GLM-5V-Turbo menghubungkan pemahaman visual dengan pembangunan perisian dan kerja ejen. Z.ai menyenaraikan imej, video, teks dan fail sebagai input serta teks sebagai output. Profilnya mempunyai konteks 200K token dan sehingga 128K token output. Tugas boleh menggabungkan tangkapan skrin atau reka bentuk dengan keperluan dan meminta kod, penjelasan visual atau hasil berasaskan dokumen. Ini ialah edisi yang berbeza daripada GLM-5.3-Flash.
Pembinaan semula bahagian hadapan ialah kegunaan utama. Pembuatnya menerangkan pengecaman susun atur, warna, hierarki komponen dan logik interaksi daripada mokap. Bekalkan keadaan rujukan, fungsi yang diperlukan dan kekangan, kemudian minta kod yang boleh disunting serta penjelasan. Tangkapan skrin halaman yang bermasalah boleh membantu mengenal pasti ketidakjajaran, pertindihan komponen atau warna yang tidak sepadan. Aplikasi merender cadangan itu dan membekalkan hasil sebenar untuk tafsiran lanjut.
Aliran kerja GUI boleh melangkaui satu tangkapan skrin. Pengeluar menerangkan penerokaan peralihan halaman dan aset visual serta penggunaan dapatan untuk menyediakan kod. Tetapkan matlamat dan tindakan yang tersedia, kembalikan skrin yang berubah atau pemerhatian dan nyatakan artifak siap. Model merancang berdasarkan maklum balas itu; aplikasi melaksanakan navigasi, klik atau operasi lain. Respons yang menghuraikan tindakan bukanlah bukti pelaksanaannya.
Pembuatnya menerangkan gabungan visual-teks, pengekod penglihatan CogViT dan ramalan berbilang token, bersama pembelajaran pengukuhan bersama merentas lebih daripada 30 jenis tugas. Skop itu merangkumi STEM, pemadanan rujukan dengan unsur visual, video, GUI dan ejen pengekodan. Rantaian alat visualnya merangkumi lukisan kotak, tangkapan skrin dan pembacaan halaman berimej. Perkara ini menjelaskan tumpuan pembangunan tanpa menetapkan bilangan parameter atau seni bina model lain kepada edisi ini.
Bahan tugas rasmi merangkumi penulisan kapsyen imej, pemadanan rujukan dengan unsur visual, penulisan berasaskan dokumen, perbandingan resume dengan keperluan yang dibekalkan dan penyediaan prom daripada media rujukan. Taklimat dokumen boleh menamakan medan dan meminta kesimpulan yang disokong oleh petikan. Taklimat pemadanan visual boleh menetapkan objek dan hasil kotak pembatas. Tugas rujukan media boleh meminta prom adegan atau gaya bertulis; kegunaan itu tidak menjadikan model ini penjana imej atau video natif.
Profilnya menyenaraikan mod pemikiran, penstriman, pemanggilan fungsi dan pencachean konteks. Takrifkan alat dan simpan pemerhatiannya bersama langkah yang berkaitan. Labelkan sumber, laluan kod dan urutan video, dengan meninggalkan ruang untuk penaakulan dan jawapan. Contohnya menggandingkan media dengan soalan yang konkrit. Sekatan pengangkutan dan kawalan antara muka yang tepat kekal terikat pada aliran kerja yang didokumenkan, bukannya edisi GLM yang namanya kedengaran serupa.
Untuk hasil yang boleh digunakan, minta halaman atau bahagian dokumen yang diliputi, kandungan artifak yang dicadangkan dan perbezaan yang masih wujud dalam bukti. Pengeluar mendemonstrasikan pengekodan halaman web, penciptaan laman web, pemahaman dokumen dan penjejakan objek video. Projek siap, fail yang disunting dan interaksi yang dilaksanakan terhasil daripada persekitaran aplikasi; model menyediakan dan memperhalus kerja teks yang berkaitan.
", "aboutText": "GLM-5V-Turbo menghubungkan pemahaman visual dengan pembangunan perisian dan kerja ejen. Z.ai menyenaraikan imej, video, teks dan fail sebagai input serta teks sebagai output. Profilnya mempunyai konteks 200K token dan sehingga 128K token output. Tugas boleh menggabungkan tangkapan skrin atau reka bentuk dengan keperluan dan meminta kod, penjelasan visual atau hasil berasaskan dokumen. Ini ialah edisi yang berbeza daripada GLM-5.3-Flash.\n\nPembinaan semula bahagian hadapan ialah kegunaan utama. Pembuatnya menerangkan pengecaman susun atur, warna, hierarki komponen dan logik interaksi daripada mokap. Bekalkan keadaan rujukan, fungsi yang diperlukan dan kekangan, kemudian minta kod yang boleh disunting serta penjelasan. Tangkapan skrin halaman yang bermasalah boleh membantu mengenal pasti ketidakjajaran, pertindihan komponen atau warna yang tidak sepadan. Aplikasi merender cadangan itu dan membekalkan hasil sebenar untuk tafsiran lanjut.\n\nAliran kerja GUI boleh melangkaui satu tangkapan skrin. Pengeluar menerangkan penerokaan peralihan halaman dan aset visual serta penggunaan dapatan untuk menyediakan kod. Tetapkan matlamat dan tindakan yang tersedia, kembalikan skrin yang berubah atau pemerhatian dan nyatakan artifak siap. Model merancang berdasarkan maklum balas itu; aplikasi melaksanakan navigasi, klik atau operasi lain. Respons yang menghuraikan tindakan bukanlah bukti pelaksanaannya.\n\nPembuatnya menerangkan gabungan visual-teks, pengekod penglihatan CogViT dan ramalan berbilang token, bersama pembelajaran pengukuhan bersama merentas lebih daripada 30 jenis tugas. Skop itu merangkumi STEM, pemadanan rujukan dengan unsur visual, video, GUI dan ejen pengekodan. Rantaian alat visualnya merangkumi lukisan kotak, tangkapan skrin dan pembacaan halaman berimej. Perkara ini menjelaskan tumpuan pembangunan tanpa menetapkan bilangan parameter atau seni bina model lain kepada edisi ini.\n\nBahan tugas rasmi merangkumi penulisan kapsyen imej, pemadanan rujukan dengan unsur visual, penulisan berasaskan dokumen, perbandingan resume dengan keperluan yang dibekalkan dan penyediaan prom daripada media rujukan. Taklimat dokumen boleh menamakan medan dan meminta kesimpulan yang disokong oleh petikan. Taklimat pemadanan visual boleh menetapkan objek dan hasil kotak pembatas. Tugas rujukan media boleh meminta prom adegan atau gaya bertulis; kegunaan itu tidak menjadikan model ini penjana imej atau video natif.\n\nProfilnya menyenaraikan mod pemikiran, penstriman, pemanggilan fungsi dan pencachean konteks. Takrifkan alat dan simpan pemerhatiannya bersama langkah yang berkaitan. Labelkan sumber, laluan kod dan urutan video, dengan meninggalkan ruang untuk penaakulan dan jawapan. Contohnya menggandingkan media dengan soalan yang konkrit. Sekatan pengangkutan dan kawalan antara muka yang tepat kekal terikat pada aliran kerja yang didokumenkan, bukannya edisi GLM yang namanya kedengaran serupa.\n\nUntuk hasil yang boleh digunakan, minta halaman atau bahagian dokumen yang diliputi, kandungan artifak yang dicadangkan dan perbezaan yang masih wujud dalam bukti. Pengeluar mendemonstrasikan pengekodan halaman web, penciptaan laman web, pemahaman dokumen dan penjejakan objek video. Projek siap, fail yang disunting dan interaksi yang dilaksanakan terhasil daripada persekitaran aplikasi; model menyediakan dan memperhalus kerja teks yang berkaitan.", "editorialOverlay": { "copy_fields": { "practical_html": "Contoh teknikal dalam bahasa Inggeris
Correct a described responsive layout\n\nPropose HTML and CSS for this written mockup: a header with brand text "North Workshop" and a Book visit link; below it, a title "Repair desk" and two service sections. On narrow screens the services stack in reading order. Use semantic elements, preserve exact labels and keep the link keyboard-focusable. Return editable code and inspection criteria.An editable HTML/CSS example with a responsive service layout and explicit visual and keyboard inspection criteria.Render both wide and narrow layouts and inspect reading order, exact labels and visible keyboard focus before using the code.glm-5v-turboGLM-5V-Turbo ialah model pengekodan multimodal Z.ai untuk tangkapan skrin, rujukan visual, dokumen dan ejen GUI. Profil pengeluarnya menerima imej, video, teks dan fail, mengembalikan teks serta menyenaraikan konteks 200K dengan sehingga 128K token output.
Huraian ini merangkumi keupayaan model. Input, output dan pilihan yang tersedia di Ailoot disenaraikan di bawah untuk kaedah yang dipilih.
GLM-5V-Turbo menghubungkan pemahaman visual dengan pembangunan perisian dan kerja ejen. Z.ai menyenaraikan imej, video, teks dan fail sebagai input serta teks sebagai output. Profilnya mempunyai konteks 200K token dan sehingga 128K token output. Tugas boleh menggabungkan tangkapan skrin atau reka bentuk dengan keperluan dan meminta kod, penjelasan visual atau hasil berasaskan dokumen. Ini ialah edisi yang berbeza daripada GLM-5.3-Flash.
Pembinaan semula bahagian hadapan ialah kegunaan utama. Pembuatnya menerangkan pengecaman susun atur, warna, hierarki komponen dan logik interaksi daripada mokap. Bekalkan keadaan rujukan, fungsi yang diperlukan dan kekangan, kemudian minta kod yang boleh disunting serta penjelasan. Tangkapan skrin halaman yang bermasalah boleh membantu mengenal pasti ketidakjajaran, pertindihan komponen atau warna yang tidak sepadan. Aplikasi merender cadangan itu dan membekalkan hasil sebenar untuk tafsiran lanjut.
Aliran kerja GUI boleh melangkaui satu tangkapan skrin. Pengeluar menerangkan penerokaan peralihan halaman dan aset visual serta penggunaan dapatan untuk menyediakan kod. Tetapkan matlamat dan tindakan yang tersedia, kembalikan skrin yang berubah atau pemerhatian dan nyatakan artifak siap. Model merancang berdasarkan maklum balas itu; aplikasi melaksanakan navigasi, klik atau operasi lain. Respons yang menghuraikan tindakan bukanlah bukti pelaksanaannya.
Pembuatnya menerangkan gabungan visual-teks, pengekod penglihatan CogViT dan ramalan berbilang token, bersama pembelajaran pengukuhan bersama merentas lebih daripada 30 jenis tugas. Skop itu merangkumi STEM, pemadanan rujukan dengan unsur visual, video, GUI dan ejen pengekodan. Rantaian alat visualnya merangkumi lukisan kotak, tangkapan skrin dan pembacaan halaman berimej. Perkara ini menjelaskan tumpuan pembangunan tanpa menetapkan bilangan parameter atau seni bina model lain kepada edisi ini.
Bahan tugas rasmi merangkumi penulisan kapsyen imej, pemadanan rujukan dengan unsur visual, penulisan berasaskan dokumen, perbandingan resume dengan keperluan yang dibekalkan dan penyediaan prom daripada media rujukan. Taklimat dokumen boleh menamakan medan dan meminta kesimpulan yang disokong oleh petikan. Taklimat pemadanan visual boleh menetapkan objek dan hasil kotak pembatas. Tugas rujukan media boleh meminta prom adegan atau gaya bertulis; kegunaan itu tidak menjadikan model ini penjana imej atau video natif.
Profilnya menyenaraikan mod pemikiran, penstriman, pemanggilan fungsi dan pencachean konteks. Takrifkan alat dan simpan pemerhatiannya bersama langkah yang berkaitan. Labelkan sumber, laluan kod dan urutan video, dengan meninggalkan ruang untuk penaakulan dan jawapan. Contohnya menggandingkan media dengan soalan yang konkrit. Sekatan pengangkutan dan kawalan antara muka yang tepat kekal terikat pada aliran kerja yang didokumenkan, bukannya edisi GLM yang namanya kedengaran serupa.
Untuk hasil yang boleh digunakan, minta halaman atau bahagian dokumen yang diliputi, kandungan artifak yang dicadangkan dan perbezaan yang masih wujud dalam bukti. Pengeluar mendemonstrasikan pengekodan halaman web, penciptaan laman web, pemahaman dokumen dan penjejakan objek video. Projek siap, fail yang disunting dan interaksi yang dilaksanakan terhasil daripada persekitaran aplikasi; model menyediakan dan memperhalus kerja teks yang berkaitan.
POST /v1/chat/completionstexttext| Medan | Jenis | Keperluan | Nilai & had | Lalai |
|---|---|---|---|---|
Medanmodel | Jenisstring | KeperluanDiperlukan | Nilai & had glm-5v-turbo | Lalai— |
Medanmessages | Jenismessage[] | KeperluanDiperlukan | Nilai & had Item minimum: 1 | Lalai— |
Medanmessages[].role | Jenisstring | KeperluanDiperlukan | Nilai & had Bergantung pada model | Lalai— |
Medanmessages[].content | Jenisstring | KeperluanPilihan | Nilai & had Terpakai apabila: Perbualan teks | Lalai— |
Medanstream | Jenisboolean | KeperluanPilihan | Nilai & had | Lalaifalse |
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 |
Parametercontrol_scope | KontrakPerbualan teks; stream ialah nilai boolean dengan false sebagai lalai. |
Parameteroutput_modalities | Kontraktext |
Parameterhosted_operations | Kontrakfalse |
Parametermultimodal_input_binding | Kontraknull |
Alias kaedah: /chat/completions
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 $0.0024 / 1K token Output · Token output $0.008 / 1K token Input · Bacaan cache $0.00048 / 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 $0.0024 / 1K token Output · Token output $0.008 / 1K token Input · Bacaan cache $0.00048 / 1K token Input · Penulisan cache — / 1K token Input · Penulisan cache, 1 jam — / 1K token |
Ailoot merizabkan anggaran amaun sebelum permintaan. Selepas hasil diterima, caj akhir diselesaikan berdasarkan penggunaan terukur. Penyelesaian caj penstriman menggunakan rekod penggunaan akhir. Cara rizab dan penyelesaian caj berfungsi →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model":"glm-5v-turbo","messages":[{"role":"user","content":"hello"}],"stream":false}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model="glm-5v-turbo", messages=[{"role":"user","content":"hello"}], stream=False)\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"))\njson atau SSE
Simpan setiap respons lengkap, fail dan bahagian kandungan yang dikembalikan.
Kekalkan setiap pilihan jawapan bersama kandungan, panggilan alat dan penaakulannya. Dalam SSE, gabungkan delta mengikut indeks pilihan jawapan/alat dan kekalkan sebab penamatan akhir serta data penggunaan.
Kekalkan ID permintaan/respons dan pengepala. Tiada URL umum bagi pengambilan tugas teks dibekalkan.
| Medan | Jenis |
|---|---|
Medanchoices[].index | Jenisinteger |
Medanchoices[].message.content | Jenisstring|null |
Medanchoices[].message.tool_calls | Jenistool_call[] |
Medanchoices[].message.reasoning_content | Jenisstring |
Medanchoices[].message.reasoning_details | Jenisobject|array |
Medanchoices[].finish_reason | Jenisstring|null |
Medanusage | Jenisobject |
| Respons | Syarat | Langkah seterusnya |
|---|---|---|
Respons400 · invalid_request_error | SyaratMedan wajib, perwakilan bahan atau nilai parameter tidak sah | Langkah seterusnyaBetulkan medan yang ditunjukkan sebelum permintaan penciptaan baharu. |
Ailoot Ultra glm-5v-turbo, z-ai/glm-5v-turbo
/chat/completions
glm-5v-turboGLM-5V-Turbo ialah model pengekodan multimodal Z.ai untuk tangkapan skrin, rujukan visual, dokumen dan ejen GUI. Profil pengeluarnya menerima imej, video, teks dan fail, mengembalikan teks serta menyenaraikan konteks 200K dengan sehingga 128K token output.
Huraian ini merangkumi keupayaan model. Input, output dan pilihan yang tersedia di Ailoot disenaraikan di bawah untuk kaedah yang dipilih.
GLM-5V-Turbo menghubungkan pemahaman visual dengan pembangunan perisian dan kerja ejen. Z.ai menyenaraikan imej, video, teks dan fail sebagai input serta teks sebagai output. Profilnya mempunyai konteks 200K token dan sehingga 128K token output. Tugas boleh menggabungkan tangkapan skrin atau reka bentuk dengan keperluan dan meminta kod, penjelasan visual atau hasil berasaskan dokumen. Ini ialah edisi yang berbeza daripada GLM-5.3-Flash.
Pembinaan semula bahagian hadapan ialah kegunaan utama. Pembuatnya menerangkan pengecaman susun atur, warna, hierarki komponen dan logik interaksi daripada mokap. Bekalkan keadaan rujukan, fungsi yang diperlukan dan kekangan, kemudian minta kod yang boleh disunting serta penjelasan. Tangkapan skrin halaman yang bermasalah boleh membantu mengenal pasti ketidakjajaran, pertindihan komponen atau warna yang tidak sepadan. Aplikasi merender cadangan itu dan membekalkan hasil sebenar untuk tafsiran lanjut.
Aliran kerja GUI boleh melangkaui satu tangkapan skrin. Pengeluar menerangkan penerokaan peralihan halaman dan aset visual serta penggunaan dapatan untuk menyediakan kod. Tetapkan matlamat dan tindakan yang tersedia, kembalikan skrin yang berubah atau pemerhatian dan nyatakan artifak siap. Model merancang berdasarkan maklum balas itu; aplikasi melaksanakan navigasi, klik atau operasi lain. Respons yang menghuraikan tindakan bukanlah bukti pelaksanaannya.
Pembuatnya menerangkan gabungan visual-teks, pengekod penglihatan CogViT dan ramalan berbilang token, bersama pembelajaran pengukuhan bersama merentas lebih daripada 30 jenis tugas. Skop itu merangkumi STEM, pemadanan rujukan dengan unsur visual, video, GUI dan ejen pengekodan. Rantaian alat visualnya merangkumi lukisan kotak, tangkapan skrin dan pembacaan halaman berimej. Perkara ini menjelaskan tumpuan pembangunan tanpa menetapkan bilangan parameter atau seni bina model lain kepada edisi ini.
Bahan tugas rasmi merangkumi penulisan kapsyen imej, pemadanan rujukan dengan unsur visual, penulisan berasaskan dokumen, perbandingan resume dengan keperluan yang dibekalkan dan penyediaan prom daripada media rujukan. Taklimat dokumen boleh menamakan medan dan meminta kesimpulan yang disokong oleh petikan. Taklimat pemadanan visual boleh menetapkan objek dan hasil kotak pembatas. Tugas rujukan media boleh meminta prom adegan atau gaya bertulis; kegunaan itu tidak menjadikan model ini penjana imej atau video natif.
Profilnya menyenaraikan mod pemikiran, penstriman, pemanggilan fungsi dan pencachean konteks. Takrifkan alat dan simpan pemerhatiannya bersama langkah yang berkaitan. Labelkan sumber, laluan kod dan urutan video, dengan meninggalkan ruang untuk penaakulan dan jawapan. Contohnya menggandingkan media dengan soalan yang konkrit. Sekatan pengangkutan dan kawalan antara muka yang tepat kekal terikat pada aliran kerja yang didokumenkan, bukannya edisi GLM yang namanya kedengaran serupa.
Untuk hasil yang boleh digunakan, minta halaman atau bahagian dokumen yang diliputi, kandungan artifak yang dicadangkan dan perbezaan yang masih wujud dalam bukti. Pengeluar mendemonstrasikan pengekodan halaman web, penciptaan laman web, pemahaman dokumen dan penjejakan objek video. Projek siap, fail yang disunting dan interaksi yang dilaksanakan terhasil daripada persekitaran aplikasi; model menyediakan dan memperhalus kerja teks yang berkaitan.
POST /v1/messagestextjson, sse| Medan | Jenis | Keperluan | Nilai & had | Lalai |
|---|---|---|---|---|
Medanmodel | Jenisstring | KeperluanDiperlukan | Nilai & had glm-5v-turbo | 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 $0.0024 / 1K token Output · Token output $0.008 / 1K token Input · Bacaan cache $0.00048 / 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 $0.0024 / 1K token Output · Token output $0.008 / 1K token Input · Bacaan cache $0.00048 / 1K token Input · Penulisan cache — / 1K token Input · Penulisan cache, 1 jam — / 1K token |
Ailoot merizabkan anggaran amaun sebelum permintaan. Selepas hasil diterima, caj akhir diselesaikan berdasarkan penggunaan terukur. Penyelesaian caj penstriman menggunakan rekod penggunaan akhir. Cara rizab dan penyelesaian caj berfungsi →
{\n "model": "glm-5v-turbo",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'glm-5v-turbo', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'glm-5v-turbo', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON atau SSE
Simpan setiap respons lengkap, fail dan bahagian kandungan yang dikembalikan.
Kekalkan semua blok kandungan, tandatangan penaakulan dan ID penggunaan alat sebenar. Gabungkan semua delta blok SSE; blok teks pertama bukan keseluruhan output.
Kekalkan ID permintaan/respons dan pengepala. Tiada URL umum bagi pengambilan tugas teks dibekalkan.
| Medan | Jenis |
|---|---|
Medanid | Jenisstring |
Medanmodel | Jenisstring |
Medancontent[] | Jenistext|thinking|tool_use|other content block |
Medanstop_reason | Jenisstring|null |
Medanusage | Jenisobject |
| Respons | Syarat | Langkah seterusnya |
|---|---|---|
Respons400 · invalid_request_error | SyaratMedan wajib, perwakilan bahan atau nilai parameter tidak sah | Langkah seterusnyaBetulkan medan yang ditunjukkan sebelum permintaan penciptaan baharu. |
Ailoot Ultra glm-5v-turbo, z-ai/glm-5v-turbo
/chat/completions
z-ai/glm-5v-turboGLM-5V-Turbo ialah model pengekodan multimodal Z.ai untuk tangkapan skrin, rujukan visual, dokumen dan ejen GUI. Profil pengeluarnya menerima imej, video, teks dan fail, mengembalikan teks serta menyenaraikan konteks 200K dengan sehingga 128K token output.
Huraian ini merangkumi keupayaan model. Input, output dan pilihan yang tersedia di Ailoot disenaraikan di bawah untuk kaedah yang dipilih.
GLM-5V-Turbo menghubungkan pemahaman visual dengan pembangunan perisian dan kerja ejen. Z.ai menyenaraikan imej, video, teks dan fail sebagai input serta teks sebagai output. Profilnya mempunyai konteks 200K token dan sehingga 128K token output. Tugas boleh menggabungkan tangkapan skrin atau reka bentuk dengan keperluan dan meminta kod, penjelasan visual atau hasil berasaskan dokumen. Ini ialah edisi yang berbeza daripada GLM-5.3-Flash.
Pembinaan semula bahagian hadapan ialah kegunaan utama. Pembuatnya menerangkan pengecaman susun atur, warna, hierarki komponen dan logik interaksi daripada mokap. Bekalkan keadaan rujukan, fungsi yang diperlukan dan kekangan, kemudian minta kod yang boleh disunting serta penjelasan. Tangkapan skrin halaman yang bermasalah boleh membantu mengenal pasti ketidakjajaran, pertindihan komponen atau warna yang tidak sepadan. Aplikasi merender cadangan itu dan membekalkan hasil sebenar untuk tafsiran lanjut.
Aliran kerja GUI boleh melangkaui satu tangkapan skrin. Pengeluar menerangkan penerokaan peralihan halaman dan aset visual serta penggunaan dapatan untuk menyediakan kod. Tetapkan matlamat dan tindakan yang tersedia, kembalikan skrin yang berubah atau pemerhatian dan nyatakan artifak siap. Model merancang berdasarkan maklum balas itu; aplikasi melaksanakan navigasi, klik atau operasi lain. Respons yang menghuraikan tindakan bukanlah bukti pelaksanaannya.
Pembuatnya menerangkan gabungan visual-teks, pengekod penglihatan CogViT dan ramalan berbilang token, bersama pembelajaran pengukuhan bersama merentas lebih daripada 30 jenis tugas. Skop itu merangkumi STEM, pemadanan rujukan dengan unsur visual, video, GUI dan ejen pengekodan. Rantaian alat visualnya merangkumi lukisan kotak, tangkapan skrin dan pembacaan halaman berimej. Perkara ini menjelaskan tumpuan pembangunan tanpa menetapkan bilangan parameter atau seni bina model lain kepada edisi ini.
Bahan tugas rasmi merangkumi penulisan kapsyen imej, pemadanan rujukan dengan unsur visual, penulisan berasaskan dokumen, perbandingan resume dengan keperluan yang dibekalkan dan penyediaan prom daripada media rujukan. Taklimat dokumen boleh menamakan medan dan meminta kesimpulan yang disokong oleh petikan. Taklimat pemadanan visual boleh menetapkan objek dan hasil kotak pembatas. Tugas rujukan media boleh meminta prom adegan atau gaya bertulis; kegunaan itu tidak menjadikan model ini penjana imej atau video natif.
Profilnya menyenaraikan mod pemikiran, penstriman, pemanggilan fungsi dan pencachean konteks. Takrifkan alat dan simpan pemerhatiannya bersama langkah yang berkaitan. Labelkan sumber, laluan kod dan urutan video, dengan meninggalkan ruang untuk penaakulan dan jawapan. Contohnya menggandingkan media dengan soalan yang konkrit. Sekatan pengangkutan dan kawalan antara muka yang tepat kekal terikat pada aliran kerja yang didokumenkan, bukannya edisi GLM yang namanya kedengaran serupa.
Untuk hasil yang boleh digunakan, minta halaman atau bahagian dokumen yang diliputi, kandungan artifak yang dicadangkan dan perbezaan yang masih wujud dalam bukti. Pengeluar mendemonstrasikan pengekodan halaman web, penciptaan laman web, pemahaman dokumen dan penjejakan objek video. Projek siap, fail yang disunting dan interaksi yang dilaksanakan terhasil daripada persekitaran aplikasi; model menyediakan dan memperhalus kerja teks yang berkaitan.
POST /v1/chat/completionstexttext| Medan | Jenis | Keperluan | Nilai & had | Lalai |
|---|---|---|---|---|
Medanmodel | Jenisstring | KeperluanDiperlukan | Nilai & had z-ai/glm-5v-turbo | 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 $0.0024 / 1K token Output · Token output $0.008 / 1K token Input · Bacaan cache $0.00048 / 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 $0.0024 / 1K token Output · Token output $0.008 / 1K token Input · Bacaan cache $0.00048 / 1K token Input · Penulisan cache — / 1K token Input · Penulisan cache, 1 jam — / 1K token |
Ailoot merizabkan anggaran amaun sebelum permintaan. Selepas hasil diterima, caj akhir diselesaikan berdasarkan penggunaan terukur. Penyelesaian caj penstriman menggunakan rekod penggunaan akhir. Cara rizab dan penyelesaian caj berfungsi →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "z-ai/glm-5v-turbo", "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-5v-turbo',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-5v-turbo',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson atau SSE
Simpan setiap respons lengkap, fail dan bahagian kandungan yang dikembalikan.
Kekalkan setiap pilihan jawapan bersama kandungan, panggilan alat dan penaakulannya. Dalam SSE, gabungkan delta mengikut indeks pilihan jawapan/alat dan kekalkan sebab penamatan akhir serta data penggunaan.
Kekalkan ID permintaan/respons dan pengepala. Tiada URL umum bagi pengambilan tugas teks dibekalkan.
| Medan | Jenis |
|---|---|
Medanchoices[].index | Jenisinteger |
Medanchoices[].message.content | Jenisstring|null |
Medanchoices[].message.tool_calls | Jenistool_call[] |
Medanchoices[].message.reasoning_content | Jenisstring |
Medanchoices[].message.reasoning_details | Jenisobject|array |
Medanchoices[].finish_reason | Jenisstring|null |
Medanusage | Jenisobject |
| Respons | Syarat | Langkah seterusnya |
|---|---|---|
Respons400 · invalid_request_error | SyaratMedan wajib, perwakilan bahan atau nilai parameter tidak sah | Langkah seterusnyaBetulkan medan yang ditunjukkan sebelum permintaan penciptaan baharu. |
Ailoot Ultra glm-5v-turbo, z-ai/glm-5v-turbo
/chat/completions
z-ai/glm-5v-turboGLM-5V-Turbo ialah model pengekodan multimodal Z.ai untuk tangkapan skrin, rujukan visual, dokumen dan ejen GUI. Profil pengeluarnya menerima imej, video, teks dan fail, mengembalikan teks serta menyenaraikan konteks 200K dengan sehingga 128K token output.
Huraian ini merangkumi keupayaan model. Input, output dan pilihan yang tersedia di Ailoot disenaraikan di bawah untuk kaedah yang dipilih.
GLM-5V-Turbo menghubungkan pemahaman visual dengan pembangunan perisian dan kerja ejen. Z.ai menyenaraikan imej, video, teks dan fail sebagai input serta teks sebagai output. Profilnya mempunyai konteks 200K token dan sehingga 128K token output. Tugas boleh menggabungkan tangkapan skrin atau reka bentuk dengan keperluan dan meminta kod, penjelasan visual atau hasil berasaskan dokumen. Ini ialah edisi yang berbeza daripada GLM-5.3-Flash.
Pembinaan semula bahagian hadapan ialah kegunaan utama. Pembuatnya menerangkan pengecaman susun atur, warna, hierarki komponen dan logik interaksi daripada mokap. Bekalkan keadaan rujukan, fungsi yang diperlukan dan kekangan, kemudian minta kod yang boleh disunting serta penjelasan. Tangkapan skrin halaman yang bermasalah boleh membantu mengenal pasti ketidakjajaran, pertindihan komponen atau warna yang tidak sepadan. Aplikasi merender cadangan itu dan membekalkan hasil sebenar untuk tafsiran lanjut.
Aliran kerja GUI boleh melangkaui satu tangkapan skrin. Pengeluar menerangkan penerokaan peralihan halaman dan aset visual serta penggunaan dapatan untuk menyediakan kod. Tetapkan matlamat dan tindakan yang tersedia, kembalikan skrin yang berubah atau pemerhatian dan nyatakan artifak siap. Model merancang berdasarkan maklum balas itu; aplikasi melaksanakan navigasi, klik atau operasi lain. Respons yang menghuraikan tindakan bukanlah bukti pelaksanaannya.
Pembuatnya menerangkan gabungan visual-teks, pengekod penglihatan CogViT dan ramalan berbilang token, bersama pembelajaran pengukuhan bersama merentas lebih daripada 30 jenis tugas. Skop itu merangkumi STEM, pemadanan rujukan dengan unsur visual, video, GUI dan ejen pengekodan. Rantaian alat visualnya merangkumi lukisan kotak, tangkapan skrin dan pembacaan halaman berimej. Perkara ini menjelaskan tumpuan pembangunan tanpa menetapkan bilangan parameter atau seni bina model lain kepada edisi ini.
Bahan tugas rasmi merangkumi penulisan kapsyen imej, pemadanan rujukan dengan unsur visual, penulisan berasaskan dokumen, perbandingan resume dengan keperluan yang dibekalkan dan penyediaan prom daripada media rujukan. Taklimat dokumen boleh menamakan medan dan meminta kesimpulan yang disokong oleh petikan. Taklimat pemadanan visual boleh menetapkan objek dan hasil kotak pembatas. Tugas rujukan media boleh meminta prom adegan atau gaya bertulis; kegunaan itu tidak menjadikan model ini penjana imej atau video natif.
Profilnya menyenaraikan mod pemikiran, penstriman, pemanggilan fungsi dan pencachean konteks. Takrifkan alat dan simpan pemerhatiannya bersama langkah yang berkaitan. Labelkan sumber, laluan kod dan urutan video, dengan meninggalkan ruang untuk penaakulan dan jawapan. Contohnya menggandingkan media dengan soalan yang konkrit. Sekatan pengangkutan dan kawalan antara muka yang tepat kekal terikat pada aliran kerja yang didokumenkan, bukannya edisi GLM yang namanya kedengaran serupa.
Untuk hasil yang boleh digunakan, minta halaman atau bahagian dokumen yang diliputi, kandungan artifak yang dicadangkan dan perbezaan yang masih wujud dalam bukti. Pengeluar mendemonstrasikan pengekodan halaman web, penciptaan laman web, pemahaman dokumen dan penjejakan objek video. Projek siap, fail yang disunting dan interaksi yang dilaksanakan terhasil daripada persekitaran aplikasi; model menyediakan dan memperhalus kerja teks yang berkaitan.
POST /v1/messagestextjson, sse| Medan | Jenis | Keperluan | Nilai & had | Lalai |
|---|---|---|---|---|
Medanmodel | Jenisstring | KeperluanDiperlukan | Nilai & had z-ai/glm-5v-turbo | 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 $0.0024 / 1K token Output · Token output $0.008 / 1K token Input · Bacaan cache $0.00048 / 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 $0.0024 / 1K token Output · Token output $0.008 / 1K token Input · Bacaan cache $0.00048 / 1K token Input · Penulisan cache — / 1K token Input · Penulisan cache, 1 jam — / 1K token |
Ailoot merizabkan anggaran amaun sebelum permintaan. Selepas hasil diterima, caj akhir diselesaikan berdasarkan penggunaan terukur. Penyelesaian caj penstriman menggunakan rekod penggunaan akhir. Cara rizab dan penyelesaian caj berfungsi →
{\n "model": "z-ai/glm-5v-turbo",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-5v-turbo', '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-5v-turbo', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON atau SSE
Simpan setiap respons lengkap, fail dan bahagian kandungan yang dikembalikan.
Kekalkan semua blok kandungan, tandatangan penaakulan dan ID penggunaan alat sebenar. Gabungkan semua delta blok SSE; blok teks pertama bukan keseluruhan output.
Kekalkan ID permintaan/respons dan pengepala. Tiada URL umum bagi pengambilan tugas teks dibekalkan.
| Medan | Jenis |
|---|---|
Medanid | Jenisstring |
Medanmodel | Jenisstring |
Medancontent[] | Jenistext|thinking|tool_use|other content block |
Medanstop_reason | Jenisstring|null |
Medanusage | Jenisobject |
| Respons | Syarat | Langkah seterusnya |
|---|---|---|
Respons400 · invalid_request_error | SyaratMedan wajib, perwakilan bahan atau nilai parameter tidak sah | Langkah seterusnyaBetulkan medan yang ditunjukkan sebelum permintaan penciptaan baharu. |
Ailoot Ultra glm-5v-turbo, z-ai/glm-5v-turbo
/chat/completions
Contoh teknikal dalam bahasa Inggeris
Correct a described responsive layout\n\nPropose HTML and CSS for this written mockup: a header with brand text "North Workshop" and a Book visit link; below it, a title "Repair desk" and two service sections. On narrow screens the services stack in reading order. Use semantic elements, preserve exact labels and keep the link keyboard-focusable. Return editable code and inspection criteria.An editable HTML/CSS example with a responsive service layout and explicit visual and keyboard inspection criteria.Render both wide and narrow layouts and inspect reading order, exact labels and visible keyboard focus before using the code.