GLM-4-Long ialah model bahasa Zhipu AI untuk teks yang sangat panjang dan tugas perbualan berorientasikan ingatan. Pengeluar menetapkan input teks dan output teks, tetingkap konteks 1M dan output maksimum 4K token. Penekanannya ialah membaca, menterjemah dan menganalisis bahan yang luas, kemudian menghasilkan respons tertumpu berdasarkan kandungan yang dibekalkan.
Bekalkan teks dokumen bersama soalan yang perlu dijawabnya. Pastikan tajuk bahagian, pengecam halaman atau bab, tarikh dan unit jadual kekal bersama kandungannya. Tetingkap input panjang berguna apabila jawapan bergantung pada hubungan merentas banyak bahagian, seperti objektif yang dinyatakan, bukti yang menyokongnya dan pengecualian di bahagian lain dokumen.
Pembuatnya menerangkan peluasan konteks secara beransur-ansur daripada 2K kepada 1M melalui pralatihan berterusan, penalaan halus terselia dan pembelajaran pengukuhan daripada maklum balas manusia. Untuk kerja praktikal, tetapkan hubungan yang perlu diteliti sebelum meminta ringkasan luas. Contoh arahan ialah: “Bandingkan seni bina yang dicadangkan dengan bahagian pelaksanaan, dan kenal pasti setiap perbezaan bersama bahagian sumbernya.” Hasilnya boleh berupa perbandingan ringkas yang memastikan bukti asal kekal tersedia untuk semakan.
Pengeluar mengesyorkan analisis laporan tahunan, pengekstrakan struktur hasil, pendedahan risiko dan perbincangan pengurusan, serta perbandingan data kewangan merentas tempoh. Sediakan laporan bersama tarikh pelaporan dan label yang konsisten bagi unit serta mata wang. Minta jadual angka terpilih, petikan di sebalik setiap nilai dan penjelasan berasingan tentang perubahan. Ini mengekalkan perbezaan antara angka yang dilaporkan dengan tafsiran pergerakannya.
Untuk bahan akademik, GLM-4-Long boleh menyusun latar belakang penyelidikan, kaedah eksperimen dan kesimpulan mengikut topik. Berikan petikan lengkap yang diperlukan untuk perbandingan, termasuk takrif serta syarat dan batasan yang dinyatakan dalam bab lain. Output yang berguna ialah peta dakwaan, kaedah dan bahagian sokongan, diikuti soalan yang masih belum diselesaikan dalam teks yang dibekalkan. Asingkan petikan dan analisis model dalam medan berbeza ketika menyediakan nota penyelidikan.
Senario dokumen undang-undang pembuat meliputi statut, kes dan kontrak, termasuk klausa hak, kewajipan serta tanggungjawab. Namakan pihak dan isu yang perlu dibandingkan, kemudian minta klausa berkaitan bersama rujukan bahagiannya. Pengekstrakan tertumpu boleh menjadi dokumen kerja untuk semakan profesional kemudian, dengan ungkapan sumber diletakkan bersama penjelasan.
Senario fiksyen berkaitan hubungan watak, struktur plot, ringkasan bersasaran dan sambungan berdasarkan gaya naratif panjang. Tetapkan bab dan titik dalam kronologi yang penting. Contohnya, minta peta hubungan watak dengan peristiwa yang menyokong setiap hubungan, atau taklimat sambungan yang mengekalkan nama sedia ada dan jalur cerita yang belum selesai.
Output maksimum 4K yang didokumenkan jauh lebih kecil daripada konteks input. Pilih hasil yang dikehendaki: ringkasan eksekutif, perbandingan klausa, rangka penyelidikan atau analisis khusus bab. Untuk semakan besar, bahagikan output yang diminta kepada tugas bernama dengan jelas sambil memastikan bahan sumber berkaitan dikaitkan dengan setiap jawapan.
Untuk perbualan dokumen yang berterusan, simpan soalan terdahulu, jawapan dan petikan yang diperlukan untuk soalan seterusnya. Pengeluar menerangkan sembang berorientasikan ingatan sebagai kegunaan konteks panjang; susun konteks itu supaya susulan merujuk dokumen, tempoh pelaporan atau bab yang sama. Simpan analisis lengkap bersama pengecam sumber tersebut, kemudian semak nama, angka dan petikan yang diekstrak berdasarkan teks asal sebelum memasukkannya dalam laporan seterusnya.
", "aboutText": "GLM-4-Long ialah model bahasa Zhipu AI untuk teks yang sangat panjang dan tugas perbualan berorientasikan ingatan. Pengeluar menetapkan input teks dan output teks, tetingkap konteks 1M dan output maksimum 4K token. Penekanannya ialah membaca, menterjemah dan menganalisis bahan yang luas, kemudian menghasilkan respons tertumpu berdasarkan kandungan yang dibekalkan.\n\n### Sediakan bahan untuk analisis menyeluruh\n\nBekalkan teks dokumen bersama soalan yang perlu dijawabnya. Pastikan tajuk bahagian, pengecam halaman atau bab, tarikh dan unit jadual kekal bersama kandungannya. Tetingkap input panjang berguna apabila jawapan bergantung pada hubungan merentas banyak bahagian, seperti objektif yang dinyatakan, bukti yang menyokongnya dan pengecualian di bahagian lain dokumen.\n\nPembuatnya menerangkan peluasan konteks secara beransur-ansur daripada 2K kepada 1M melalui pralatihan berterusan, penalaan halus terselia dan pembelajaran pengukuhan daripada maklum balas manusia. Untuk kerja praktikal, tetapkan hubungan yang perlu diteliti sebelum meminta ringkasan luas. Contoh arahan ialah: “Bandingkan seni bina yang dicadangkan dengan bahagian pelaksanaan, dan kenal pasti setiap perbezaan bersama bahagian sumbernya.” Hasilnya boleh berupa perbandingan ringkas yang memastikan bukti asal kekal tersedia untuk semakan.\n\n### Baca laporan kewangan dan makalah akademik\n\nPengeluar mengesyorkan analisis laporan tahunan, pengekstrakan struktur hasil, pendedahan risiko dan perbincangan pengurusan, serta perbandingan data kewangan merentas tempoh. Sediakan laporan bersama tarikh pelaporan dan label yang konsisten bagi unit serta mata wang. Minta jadual angka terpilih, petikan di sebalik setiap nilai dan penjelasan berasingan tentang perubahan. Ini mengekalkan perbezaan antara angka yang dilaporkan dengan tafsiran pergerakannya.\n\nUntuk bahan akademik, GLM-4-Long boleh menyusun latar belakang penyelidikan, kaedah eksperimen dan kesimpulan mengikut topik. Berikan petikan lengkap yang diperlukan untuk perbandingan, termasuk takrif serta syarat dan batasan yang dinyatakan dalam bab lain. Output yang berguna ialah peta dakwaan, kaedah dan bahagian sokongan, diikuti soalan yang masih belum diselesaikan dalam teks yang dibekalkan. Asingkan petikan dan analisis model dalam medan berbeza ketika menyediakan nota penyelidikan.\n\n### Jejaki klausa, watak dan peristiwa merentas teks panjang\n\nSenario dokumen undang-undang pembuat meliputi statut, kes dan kontrak, termasuk klausa hak, kewajipan serta tanggungjawab. Namakan pihak dan isu yang perlu dibandingkan, kemudian minta klausa berkaitan bersama rujukan bahagiannya. Pengekstrakan tertumpu boleh menjadi dokumen kerja untuk semakan profesional kemudian, dengan ungkapan sumber diletakkan bersama penjelasan.\n\nSenario fiksyen berkaitan hubungan watak, struktur plot, ringkasan bersasaran dan sambungan berdasarkan gaya naratif panjang. Tetapkan bab dan titik dalam kronologi yang penting. Contohnya, minta peta hubungan watak dengan peristiwa yang menyokong setiap hubungan, atau taklimat sambungan yang mengekalkan nama sedia ada dan jalur cerita yang belum selesai.\n\n### Gunakan input panjang dengan jawapan berhad\n\nOutput maksimum 4K yang didokumenkan jauh lebih kecil daripada konteks input. Pilih hasil yang dikehendaki: ringkasan eksekutif, perbandingan klausa, rangka penyelidikan atau analisis khusus bab. Untuk semakan besar, bahagikan output yang diminta kepada tugas bernama dengan jelas sambil memastikan bahan sumber berkaitan dikaitkan dengan setiap jawapan.\n\nUntuk perbualan dokumen yang berterusan, simpan soalan terdahulu, jawapan dan petikan yang diperlukan untuk soalan seterusnya. Pengeluar menerangkan sembang berorientasikan ingatan sebagai kegunaan konteks panjang; susun konteks itu supaya susulan merujuk dokumen, tempoh pelaporan atau bab yang sama. Simpan analisis lengkap bersama pengecam sumber tersebut, kemudian semak nama, angka dan petikan yang diekstrak berdasarkan teks asal sebelum memasukkannya dalam laporan seterusnya.", "editorialOverlay": { "copy_fields": { "practical_html": "Contoh teknikal dalam bahasa Inggeris
Reconcile architecture and implementation notes\n\nCompare labeled excerpts. Architecture §2: every export job is resumable and stores its cursor after each completed page. Implementation §7: the exporter stores its cursor only when the entire job completes. Operations §4: interrupted jobs restart from page one. Return a concise discrepancy map with source references and a focused requirement for the next code review.A source-linked discrepancy table and one review requirement tied to the resumability objective.The answer connects all three excerpts and does not invent additional implementation details.glm-4-longGLM-4-Long ialah model Zhipu AI untuk membaca teks yang sangat panjang dan mengekalkan konteks dokumen sepanjang perbualan. Konteks 1M yang didokumenkan dan output maksimum 4K menyokong analisis tertumpu terhadap laporan, makalah, kontrak dan fiksyen panjang.
Huraian ini merangkumi keupayaan model. Input, output dan pilihan yang tersedia di Ailoot disenaraikan di bawah untuk kaedah yang dipilih.
GLM-4-Long ialah model bahasa Zhipu AI untuk teks yang sangat panjang dan tugas perbualan berorientasikan ingatan. Pengeluar menetapkan input teks dan output teks, tetingkap konteks 1M dan output maksimum 4K token. Penekanannya ialah membaca, menterjemah dan menganalisis bahan yang luas, kemudian menghasilkan respons tertumpu berdasarkan kandungan yang dibekalkan.
Bekalkan teks dokumen bersama soalan yang perlu dijawabnya. Pastikan tajuk bahagian, pengecam halaman atau bab, tarikh dan unit jadual kekal bersama kandungannya. Tetingkap input panjang berguna apabila jawapan bergantung pada hubungan merentas banyak bahagian, seperti objektif yang dinyatakan, bukti yang menyokongnya dan pengecualian di bahagian lain dokumen.
Pembuatnya menerangkan peluasan konteks secara beransur-ansur daripada 2K kepada 1M melalui pralatihan berterusan, penalaan halus terselia dan pembelajaran pengukuhan daripada maklum balas manusia. Untuk kerja praktikal, tetapkan hubungan yang perlu diteliti sebelum meminta ringkasan luas. Contoh arahan ialah: “Bandingkan seni bina yang dicadangkan dengan bahagian pelaksanaan, dan kenal pasti setiap perbezaan bersama bahagian sumbernya.” Hasilnya boleh berupa perbandingan ringkas yang memastikan bukti asal kekal tersedia untuk semakan.
Pengeluar mengesyorkan analisis laporan tahunan, pengekstrakan struktur hasil, pendedahan risiko dan perbincangan pengurusan, serta perbandingan data kewangan merentas tempoh. Sediakan laporan bersama tarikh pelaporan dan label yang konsisten bagi unit serta mata wang. Minta jadual angka terpilih, petikan di sebalik setiap nilai dan penjelasan berasingan tentang perubahan. Ini mengekalkan perbezaan antara angka yang dilaporkan dengan tafsiran pergerakannya.
Untuk bahan akademik, GLM-4-Long boleh menyusun latar belakang penyelidikan, kaedah eksperimen dan kesimpulan mengikut topik. Berikan petikan lengkap yang diperlukan untuk perbandingan, termasuk takrif serta syarat dan batasan yang dinyatakan dalam bab lain. Output yang berguna ialah peta dakwaan, kaedah dan bahagian sokongan, diikuti soalan yang masih belum diselesaikan dalam teks yang dibekalkan. Asingkan petikan dan analisis model dalam medan berbeza ketika menyediakan nota penyelidikan.
Senario dokumen undang-undang pembuat meliputi statut, kes dan kontrak, termasuk klausa hak, kewajipan serta tanggungjawab. Namakan pihak dan isu yang perlu dibandingkan, kemudian minta klausa berkaitan bersama rujukan bahagiannya. Pengekstrakan tertumpu boleh menjadi dokumen kerja untuk semakan profesional kemudian, dengan ungkapan sumber diletakkan bersama penjelasan.
Senario fiksyen berkaitan hubungan watak, struktur plot, ringkasan bersasaran dan sambungan berdasarkan gaya naratif panjang. Tetapkan bab dan titik dalam kronologi yang penting. Contohnya, minta peta hubungan watak dengan peristiwa yang menyokong setiap hubungan, atau taklimat sambungan yang mengekalkan nama sedia ada dan jalur cerita yang belum selesai.
Output maksimum 4K yang didokumenkan jauh lebih kecil daripada konteks input. Pilih hasil yang dikehendaki: ringkasan eksekutif, perbandingan klausa, rangka penyelidikan atau analisis khusus bab. Untuk semakan besar, bahagikan output yang diminta kepada tugas bernama dengan jelas sambil memastikan bahan sumber berkaitan dikaitkan dengan setiap jawapan.
Untuk perbualan dokumen yang berterusan, simpan soalan terdahulu, jawapan dan petikan yang diperlukan untuk soalan seterusnya. Pengeluar menerangkan sembang berorientasikan ingatan sebagai kegunaan konteks panjang; susun konteks itu supaya susulan merujuk dokumen, tempoh pelaporan atau bab yang sama. Simpan analisis lengkap bersama pengecam sumber tersebut, kemudian semak nama, angka dan petikan yang diekstrak berdasarkan teks asal sebelum memasukkannya dalam laporan seterusnya.
POST /v1/chat/completionstexttext| Medan | Jenis | Keperluan | Nilai & had | Lalai |
|---|---|---|---|---|
Medanmodel | Jenisstring | KeperluanDiperlukan | Nilai & had glm-4-long | Lalai— |
Medanmessages | Jenismessage[] | KeperluanDiperlukan | Nilai & had Item minimum: 1 | Lalai— |
Medanmessages[].role | Jenisstring | KeperluanDiperlukan | Nilai & had Contoh: system, user, assistant, tool, function Syarat: Peranan ini diwakili secara eksplisit oleh jenis keserasian dalam kod sumber; set peranan model yang tepat kekal khusus untuk setiap model. Bergantung pada model | Lalai— |
Medanmessages[].content | Jenisstring|content_part[]|null | KeperluanPilihan | Nilai & had | Lalai— |
Medanmessages[].tool_calls | Jenistool_call[] | KeperluanPilihan | Nilai & had | Lalai— |
Medanmessages[].tool_call_id | Jenisstring | KeperluanPilihan | Nilai & had Terpakai apabila: role=tool; gunakan ID sebenar yang dipulangkan | Lalai— |
Medanmessages[].name | Jenisstring | KeperluanPilihan | Nilai & had | Lalai— |
Medanmessages[].reasoning_content | Jenisstring | KeperluanPilihan | Nilai & had Terpakai apabila: Hantar semula penaakulan sebenar yang dipulangkan apabila model ini menggunakannya | Lalai— |
Medanmessages[].reasoning_details | Jenisobject|array | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanmax_tokens | Jenisinteger | KeperluanPilihan | Nilai & had Minimum: 1 Bergantung pada model | Lalai— |
Medanmax_completion_tokens | Jenisinteger | KeperluanPilihan | Nilai & had Minimum: 1 Bergantung pada model | Lalai— |
Medanstream | Jenisboolean | KeperluanPilihan | Nilai & had | Lalaifalse |
Medanstream_options.include_usage | Jenisboolean | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medantemperature | Jenisnumber | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medantop_p | Jenisnumber | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanstop | Jenisstring|string[] | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medantools | Jenisfunction_tool[] | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medantools[].type | Jenisstring | KeperluanPilihan | Nilai & had function Bergantung pada model | Lalai— |
Medantools[].function.name | Jenisstring | KeperluanDiperlukan | Nilai & had Terpakai apabila: alat fungsi dibekalkan | Lalai— |
Medantools[].function.description | Jenisstring | KeperluanPilihan | Nilai & had | Lalai— |
Medantools[].function.parameters | JenisJSON_schema | KeperluanPilihan | Nilai & had | Lalai— |
Medantool_choice | Jenisstring|object | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanparallel_tool_calls | Jenisboolean | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanresponse_format | Jenisobject | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanreasoning_effort | Jenisstring | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanreasoning | Jenisobject | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanservice_tier | Jenisstring | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medaninstructions | Jenisstring | KeperluanPilihan | Nilai & had Medan keserasian | Lalai— |
Medanfunctions | Jenisfunction[] | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanfunction_call | Jenisstring|object | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanprompt_cache_options | Jenisobject | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanmodalities | Jenisstring[] | KeperluanPilihan | Nilai & had text | Lalai— |
Medanprovider | Jenisobject | KeperluanPilihan | Nilai & had Syarat: provider.options ditolak pada laluan teks Ultra ini | Lalai— |
Medancache_control.ttl | Jenisstring | KeperluanPilihan | Nilai & had Syarat: 1h ditolak pada lokasi cache prompt yang digunakan | Lalai— |
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, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametercontrol_scope | Kontrakkhusus model; alat fungsi pengguna berbeza daripada alat yang dihoskan |
Parameteroutput_modalities | Kontraktext |
Parameterhosted_operations | Kontrakfalse |
Parametermultimodal_input_binding | Kontraknull |
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.
| Konfigurasi | Jadual kadar | Caj |
|---|---|---|
| KonfigurasiKadar asas token | Jadual kadarKadar asas | Caj Input · Token input $0.00028 / 1K token Output · Token output $0.00028 / 1K token Input · Bacaan cache $0 / 1K token Input · Penulisan cache $0 / 1K token Input · Penulisan cache, 1 jam — / 1K token |
Ailoot merizabkan anggaran amaun sebelum permintaan. Selepas hasil diterima, caj akhir diselesaikan berdasarkan penggunaan terukur. Penyelesaian caj penstriman menggunakan rekod penggunaan akhir. Cara rizab dan penyelesaian caj berfungsi →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "glm-4-long", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='glm-4-long',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='glm-4-long',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 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-long
Gunakan laluan kaedah yang dipaparkan di atas.
glm-4-longGLM-4-Long ialah model Zhipu AI untuk membaca teks yang sangat panjang dan mengekalkan konteks dokumen sepanjang perbualan. Konteks 1M yang didokumenkan dan output maksimum 4K menyokong analisis tertumpu terhadap laporan, makalah, kontrak dan fiksyen panjang.
Huraian ini merangkumi keupayaan model. Input, output dan pilihan yang tersedia di Ailoot disenaraikan di bawah untuk kaedah yang dipilih.
GLM-4-Long ialah model bahasa Zhipu AI untuk teks yang sangat panjang dan tugas perbualan berorientasikan ingatan. Pengeluar menetapkan input teks dan output teks, tetingkap konteks 1M dan output maksimum 4K token. Penekanannya ialah membaca, menterjemah dan menganalisis bahan yang luas, kemudian menghasilkan respons tertumpu berdasarkan kandungan yang dibekalkan.
Bekalkan teks dokumen bersama soalan yang perlu dijawabnya. Pastikan tajuk bahagian, pengecam halaman atau bab, tarikh dan unit jadual kekal bersama kandungannya. Tetingkap input panjang berguna apabila jawapan bergantung pada hubungan merentas banyak bahagian, seperti objektif yang dinyatakan, bukti yang menyokongnya dan pengecualian di bahagian lain dokumen.
Pembuatnya menerangkan peluasan konteks secara beransur-ansur daripada 2K kepada 1M melalui pralatihan berterusan, penalaan halus terselia dan pembelajaran pengukuhan daripada maklum balas manusia. Untuk kerja praktikal, tetapkan hubungan yang perlu diteliti sebelum meminta ringkasan luas. Contoh arahan ialah: “Bandingkan seni bina yang dicadangkan dengan bahagian pelaksanaan, dan kenal pasti setiap perbezaan bersama bahagian sumbernya.” Hasilnya boleh berupa perbandingan ringkas yang memastikan bukti asal kekal tersedia untuk semakan.
Pengeluar mengesyorkan analisis laporan tahunan, pengekstrakan struktur hasil, pendedahan risiko dan perbincangan pengurusan, serta perbandingan data kewangan merentas tempoh. Sediakan laporan bersama tarikh pelaporan dan label yang konsisten bagi unit serta mata wang. Minta jadual angka terpilih, petikan di sebalik setiap nilai dan penjelasan berasingan tentang perubahan. Ini mengekalkan perbezaan antara angka yang dilaporkan dengan tafsiran pergerakannya.
Untuk bahan akademik, GLM-4-Long boleh menyusun latar belakang penyelidikan, kaedah eksperimen dan kesimpulan mengikut topik. Berikan petikan lengkap yang diperlukan untuk perbandingan, termasuk takrif serta syarat dan batasan yang dinyatakan dalam bab lain. Output yang berguna ialah peta dakwaan, kaedah dan bahagian sokongan, diikuti soalan yang masih belum diselesaikan dalam teks yang dibekalkan. Asingkan petikan dan analisis model dalam medan berbeza ketika menyediakan nota penyelidikan.
Senario dokumen undang-undang pembuat meliputi statut, kes dan kontrak, termasuk klausa hak, kewajipan serta tanggungjawab. Namakan pihak dan isu yang perlu dibandingkan, kemudian minta klausa berkaitan bersama rujukan bahagiannya. Pengekstrakan tertumpu boleh menjadi dokumen kerja untuk semakan profesional kemudian, dengan ungkapan sumber diletakkan bersama penjelasan.
Senario fiksyen berkaitan hubungan watak, struktur plot, ringkasan bersasaran dan sambungan berdasarkan gaya naratif panjang. Tetapkan bab dan titik dalam kronologi yang penting. Contohnya, minta peta hubungan watak dengan peristiwa yang menyokong setiap hubungan, atau taklimat sambungan yang mengekalkan nama sedia ada dan jalur cerita yang belum selesai.
Output maksimum 4K yang didokumenkan jauh lebih kecil daripada konteks input. Pilih hasil yang dikehendaki: ringkasan eksekutif, perbandingan klausa, rangka penyelidikan atau analisis khusus bab. Untuk semakan besar, bahagikan output yang diminta kepada tugas bernama dengan jelas sambil memastikan bahan sumber berkaitan dikaitkan dengan setiap jawapan.
Untuk perbualan dokumen yang berterusan, simpan soalan terdahulu, jawapan dan petikan yang diperlukan untuk soalan seterusnya. Pengeluar menerangkan sembang berorientasikan ingatan sebagai kegunaan konteks panjang; susun konteks itu supaya susulan merujuk dokumen, tempoh pelaporan atau bab yang sama. Simpan analisis lengkap bersama pengecam sumber tersebut, kemudian semak nama, angka dan petikan yang diekstrak berdasarkan teks asal sebelum memasukkannya dalam laporan seterusnya.
POST /v1/messagestextjson, sse| Medan | Jenis | Keperluan | Nilai & had | Lalai |
|---|---|---|---|---|
Medanmodel | Jenisstring | KeperluanDiperlukan | Nilai & had glm-4-long | 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.
| Konfigurasi | Jadual kadar | Caj |
|---|---|---|
| KonfigurasiKadar asas token | Jadual kadarKadar asas | Caj Input · Token input $0.00028 / 1K token Output · Token output $0.00028 / 1K token Input · Bacaan cache $0 / 1K token Input · Penulisan cache $0 / 1K token Input · Penulisan cache, 1 jam — / 1K token |
Ailoot merizabkan anggaran amaun sebelum permintaan. Selepas hasil diterima, caj akhir diselesaikan berdasarkan penggunaan terukur. Penyelesaian caj penstriman menggunakan rekod penggunaan akhir. Cara rizab dan penyelesaian caj berfungsi →
{\n "model": "glm-4-long",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-long', '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-long', '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-long
Gunakan laluan kaedah yang dipaparkan di atas.
Contoh teknikal dalam bahasa Inggeris
Reconcile architecture and implementation notes\n\nCompare labeled excerpts. Architecture §2: every export job is resumable and stores its cursor after each completed page. Implementation §7: the exporter stores its cursor only when the entire job completes. Operations §4: interrupted jobs restart from page one. Return a concise discrepancy map with source references and a focused requirement for the next code review.A source-linked discrepancy table and one review requirement tied to the resumability objective.The answer connects all three excerpts and does not invent additional implementation details.