GLM-4V-Plus ialah model multimodal Zhipu AI untuk mentafsir imej atau video dan menghasilkan teks. Panduan pembangunan ejen pengeluar membezakannya secara jelas daripada aliran kerja imej-ke-teks GLM-4V: profil Plus menerima bahan imej atau video dengan prom bertulis. Gunakan gabungan itu untuk menukar soalan visual menjadi huraian, penjelasan atau nota kerja yang dipautkan kepada sumber.
Berikan gambar atau video yang mengandungi peristiwa, objek atau hubungan yang perlu diteliti, dan nyatakan tujuan tugas. Soalan imej boleh menumpukan susunan yang kelihatan atau butiran dalam dokumen. Soalan video boleh meminta penjelasan tentang tindakan yang ditunjukkan atau ringkasan jujukan yang dibekalkan.
Simpan identiti rujukan bersama soalan. Untuk semakan video, namakan jujukan dan, apabila berguna, selang masa yang mahu dipertimbangkan. Contoh arahan ialah: “Huraikan tindakan dalam selang masa terpilih dan jelaskan bagaimana jujukan yang kelihatan menyokong huraian anda.” Rujukan masa dalam taklimat mengenal pasti bahan yang diminta; rujukan itu tidak menggantikan input video.
Pembuatnya mendokumenkan dua aliran kerja ejen: ejen perbualan yang mengaitkan imej atau video yang dimuat naik dengan prom, dan ejen berorientasikan teks dengan input muat naik yang dinamakan secara jelas. Dalam aliran kerja kedua, beberapa input visual boleh dikonfigurasi melalui medan input berasingan yang bernama. Berikan peranan yang jelas bagi setiap rujukan, seperti keadaan awal, keadaan kemudian atau dokumen untuk diteliti.
Untuk contoh perbandingan, labelkan rujukan sebelum menanyakan perkara yang berubah. Minta perbandingan bertulis yang menamakan sumber bagi setiap pemerhatian. Ini menjadikan hasil boleh digunakan sebagai nota semakan dan memastikan susulan tentang imej atau jujukan tertentu terikat pada rujukan yang betul.
Tetapkan artifak yang diperlukan oleh langkah seterusnya: kapsyen, penjelasan, ringkasan jujukan atau senarai pemerhatian yang dipautkan kepada rujukan sumber. Minta model membezakan perkara yang kelihatan daripada perkara yang memerlukan konteks tambahan. Untuk soalan dokumen, kekalkan identiti halaman bersama tafsiran yang dikembalikan; untuk jujukan tindakan, simpan selang masa terpilih dan klip asal bersama ringkasan.
Output aliran kerja GLM-4V-Plus yang didokumenkan ialah teks. Simpan respons itu bersama prom dan rujukan input ketika menyediakan rekod pengetahuan visual atau menyerahkan semakan kepada orang lain. Teliti nama, label dan huraian peristiwa berdasarkan bahan sumber, kemudian buat permintaan seterusnya tentang pemerhatian khusus yang memerlukan penjelasan.
GLM-4V dan GLM-4V-Plus ialah profil pengeluar dengan nama berasingan. Pilih Plus untuk tugas yang bukti bekalannya merangkumi video, dan simpan pilihan itu bersama nota lengkap. Kesinambungan yang berguna merujuk bahan yang sama, mengecilkan skop pemerhatian yang diminta dan mengekalkan jawapan terdahulu sebagai sebahagian daripada rekod kerja.
", "aboutText": "GLM-4V-Plus ialah model multimodal Zhipu AI untuk mentafsir imej atau video dan menghasilkan teks. Panduan pembangunan ejen pengeluar membezakannya secara jelas daripada aliran kerja imej-ke-teks GLM-4V: profil Plus menerima bahan imej atau video dengan prom bertulis. Gunakan gabungan itu untuk menukar soalan visual menjadi huraian, penjelasan atau nota kerja yang dipautkan kepada sumber.\n\n### Pilih bukti visual untuk soalan\n\nBerikan gambar atau video yang mengandungi peristiwa, objek atau hubungan yang perlu diteliti, dan nyatakan tujuan tugas. Soalan imej boleh menumpukan susunan yang kelihatan atau butiran dalam dokumen. Soalan video boleh meminta penjelasan tentang tindakan yang ditunjukkan atau ringkasan jujukan yang dibekalkan.\n\nSimpan identiti rujukan bersama soalan. Untuk semakan video, namakan jujukan dan, apabila berguna, selang masa yang mahu dipertimbangkan. Contoh arahan ialah: “Huraikan tindakan dalam selang masa terpilih dan jelaskan bagaimana jujukan yang kelihatan menyokong huraian anda.” Rujukan masa dalam taklimat mengenal pasti bahan yang diminta; rujukan itu tidak menggantikan input video.\n\n### Kaitkan setiap input dengan peranannya\n\nPembuatnya mendokumenkan dua aliran kerja ejen: ejen perbualan yang mengaitkan imej atau video yang dimuat naik dengan prom, dan ejen berorientasikan teks dengan input muat naik yang dinamakan secara jelas. Dalam aliran kerja kedua, beberapa input visual boleh dikonfigurasi melalui medan input berasingan yang bernama. Berikan peranan yang jelas bagi setiap rujukan, seperti keadaan awal, keadaan kemudian atau dokumen untuk diteliti.\n\nUntuk contoh perbandingan, labelkan rujukan sebelum menanyakan perkara yang berubah. Minta perbandingan bertulis yang menamakan sumber bagi setiap pemerhatian. Ini menjadikan hasil boleh digunakan sebagai nota semakan dan memastikan susulan tentang imej atau jujukan tertentu terikat pada rujukan yang betul.\n\n### Minta hasil bertulis yang berguna\n\nTetapkan artifak yang diperlukan oleh langkah seterusnya: kapsyen, penjelasan, ringkasan jujukan atau senarai pemerhatian yang dipautkan kepada rujukan sumber. Minta model membezakan perkara yang kelihatan daripada perkara yang memerlukan konteks tambahan. Untuk soalan dokumen, kekalkan identiti halaman bersama tafsiran yang dikembalikan; untuk jujukan tindakan, simpan selang masa terpilih dan klip asal bersama ringkasan.\n\nOutput aliran kerja GLM-4V-Plus yang didokumenkan ialah teks. Simpan respons itu bersama prom dan rujukan input ketika menyediakan rekod pengetahuan visual atau menyerahkan semakan kepada orang lain. Teliti nama, label dan huraian peristiwa berdasarkan bahan sumber, kemudian buat permintaan seterusnya tentang pemerhatian khusus yang memerlukan penjelasan.\n\n### Simpan profil visual terpilih bersama hasil\n\nGLM-4V dan GLM-4V-Plus ialah profil pengeluar dengan nama berasingan. Pilih Plus untuk tugas yang bukti bekalannya merangkumi video, dan simpan pilihan itu bersama nota lengkap. Kesinambungan yang berguna merujuk bahan yang sama, mengecilkan skop pemerhatian yang diminta dan mengekalkan jawapan terdahulu sebagai sebahagian daripada rekod kerja.", "editorialOverlay": { "copy_fields": { "practical_html": "Contoh teknikal dalam bahasa Inggeris
Compare labelled inspection notes\n\nUse only these text inspection notes. Before: crate latch closed, seal present, label K7. After: latch open, seal missing, label K7. Write a comparison for the receiving team. Distinguish documented changes from unknown causes and list the next evidence to request. No image or video is attached.A before/after comparison with source labels, an unknown-cause note and a short evidence request.The latch and seal changes are reported, while damage, theft and the person responsible remain unasserted.glm-4v-plusGLM-4V-Plus ialah model Zhipu AI untuk mentafsir imej atau video bersama prom teks dan mengembalikan respons bertulis. Pilih profil Plus yang berkeupayaan video untuk ringkasan jujukan atau penjelasan bertulis tentang tindakan yang ditunjukkan.
Huraian ini merangkumi keupayaan model. Input, output dan pilihan yang tersedia di Ailoot disenaraikan di bawah untuk kaedah yang dipilih.
GLM-4V-Plus ialah model multimodal Zhipu AI untuk mentafsir imej atau video dan menghasilkan teks. Panduan pembangunan ejen pengeluar membezakannya secara jelas daripada aliran kerja imej-ke-teks GLM-4V: profil Plus menerima bahan imej atau video dengan prom bertulis. Gunakan gabungan itu untuk menukar soalan visual menjadi huraian, penjelasan atau nota kerja yang dipautkan kepada sumber.
Berikan gambar atau video yang mengandungi peristiwa, objek atau hubungan yang perlu diteliti, dan nyatakan tujuan tugas. Soalan imej boleh menumpukan susunan yang kelihatan atau butiran dalam dokumen. Soalan video boleh meminta penjelasan tentang tindakan yang ditunjukkan atau ringkasan jujukan yang dibekalkan.
Simpan identiti rujukan bersama soalan. Untuk semakan video, namakan jujukan dan, apabila berguna, selang masa yang mahu dipertimbangkan. Contoh arahan ialah: “Huraikan tindakan dalam selang masa terpilih dan jelaskan bagaimana jujukan yang kelihatan menyokong huraian anda.” Rujukan masa dalam taklimat mengenal pasti bahan yang diminta; rujukan itu tidak menggantikan input video.
Pembuatnya mendokumenkan dua aliran kerja ejen: ejen perbualan yang mengaitkan imej atau video yang dimuat naik dengan prom, dan ejen berorientasikan teks dengan input muat naik yang dinamakan secara jelas. Dalam aliran kerja kedua, beberapa input visual boleh dikonfigurasi melalui medan input berasingan yang bernama. Berikan peranan yang jelas bagi setiap rujukan, seperti keadaan awal, keadaan kemudian atau dokumen untuk diteliti.
Untuk contoh perbandingan, labelkan rujukan sebelum menanyakan perkara yang berubah. Minta perbandingan bertulis yang menamakan sumber bagi setiap pemerhatian. Ini menjadikan hasil boleh digunakan sebagai nota semakan dan memastikan susulan tentang imej atau jujukan tertentu terikat pada rujukan yang betul.
Tetapkan artifak yang diperlukan oleh langkah seterusnya: kapsyen, penjelasan, ringkasan jujukan atau senarai pemerhatian yang dipautkan kepada rujukan sumber. Minta model membezakan perkara yang kelihatan daripada perkara yang memerlukan konteks tambahan. Untuk soalan dokumen, kekalkan identiti halaman bersama tafsiran yang dikembalikan; untuk jujukan tindakan, simpan selang masa terpilih dan klip asal bersama ringkasan.
Output aliran kerja GLM-4V-Plus yang didokumenkan ialah teks. Simpan respons itu bersama prom dan rujukan input ketika menyediakan rekod pengetahuan visual atau menyerahkan semakan kepada orang lain. Teliti nama, label dan huraian peristiwa berdasarkan bahan sumber, kemudian buat permintaan seterusnya tentang pemerhatian khusus yang memerlukan penjelasan.
GLM-4V dan GLM-4V-Plus ialah profil pengeluar dengan nama berasingan. Pilih Plus untuk tugas yang bukti bekalannya merangkumi video, dan simpan pilihan itu bersama nota lengkap. Kesinambungan yang berguna merujuk bahan yang sama, mengecilkan skop pemerhatian yang diminta dan mengekalkan jawapan terdahulu sebagai sebahagian daripada rekod kerja.
POST /v1/chat/completionstexttext| Medan | Jenis | Keperluan | Nilai & had | Lalai |
|---|---|---|---|---|
Medanmodel | Jenisstring | KeperluanDiperlukan | Nilai & had glm-4v-plus | 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 $0.0028 / 1K token Output · Token output $0.0028 / 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-4v-plus", "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-4v-plus',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-4v-plus',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-4v-plus
Gunakan laluan kaedah yang dipaparkan di atas.
glm-4v-plusGLM-4V-Plus ialah model Zhipu AI untuk mentafsir imej atau video bersama prom teks dan mengembalikan respons bertulis. Pilih profil Plus yang berkeupayaan video untuk ringkasan jujukan atau penjelasan bertulis tentang tindakan yang ditunjukkan.
Huraian ini merangkumi keupayaan model. Input, output dan pilihan yang tersedia di Ailoot disenaraikan di bawah untuk kaedah yang dipilih.
GLM-4V-Plus ialah model multimodal Zhipu AI untuk mentafsir imej atau video dan menghasilkan teks. Panduan pembangunan ejen pengeluar membezakannya secara jelas daripada aliran kerja imej-ke-teks GLM-4V: profil Plus menerima bahan imej atau video dengan prom bertulis. Gunakan gabungan itu untuk menukar soalan visual menjadi huraian, penjelasan atau nota kerja yang dipautkan kepada sumber.
Berikan gambar atau video yang mengandungi peristiwa, objek atau hubungan yang perlu diteliti, dan nyatakan tujuan tugas. Soalan imej boleh menumpukan susunan yang kelihatan atau butiran dalam dokumen. Soalan video boleh meminta penjelasan tentang tindakan yang ditunjukkan atau ringkasan jujukan yang dibekalkan.
Simpan identiti rujukan bersama soalan. Untuk semakan video, namakan jujukan dan, apabila berguna, selang masa yang mahu dipertimbangkan. Contoh arahan ialah: “Huraikan tindakan dalam selang masa terpilih dan jelaskan bagaimana jujukan yang kelihatan menyokong huraian anda.” Rujukan masa dalam taklimat mengenal pasti bahan yang diminta; rujukan itu tidak menggantikan input video.
Pembuatnya mendokumenkan dua aliran kerja ejen: ejen perbualan yang mengaitkan imej atau video yang dimuat naik dengan prom, dan ejen berorientasikan teks dengan input muat naik yang dinamakan secara jelas. Dalam aliran kerja kedua, beberapa input visual boleh dikonfigurasi melalui medan input berasingan yang bernama. Berikan peranan yang jelas bagi setiap rujukan, seperti keadaan awal, keadaan kemudian atau dokumen untuk diteliti.
Untuk contoh perbandingan, labelkan rujukan sebelum menanyakan perkara yang berubah. Minta perbandingan bertulis yang menamakan sumber bagi setiap pemerhatian. Ini menjadikan hasil boleh digunakan sebagai nota semakan dan memastikan susulan tentang imej atau jujukan tertentu terikat pada rujukan yang betul.
Tetapkan artifak yang diperlukan oleh langkah seterusnya: kapsyen, penjelasan, ringkasan jujukan atau senarai pemerhatian yang dipautkan kepada rujukan sumber. Minta model membezakan perkara yang kelihatan daripada perkara yang memerlukan konteks tambahan. Untuk soalan dokumen, kekalkan identiti halaman bersama tafsiran yang dikembalikan; untuk jujukan tindakan, simpan selang masa terpilih dan klip asal bersama ringkasan.
Output aliran kerja GLM-4V-Plus yang didokumenkan ialah teks. Simpan respons itu bersama prom dan rujukan input ketika menyediakan rekod pengetahuan visual atau menyerahkan semakan kepada orang lain. Teliti nama, label dan huraian peristiwa berdasarkan bahan sumber, kemudian buat permintaan seterusnya tentang pemerhatian khusus yang memerlukan penjelasan.
GLM-4V dan GLM-4V-Plus ialah profil pengeluar dengan nama berasingan. Pilih Plus untuk tugas yang bukti bekalannya merangkumi video, dan simpan pilihan itu bersama nota lengkap. Kesinambungan yang berguna merujuk bahan yang sama, mengecilkan skop pemerhatian yang diminta dan mengekalkan jawapan terdahulu sebagai sebahagian daripada rekod kerja.
POST /v1/messagestextjson, sse| Medan | Jenis | Keperluan | Nilai & had | Lalai |
|---|---|---|---|---|
Medanmodel | Jenisstring | KeperluanDiperlukan | Nilai & had glm-4v-plus | 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 $0.0028 / 1K token Output · Token output $0.0028 / 1K token Input · Bacaan cache $0 / 1K token Input · Penulisan cache $0 / 1K token Input · Penulisan cache, 1 jam — / 1K token |
Ailoot merizabkan anggaran amaun sebelum permintaan. Selepas hasil diterima, caj akhir diselesaikan berdasarkan penggunaan terukur. Penyelesaian caj penstriman menggunakan rekod penggunaan akhir. Cara rizab dan penyelesaian caj berfungsi →
{\n "model": "glm-4v-plus",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-4v-plus', '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-4v-plus', '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-4v-plus
Gunakan laluan kaedah yang dipaparkan di atas.
Contoh teknikal dalam bahasa Inggeris
Compare labelled inspection notes\n\nUse only these text inspection notes. Before: crate latch closed, seal present, label K7. After: latch open, seal missing, label K7. Write a comparison for the receiving team. Distinguish documented changes from unknown causes and list the next evidence to request. No image or video is attached.A before/after comparison with source labels, an unknown-cause note and a short evidence request.The latch and seal changes are reported, while damage, theft and the person responsible remain unasserted.