GLM-4.7-Flash ialah edisi campuran pakar 30B-A3B bagi keluarga GLM-4.7 daripada Z.ai. Reka bentuk jarangnya mempunyai kira-kira 30 bilion parameter keseluruhan dan tiga bilion yang diaktifkan, dan pembuatnya mempersembahkannya sebagai model ringan yang mengimbangi keupayaan dengan kecekapan. Model ini menerima teks dan menjana teks. Pengeluar secara khusus menonjolkan pembangunan perisian, penulisan bahasa Cina, terjemahan, pemprosesan teks panjang dan perbualan berasaskan peranan. Taklimat yang berguna boleh meminta cadangan kod, petikan yang disemak, penjelasan atau hasil berstruktur berasaskan bahan yang dibekalkan.
Untuk pembangunan, Z.ai mengenal pasti tugas bahagian hadapan dan logik aplikasi bagi edisi Flash ini. Bekalkan tingkah laku yang perlu dilaksanakan, sumber berkaitan dan syarat yang mesti dikekalkan. Untuk halaman atau komponen, huraikan keadaan, susun atur dan interaksi yang diperlukan, kemudian minta kod yang boleh disunting serta penjelasan tentang pilihan penting. Untuk fungsi sedia ada, sertakan kegagalan yang diperhatikan dan contoh hasil yang dijangka. Model menghasilkan kod yang dicadangkan; penyusunan, pelaksanaan atau perenderan antara muka dilakukan oleh persekitaran aplikasi yang disambungkan.
Profil siri GLM-4.7 yang dihoskan pengeluar menyenaraikan input teks, output teks, konteks 200K token dan sehingga 128K token output untuk Flash. Kad model terbuka dan profil dihoskan menerangkan aspek berbeza bagi edisi bernama yang sama: ciri titik semakan dan konfigurasi perkhidmatan pengeluar. Sediakan input panjang dengan tajuk sumber, pengecam kod dan sempadan dokumen yang jelas, dengan meninggalkan ruang untuk penaakulan serta jawapan yang diminta. Model teks sahaja boleh menulis kod untuk aplikasi yang memproses imej atau input kamera, tetapi itu tidak memberikan mod input visual natif kepada titik semakan ini.
Penaakulan didayakan secara lalai dalam siri GLM-4.7. Pengeluar mendokumenkan suis bagi setiap giliran supaya perbualan boleh meminta penaakulan bagi soalan sukar dan menyahdayakannya bagi penulisan semula yang mudah atau jawapan pendek. Model ini turut menyokong pemikiran berselang-seli antara panggilan alat, membolehkannya mentafsir pemerhatian yang dikembalikan sebelum merancang langkah lain. Takrifkan alat yang tersedia dan artifak akhir yang diperlukan sebelum memulakan tugas sedemikian. Pembantu dokumen boleh meminta maklumat terpilih, menerima hasil pemerolehan sebenar dan kemudian menyediakan penjelasan yang disokong oleh hasil itu.
Pemikiran yang dikekalkan ialah pilihan berasingan bagi pengekodan berterusan atau kerja ejen. Panduan pembuat menggunakan clear_thinking=false dan mensyaratkan reasoning_content yang lengkap tanpa pengubahsuaian daripada giliran pembantu terdahulu dikembalikan mengikut urutan asal. Mengubah atau menyusun semula blok itu boleh menjejaskan hasil dan tingkah laku cache. Tetapan lalai berbeza antara antara muka pengekodan dan standard pengeluar, maka pilihan itu ialah aliran kerja yang dikonfigurasi, bukannya sifat automatik setiap perbualan. Asingkan jawapan yang kelihatan daripada penaakulan yang dikekalkan, serta simpan bukti atau output alat yang menjadi sandaran langkah kemudian.
Antara muka keluarga ini yang didokumenkan merangkumi teks penstriman, pemanggilan fungsi, pencachean konteks dan output berstruktur seperti JSON. Untuk hasil berstruktur, berikan medan wajib dan perkara yang diwakili oleh setiap nilai; untuk permintaan alat, takrifkan tujuan fungsi, argumen dan syarat penyelesaian. Panggilan yang dijana ialah permintaan untuk aplikasi bertindak, bukannya bukti pelaksanaan. Hasil akhir boleh berupa laporan pendek, objek data atau artifak kod, dengan maklumat yang digunakan untuk menghasilkannya masih dapat dikenal pasti.
Untuk penulisan atau terjemahan, tetapkan pembaca, bahasa, nada dan istilah yang perlu dikekalkan. Pembuatnya mengesyorkan mencuba Flash dalam penulisan bahasa Cina dan dialog naratif atau berasaskan peranan, selain kerja teknikal. Contoh taklimat penyuntingan boleh memberikan petikan dan meminta semakan ringkas yang mengekalkan faktanya; taklimat terjemahan boleh membekalkan glosari dan membezakan teks petikan daripada arahan. Dalam perbualan yang lebih panjang, kekalkan kekangan dan kenal pasti hasil seterusnya yang diperlukan supaya respons model kekal berkaitan dengan tugas asal.
Kad model terbuka yang tepat menerbitkan tetapan penjanaan yang berbeza untuk tugas penilaiannya: suhu lalai 1.0 dan top-p 0.95, dengan tetapan tugas perisian yang berasingan iaitu 0.7 dan 1.0. Panjang penjanaan contoh merupakan sebahagian daripada prosedur tersebut, bukan had sejagat tambahan. Titik semakan ini berbeza daripada GLM-4.7, GLM-4.7-FlashX dan model GLM-5 kemudian. Padankan tugas dan mod respons dengan keupayaan teks edisi ini yang didokumenkan, kemudian nilai kod, nilai yang diekstrak atau prosa yang disemak berdasarkan input.
", "aboutText": "GLM-4.7-Flash ialah edisi campuran pakar 30B-A3B bagi keluarga GLM-4.7 daripada Z.ai. Reka bentuk jarangnya mempunyai kira-kira 30 bilion parameter keseluruhan dan tiga bilion yang diaktifkan, dan pembuatnya mempersembahkannya sebagai model ringan yang mengimbangi keupayaan dengan kecekapan. Model ini menerima teks dan menjana teks. Pengeluar secara khusus menonjolkan pembangunan perisian, penulisan bahasa Cina, terjemahan, pemprosesan teks panjang dan perbualan berasaskan peranan. Taklimat yang berguna boleh meminta cadangan kod, petikan yang disemak, penjelasan atau hasil berstruktur berasaskan bahan yang dibekalkan.\n\nUntuk pembangunan, Z.ai mengenal pasti tugas bahagian hadapan dan logik aplikasi bagi edisi Flash ini. Bekalkan tingkah laku yang perlu dilaksanakan, sumber berkaitan dan syarat yang mesti dikekalkan. Untuk halaman atau komponen, huraikan keadaan, susun atur dan interaksi yang diperlukan, kemudian minta kod yang boleh disunting serta penjelasan tentang pilihan penting. Untuk fungsi sedia ada, sertakan kegagalan yang diperhatikan dan contoh hasil yang dijangka. Model menghasilkan kod yang dicadangkan; penyusunan, pelaksanaan atau perenderan antara muka dilakukan oleh persekitaran aplikasi yang disambungkan.\n\nProfil siri GLM-4.7 yang dihoskan pengeluar menyenaraikan input teks, output teks, konteks 200K token dan sehingga 128K token output untuk Flash. Kad model terbuka dan profil dihoskan menerangkan aspek berbeza bagi edisi bernama yang sama: ciri titik semakan dan konfigurasi perkhidmatan pengeluar. Sediakan input panjang dengan tajuk sumber, pengecam kod dan sempadan dokumen yang jelas, dengan meninggalkan ruang untuk penaakulan serta jawapan yang diminta. Model teks sahaja boleh menulis kod untuk aplikasi yang memproses imej atau input kamera, tetapi itu tidak memberikan mod input visual natif kepada titik semakan ini.\n\nPenaakulan didayakan secara lalai dalam siri GLM-4.7. Pengeluar mendokumenkan suis bagi setiap giliran supaya perbualan boleh meminta penaakulan bagi soalan sukar dan menyahdayakannya bagi penulisan semula yang mudah atau jawapan pendek. Model ini turut menyokong pemikiran berselang-seli antara panggilan alat, membolehkannya mentafsir pemerhatian yang dikembalikan sebelum merancang langkah lain. Takrifkan alat yang tersedia dan artifak akhir yang diperlukan sebelum memulakan tugas sedemikian. Pembantu dokumen boleh meminta maklumat terpilih, menerima hasil pemerolehan sebenar dan kemudian menyediakan penjelasan yang disokong oleh hasil itu.\n\nPemikiran yang dikekalkan ialah pilihan berasingan bagi pengekodan berterusan atau kerja ejen. Panduan pembuat menggunakan clear_thinking=false dan mensyaratkan reasoning_content yang lengkap tanpa pengubahsuaian daripada giliran pembantu terdahulu dikembalikan mengikut urutan asal. Mengubah atau menyusun semula blok itu boleh menjejaskan hasil dan tingkah laku cache. Tetapan lalai berbeza antara antara muka pengekodan dan standard pengeluar, maka pilihan itu ialah aliran kerja yang dikonfigurasi, bukannya sifat automatik setiap perbualan. Asingkan jawapan yang kelihatan daripada penaakulan yang dikekalkan, serta simpan bukti atau output alat yang menjadi sandaran langkah kemudian.\n\nAntara muka keluarga ini yang didokumenkan merangkumi teks penstriman, pemanggilan fungsi, pencachean konteks dan output berstruktur seperti JSON. Untuk hasil berstruktur, berikan medan wajib dan perkara yang diwakili oleh setiap nilai; untuk permintaan alat, takrifkan tujuan fungsi, argumen dan syarat penyelesaian. Panggilan yang dijana ialah permintaan untuk aplikasi bertindak, bukannya bukti pelaksanaan. Hasil akhir boleh berupa laporan pendek, objek data atau artifak kod, dengan maklumat yang digunakan untuk menghasilkannya masih dapat dikenal pasti.\n\nUntuk penulisan atau terjemahan, tetapkan pembaca, bahasa, nada dan istilah yang perlu dikekalkan. Pembuatnya mengesyorkan mencuba Flash dalam penulisan bahasa Cina dan dialog naratif atau berasaskan peranan, selain kerja teknikal. Contoh taklimat penyuntingan boleh memberikan petikan dan meminta semakan ringkas yang mengekalkan faktanya; taklimat terjemahan boleh membekalkan glosari dan membezakan teks petikan daripada arahan. Dalam perbualan yang lebih panjang, kekalkan kekangan dan kenal pasti hasil seterusnya yang diperlukan supaya respons model kekal berkaitan dengan tugas asal.\n\nKad model terbuka yang tepat menerbitkan tetapan penjanaan yang berbeza untuk tugas penilaiannya: suhu lalai 1.0 dan top-p 0.95, dengan tetapan tugas perisian yang berasingan iaitu 0.7 dan 1.0. Panjang penjanaan contoh merupakan sebahagian daripada prosedur tersebut, bukan had sejagat tambahan. Titik semakan ini berbeza daripada GLM-4.7, GLM-4.7-FlashX dan model GLM-5 kemudian. Padankan tugas dan mod respons dengan keupayaan teks edisi ini yang didokumenkan, kemudian nilai kod, nilai yang diekstrak atau prosa yang disemak berdasarkan input.", "editorialOverlay": { "copy_fields": { "practical_html": "Contoh teknikal dalam bahasa Inggeris
Translate a notice with a fixed glossary\n\nTranslate this Chinese notice into English: '订单已审核，但尚未发货。更改收货地址需要重新审核。' Use this glossary consistently: 审核 = review; 发货 = dispatch; 收货地址 = delivery address. Write a clear customer-facing notice and preserve the distinction between completed review and pending dispatch. Do not add a dispatch date or an approval guarantee.A concise English notice applying the glossary and preserving the two different order states.The translation retains the requirement for another review after an address change and does not state that dispatch occurred.z-ai/glm-4.7-flashGLM-4.7-Flash ialah model teks campuran pakar 30B-A3B daripada Z.ai untuk pengekodan, teks panjang, penulisan bahasa Cina dan terjemahan. Model ini menyokong penaakulan dan aliran kerja berpandukan alat, dengan profil dihoskan pengeluar yang mempunyai 200K token konteks dan sehingga 128K output.
Huraian ini merangkumi keupayaan model. Input, output dan pilihan yang tersedia di Ailoot disenaraikan di bawah untuk kaedah yang dipilih.
GLM-4.7-Flash ialah edisi campuran pakar 30B-A3B bagi keluarga GLM-4.7 daripada Z.ai. Reka bentuk jarangnya mempunyai kira-kira 30 bilion parameter keseluruhan dan tiga bilion yang diaktifkan, dan pembuatnya mempersembahkannya sebagai model ringan yang mengimbangi keupayaan dengan kecekapan. Model ini menerima teks dan menjana teks. Pengeluar secara khusus menonjolkan pembangunan perisian, penulisan bahasa Cina, terjemahan, pemprosesan teks panjang dan perbualan berasaskan peranan. Taklimat yang berguna boleh meminta cadangan kod, petikan yang disemak, penjelasan atau hasil berstruktur berasaskan bahan yang dibekalkan.
Untuk pembangunan, Z.ai mengenal pasti tugas bahagian hadapan dan logik aplikasi bagi edisi Flash ini. Bekalkan tingkah laku yang perlu dilaksanakan, sumber berkaitan dan syarat yang mesti dikekalkan. Untuk halaman atau komponen, huraikan keadaan, susun atur dan interaksi yang diperlukan, kemudian minta kod yang boleh disunting serta penjelasan tentang pilihan penting. Untuk fungsi sedia ada, sertakan kegagalan yang diperhatikan dan contoh hasil yang dijangka. Model menghasilkan kod yang dicadangkan; penyusunan, pelaksanaan atau perenderan antara muka dilakukan oleh persekitaran aplikasi yang disambungkan.
Profil siri GLM-4.7 yang dihoskan pengeluar menyenaraikan input teks, output teks, konteks 200K token dan sehingga 128K token output untuk Flash. Kad model terbuka dan profil dihoskan menerangkan aspek berbeza bagi edisi bernama yang sama: ciri titik semakan dan konfigurasi perkhidmatan pengeluar. Sediakan input panjang dengan tajuk sumber, pengecam kod dan sempadan dokumen yang jelas, dengan meninggalkan ruang untuk penaakulan serta jawapan yang diminta. Model teks sahaja boleh menulis kod untuk aplikasi yang memproses imej atau input kamera, tetapi itu tidak memberikan mod input visual natif kepada titik semakan ini.
Penaakulan didayakan secara lalai dalam siri GLM-4.7. Pengeluar mendokumenkan suis bagi setiap giliran supaya perbualan boleh meminta penaakulan bagi soalan sukar dan menyahdayakannya bagi penulisan semula yang mudah atau jawapan pendek. Model ini turut menyokong pemikiran berselang-seli antara panggilan alat, membolehkannya mentafsir pemerhatian yang dikembalikan sebelum merancang langkah lain. Takrifkan alat yang tersedia dan artifak akhir yang diperlukan sebelum memulakan tugas sedemikian. Pembantu dokumen boleh meminta maklumat terpilih, menerima hasil pemerolehan sebenar dan kemudian menyediakan penjelasan yang disokong oleh hasil itu.
Pemikiran yang dikekalkan ialah pilihan berasingan bagi pengekodan berterusan atau kerja ejen. Panduan pembuat menggunakan clear_thinking=false dan mensyaratkan reasoning_content yang lengkap tanpa pengubahsuaian daripada giliran pembantu terdahulu dikembalikan mengikut urutan asal. Mengubah atau menyusun semula blok itu boleh menjejaskan hasil dan tingkah laku cache. Tetapan lalai berbeza antara antara muka pengekodan dan standard pengeluar, maka pilihan itu ialah aliran kerja yang dikonfigurasi, bukannya sifat automatik setiap perbualan. Asingkan jawapan yang kelihatan daripada penaakulan yang dikekalkan, serta simpan bukti atau output alat yang menjadi sandaran langkah kemudian.
Antara muka keluarga ini yang didokumenkan merangkumi teks penstriman, pemanggilan fungsi, pencachean konteks dan output berstruktur seperti JSON. Untuk hasil berstruktur, berikan medan wajib dan perkara yang diwakili oleh setiap nilai; untuk permintaan alat, takrifkan tujuan fungsi, argumen dan syarat penyelesaian. Panggilan yang dijana ialah permintaan untuk aplikasi bertindak, bukannya bukti pelaksanaan. Hasil akhir boleh berupa laporan pendek, objek data atau artifak kod, dengan maklumat yang digunakan untuk menghasilkannya masih dapat dikenal pasti.
Untuk penulisan atau terjemahan, tetapkan pembaca, bahasa, nada dan istilah yang perlu dikekalkan. Pembuatnya mengesyorkan mencuba Flash dalam penulisan bahasa Cina dan dialog naratif atau berasaskan peranan, selain kerja teknikal. Contoh taklimat penyuntingan boleh memberikan petikan dan meminta semakan ringkas yang mengekalkan faktanya; taklimat terjemahan boleh membekalkan glosari dan membezakan teks petikan daripada arahan. Dalam perbualan yang lebih panjang, kekalkan kekangan dan kenal pasti hasil seterusnya yang diperlukan supaya respons model kekal berkaitan dengan tugas asal.
Kad model terbuka yang tepat menerbitkan tetapan penjanaan yang berbeza untuk tugas penilaiannya: suhu lalai 1.0 dan top-p 0.95, dengan tetapan tugas perisian yang berasingan iaitu 0.7 dan 1.0. Panjang penjanaan contoh merupakan sebahagian daripada prosedur tersebut, bukan had sejagat tambahan. Titik semakan ini berbeza daripada GLM-4.7, GLM-4.7-FlashX dan model GLM-5 kemudian. Padankan tugas dan mod respons dengan keupayaan teks edisi ini yang didokumenkan, kemudian nilai kod, nilai yang diekstrak atau prosa yang disemak berdasarkan input.
POST /v1/chat/completionstexttext| Medan | Jenis | Keperluan | Nilai & had | Lalai |
|---|---|---|---|---|
Medanmodel | Jenisstring | KeperluanDiperlukan | Nilai & had z-ai/glm-4.7-flash | 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.
Padankan setiap caj dengan syarat yang dipaparkan. Gunakan satu kadar bagi setiap set konfigurasi alternatif.
| Konfigurasi | Jadual kadar | Token konteks, melebihi | Token konteks, sehingga dan termasuk | Caj |
|---|---|---|---|---|
| KonfigurasiKadar asas token | Jadual kadarKadar asas | Token konteks, melebihi— | Token konteks, sehingga dan termasukTiada had atas | Caj Input · Token input $0.000144 / 1K token Output · Token output $0.000858 / 1K token Input · Bacaan cache $0.00002 / 1K token Input · Penulisan cache $0 / 1K token Input · Penulisan cache, 1 jam — / 1K token |
| KonfigurasiTahap panjang permintaan 1 | Jadual kadar— | Token konteks, melebihi0 | Token konteks, sehingga dan termasukTiada had atas | Caj Input · Token input $0.000144 / 1K token Output · Token output $0.000858 / 1K token Input · Bacaan cache $0.00002 / 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": "z-ai/glm-4.7-flash", "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='z-ai/glm-4.7-flash',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='z-ai/glm-4.7-flash',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 z-ai/glm-4.7-flash
Gunakan laluan kaedah yang dipaparkan di atas.
z-ai/glm-4.7-flashGLM-4.7-Flash ialah model teks campuran pakar 30B-A3B daripada Z.ai untuk pengekodan, teks panjang, penulisan bahasa Cina dan terjemahan. Model ini menyokong penaakulan dan aliran kerja berpandukan alat, dengan profil dihoskan pengeluar yang mempunyai 200K token konteks dan sehingga 128K output.
Huraian ini merangkumi keupayaan model. Input, output dan pilihan yang tersedia di Ailoot disenaraikan di bawah untuk kaedah yang dipilih.
GLM-4.7-Flash ialah edisi campuran pakar 30B-A3B bagi keluarga GLM-4.7 daripada Z.ai. Reka bentuk jarangnya mempunyai kira-kira 30 bilion parameter keseluruhan dan tiga bilion yang diaktifkan, dan pembuatnya mempersembahkannya sebagai model ringan yang mengimbangi keupayaan dengan kecekapan. Model ini menerima teks dan menjana teks. Pengeluar secara khusus menonjolkan pembangunan perisian, penulisan bahasa Cina, terjemahan, pemprosesan teks panjang dan perbualan berasaskan peranan. Taklimat yang berguna boleh meminta cadangan kod, petikan yang disemak, penjelasan atau hasil berstruktur berasaskan bahan yang dibekalkan.
Untuk pembangunan, Z.ai mengenal pasti tugas bahagian hadapan dan logik aplikasi bagi edisi Flash ini. Bekalkan tingkah laku yang perlu dilaksanakan, sumber berkaitan dan syarat yang mesti dikekalkan. Untuk halaman atau komponen, huraikan keadaan, susun atur dan interaksi yang diperlukan, kemudian minta kod yang boleh disunting serta penjelasan tentang pilihan penting. Untuk fungsi sedia ada, sertakan kegagalan yang diperhatikan dan contoh hasil yang dijangka. Model menghasilkan kod yang dicadangkan; penyusunan, pelaksanaan atau perenderan antara muka dilakukan oleh persekitaran aplikasi yang disambungkan.
Profil siri GLM-4.7 yang dihoskan pengeluar menyenaraikan input teks, output teks, konteks 200K token dan sehingga 128K token output untuk Flash. Kad model terbuka dan profil dihoskan menerangkan aspek berbeza bagi edisi bernama yang sama: ciri titik semakan dan konfigurasi perkhidmatan pengeluar. Sediakan input panjang dengan tajuk sumber, pengecam kod dan sempadan dokumen yang jelas, dengan meninggalkan ruang untuk penaakulan serta jawapan yang diminta. Model teks sahaja boleh menulis kod untuk aplikasi yang memproses imej atau input kamera, tetapi itu tidak memberikan mod input visual natif kepada titik semakan ini.
Penaakulan didayakan secara lalai dalam siri GLM-4.7. Pengeluar mendokumenkan suis bagi setiap giliran supaya perbualan boleh meminta penaakulan bagi soalan sukar dan menyahdayakannya bagi penulisan semula yang mudah atau jawapan pendek. Model ini turut menyokong pemikiran berselang-seli antara panggilan alat, membolehkannya mentafsir pemerhatian yang dikembalikan sebelum merancang langkah lain. Takrifkan alat yang tersedia dan artifak akhir yang diperlukan sebelum memulakan tugas sedemikian. Pembantu dokumen boleh meminta maklumat terpilih, menerima hasil pemerolehan sebenar dan kemudian menyediakan penjelasan yang disokong oleh hasil itu.
Pemikiran yang dikekalkan ialah pilihan berasingan bagi pengekodan berterusan atau kerja ejen. Panduan pembuat menggunakan clear_thinking=false dan mensyaratkan reasoning_content yang lengkap tanpa pengubahsuaian daripada giliran pembantu terdahulu dikembalikan mengikut urutan asal. Mengubah atau menyusun semula blok itu boleh menjejaskan hasil dan tingkah laku cache. Tetapan lalai berbeza antara antara muka pengekodan dan standard pengeluar, maka pilihan itu ialah aliran kerja yang dikonfigurasi, bukannya sifat automatik setiap perbualan. Asingkan jawapan yang kelihatan daripada penaakulan yang dikekalkan, serta simpan bukti atau output alat yang menjadi sandaran langkah kemudian.
Antara muka keluarga ini yang didokumenkan merangkumi teks penstriman, pemanggilan fungsi, pencachean konteks dan output berstruktur seperti JSON. Untuk hasil berstruktur, berikan medan wajib dan perkara yang diwakili oleh setiap nilai; untuk permintaan alat, takrifkan tujuan fungsi, argumen dan syarat penyelesaian. Panggilan yang dijana ialah permintaan untuk aplikasi bertindak, bukannya bukti pelaksanaan. Hasil akhir boleh berupa laporan pendek, objek data atau artifak kod, dengan maklumat yang digunakan untuk menghasilkannya masih dapat dikenal pasti.
Untuk penulisan atau terjemahan, tetapkan pembaca, bahasa, nada dan istilah yang perlu dikekalkan. Pembuatnya mengesyorkan mencuba Flash dalam penulisan bahasa Cina dan dialog naratif atau berasaskan peranan, selain kerja teknikal. Contoh taklimat penyuntingan boleh memberikan petikan dan meminta semakan ringkas yang mengekalkan faktanya; taklimat terjemahan boleh membekalkan glosari dan membezakan teks petikan daripada arahan. Dalam perbualan yang lebih panjang, kekalkan kekangan dan kenal pasti hasil seterusnya yang diperlukan supaya respons model kekal berkaitan dengan tugas asal.
Kad model terbuka yang tepat menerbitkan tetapan penjanaan yang berbeza untuk tugas penilaiannya: suhu lalai 1.0 dan top-p 0.95, dengan tetapan tugas perisian yang berasingan iaitu 0.7 dan 1.0. Panjang penjanaan contoh merupakan sebahagian daripada prosedur tersebut, bukan had sejagat tambahan. Titik semakan ini berbeza daripada GLM-4.7, GLM-4.7-FlashX dan model GLM-5 kemudian. Padankan tugas dan mod respons dengan keupayaan teks edisi ini yang didokumenkan, kemudian nilai kod, nilai yang diekstrak atau prosa yang disemak berdasarkan input.
POST /v1/messagestextjson, sse| Medan | Jenis | Keperluan | Nilai & had | Lalai |
|---|---|---|---|---|
Medanmodel | Jenisstring | KeperluanDiperlukan | Nilai & had z-ai/glm-4.7-flash | Lalai— |
Medanmessages | Jenismessage[] | KeperluanDiperlukan | Nilai & had | Lalai— |
Medanmessages[].role | Jenisstring | KeperluanDiperlukan | Nilai & had user, assistant | Lalai— |
Medanmessages[].content | Jenisstring | KeperluanDiperlukan | Nilai & had | Lalai— |
Medanmax_tokens | Jenisinteger | KeperluanDiperlukan | Nilai & had | Lalai— |
Medanstream | Jenisboolean | KeperluanPilihan | Nilai & had | Lalaifalse |
Teks · Teks UTF-8
rentetan messages[].content
| Parameter | Kontrak |
|---|---|
Parametercontent_type | Kontrakapplication/json |
Parameterrequired | Kontrakmodel, messages, max_tokens |
Parameteroptional_controls | Kontrakstream |
Parametermaterial_types | Kontraktext |
Parametertext_file_material | KontrakBaca dokumen UTF-8 sebenar dan letakkan teksnya dalam rentetan input atau kandungan mesej yang ditunjukkan. |
Kitar hayat: synchronous_or_streamed
Rujukan tarif tidak menambah pilihan permintaan. Parameter yang disokong disenaraikan untuk kaedah yang dipilih.
Padankan setiap caj dengan syarat yang dipaparkan. Gunakan satu kadar bagi setiap set konfigurasi alternatif.
| Konfigurasi | Jadual kadar | Token konteks, melebihi | Token konteks, sehingga dan termasuk | Caj |
|---|---|---|---|---|
| KonfigurasiKadar asas token | Jadual kadarKadar asas | Token konteks, melebihi— | Token konteks, sehingga dan termasukTiada had atas | Caj Input · Token input $0.000144 / 1K token Output · Token output $0.000858 / 1K token Input · Bacaan cache $0.00002 / 1K token Input · Penulisan cache $0 / 1K token Input · Penulisan cache, 1 jam — / 1K token |
| KonfigurasiTahap panjang permintaan 1 | Jadual kadar— | Token konteks, melebihi0 | Token konteks, sehingga dan termasukTiada had atas | Caj Input · Token input $0.000144 / 1K token Output · Token output $0.000858 / 1K token Input · Bacaan cache $0.00002 / 1K token Input · Penulisan cache $0 / 1K token Input · Penulisan cache, 1 jam — / 1K token |
Ailoot merizabkan anggaran amaun sebelum permintaan. Selepas hasil diterima, caj akhir diselesaikan berdasarkan penggunaan terukur. Penyelesaian caj penstriman menggunakan rekod penggunaan akhir. Cara rizab dan penyelesaian caj berfungsi →
{\n "model": "z-ai/glm-4.7-flash",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'z-ai/glm-4.7-flash', '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': 'z-ai/glm-4.7-flash', '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 z-ai/glm-4.7-flash
Gunakan laluan kaedah yang dipaparkan di atas.
Contoh teknikal dalam bahasa Inggeris
Translate a notice with a fixed glossary\n\nTranslate this Chinese notice into English: '订单已审核，但尚未发货。更改收货地址需要重新审核。' Use this glossary consistently: 审核 = review; 发货 = dispatch; 收货地址 = delivery address. Write a clear customer-facing notice and preserve the distinction between completed review and pending dispatch. Do not add a dispatch date or an approval guarantee.A concise English notice applying the glossary and preserving the two different order states.The translation retains the requirement for another review after an address change and does not state that dispatch occurred.