Z.ai GLM 5.3 ialah model penaakulan teks berskala besar yang direka untuk kejuruteraan perisian kompleks dan kerja ejen jangka panjang. Pengeluar menyatakan bahawa model ini menggunakan model asas yang sama dengan GLM 5.2, dengan peningkatan baharu datang daripada pascalatihan. Keluaran ini menumpukan pengaturcaraan yang lebih kukuh, operasi terminal dan tugas lebih luas yang melibatkan beberapa langkah saling bergantung. Model ini menerima teks dan menghasilkan teks, termasuk kod, penjelasan, pelan dan permintaan panggilan alat dalam aplikasi yang disambungkan kepada alat.
Mod penaakulan yang didokumenkan sentiasa didayakan. GLM 5.3 menawarkan tiga tahap usaha: low, high dan max, dengan max sebagai lalai. Pembuatnya mengesyorkan max untuk kerja pengekodan kompleks; low menyediakan pilihan penaakulan yang lebih ringan bagi langkah yang lebih mudah. Gunakan tahap terpilih bersama hasil akhir dan kriteria penyelesaian yang jelas. Contohnya: “Teliti fail dan hasil yang gagal ini, jejaki puncanya merentas modul terjejas, cadangkan pembetulan yang mengekalkan antara muka awam, dan jelaskan semakan yang membuktikan regresi telah diselesaikan.”
Pembuatnya menetapkan tetingkap konteks 1M token dan panjang output maksimum 128K token. Susun bahan panjang berdasarkan hubungan yang perlu disiasat oleh model. Kekalkan nama fail, takrif berkaitan, label sumber dan urutan pemerhatian, serta tinggalkan ruang untuk penaakulan dan jawapan akhir dalam konteks kerja yang terpakai. Tetingkap besar berguna untuk kebergantungan merentas modul atau urutan panjang pemerhatian ejen; tetingkap itu tidak menjadikan arkib bahan tidak berkaitan tanpa arah sebagai tugas yang jelas.
Untuk kerja repositori, berikan tingkah laku yang dijangka, teks sumber berkaitan, versi kebergantungan dan output ralat sebenar. Minta model mengenal pasti tingkah laku terjejas sebelum mencadangkan tampalan. Untuk pemfaktoran semula, namakan antara muka dan invarian yang mesti dikekalkan. Respons yang berguna mengandungi kod yang disemak, sebab perubahan itu menangani masalah yang diperhatikan dan kes yang diperlukan untuk menyemak hasil. Suapkan hasil sebenar kembali ke aliran kerja yang disambungkan kepada alat supaya langkah seterusnya berdasarkan keadaan yang berubah, bukannya cadangan terdahulu.
Untuk kerja prestasi, bekalkan beban kerja, garis dasar dan ukuran seperti masa, profil atau rekod peruntukan. Z.ai menerangkan tugas latihan yang melibatkan diagnosis kesesakan, pengoptimuman, eksperimen dan hasil yang mengekalkan ketepatan. Permintaan praktikal ialah: “Gunakan profil ini untuk mengenal pasti kesesakan yang paling besar kesannya, cadangkan satu perubahan yang boleh diukur, dan jelaskan hasil yang akan mewajarkan pengekalan perubahan itu.” Bezakan hipotesis prestasi daripada peningkatan yang direkodkan. Kekalkan beban kerja yang sama dan keadaan berkaitan ketika meneliti hasil.
Keluaran ini turut membangunkan keupayaan analisis kerentanan. Untuk semakan sumber bagi tujuan pertahanan, berikan kod berkaitan, sempadan kepercayaan yang dimaksudkan dan keadaan pelaksanaannya. Minta dapatan yang menghubungkan isu yang disyaki dengan input dan tingkah laku yang terjejas, serta pembaikan yang tertumpu. Bezakan kelemahan berpotensi daripada kegagalan yang telah dihasilkan semula, dan simpan pemerhatian yang digunakan untuk mengesahkannya. Laporan lebih berguna apabila mengutamakan bukti konkrit dan pembetulan yang dicadangkan, bukannya menganggap setiap corak mencurigakan sebagai kerentanan yang disahkan.
Pemanggilan fungsi membolehkan aplikasi sekeliling mendedahkan operasi luaran kepada model. Takrifkan tujuan, argumen dan hasil yang dijangka bagi setiap alat, kemudian kembalikan pemerhatian alat sebenar untuk langkah seterusnya. Model boleh menaakul berdasarkan hasil itu dan menentukan bagaimana hasil tersebut mengubah tugas. Pastikan tindakan yang dicadangkan, operasi yang dilaksanakan dan semakan yang belum diselesaikan boleh dibezakan. Pembuatnya juga mendokumenkan respons penstriman yang mengembalikan cebisan penaakulan dan jawapan secara berasingan; susun jawapan lengkap sebelum menganggapnya sebagai laporan akhir atau penjelasan kod.
Kad model tempatan memberikan butiran tetapan sejarah yang khusus: templat sembangnya mengekalkan pemikiran secara lalai, manakala pembuatnya mengesyorkan supaya pemikiran lama dikosongkan secara jelas untuk senario sembang biasa. Gunakan struktur perbualan yang sesuai dengan kes penggunaan, sambil mengekalkan jawapan lengkap sebenar dan hasil alat yang diperlukan untuk kesinambungan. Elakkan menganggap tetapan kawalan penaakulan daripada GLM 5.2 atau edisi GLM 5.3 Flash yang berasingan boleh ditukar ganti dengan kawalan low/high/max model ini.
Untuk hasil berstruktur, tetapkan medan, jenis dan peraturan sumber yang dijangka. Artifak yang berguna boleh berupa jadual kecacatan, pelan perubahan atau objek JSON yang merumuskan pemerhatian. Sahkan struktur dan nilai sebelum aplikasi menggunakannya. Hasil akhir perlu mengenal pasti jawapan atau artifak yang disemak, bukti yang menyokongnya dan andaian yang masih wujud. Usaha penaakulan yang lebih tinggi tidak membuktikan bahawa alat telah dijalankan, tampalan yang dicadangkan telah lulus semakan atau dakwaan fakta mempunyai sokongan di luar bahan yang dibekalkan.
", "aboutText": "Z.ai GLM 5.3 ialah model penaakulan teks berskala besar yang direka untuk kejuruteraan perisian kompleks dan kerja ejen jangka panjang. Pengeluar menyatakan bahawa model ini menggunakan model asas yang sama dengan GLM 5.2, dengan peningkatan baharu datang daripada pascalatihan. Keluaran ini menumpukan pengaturcaraan yang lebih kukuh, operasi terminal dan tugas lebih luas yang melibatkan beberapa langkah saling bergantung. Model ini menerima teks dan menghasilkan teks, termasuk kod, penjelasan, pelan dan permintaan panggilan alat dalam aplikasi yang disambungkan kepada alat.\n\nMod penaakulan yang didokumenkan sentiasa didayakan. GLM 5.3 menawarkan tiga tahap usaha: low, high dan max, dengan max sebagai lalai. Pembuatnya mengesyorkan max untuk kerja pengekodan kompleks; low menyediakan pilihan penaakulan yang lebih ringan bagi langkah yang lebih mudah. Gunakan tahap terpilih bersama hasil akhir dan kriteria penyelesaian yang jelas. Contohnya: “Teliti fail dan hasil yang gagal ini, jejaki puncanya merentas modul terjejas, cadangkan pembetulan yang mengekalkan antara muka awam, dan jelaskan semakan yang membuktikan regresi telah diselesaikan.”\n\nPembuatnya menetapkan tetingkap konteks 1M token dan panjang output maksimum 128K token. Susun bahan panjang berdasarkan hubungan yang perlu disiasat oleh model. Kekalkan nama fail, takrif berkaitan, label sumber dan urutan pemerhatian, serta tinggalkan ruang untuk penaakulan dan jawapan akhir dalam konteks kerja yang terpakai. Tetingkap besar berguna untuk kebergantungan merentas modul atau urutan panjang pemerhatian ejen; tetingkap itu tidak menjadikan arkib bahan tidak berkaitan tanpa arah sebagai tugas yang jelas.\n\nUntuk kerja repositori, berikan tingkah laku yang dijangka, teks sumber berkaitan, versi kebergantungan dan output ralat sebenar. Minta model mengenal pasti tingkah laku terjejas sebelum mencadangkan tampalan. Untuk pemfaktoran semula, namakan antara muka dan invarian yang mesti dikekalkan. Respons yang berguna mengandungi kod yang disemak, sebab perubahan itu menangani masalah yang diperhatikan dan kes yang diperlukan untuk menyemak hasil. Suapkan hasil sebenar kembali ke aliran kerja yang disambungkan kepada alat supaya langkah seterusnya berdasarkan keadaan yang berubah, bukannya cadangan terdahulu.\n\nUntuk kerja prestasi, bekalkan beban kerja, garis dasar dan ukuran seperti masa, profil atau rekod peruntukan. Z.ai menerangkan tugas latihan yang melibatkan diagnosis kesesakan, pengoptimuman, eksperimen dan hasil yang mengekalkan ketepatan. Permintaan praktikal ialah: “Gunakan profil ini untuk mengenal pasti kesesakan yang paling besar kesannya, cadangkan satu perubahan yang boleh diukur, dan jelaskan hasil yang akan mewajarkan pengekalan perubahan itu.” Bezakan hipotesis prestasi daripada peningkatan yang direkodkan. Kekalkan beban kerja yang sama dan keadaan berkaitan ketika meneliti hasil.\n\nKeluaran ini turut membangunkan keupayaan analisis kerentanan. Untuk semakan sumber bagi tujuan pertahanan, berikan kod berkaitan, sempadan kepercayaan yang dimaksudkan dan keadaan pelaksanaannya. Minta dapatan yang menghubungkan isu yang disyaki dengan input dan tingkah laku yang terjejas, serta pembaikan yang tertumpu. Bezakan kelemahan berpotensi daripada kegagalan yang telah dihasilkan semula, dan simpan pemerhatian yang digunakan untuk mengesahkannya. Laporan lebih berguna apabila mengutamakan bukti konkrit dan pembetulan yang dicadangkan, bukannya menganggap setiap corak mencurigakan sebagai kerentanan yang disahkan.\n\nPemanggilan fungsi membolehkan aplikasi sekeliling mendedahkan operasi luaran kepada model. Takrifkan tujuan, argumen dan hasil yang dijangka bagi setiap alat, kemudian kembalikan pemerhatian alat sebenar untuk langkah seterusnya. Model boleh menaakul berdasarkan hasil itu dan menentukan bagaimana hasil tersebut mengubah tugas. Pastikan tindakan yang dicadangkan, operasi yang dilaksanakan dan semakan yang belum diselesaikan boleh dibezakan. Pembuatnya juga mendokumenkan respons penstriman yang mengembalikan cebisan penaakulan dan jawapan secara berasingan; susun jawapan lengkap sebelum menganggapnya sebagai laporan akhir atau penjelasan kod.\n\nKad model tempatan memberikan butiran tetapan sejarah yang khusus: templat sembangnya mengekalkan pemikiran secara lalai, manakala pembuatnya mengesyorkan supaya pemikiran lama dikosongkan secara jelas untuk senario sembang biasa. Gunakan struktur perbualan yang sesuai dengan kes penggunaan, sambil mengekalkan jawapan lengkap sebenar dan hasil alat yang diperlukan untuk kesinambungan. Elakkan menganggap tetapan kawalan penaakulan daripada GLM 5.2 atau edisi GLM 5.3 Flash yang berasingan boleh ditukar ganti dengan kawalan low/high/max model ini.\n\nUntuk hasil berstruktur, tetapkan medan, jenis dan peraturan sumber yang dijangka. Artifak yang berguna boleh berupa jadual kecacatan, pelan perubahan atau objek JSON yang merumuskan pemerhatian. Sahkan struktur dan nilai sebelum aplikasi menggunakannya. Hasil akhir perlu mengenal pasti jawapan atau artifak yang disemak, bukti yang menyokongnya dan andaian yang masih wujud. Usaha penaakulan yang lebih tinggi tidak membuktikan bahawa alat telah dijalankan, tampalan yang dicadangkan telah lulus semakan atau dakwaan fakta mempunyai sokongan di luar bahan yang dibekalkan.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "2b4d92bfab2e31260d9bdc8e8dc2c8cb0c663602d755dfe0ff3e071a14f3aae8", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "ms", "methods": [ { "html": "z-ai/glm-5.3:batchZ.ai GLM 5.3 ialah model penaakulan teks untuk kejuruteraan perisian kompleks, kerja terminal dan ejen yang menjalankan tugas jangka panjang. Model ini menyokong konteks 1M token yang didokumenkan pembuat, sehingga 128K token output, pemanggilan fungsi serta usaha penaakulan low/high/max, dengan penaakulan sentiasa didayakan.
Huraian ini merangkumi keupayaan model. Input, output dan pilihan yang tersedia di Ailoot disenaraikan di bawah untuk kaedah yang dipilih.
Z.ai GLM 5.3 ialah model penaakulan teks berskala besar yang direka untuk kejuruteraan perisian kompleks dan kerja ejen jangka panjang. Pengeluar menyatakan bahawa model ini menggunakan model asas yang sama dengan GLM 5.2, dengan peningkatan baharu datang daripada pascalatihan. Keluaran ini menumpukan pengaturcaraan yang lebih kukuh, operasi terminal dan tugas lebih luas yang melibatkan beberapa langkah saling bergantung. Model ini menerima teks dan menghasilkan teks, termasuk kod, penjelasan, pelan dan permintaan panggilan alat dalam aplikasi yang disambungkan kepada alat.
Mod penaakulan yang didokumenkan sentiasa didayakan. GLM 5.3 menawarkan tiga tahap usaha: low, high dan max, dengan max sebagai lalai. Pembuatnya mengesyorkan max untuk kerja pengekodan kompleks; low menyediakan pilihan penaakulan yang lebih ringan bagi langkah yang lebih mudah. Gunakan tahap terpilih bersama hasil akhir dan kriteria penyelesaian yang jelas. Contohnya: “Teliti fail dan hasil yang gagal ini, jejaki puncanya merentas modul terjejas, cadangkan pembetulan yang mengekalkan antara muka awam, dan jelaskan semakan yang membuktikan regresi telah diselesaikan.”
Pembuatnya menetapkan tetingkap konteks 1M token dan panjang output maksimum 128K token. Susun bahan panjang berdasarkan hubungan yang perlu disiasat oleh model. Kekalkan nama fail, takrif berkaitan, label sumber dan urutan pemerhatian, serta tinggalkan ruang untuk penaakulan dan jawapan akhir dalam konteks kerja yang terpakai. Tetingkap besar berguna untuk kebergantungan merentas modul atau urutan panjang pemerhatian ejen; tetingkap itu tidak menjadikan arkib bahan tidak berkaitan tanpa arah sebagai tugas yang jelas.
Untuk kerja repositori, berikan tingkah laku yang dijangka, teks sumber berkaitan, versi kebergantungan dan output ralat sebenar. Minta model mengenal pasti tingkah laku terjejas sebelum mencadangkan tampalan. Untuk pemfaktoran semula, namakan antara muka dan invarian yang mesti dikekalkan. Respons yang berguna mengandungi kod yang disemak, sebab perubahan itu menangani masalah yang diperhatikan dan kes yang diperlukan untuk menyemak hasil. Suapkan hasil sebenar kembali ke aliran kerja yang disambungkan kepada alat supaya langkah seterusnya berdasarkan keadaan yang berubah, bukannya cadangan terdahulu.
Untuk kerja prestasi, bekalkan beban kerja, garis dasar dan ukuran seperti masa, profil atau rekod peruntukan. Z.ai menerangkan tugas latihan yang melibatkan diagnosis kesesakan, pengoptimuman, eksperimen dan hasil yang mengekalkan ketepatan. Permintaan praktikal ialah: “Gunakan profil ini untuk mengenal pasti kesesakan yang paling besar kesannya, cadangkan satu perubahan yang boleh diukur, dan jelaskan hasil yang akan mewajarkan pengekalan perubahan itu.” Bezakan hipotesis prestasi daripada peningkatan yang direkodkan. Kekalkan beban kerja yang sama dan keadaan berkaitan ketika meneliti hasil.
Keluaran ini turut membangunkan keupayaan analisis kerentanan. Untuk semakan sumber bagi tujuan pertahanan, berikan kod berkaitan, sempadan kepercayaan yang dimaksudkan dan keadaan pelaksanaannya. Minta dapatan yang menghubungkan isu yang disyaki dengan input dan tingkah laku yang terjejas, serta pembaikan yang tertumpu. Bezakan kelemahan berpotensi daripada kegagalan yang telah dihasilkan semula, dan simpan pemerhatian yang digunakan untuk mengesahkannya. Laporan lebih berguna apabila mengutamakan bukti konkrit dan pembetulan yang dicadangkan, bukannya menganggap setiap corak mencurigakan sebagai kerentanan yang disahkan.
Pemanggilan fungsi membolehkan aplikasi sekeliling mendedahkan operasi luaran kepada model. Takrifkan tujuan, argumen dan hasil yang dijangka bagi setiap alat, kemudian kembalikan pemerhatian alat sebenar untuk langkah seterusnya. Model boleh menaakul berdasarkan hasil itu dan menentukan bagaimana hasil tersebut mengubah tugas. Pastikan tindakan yang dicadangkan, operasi yang dilaksanakan dan semakan yang belum diselesaikan boleh dibezakan. Pembuatnya juga mendokumenkan respons penstriman yang mengembalikan cebisan penaakulan dan jawapan secara berasingan; susun jawapan lengkap sebelum menganggapnya sebagai laporan akhir atau penjelasan kod.
Kad model tempatan memberikan butiran tetapan sejarah yang khusus: templat sembangnya mengekalkan pemikiran secara lalai, manakala pembuatnya mengesyorkan supaya pemikiran lama dikosongkan secara jelas untuk senario sembang biasa. Gunakan struktur perbualan yang sesuai dengan kes penggunaan, sambil mengekalkan jawapan lengkap sebenar dan hasil alat yang diperlukan untuk kesinambungan. Elakkan menganggap tetapan kawalan penaakulan daripada GLM 5.2 atau edisi GLM 5.3 Flash yang berasingan boleh ditukar ganti dengan kawalan low/high/max model ini.
Untuk hasil berstruktur, tetapkan medan, jenis dan peraturan sumber yang dijangka. Artifak yang berguna boleh berupa jadual kecacatan, pelan perubahan atau objek JSON yang merumuskan pemerhatian. Sahkan struktur dan nilai sebelum aplikasi menggunakannya. Hasil akhir perlu mengenal pasti jawapan atau artifak yang disemak, bukti yang menyokongnya dan andaian yang masih wujud. Usaha penaakulan yang lebih tinggi tidak membuktikan bahawa alat telah dijalankan, tampalan yang dicadangkan telah lulus semakan atau dakwaan fakta mempunyai sokongan di luar bahan yang dibekalkan.
POST /v1/batchestexttext| Medan | Jenis | Keperluan | Nilai & had | Lalai |
|---|---|---|---|---|
Medanendpoint | Jenisstring | KeperluanDiperlukan | Nilai & had /v1/chat/completions | Lalai— |
Medanmodel | Jenisstring | KeperluanDiperlukan | Nilai & had z-ai/glm-5.3:batch | Lalai— |
Medanrequests | Jenisbatch_item[] | KeperluanDiperlukan | Nilai & had Item minimum: 1 | Lalai— |
Medanrequests[].custom_id | Jenisstring | KeperluanDiperlukan | Nilai & had | Lalai— |
Medanrequests[].body.messages | Jenismessage[] | KeperluanDiperlukan | Nilai & had | Lalai— |
Medancompletion_window | Jenisstring | KeperluanPilihan | Nilai & had 24h | Lalai— |
Medanprovider | Jenisobject|null | KeperluanPilihan | Nilai & had | Lalai— |
Medanrequests[].body.model | Jenisstring | KeperluanPilihan | Nilai & had z-ai/glm-5.3:batch, z-ai/glm-5.3 | Lalai— |
Medanprovider.only | Jenisstring[] | KeperluanPilihan | Nilai & had deepinfra/fp4 | Lalai— |
Medanprovider.allow_fallbacks | Jenisboolean|null | KeperluanPilihan | Nilai & had false, null | Lalai— |
| Parameter | Kontrak |
|---|---|
Parametercontent_type | Kontrakapplication/json |
Parameterrequired | Kontrakendpoint, model, requests |
Parametermaterial_types | Kontraktext |
Parameterrepresentation | Kontrakrequests[] sebaris; setiap item mempunyai custom_id dan body |
Parameterrequest_endpoint_profile | Kontrak/v1/chat/completions |
Parameterfile_material | KontrakPemanggil boleh membaca JSONL UTF-8 sebenar secara setempat ke dalam requests[]. Tiada tujuan muat naik, input_file_id atau rujukan fail digunakan. Bahan pelanggan yang tiada atau kosong menghentikan persediaan sebelum POST. |
Parameterserialization_order | Kontrakendpoint, model, provider (jika dibekalkan), completion_window (jika dibekalkan), requests di akhir |
Parameteroptional_controls | Kontrakprovider.only, provider.allow_fallbacks, completion_window |
Parameterschema_scope | KontrakBadan permintaan Chat Completions teks dalam pembungkus Batch sebaris yang didokumenkan. |
Kitar hayat: asynchronous
GET /v1/batches/{operation_id} · response.id sebenar daripada respons penciptaan asal; pengguna/kunci/kumpulan yang sama
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 $0.0009 / 1K token Output · Token output $0.004 / 1K token Input · Bacaan cache $0.0002 / 1K token Input · Penulisan cache — / 1K token Input · Penulisan cache, 1 jam — / 1K token |
| KonfigurasiTahap panjang permintaan 1 | Jadual kadar— | Token konteks, melebihi0 | Token konteks, sehingga dan termasukTiada had atas | Caj Input · Token input $0.0009 / 1K token Output · Token output $0.004 / 1K token Input · Bacaan cache $0.0002 / 1K token Input · Penulisan cache — / 1K token Input · Penulisan cache, 1 jam — / 1K token |
Ailoot merizabkan anggaran amaun sebelum permintaan. Selepas hasil diterima, caj akhir diselesaikan berdasarkan penggunaan terukur. Penyelesaian caj penstriman menggunakan rekod penggunaan akhir. Cara rizab dan penyelesaian caj berfungsi →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json\nfrom pathlib import Path\nbody=json.loads('{"endpoint":"/v1/chat/completions","model":"z-ai/glm-5.3:batch","requests":[{"custom_id":"req-0001","body":{"messages":[{"role":"user","content":"Hello!"}],"max_tokens":16}}]}')\nPath("batch-request.json").write_text(json.dumps(body,ensure_ascii=False),encoding="utf-8")\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/batches \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @batch-request.json -D batch-response-headers.txt -o batch-create-response.json\nimport json, os\nfrom pathlib import Path\nfrom urllib.request import Request, urlopen\n\ndef prepare_requests(customer_path):\n path = Path(customer_path)\n if not path.is_file(): raise ValueError("Customer JSONL file is missing")\n items = [json.loads(line) for line in path.read_text(encoding="utf-8").splitlines() if line.strip()]\n if not items: raise ValueError("Customer JSONL contains no requests")\n ids = set()\n for item in items:\n if set(item) != {"custom_id", "body"}: raise ValueError("Each item needs custom_id and body")\n cid = item["custom_id"]\n if not isinstance(cid, str) or not cid.strip() or cid in ids: raise ValueError("custom_id must be nonempty and unique")\n ids.add(cid)\n if not isinstance(item["body"], dict) or not item["body"].get("messages"): raise ValueError("Supply actual text messages")\n supplied_model = item["body"].get("model")\n if supplied_model is not None and supplied_model not in ['z-ai/glm-5.3:batch', 'z-ai/glm-5.3']: raise ValueError("body.model must be an exact documented caller or wire ID")\n return {"endpoint":"/v1/chat/completions", "model":"z-ai/glm-5.3:batch", "requests":items}\n\nif __name__ == "__main__":\n material = os.environ.get("AILOOT_BATCH_REQUESTS_JSONL", "")\n if not material: raise SystemExit("Set AILOOT_BATCH_REQUESTS_JSONL to your actual customer file")\n body = prepare_requests(material)\n key = os.environ.get("AILOOT_API_KEY", "")\n if not key: raise SystemExit("Set AILOOT_API_KEY")\n request = Request("https://api.ailoot.ai/v1/batches", data=json.dumps(body, ensure_ascii=False).encode("utf-8"), headers={"Authorization":"Bearer " + key, "Content-Type":"application/json"}, method="POST")\n with urlopen(request) as response:\n raw = response.read()\n Path("batch-create-response.json").write_bytes(raw)\n print(raw.decode("utf-8"))\nimport json\nfrom pathlib import Path\nraw = Path("batch-status-response.json").read_bytes()\nresponse = json.loads(raw)\nif response.get("status") != "completed":\n raise SystemExit("Keep the original operation; read its status without resubmitting")\nresults = response.get("results")\nif not isinstance(results, list) or not results:\n raise SystemExit("Preserve the original response; completed results are missing")\nPath("batch-results.jsonl").write_text("".join(json.dumps(item, ensure_ascii=False) + "\\n" for item in results), encoding="utf-8")\n# Preserve batch-status-response.json with aggregate usage and every result/error.\nJSON results[].response.body sebaris
GET /v1/batches/{operation_id}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\nBATCH_OPERATION_ID="$(python3 - <<'PY_ID'\nimport json\nfrom pathlib import Path\nfrom urllib.parse import quote\nresponse = json.loads(Path("batch-create-response.json").read_text(encoding="utf-8"))\noperation = response.get("id")\nif not isinstance(operation, str) or not operation: raise SystemExit("No actual original operation ID; preserve the response and do not resubmit")\nprint(quote(operation, safe=""))\nPY_ID\n)"\ncurl --fail-with-body --silent --show-error "https://api.ailoot.ai/v1/batches/$BATCH_OPERATION_ID" \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -o batch-status-response.json\nSimpan setiap respons lengkap, fail dan bahagian kandungan yang dikembalikan.
Simpan keseluruhan JSON status asal, setiap hasil/custom_id serta badan respons atau ralat yang lengkap. Simpan results[] yang telah selesai sebagai JSONL tanpa penapisan.
Simpan ID operasi asal. 503 result_pending_check mempunyai X-Should-Retry:false; jangan sekali-kali hantar semula kelompok asal yang hasilnya tidak diketahui.
| Medan | Jenis |
|---|---|
Medanresults[].custom_id | Jenisstring |
Medanresults[].response.body.choices[].message.content | Jenisstring|null |
Medanresults[].error | Jenisobject|null |
Medanusage | Jenisobject|null |
Medanid | Jenisstring |
Medanmodel | Jenisstring |
Medanendpoint | Jenisstring |
Medanstatus | Jenisstring |
Medanrequest_counts | Jenisobject |
Medanresults[].id | Jenisstring |
Medanresults[].response.status_code | Jenisinteger |
Medanresults[].response.request_id | Jenisstring |
| Respons | Syarat | Langkah seterusnya |
|---|---|---|
Respons400 · invalid_request_error | SyaratPembungkus sebaris yang didokumenkan tidak sah, kunci berulang, identiti item atau keupayaan model yang dikonfigurasikan bercanggah. | Langkah seterusnyaBetulkan medan yang dinyatakan sebelum sebarang penghantaran baharu. |
Respons401 · authentication_error | SyaratKunci API tidak sah. | Langkah seterusnyaGunakan kunci Ailoot yang dibenarkan. |
Respons403 · permission_error | SyaratKumpulan kelompok tidak tersedia. | Langkah seterusnyaSemak hak akses kunci/kumpulan. |
Respons422 · invalid_request_error | SyaratKelompok menggunakan pengebilan baki; penciptaan melalui langganan ditolak. | Langkah seterusnyaGunakan kumpulan yang dibenarkan untuk pengebilan melalui baki. |
Respons422 · price_unavailable | SyaratSebut harga tidak dapat diberikan untuk input kelompok. | Langkah seterusnyaSimpan respons; gunakan input keluarga API yang didokumenkan. |
Respons402 · billing_error | SyaratRizab kelompok tidak tersedia. | Langkah seterusnyaSelesaikan isu penerimaan permintaan sebelum menghantar permintaan baharu. |
Respons503 · price_unavailable | SyaratHarga kaedah kelompok/kadar natif tidak tersedia. | Langkah seterusnyaSimpan respons; jangan gantikan harga. |
Respons503 · api_error | SyaratLaluan pembekal yang tepat tidak tersedia. | Langkah seterusnyaSimpan respons untuk pembaikan laluan. |
Respons503 · result_pending_check | SyaratHasil asal memerlukan semakan; X-Should-Retry:false. | Langkah seterusnyaSimpan operation_id/id asal dan baca statusnya; jangan sekali-kali ulang POST asal. |
Respons404 · not_found | SyaratOperasi status kelompok tiada atau dimiliki oleh identiti lain. | Langkah seterusnyaGunakan id asal yang tepat serta pengguna/kunci/kumpulan yang sama. |
Ailoot Ultra z-ai/glm-5.3:batch
Gunakan laluan kaedah yang dipaparkan di atas.