GLM-4-AirX ialah anggota berkelajuan tinggi dalam barisan GLM-4 Air daripada Z.ai. Pengeluar meletakkannya untuk kependaman rendah dan tugas aplikasi serentak, dengan perhatian khusus pada pematuhan arahan, kod kejuruteraan dan panggilan fungsi. Model menerima teks dan mengembalikan teks. Profilnya sendiri menyenaraikan tetingkap konteks 8K token dan output maksimum 4K token. Ini berbeza daripada konteks lebih besar yang diiklankan untuk GLM-4-Air-250414; AirX mengekalkan profil terbitannya sendiri.
Untuk pembantu interaktif, ini mengarah kepada permintaan tertumpu: jelaskan fungsi, kelaskan mesej, ekstrak medan daripada perenggan yang dibekalkan atau tukar arahan teknikal menjadi respons ringkas. Berikan petikan berkaitan, soalan semasa dan hasil yang dikehendaki bersama. Pastikan perbualan lengkap dan sebarang pemerhatian alat berada dalam konteks aktif dan jangan mengandaikan korpus latar belakang besar akan muat.
Huraian GLM-4 menyenaraikan teks penstriman, pemanggilan fungsi, pencachean konteks, format berstruktur seperti JSON dan penyepaduan dengan alat serta sumber data MCP. Penstriman mempersembahkan jawapan ketika ia dijana supaya aplikasi boleh menunjukkan teks yang berguna sebelum balasan lengkap tiba. Penstriman mengubah penyampaian, bukan modaliti input atau output model.
Pemanggilan fungsi membolehkan model mencadangkan tindakan daripada fungsi yang diterangkan oleh aplikasi. Aplikasi melaksanakan tindakan itu dan mengembalikan pemerhatian. Kitaran yang sesuai ialah carian maklumat kecil diikuti penjelasan ringkas tentang data yang dikembalikan. Penyepaduan MCP juga bergantung pada alat dan data yang dibekalkan aplikasi. Pencachean konteks berkaitan penggunaan semula input berulang; ini tidak membayangkan bahawa setiap perbualan berulang telah menghasilkan padanan cache.
Untuk hasil JSON, nyatakan medan dan maknanya sebelum memberikan bahan. Contohnya, bekalkan permintaan teknikal dan minta kategorinya, tindakan yang diperlukan dan soalan yang belum dijawab. Struktur yang terhasil berguna untuk langkah aplikasi seterusnya, manakala nilainya masih perlu disemak berdasarkan teks yang dibekalkan.
Pengeluar memasukkan terjemahan, pengelasan semantik, pengekstrakan medan dokumen, penulisan pemasaran, laporan analisis dan perancangan jadual perjalanan antara aplikasi GLM-4. Profil AirX yang lebih pendek mengutamakan langkah semasa dalam aliran kerja sedemikian. Permintaan terjemahan boleh membekalkan petikan pendek, khalayak dan istilah; outputnya ialah petikan yang ditulis semula yang mengekalkan nama yang diperlukan. Permintaan pengelasan boleh membekalkan label yang dibenarkan dan takrifnya, bukannya meminta pertimbangan yang tidak ditetapkan.
Untuk pengekstrakan, takrifkan pengecam yang diminta dan medan lain serta sertakan hanya petikan sumber berkaitan. Untuk penulisan, berikan fakta produk dan satu hasil, seperti perenggan produk atau baris kempen. Untuk laporan atau jadual perjalanan, salurkan fakta dan kekangan berkaitan bagi langkah semasa. Jika maklumat baharu diperlukan, alat carian atau data aplikasi membekalkannya; model kemudian bekerja berdasarkan bahan yang dikembalikan itu.
AirX diterangkan sebagai dipralatih menggunakan 15 trilion token, termasuk bahan penaakulan sintetik yang banyak. Pascalatihannya menggunakan penjajaran keutamaan dialog, pensampelan penolakan dan pembelajaran pengukuhan untuk mengukuhkan arahan, kod kejuruteraan serta penggunaan fungsi. Pengeluar mempersembahkannya sebagai varian GLM-4-Air-250414 yang lebih pantas, dengan perubahan pada komponen asas meliputi pengisian awal prom dan penyahkodan autoregresif. Ini menerangkan reka bentuk pengeluar, bukannya jaminan kependaman atau keserentakan yang diukur untuk penempatan tertentu.
Berikan AirX satu tugas berhad dan artifak jangkaan yang padat. Untuk kod, sertakan fungsi, nilai input berkaitan dan tingkah laku yang diperlukan, kemudian minta cebisan yang dibetulkan berserta penjelasannya. Untuk pengekstrakan berstruktur, letakkan takrif medan sebelum petikan dan minta maklumat yang tiada ditandakan secara jelas. Rancang hasil dalam profil output 4K yang diterbitkan; bahagikan laporan besar kepada tugas tertumpu dan jangan menjangkakan dokumen tanpa sekatan daripada satu balasan.
", "aboutText": "### Gambaran keseluruhan dan profil model\n\nGLM-4-AirX ialah anggota berkelajuan tinggi dalam barisan GLM-4 Air daripada Z.ai. Pengeluar meletakkannya untuk kependaman rendah dan tugas aplikasi serentak, dengan perhatian khusus pada pematuhan arahan, kod kejuruteraan dan panggilan fungsi. Model menerima teks dan mengembalikan teks. Profilnya sendiri menyenaraikan tetingkap konteks 8K token dan output maksimum 4K token. Ini berbeza daripada konteks lebih besar yang diiklankan untuk GLM-4-Air-250414; AirX mengekalkan profil terbitannya sendiri.\n\nUntuk pembantu interaktif, ini mengarah kepada permintaan tertumpu: jelaskan fungsi, kelaskan mesej, ekstrak medan daripada perenggan yang dibekalkan atau tukar arahan teknikal menjadi respons ringkas. Berikan petikan berkaitan, soalan semasa dan hasil yang dikehendaki bersama. Pastikan perbualan lengkap dan sebarang pemerhatian alat berada dalam konteks aktif dan jangan mengandaikan korpus latar belakang besar akan muat.\n\n### Sokongan keupayaan\n\nHuraian GLM-4 menyenaraikan teks penstriman, pemanggilan fungsi, pencachean konteks, format berstruktur seperti JSON dan penyepaduan dengan alat serta sumber data MCP. Penstriman mempersembahkan jawapan ketika ia dijana supaya aplikasi boleh menunjukkan teks yang berguna sebelum balasan lengkap tiba. Penstriman mengubah penyampaian, bukan modaliti input atau output model.\n\nPemanggilan fungsi membolehkan model mencadangkan tindakan daripada fungsi yang diterangkan oleh aplikasi. Aplikasi melaksanakan tindakan itu dan mengembalikan pemerhatian. Kitaran yang sesuai ialah carian maklumat kecil diikuti penjelasan ringkas tentang data yang dikembalikan. Penyepaduan MCP juga bergantung pada alat dan data yang dibekalkan aplikasi. Pencachean konteks berkaitan penggunaan semula input berulang; ini tidak membayangkan bahawa setiap perbualan berulang telah menghasilkan padanan cache.\n\nUntuk hasil JSON, nyatakan medan dan maknanya sebelum memberikan bahan. Contohnya, bekalkan permintaan teknikal dan minta kategorinya, tindakan yang diperlukan dan soalan yang belum dijawab. Struktur yang terhasil berguna untuk langkah aplikasi seterusnya, manakala nilainya masih perlu disemak berdasarkan teks yang dibekalkan.\n\n### Senario yang disyorkan\n\nPengeluar memasukkan terjemahan, pengelasan semantik, pengekstrakan medan dokumen, penulisan pemasaran, laporan analisis dan perancangan jadual perjalanan antara aplikasi GLM-4. Profil AirX yang lebih pendek mengutamakan langkah semasa dalam aliran kerja sedemikian. Permintaan terjemahan boleh membekalkan petikan pendek, khalayak dan istilah; outputnya ialah petikan yang ditulis semula yang mengekalkan nama yang diperlukan. Permintaan pengelasan boleh membekalkan label yang dibenarkan dan takrifnya, bukannya meminta pertimbangan yang tidak ditetapkan.\n\nUntuk pengekstrakan, takrifkan pengecam yang diminta dan medan lain serta sertakan hanya petikan sumber berkaitan. Untuk penulisan, berikan fakta produk dan satu hasil, seperti perenggan produk atau baris kempen. Untuk laporan atau jadual perjalanan, salurkan fakta dan kekangan berkaitan bagi langkah semasa. Jika maklumat baharu diperlukan, alat carian atau data aplikasi membekalkannya; model kemudian bekerja berdasarkan bahan yang dikembalikan itu.\n\n### Penyediaan terperinci dan tumpuan kelajuan\n\nAirX diterangkan sebagai dipralatih menggunakan 15 trilion token, termasuk bahan penaakulan sintetik yang banyak. Pascalatihannya menggunakan penjajaran keutamaan dialog, pensampelan penolakan dan pembelajaran pengukuhan untuk mengukuhkan arahan, kod kejuruteraan serta penggunaan fungsi. Pengeluar mempersembahkannya sebagai varian GLM-4-Air-250414 yang lebih pantas, dengan perubahan pada komponen asas meliputi pengisian awal prom dan penyahkodan autoregresif. Ini menerangkan reka bentuk pengeluar, bukannya jaminan kependaman atau keserentakan yang diukur untuk penempatan tertentu.\n\n### Menyediakan permintaan yang berguna\n\nBerikan AirX satu tugas berhad dan artifak jangkaan yang padat. Untuk kod, sertakan fungsi, nilai input berkaitan dan tingkah laku yang diperlukan, kemudian minta cebisan yang dibetulkan berserta penjelasannya. Untuk pengekstrakan berstruktur, letakkan takrif medan sebelum petikan dan minta maklumat yang tiada ditandakan secara jelas. Rancang hasil dalam profil output 4K yang diterbitkan; bahagikan laporan besar kepada tugas tertumpu dan jangan menjangkakan dokumen tanpa sekatan daripada satu balasan.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "2e6b09b3037d6b1c539204445bae7373c96fd6c2f8f3f652cc90c3a57497d9df", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "ms", "methods": [ { "html": "glm-4-airxGLM-4-AirX ialah model teks Z.ai berorientasikan kelajuan untuk dialog kependaman rendah, pengekodan dan aliran kerja berbantukan alat. Profil terbitannya menetapkan konteks 8K dan sehingga 4K output, menjadikannya sesuai untuk tugas tertumpu dengan hasil ringkas dan berstruktur.
Huraian ini merangkumi keupayaan model. Input, output dan pilihan yang tersedia di Ailoot disenaraikan di bawah untuk kaedah yang dipilih.
GLM-4-AirX ialah anggota berkelajuan tinggi dalam barisan GLM-4 Air daripada Z.ai. Pengeluar meletakkannya untuk kependaman rendah dan tugas aplikasi serentak, dengan perhatian khusus pada pematuhan arahan, kod kejuruteraan dan panggilan fungsi. Model menerima teks dan mengembalikan teks. Profilnya sendiri menyenaraikan tetingkap konteks 8K token dan output maksimum 4K token. Ini berbeza daripada konteks lebih besar yang diiklankan untuk GLM-4-Air-250414; AirX mengekalkan profil terbitannya sendiri.
Untuk pembantu interaktif, ini mengarah kepada permintaan tertumpu: jelaskan fungsi, kelaskan mesej, ekstrak medan daripada perenggan yang dibekalkan atau tukar arahan teknikal menjadi respons ringkas. Berikan petikan berkaitan, soalan semasa dan hasil yang dikehendaki bersama. Pastikan perbualan lengkap dan sebarang pemerhatian alat berada dalam konteks aktif dan jangan mengandaikan korpus latar belakang besar akan muat.
Huraian GLM-4 menyenaraikan teks penstriman, pemanggilan fungsi, pencachean konteks, format berstruktur seperti JSON dan penyepaduan dengan alat serta sumber data MCP. Penstriman mempersembahkan jawapan ketika ia dijana supaya aplikasi boleh menunjukkan teks yang berguna sebelum balasan lengkap tiba. Penstriman mengubah penyampaian, bukan modaliti input atau output model.
Pemanggilan fungsi membolehkan model mencadangkan tindakan daripada fungsi yang diterangkan oleh aplikasi. Aplikasi melaksanakan tindakan itu dan mengembalikan pemerhatian. Kitaran yang sesuai ialah carian maklumat kecil diikuti penjelasan ringkas tentang data yang dikembalikan. Penyepaduan MCP juga bergantung pada alat dan data yang dibekalkan aplikasi. Pencachean konteks berkaitan penggunaan semula input berulang; ini tidak membayangkan bahawa setiap perbualan berulang telah menghasilkan padanan cache.
Untuk hasil JSON, nyatakan medan dan maknanya sebelum memberikan bahan. Contohnya, bekalkan permintaan teknikal dan minta kategorinya, tindakan yang diperlukan dan soalan yang belum dijawab. Struktur yang terhasil berguna untuk langkah aplikasi seterusnya, manakala nilainya masih perlu disemak berdasarkan teks yang dibekalkan.
Pengeluar memasukkan terjemahan, pengelasan semantik, pengekstrakan medan dokumen, penulisan pemasaran, laporan analisis dan perancangan jadual perjalanan antara aplikasi GLM-4. Profil AirX yang lebih pendek mengutamakan langkah semasa dalam aliran kerja sedemikian. Permintaan terjemahan boleh membekalkan petikan pendek, khalayak dan istilah; outputnya ialah petikan yang ditulis semula yang mengekalkan nama yang diperlukan. Permintaan pengelasan boleh membekalkan label yang dibenarkan dan takrifnya, bukannya meminta pertimbangan yang tidak ditetapkan.
Untuk pengekstrakan, takrifkan pengecam yang diminta dan medan lain serta sertakan hanya petikan sumber berkaitan. Untuk penulisan, berikan fakta produk dan satu hasil, seperti perenggan produk atau baris kempen. Untuk laporan atau jadual perjalanan, salurkan fakta dan kekangan berkaitan bagi langkah semasa. Jika maklumat baharu diperlukan, alat carian atau data aplikasi membekalkannya; model kemudian bekerja berdasarkan bahan yang dikembalikan itu.
AirX diterangkan sebagai dipralatih menggunakan 15 trilion token, termasuk bahan penaakulan sintetik yang banyak. Pascalatihannya menggunakan penjajaran keutamaan dialog, pensampelan penolakan dan pembelajaran pengukuhan untuk mengukuhkan arahan, kod kejuruteraan serta penggunaan fungsi. Pengeluar mempersembahkannya sebagai varian GLM-4-Air-250414 yang lebih pantas, dengan perubahan pada komponen asas meliputi pengisian awal prom dan penyahkodan autoregresif. Ini menerangkan reka bentuk pengeluar, bukannya jaminan kependaman atau keserentakan yang diukur untuk penempatan tertentu.
Berikan AirX satu tugas berhad dan artifak jangkaan yang padat. Untuk kod, sertakan fungsi, nilai input berkaitan dan tingkah laku yang diperlukan, kemudian minta cebisan yang dibetulkan berserta penjelasannya. Untuk pengekstrakan berstruktur, letakkan takrif medan sebelum petikan dan minta maklumat yang tiada ditandakan secara jelas. Rancang hasil dalam profil output 4K yang diterbitkan; bahagikan laporan besar kepada tugas tertumpu dan jangan menjangkakan dokumen tanpa sekatan daripada satu balasan.
POST /v1/chat/completionstexttext| Medan | Jenis | Keperluan | Nilai & had | Lalai |
|---|---|---|---|---|
Medanmodel | Jenisstring | KeperluanDiperlukan | Nilai & had glm-4-airx | Lalai— |
Medanmessages | Jenismessage[] | KeperluanDiperlukan | Nilai & had Item minimum: 1 | Lalai— |
Medanmessages[].role | Jenisstring | KeperluanDiperlukan | Nilai & had Bergantung pada model | Lalai— |
Medanmessages[].content | Jenisstring | KeperluanPilihan | Nilai & had Terpakai apabila: Perbualan teks | Lalai— |
Medanstream | Jenisboolean | KeperluanPilihan | Nilai & had | Lalaifalse |
Teks · Teks UTF8
messages[].content
| Parameter | Kontrak |
|---|---|
Parametercontent_type | Kontrakapplication/json |
Parameterrequired | Kontrakmodel, messages |
Parametermaterial_types | Kontraktext |
Parametermessages | Kontraktatasusunan mesej dengan struktur role/content |
Parameterfile_material | Kontrakdokumen UTF-8 sebenar dimasukkan sebagai teks literal; ID fail tidak diandaikan |
Parameteroptional_controls | Kontrakstream |
Parametercontrol_scope | KontrakPerbualan teks; stream ialah nilai boolean dengan false sebagai lalai. |
Parameteroutput_modalities | Kontraktext |
Parameterhosted_operations | Kontrakfalse |
Parametermultimodal_input_binding | Kontraknull |
Alias kaedah: /chat/completions
Kitar hayat: synchronous_or_streamed
Hantar ID model yang tepat bersama messages.
Panjang konteks bukan had output.
Fail teks boleh membekalkan teks literal; input imej/audio/objek fail memerlukan pengikatan tepat.
Rujukan tarif tidak menambah pilihan permintaan. Parameter yang disokong disenaraikan untuk kaedah yang dipilih.
Padankan setiap caj dengan syarat yang dipaparkan. Gunakan satu kadar bagi setiap set konfigurasi alternatif.
| Konfigurasi | Jadual kadar | Token konteks, melebihi | Token konteks, sehingga dan termasuk | Caj |
|---|---|---|---|---|
| KonfigurasiKadar asas token | Jadual kadarKadar asas | Token konteks, melebihi— | Token konteks, sehingga dan termasukTiada had atas | Caj Input · Token input $0.0028 / 1K token Output · Token output $0.0028 / 1K token Input · Bacaan cache — / 1K token Input · Penulisan cache — / 1K token Input · Penulisan cache, 1 jam — / 1K token |
| KonfigurasiTahap panjang permintaan 1 | Jadual kadar— | Token konteks, melebihi0 | Token konteks, sehingga dan termasukTiada had atas | Caj Input · Token input $0.0028 / 1K token Output · Token output $0.0028 / 1K token Input · Bacaan cache — / 1K token Input · Penulisan cache — / 1K token Input · Penulisan cache, 1 jam — / 1K token |
Ailoot merizabkan anggaran amaun sebelum permintaan. Selepas hasil diterima, caj akhir diselesaikan berdasarkan penggunaan terukur. Penyelesaian caj penstriman menggunakan rekod penggunaan akhir. Cara rizab dan penyelesaian caj berfungsi →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model":"glm-4-airx","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-4-airx", 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 atau SSE
Simpan setiap respons lengkap, fail dan bahagian kandungan yang dikembalikan.
Kekalkan setiap pilihan jawapan bersama kandungan, panggilan alat dan penaakulannya. Dalam SSE, gabungkan delta mengikut indeks pilihan jawapan/alat dan kekalkan sebab penamatan akhir serta data penggunaan.
Kekalkan ID permintaan/respons dan pengepala. Tiada URL umum bagi pengambilan tugas teks dibekalkan.
| Medan | Jenis |
|---|---|
Medanchoices[].index | Jenisinteger |
Medanchoices[].message.content | Jenisstring|null |
Medanchoices[].message.tool_calls | Jenistool_call[] |
Medanchoices[].message.reasoning_content | Jenisstring |
Medanchoices[].message.reasoning_details | Jenisobject|array |
Medanchoices[].finish_reason | Jenisstring|null |
Medanusage | Jenisobject |
| Respons | Syarat | Langkah seterusnya |
|---|---|---|
Respons400 · invalid_request_error | SyaratMedan wajib, perwakilan bahan atau nilai parameter tidak sah | Langkah seterusnyaBetulkan medan yang ditunjukkan sebelum permintaan penciptaan baharu. |
Ailoot Ultra glm-4-airx
/chat/completions
glm-4-airxGLM-4-AirX ialah model teks Z.ai berorientasikan kelajuan untuk dialog kependaman rendah, pengekodan dan aliran kerja berbantukan alat. Profil terbitannya menetapkan konteks 8K dan sehingga 4K output, menjadikannya sesuai untuk tugas tertumpu dengan hasil ringkas dan berstruktur.
Huraian ini merangkumi keupayaan model. Input, output dan pilihan yang tersedia di Ailoot disenaraikan di bawah untuk kaedah yang dipilih.
GLM-4-AirX ialah anggota berkelajuan tinggi dalam barisan GLM-4 Air daripada Z.ai. Pengeluar meletakkannya untuk kependaman rendah dan tugas aplikasi serentak, dengan perhatian khusus pada pematuhan arahan, kod kejuruteraan dan panggilan fungsi. Model menerima teks dan mengembalikan teks. Profilnya sendiri menyenaraikan tetingkap konteks 8K token dan output maksimum 4K token. Ini berbeza daripada konteks lebih besar yang diiklankan untuk GLM-4-Air-250414; AirX mengekalkan profil terbitannya sendiri.
Untuk pembantu interaktif, ini mengarah kepada permintaan tertumpu: jelaskan fungsi, kelaskan mesej, ekstrak medan daripada perenggan yang dibekalkan atau tukar arahan teknikal menjadi respons ringkas. Berikan petikan berkaitan, soalan semasa dan hasil yang dikehendaki bersama. Pastikan perbualan lengkap dan sebarang pemerhatian alat berada dalam konteks aktif dan jangan mengandaikan korpus latar belakang besar akan muat.
Huraian GLM-4 menyenaraikan teks penstriman, pemanggilan fungsi, pencachean konteks, format berstruktur seperti JSON dan penyepaduan dengan alat serta sumber data MCP. Penstriman mempersembahkan jawapan ketika ia dijana supaya aplikasi boleh menunjukkan teks yang berguna sebelum balasan lengkap tiba. Penstriman mengubah penyampaian, bukan modaliti input atau output model.
Pemanggilan fungsi membolehkan model mencadangkan tindakan daripada fungsi yang diterangkan oleh aplikasi. Aplikasi melaksanakan tindakan itu dan mengembalikan pemerhatian. Kitaran yang sesuai ialah carian maklumat kecil diikuti penjelasan ringkas tentang data yang dikembalikan. Penyepaduan MCP juga bergantung pada alat dan data yang dibekalkan aplikasi. Pencachean konteks berkaitan penggunaan semula input berulang; ini tidak membayangkan bahawa setiap perbualan berulang telah menghasilkan padanan cache.
Untuk hasil JSON, nyatakan medan dan maknanya sebelum memberikan bahan. Contohnya, bekalkan permintaan teknikal dan minta kategorinya, tindakan yang diperlukan dan soalan yang belum dijawab. Struktur yang terhasil berguna untuk langkah aplikasi seterusnya, manakala nilainya masih perlu disemak berdasarkan teks yang dibekalkan.
Pengeluar memasukkan terjemahan, pengelasan semantik, pengekstrakan medan dokumen, penulisan pemasaran, laporan analisis dan perancangan jadual perjalanan antara aplikasi GLM-4. Profil AirX yang lebih pendek mengutamakan langkah semasa dalam aliran kerja sedemikian. Permintaan terjemahan boleh membekalkan petikan pendek, khalayak dan istilah; outputnya ialah petikan yang ditulis semula yang mengekalkan nama yang diperlukan. Permintaan pengelasan boleh membekalkan label yang dibenarkan dan takrifnya, bukannya meminta pertimbangan yang tidak ditetapkan.
Untuk pengekstrakan, takrifkan pengecam yang diminta dan medan lain serta sertakan hanya petikan sumber berkaitan. Untuk penulisan, berikan fakta produk dan satu hasil, seperti perenggan produk atau baris kempen. Untuk laporan atau jadual perjalanan, salurkan fakta dan kekangan berkaitan bagi langkah semasa. Jika maklumat baharu diperlukan, alat carian atau data aplikasi membekalkannya; model kemudian bekerja berdasarkan bahan yang dikembalikan itu.
AirX diterangkan sebagai dipralatih menggunakan 15 trilion token, termasuk bahan penaakulan sintetik yang banyak. Pascalatihannya menggunakan penjajaran keutamaan dialog, pensampelan penolakan dan pembelajaran pengukuhan untuk mengukuhkan arahan, kod kejuruteraan serta penggunaan fungsi. Pengeluar mempersembahkannya sebagai varian GLM-4-Air-250414 yang lebih pantas, dengan perubahan pada komponen asas meliputi pengisian awal prom dan penyahkodan autoregresif. Ini menerangkan reka bentuk pengeluar, bukannya jaminan kependaman atau keserentakan yang diukur untuk penempatan tertentu.
Berikan AirX satu tugas berhad dan artifak jangkaan yang padat. Untuk kod, sertakan fungsi, nilai input berkaitan dan tingkah laku yang diperlukan, kemudian minta cebisan yang dibetulkan berserta penjelasannya. Untuk pengekstrakan berstruktur, letakkan takrif medan sebelum petikan dan minta maklumat yang tiada ditandakan secara jelas. Rancang hasil dalam profil output 4K yang diterbitkan; bahagikan laporan besar kepada tugas tertumpu dan jangan menjangkakan dokumen tanpa sekatan daripada satu balasan.
POST /v1/messagestextjson, sse| Medan | Jenis | Keperluan | Nilai & had | Lalai |
|---|---|---|---|---|
Medanmodel | Jenisstring | KeperluanDiperlukan | Nilai & had glm-4-airx | Lalai— |
Medanmessages | Jenismessage[] | KeperluanDiperlukan | Nilai & had | Lalai— |
Medanmessages[].role | Jenisstring | KeperluanDiperlukan | Nilai & had user, assistant | Lalai— |
Medanmessages[].content | Jenisstring | KeperluanDiperlukan | Nilai & had | Lalai— |
Medanmax_tokens | Jenisinteger | KeperluanDiperlukan | Nilai & had | Lalai— |
Medanstream | Jenisboolean | KeperluanPilihan | Nilai & had | Lalaifalse |
Teks · Teks UTF-8
rentetan messages[].content
| Parameter | Kontrak |
|---|---|
Parametercontent_type | Kontrakapplication/json |
Parameterrequired | Kontrakmodel, messages, max_tokens |
Parameteroptional_controls | Kontrakstream |
Parametermaterial_types | Kontraktext |
Parametertext_file_material | KontrakBaca dokumen UTF-8 sebenar dan letakkan teksnya dalam rentetan input atau kandungan mesej yang ditunjukkan. |
Kitar hayat: synchronous_or_streamed
Rujukan tarif tidak menambah pilihan permintaan. Parameter yang disokong disenaraikan untuk kaedah yang dipilih.
Padankan setiap caj dengan syarat yang dipaparkan. Gunakan satu kadar bagi setiap set konfigurasi alternatif.
| Konfigurasi | Jadual kadar | Token konteks, melebihi | Token konteks, sehingga dan termasuk | Caj |
|---|---|---|---|---|
| KonfigurasiKadar asas token | Jadual kadarKadar asas | Token konteks, melebihi— | Token konteks, sehingga dan termasukTiada had atas | Caj Input · Token input $0.0028 / 1K token Output · Token output $0.0028 / 1K token Input · Bacaan cache — / 1K token Input · Penulisan cache — / 1K token Input · Penulisan cache, 1 jam — / 1K token |
| KonfigurasiTahap panjang permintaan 1 | Jadual kadar— | Token konteks, melebihi0 | Token konteks, sehingga dan termasukTiada had atas | Caj Input · Token input $0.0028 / 1K token Output · Token output $0.0028 / 1K token Input · Bacaan cache — / 1K token Input · Penulisan cache — / 1K token Input · Penulisan cache, 1 jam — / 1K token |
Ailoot merizabkan anggaran amaun sebelum permintaan. Selepas hasil diterima, caj akhir diselesaikan berdasarkan penggunaan terukur. Penyelesaian caj penstriman menggunakan rekod penggunaan akhir. Cara rizab dan penyelesaian caj berfungsi →
{\n "model": "glm-4-airx",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'glm-4-airx', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'glm-4-airx', '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 atau SSE
Simpan setiap respons lengkap, fail dan bahagian kandungan yang dikembalikan.
Kekalkan semua blok kandungan, tandatangan penaakulan dan ID penggunaan alat sebenar. Gabungkan semua delta blok SSE; blok teks pertama bukan keseluruhan output.
Kekalkan ID permintaan/respons dan pengepala. Tiada URL umum bagi pengambilan tugas teks dibekalkan.
| Medan | Jenis |
|---|---|
Medanid | Jenisstring |
Medanmodel | Jenisstring |
Medancontent[] | Jenistext|thinking|tool_use|other content block |
Medanstop_reason | Jenisstring|null |
Medanusage | Jenisobject |
| Respons | Syarat | Langkah seterusnya |
|---|---|---|
Respons400 · invalid_request_error | SyaratMedan wajib, perwakilan bahan atau nilai parameter tidak sah | Langkah seterusnyaBetulkan medan yang ditunjukkan sebelum permintaan penciptaan baharu. |
Ailoot Ultra glm-4-airx
/chat/completions