GLM-4-32B-0414 ialah edisi teks tetap kelas 32B dalam siri GLM-4-0414 Z.ai. Model asasnya dipralatih pada 15 trilion token termasuk bahan penaakulan sintetik. Pascalatihan menggabungkan penjajaran keutamaan dialog, pensampelan penolakan dan pembelajaran pengukuhan untuk membangunkan pematuhan arahan, kod kejuruteraan dan panggilan fungsi. Kerja yang dinyatakannya merangkumi tugasan perisian, artifak teks, soalan berasaskan carian dan laporan. Input dan output ialah teks; kod yang dijana menjadi artifak yang boleh dijalankan atau dipaparkan apabila aplikasi menyimpan dan melaksanakannya.
GLM-Z1-32B-0414 yang memfokuskan penaakulan dan model Rumination yang berorientasikan penyelidikan ialah edisi dengan nama berasingan. Entri ini mengikuti demonstrasi kod dan alat model GLM-4 sendiri yang lebih luas, tanpa menggantikannya dengan peraturan pemikiran keluaran lain.
Pengeluar menunjukkan pengaturcaraan bola yang bergerak di dalam heksagon berputar. Contoh GLM-4-32B-0414 menggunakan HTML dan menerangkan gerakan, perlanggaran serta andaian fizikal. Ini ialah kod untuk simulasi, bukannya mod penjanaan video. Untuk menyediakan tugasan yang serupa, berikan adegan, peraturan pergerakan, tingkah laku perlanggaran dan persekitaran masa jalan yang dimaksudkan, kemudian minta pelaksanaan serba lengkap serta penjelasan andaian. Aplikasi menjalankan kod itu untuk memeriksa hasil.
Contoh termasuk antara muka lukisan untuk plot fungsi tersuai, dengan penambahan dan pembuangan fungsi serta penetapan warna. Contoh lain membina antara muka pembelajaran mesin mudah alih dengan tugasan latihan, pengurusan storan dan statistik peribadi, termasuk carta, yang disusun dalam halaman HTML. Ini ialah tugasan frontend yang konkrit dengan kawalan dan keadaan yang dinyatakan.
Untuk output yang berguna, huraikan tindakan yang mesti disokong oleh setiap kawalan dan data yang perlu ditunjukkan oleh paparan. Permintaan antara muka boleh meminta kod halaman bersama hubungan antara input, keadaan yang dipaparkan dan hasil. Giliran berikutnya boleh memberikan paparan yang diperhatikan dan meminta perubahan khusus sambil mengekalkan tingkah laku yang disenaraikan.
Pengeluar turut menunjukkan ilustrasi SVG, termasuk landskap dan penjelasan proses latihan model bahasa. SVG ialah teks berstruktur, jadi aplikasi boleh menyimpannya sebagai artifak vektor yang boleh disunting. Bekalkan subjek, label, susun atur dan hubungan visual yang diperlukan. Minta kod SVG sebagai hasil serahan berasingan tanpa mencampurkan kod ilustrasi dengan penjelasan panjang yang tidak berkaitan.
Untuk penulisan penyelidikan, kad membekalkan hasil carian sebagai pemerhatian dan meminta model menyusun serta mentafsirkannya, bukannya menyalinnya. Arahannya membezakan hasil yang berkaitan daripada yang tidak berkaitan, mengutamakan butiran bermakna apabila bukti mengizinkan, menggunakan struktur yang mudah dibaca dan menjawab dalam bahasa pengguna. Contohnya menghasilkan laporan analisis tentang kesusasteraan kanak-kanak, meliputi kaedah naratif, tema dan kesannya.
Tugasan praktikal boleh memberikan petikan bernama dan meminta laporan yang disusun berdasarkan soalan jelas, dengan setiap kesimpulan dihubungkan kepada bahan sokongan. Carian dan pemerolehan maklumat berlaku dalam aplikasi yang mengelilinginya; petikan yang dikembalikan menjadi bukti model. Ini juga berguna untuk membandingkan dokumen atau menyediakan penjelasan daripada koleksi penyelidikan yang dibekalkan.
GLM-4-32B-0414 menyokong panggilan alat luaran dengan argumen JSON. Model mengenal pasti fungsi dan argumennya, aplikasi melaksanakannya, dan hasil dikembalikan sebagai pemerhatian. Demonstrasi pengeluar mengulangi gelung tersebut sehingga respons akhir dihasilkan. Huraikan tujuan setiap alat dan medan yang diperlukan serta bezakan pemerhatiannya daripada arahan pengguna. Dengan itu, carian rujukan boleh membekalkan data untuk perbandingan kemudian tanpa berpura-pura bahawa model memperoleh maklumat langsung secara bebas.
Konfigurasi yang diterbitkan menetapkan max_position_embeddings kepada 32,768 dan tidak mengandungi entri rope_scaling. Contoh pengeluar menggunakan panjang penjanaan khusus permintaan; kad tidak memberikan maksimum keras output sejagat. Pastikan kod, petikan yang diperoleh dan dialog berkaitan muat dalam konteks aktif, dan nyatakan sama ada hasil akhir perlu berupa HTML, SVG, fragmen kod, argumen JSON atau laporan. Ini ialah perwakilan teks yang dihasilkan untuk tugasan yang diterangkan; pelaksanaan, penciptaan fail dan akses kepada data luaran kekal sebagai tindakan aplikasi.
", "aboutText": "### Pengenalan\n\nGLM-4-32B-0414 ialah edisi teks tetap kelas 32B dalam siri GLM-4-0414 Z.ai. Model asasnya dipralatih pada 15 trilion token termasuk bahan penaakulan sintetik. Pascalatihan menggabungkan penjajaran keutamaan dialog, pensampelan penolakan dan pembelajaran pengukuhan untuk membangunkan pematuhan arahan, kod kejuruteraan dan panggilan fungsi. Kerja yang dinyatakannya merangkumi tugasan perisian, artifak teks, soalan berasaskan carian dan laporan. Input dan output ialah teks; kod yang dijana menjadi artifak yang boleh dijalankan atau dipaparkan apabila aplikasi menyimpan dan melaksanakannya.\n\nGLM-Z1-32B-0414 yang memfokuskan penaakulan dan model Rumination yang berorientasikan penyelidikan ialah edisi dengan nama berasingan. Entri ini mengikuti demonstrasi kod dan alat model GLM-4 sendiri yang lebih luas, tanpa menggantikannya dengan peraturan pemikiran keluaran lain.\n\n### Demonstrasi: penjanaan animasi\n\nPengeluar menunjukkan pengaturcaraan bola yang bergerak di dalam heksagon berputar. Contoh GLM-4-32B-0414 menggunakan HTML dan menerangkan gerakan, perlanggaran serta andaian fizikal. Ini ialah kod untuk simulasi, bukannya mod penjanaan video. Untuk menyediakan tugasan yang serupa, berikan adegan, peraturan pergerakan, tingkah laku perlanggaran dan persekitaran masa jalan yang dimaksudkan, kemudian minta pelaksanaan serba lengkap serta penjelasan andaian. Aplikasi menjalankan kod itu untuk memeriksa hasil.\n\n### Demonstrasi: reka bentuk web\n\nContoh termasuk antara muka lukisan untuk plot fungsi tersuai, dengan penambahan dan pembuangan fungsi serta penetapan warna. Contoh lain membina antara muka pembelajaran mesin mudah alih dengan tugasan latihan, pengurusan storan dan statistik peribadi, termasuk carta, yang disusun dalam halaman HTML. Ini ialah tugasan frontend yang konkrit dengan kawalan dan keadaan yang dinyatakan.\n\nUntuk output yang berguna, huraikan tindakan yang mesti disokong oleh setiap kawalan dan data yang perlu ditunjukkan oleh paparan. Permintaan antara muka boleh meminta kod halaman bersama hubungan antara input, keadaan yang dipaparkan dan hasil. Giliran berikutnya boleh memberikan paparan yang diperhatikan dan meminta perubahan khusus sambil mengekalkan tingkah laku yang disenaraikan.\n\n### Demonstrasi: penjanaan SVG\n\nPengeluar turut menunjukkan ilustrasi SVG, termasuk landskap dan penjelasan proses latihan model bahasa. SVG ialah teks berstruktur, jadi aplikasi boleh menyimpannya sebagai artifak vektor yang boleh disunting. Bekalkan subjek, label, susun atur dan hubungan visual yang diperlukan. Minta kod SVG sebagai hasil serahan berasingan tanpa mencampurkan kod ilustrasi dengan penjelasan panjang yang tidak berkaitan.\n\n### Penulisan berasaskan carian\n\nUntuk penulisan penyelidikan, kad membekalkan hasil carian sebagai pemerhatian dan meminta model menyusun serta mentafsirkannya, bukannya menyalinnya. Arahannya membezakan hasil yang berkaitan daripada yang tidak berkaitan, mengutamakan butiran bermakna apabila bukti mengizinkan, menggunakan struktur yang mudah dibaca dan menjawab dalam bahasa pengguna. Contohnya menghasilkan laporan analisis tentang kesusasteraan kanak-kanak, meliputi kaedah naratif, tema dan kesannya.\n\nTugasan praktikal boleh memberikan petikan bernama dan meminta laporan yang disusun berdasarkan soalan jelas, dengan setiap kesimpulan dihubungkan kepada bahan sokongan. Carian dan pemerolehan maklumat berlaku dalam aplikasi yang mengelilinginya; petikan yang dikembalikan menjadi bukti model. Ini juga berguna untuk membandingkan dokumen atau menyediakan penjelasan daripada koleksi penyelidikan yang dibekalkan.\n\n### Panggilan fungsi\n\nGLM-4-32B-0414 menyokong panggilan alat luaran dengan argumen JSON. Model mengenal pasti fungsi dan argumennya, aplikasi melaksanakannya, dan hasil dikembalikan sebagai pemerhatian. Demonstrasi pengeluar mengulangi gelung tersebut sehingga respons akhir dihasilkan. Huraikan tujuan setiap alat dan medan yang diperlukan serta bezakan pemerhatiannya daripada arahan pengguna. Dengan itu, carian rujukan boleh membekalkan data untuk perbandingan kemudian tanpa berpura-pura bahawa model memperoleh maklumat langsung secara bebas.\n\n### Perancangan konteks dan hasil\n\nKonfigurasi yang diterbitkan menetapkan max_position_embeddings kepada 32,768 dan tidak mengandungi entri rope_scaling. Contoh pengeluar menggunakan panjang penjanaan khusus permintaan; kad tidak memberikan maksimum keras output sejagat. Pastikan kod, petikan yang diperoleh dan dialog berkaitan muat dalam konteks aktif, dan nyatakan sama ada hasil akhir perlu berupa HTML, SVG, fragmen kod, argumen JSON atau laporan. Ini ialah perwakilan teks yang dihasilkan untuk tugasan yang diterangkan; pelaksanaan, penciptaan fail dan akses kepada data luaran kekal sebagai tindakan aplikasi.", "editorialOverlay": { "copy_fields": { "practical_html": "Contoh teknikal dalam bahasa Inggeris
Generate an editable process diagram\n\nCreate self-contained SVG markup for a left-to-right process: Receive -> Validate -> Store. Use three labelled rectangles and two arrows; all labels must remain readable in a 720 by 180 viewBox. Use no scripts, external fonts or external images. Return SVG code and a brief explanation of how the arrows encode the required order.A standalone editable SVG code block with three named nodes and two directional arrows, followed by a short order explanation.Render the SVG locally and check the exact labels, arrow direction and absence of clipped text or external dependencies.THUDM/GLM-4-32B-0414GLM-4-32B-0414 ialah edisi teks tetap Z.ai untuk kod kejuruteraan, artifak HTML/SVG interaktif, laporan berasaskan carian dan panggilan fungsi JSON. Kad modelnya menunjukkan aliran kerja pembangunan yang konkrit dan gelung alat yang dikawal oleh aplikasi.
Huraian ini merangkumi keupayaan model. Input, output dan pilihan yang tersedia di Ailoot disenaraikan di bawah untuk kaedah yang dipilih.
GLM-4-32B-0414 ialah edisi teks tetap kelas 32B dalam siri GLM-4-0414 Z.ai. Model asasnya dipralatih pada 15 trilion token termasuk bahan penaakulan sintetik. Pascalatihan menggabungkan penjajaran keutamaan dialog, pensampelan penolakan dan pembelajaran pengukuhan untuk membangunkan pematuhan arahan, kod kejuruteraan dan panggilan fungsi. Kerja yang dinyatakannya merangkumi tugasan perisian, artifak teks, soalan berasaskan carian dan laporan. Input dan output ialah teks; kod yang dijana menjadi artifak yang boleh dijalankan atau dipaparkan apabila aplikasi menyimpan dan melaksanakannya.
GLM-Z1-32B-0414 yang memfokuskan penaakulan dan model Rumination yang berorientasikan penyelidikan ialah edisi dengan nama berasingan. Entri ini mengikuti demonstrasi kod dan alat model GLM-4 sendiri yang lebih luas, tanpa menggantikannya dengan peraturan pemikiran keluaran lain.
Pengeluar menunjukkan pengaturcaraan bola yang bergerak di dalam heksagon berputar. Contoh GLM-4-32B-0414 menggunakan HTML dan menerangkan gerakan, perlanggaran serta andaian fizikal. Ini ialah kod untuk simulasi, bukannya mod penjanaan video. Untuk menyediakan tugasan yang serupa, berikan adegan, peraturan pergerakan, tingkah laku perlanggaran dan persekitaran masa jalan yang dimaksudkan, kemudian minta pelaksanaan serba lengkap serta penjelasan andaian. Aplikasi menjalankan kod itu untuk memeriksa hasil.
Contoh termasuk antara muka lukisan untuk plot fungsi tersuai, dengan penambahan dan pembuangan fungsi serta penetapan warna. Contoh lain membina antara muka pembelajaran mesin mudah alih dengan tugasan latihan, pengurusan storan dan statistik peribadi, termasuk carta, yang disusun dalam halaman HTML. Ini ialah tugasan frontend yang konkrit dengan kawalan dan keadaan yang dinyatakan.
Untuk output yang berguna, huraikan tindakan yang mesti disokong oleh setiap kawalan dan data yang perlu ditunjukkan oleh paparan. Permintaan antara muka boleh meminta kod halaman bersama hubungan antara input, keadaan yang dipaparkan dan hasil. Giliran berikutnya boleh memberikan paparan yang diperhatikan dan meminta perubahan khusus sambil mengekalkan tingkah laku yang disenaraikan.
Pengeluar turut menunjukkan ilustrasi SVG, termasuk landskap dan penjelasan proses latihan model bahasa. SVG ialah teks berstruktur, jadi aplikasi boleh menyimpannya sebagai artifak vektor yang boleh disunting. Bekalkan subjek, label, susun atur dan hubungan visual yang diperlukan. Minta kod SVG sebagai hasil serahan berasingan tanpa mencampurkan kod ilustrasi dengan penjelasan panjang yang tidak berkaitan.
Untuk penulisan penyelidikan, kad membekalkan hasil carian sebagai pemerhatian dan meminta model menyusun serta mentafsirkannya, bukannya menyalinnya. Arahannya membezakan hasil yang berkaitan daripada yang tidak berkaitan, mengutamakan butiran bermakna apabila bukti mengizinkan, menggunakan struktur yang mudah dibaca dan menjawab dalam bahasa pengguna. Contohnya menghasilkan laporan analisis tentang kesusasteraan kanak-kanak, meliputi kaedah naratif, tema dan kesannya.
Tugasan praktikal boleh memberikan petikan bernama dan meminta laporan yang disusun berdasarkan soalan jelas, dengan setiap kesimpulan dihubungkan kepada bahan sokongan. Carian dan pemerolehan maklumat berlaku dalam aplikasi yang mengelilinginya; petikan yang dikembalikan menjadi bukti model. Ini juga berguna untuk membandingkan dokumen atau menyediakan penjelasan daripada koleksi penyelidikan yang dibekalkan.
GLM-4-32B-0414 menyokong panggilan alat luaran dengan argumen JSON. Model mengenal pasti fungsi dan argumennya, aplikasi melaksanakannya, dan hasil dikembalikan sebagai pemerhatian. Demonstrasi pengeluar mengulangi gelung tersebut sehingga respons akhir dihasilkan. Huraikan tujuan setiap alat dan medan yang diperlukan serta bezakan pemerhatiannya daripada arahan pengguna. Dengan itu, carian rujukan boleh membekalkan data untuk perbandingan kemudian tanpa berpura-pura bahawa model memperoleh maklumat langsung secara bebas.
Konfigurasi yang diterbitkan menetapkan max_position_embeddings kepada 32,768 dan tidak mengandungi entri rope_scaling. Contoh pengeluar menggunakan panjang penjanaan khusus permintaan; kad tidak memberikan maksimum keras output sejagat. Pastikan kod, petikan yang diperoleh dan dialog berkaitan muat dalam konteks aktif, dan nyatakan sama ada hasil akhir perlu berupa HTML, SVG, fragmen kod, argumen JSON atau laporan. Ini ialah perwakilan teks yang dihasilkan untuk tugasan yang diterangkan; pelaksanaan, penciptaan fail dan akses kepada data luaran kekal sebagai tindakan aplikasi.
POST /v1/chat/completionstexttext| Medan | Jenis | Keperluan | Nilai & had | Lalai |
|---|---|---|---|---|
Medanmodel | Jenisstring | KeperluanDiperlukan | Nilai & had THUDM/GLM-4-32B-0414 | 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 $0.00014 / 1K token Output · Token output $0.00014 / 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": "THUDM/GLM-4-32B-0414", "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='THUDM/GLM-4-32B-0414',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='THUDM/GLM-4-32B-0414',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 THUDM/GLM-4-32B-0414
Gunakan laluan kaedah yang dipaparkan di atas.
THUDM/GLM-4-32B-0414GLM-4-32B-0414 ialah edisi teks tetap Z.ai untuk kod kejuruteraan, artifak HTML/SVG interaktif, laporan berasaskan carian dan panggilan fungsi JSON. Kad modelnya menunjukkan aliran kerja pembangunan yang konkrit dan gelung alat yang dikawal oleh aplikasi.
Huraian ini merangkumi keupayaan model. Input, output dan pilihan yang tersedia di Ailoot disenaraikan di bawah untuk kaedah yang dipilih.
GLM-4-32B-0414 ialah edisi teks tetap kelas 32B dalam siri GLM-4-0414 Z.ai. Model asasnya dipralatih pada 15 trilion token termasuk bahan penaakulan sintetik. Pascalatihan menggabungkan penjajaran keutamaan dialog, pensampelan penolakan dan pembelajaran pengukuhan untuk membangunkan pematuhan arahan, kod kejuruteraan dan panggilan fungsi. Kerja yang dinyatakannya merangkumi tugasan perisian, artifak teks, soalan berasaskan carian dan laporan. Input dan output ialah teks; kod yang dijana menjadi artifak yang boleh dijalankan atau dipaparkan apabila aplikasi menyimpan dan melaksanakannya.
GLM-Z1-32B-0414 yang memfokuskan penaakulan dan model Rumination yang berorientasikan penyelidikan ialah edisi dengan nama berasingan. Entri ini mengikuti demonstrasi kod dan alat model GLM-4 sendiri yang lebih luas, tanpa menggantikannya dengan peraturan pemikiran keluaran lain.
Pengeluar menunjukkan pengaturcaraan bola yang bergerak di dalam heksagon berputar. Contoh GLM-4-32B-0414 menggunakan HTML dan menerangkan gerakan, perlanggaran serta andaian fizikal. Ini ialah kod untuk simulasi, bukannya mod penjanaan video. Untuk menyediakan tugasan yang serupa, berikan adegan, peraturan pergerakan, tingkah laku perlanggaran dan persekitaran masa jalan yang dimaksudkan, kemudian minta pelaksanaan serba lengkap serta penjelasan andaian. Aplikasi menjalankan kod itu untuk memeriksa hasil.
Contoh termasuk antara muka lukisan untuk plot fungsi tersuai, dengan penambahan dan pembuangan fungsi serta penetapan warna. Contoh lain membina antara muka pembelajaran mesin mudah alih dengan tugasan latihan, pengurusan storan dan statistik peribadi, termasuk carta, yang disusun dalam halaman HTML. Ini ialah tugasan frontend yang konkrit dengan kawalan dan keadaan yang dinyatakan.
Untuk output yang berguna, huraikan tindakan yang mesti disokong oleh setiap kawalan dan data yang perlu ditunjukkan oleh paparan. Permintaan antara muka boleh meminta kod halaman bersama hubungan antara input, keadaan yang dipaparkan dan hasil. Giliran berikutnya boleh memberikan paparan yang diperhatikan dan meminta perubahan khusus sambil mengekalkan tingkah laku yang disenaraikan.
Pengeluar turut menunjukkan ilustrasi SVG, termasuk landskap dan penjelasan proses latihan model bahasa. SVG ialah teks berstruktur, jadi aplikasi boleh menyimpannya sebagai artifak vektor yang boleh disunting. Bekalkan subjek, label, susun atur dan hubungan visual yang diperlukan. Minta kod SVG sebagai hasil serahan berasingan tanpa mencampurkan kod ilustrasi dengan penjelasan panjang yang tidak berkaitan.
Untuk penulisan penyelidikan, kad membekalkan hasil carian sebagai pemerhatian dan meminta model menyusun serta mentafsirkannya, bukannya menyalinnya. Arahannya membezakan hasil yang berkaitan daripada yang tidak berkaitan, mengutamakan butiran bermakna apabila bukti mengizinkan, menggunakan struktur yang mudah dibaca dan menjawab dalam bahasa pengguna. Contohnya menghasilkan laporan analisis tentang kesusasteraan kanak-kanak, meliputi kaedah naratif, tema dan kesannya.
Tugasan praktikal boleh memberikan petikan bernama dan meminta laporan yang disusun berdasarkan soalan jelas, dengan setiap kesimpulan dihubungkan kepada bahan sokongan. Carian dan pemerolehan maklumat berlaku dalam aplikasi yang mengelilinginya; petikan yang dikembalikan menjadi bukti model. Ini juga berguna untuk membandingkan dokumen atau menyediakan penjelasan daripada koleksi penyelidikan yang dibekalkan.
GLM-4-32B-0414 menyokong panggilan alat luaran dengan argumen JSON. Model mengenal pasti fungsi dan argumennya, aplikasi melaksanakannya, dan hasil dikembalikan sebagai pemerhatian. Demonstrasi pengeluar mengulangi gelung tersebut sehingga respons akhir dihasilkan. Huraikan tujuan setiap alat dan medan yang diperlukan serta bezakan pemerhatiannya daripada arahan pengguna. Dengan itu, carian rujukan boleh membekalkan data untuk perbandingan kemudian tanpa berpura-pura bahawa model memperoleh maklumat langsung secara bebas.
Konfigurasi yang diterbitkan menetapkan max_position_embeddings kepada 32,768 dan tidak mengandungi entri rope_scaling. Contoh pengeluar menggunakan panjang penjanaan khusus permintaan; kad tidak memberikan maksimum keras output sejagat. Pastikan kod, petikan yang diperoleh dan dialog berkaitan muat dalam konteks aktif, dan nyatakan sama ada hasil akhir perlu berupa HTML, SVG, fragmen kod, argumen JSON atau laporan. Ini ialah perwakilan teks yang dihasilkan untuk tugasan yang diterangkan; pelaksanaan, penciptaan fail dan akses kepada data luaran kekal sebagai tindakan aplikasi.
POST /v1/messagestextjson, sse| Medan | Jenis | Keperluan | Nilai & had | Lalai |
|---|---|---|---|---|
Medanmodel | Jenisstring | KeperluanDiperlukan | Nilai & had THUDM/GLM-4-32B-0414 | 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 $0.00014 / 1K token Output · Token output $0.00014 / 1K token Input · Bacaan cache $0 / 1K token Input · Penulisan cache $0 / 1K token Input · Penulisan cache, 1 jam — / 1K token |
Ailoot merizabkan anggaran amaun sebelum permintaan. Selepas hasil diterima, caj akhir diselesaikan berdasarkan penggunaan terukur. Penyelesaian caj penstriman menggunakan rekod penggunaan akhir. Cara rizab dan penyelesaian caj berfungsi →
{\n "model": "THUDM/GLM-4-32B-0414",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'THUDM/GLM-4-32B-0414', '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': 'THUDM/GLM-4-32B-0414', '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 THUDM/GLM-4-32B-0414
Gunakan laluan kaedah yang dipaparkan di atas.
Contoh teknikal dalam bahasa Inggeris
Generate an editable process diagram\n\nCreate self-contained SVG markup for a left-to-right process: Receive -> Validate -> Store. Use three labelled rectangles and two arrows; all labels must remain readable in a 720 by 180 viewBox. Use no scripts, external fonts or external images. Return SVG code and a brief explanation of how the arrows encode the required order.A standalone editable SVG code block with three named nodes and two directional arrows, followed by a short order explanation.Render the SVG locally and check the exact labels, arrow direction and absence of clipped text or external dependencies.