API 키입니다. | 다음 단계사용 권한이 있는 Ailoot 키를 사용하세요. |
응답403 · permission_error | 조건배치 그룹을 사용할 수 없습니다. | 다음 단계키/그룹의 사용 권한을 확인하세요. |
응답422 · invalid_request_error | 조건배치는 잔액 과금을 사용하며, 구독을 통한 생성 요청은 거부됩니다. | 다음 단계사용 권한이 있는 잔액 과금 그룹을 사용하세요. |
응답422 · price_unavailable | 조건배치 입력의 예상 비용을 산출할 수 없습니다. | 다음 단계응답을 보관하고 문서에 명시된 API 계열 입력을 사용하세요. |
응답402 · billing_error | 조건배치 예약 금액을 확보할 수 없습니다. | 다음 단계새 요청 전에 요청 허용 조건을 충족하세요. |
응답503 · price_unavailable | 조건배치 메서드 가격 또는 네이티브 요율을 사용할 수 없습니다. | 다음 단계응답을 보관하고 가격을 임의로 대체하지 마세요. |
응답503 · api_error | 조건정확히 일치하는 공급업체 라우트를 사용할 수 없습니다. | 다음 단계라우트 수정을 위해 응답을 보관하세요. |
응답503 · result_pending_check | 조건최초 결과를 확인해야 합니다. X-Should-Retry:false. | 다음 단계최초 operation_id/id를 보관하고 해당 상태를 조회하세요. 최초 POST를 반복하지 마세요. |
응답404 · not_found | 조건배치 상태 조회 대상 작업이 없거나 다른 사용 주체의 소유입니다. | 다음 단계최초 id를 정확히 사용하고 동일한 사용자/키/그룹을 유지하세요. |
Ailoot Ultra z-ai/glm-5.3:batch
위에 표시된 메서드 경로를 사용하세요.