GLM-4-AirX er høyhastighetsmedlemmet i Z.ai sin GLM-4 Air-serie. Produsenten posisjonerer den for lav forsinkelse og samtidige applikasjonsoppgaver, med særlig vekt på instruksjonsfølging, teknisk kode og funksjonskall. Modellen tar imot tekst og returnerer tekst. Modellens egen profil oppgir et kontekstvindu på 8K tokener og maksimalt 4K tokener utdata. Dette skiller seg fra den større konteksten som oppgis for GLM-4-Air-250414; AirX beholder sin egen publiserte profil.
For en interaktiv assistent peker dette mot målrettede forespørsler: forklar en funksjon, klassifiser en melding, trekk ut felter fra et gitt avsnitt eller gjør en teknisk instruksjon om til et kort svar. Gi relevant utdrag, gjeldende spørsmål og ønsket resultat sammen. Hold hele samtalen og eventuelle verktøyobservasjoner innenfor den aktive konteksten fremfor å anta at et stort bakgrunnskorpus får plass.
GLM-4-beskrivelsen lister strømmet tekst, funksjonskall, kontekstbufring, strukturerte formater som JSON og integrasjon med MCP-verktøy og datakilder. Strømming presenterer svaret mens det genereres, slik at en applikasjon kan vise nyttig tekst før hele svaret kommer. Det endrer leveringen, ikke modellens inndata- eller utdatamodalitet.
Funksjonskall lar modellen foreslå en handling fra funksjonene applikasjonen beskriver. Applikasjonen utfører handlingen og returnerer observasjonen. En egnet syklus er et lite oppslag etterfulgt av en kort forklaring av returnerte data. MCP-integrasjon avhenger på samme måte av verktøyene og dataene applikasjonen stiller til rådighet. Kontekstbufring gjelder gjenbruk av gjentatte inndata; det betyr ikke at enhver gjentatt samtale har gitt et buffertreff.
For et JSON-resultat angir du feltene og betydningen før du gir materialet. Gi for eksempel en teknisk forespørsel og be om kategori, nødvendig handling og ubesvarte spørsmål. Strukturen som oppstår, er nyttig for neste applikasjonstrinn, mens verdiene fortsatt må kontrolleres mot den oppgitte teksten.
Produsenten inkluderer oversettelse, semantisk klassifisering, uttrekk av dokumentfelter, markedsføringstekst, analytiske rapporter og reiseplanlegging blant GLM-4-bruksområdene. AirX sin kortere profil favoriserer det umiddelbare trinnet i en slik arbeidsflyt. En oversettelsesforespørsel kan gi et kort avsnitt, målgruppe og terminologi; resultatet er et omskrevet avsnitt som beholder nødvendige navn. En klassifiseringsforespørsel kan oppgi tillatte etiketter og definisjoner fremfor å be om en uspesifisert vurdering.
For uttrekk definerer du identifikatorene og andre felter som ønskes, og inkluderer bare relevant kildeavsnitt. For skriving gir du produktfakta og én leveranse, som et produktavsnitt eller en kampanjelinje. For en rapport eller reiseplan gir du relevante fakta og begrensninger for det aktuelle trinnet. Hvis fersk informasjon trengs, leverer applikasjonens søke- eller dataverktøy den; modellen arbeider deretter med det returnerte materialet.
AirX beskrives som førtrent på 15 billioner tokener, inkludert omfattende syntetisk resonneringsmateriale. Ettertreningen bruker tilpasning til dialogpreferanser, avvisningssampling og forsterkningslæring for å styrke instruksjoner, teknisk kode og funksjonsbruk. Produsenten presenterer den som en raskere variant av GLM-4-Air-250414, med endringer i underliggende komponenter for forhåndsutfylling av prompt og autoregressiv dekoding. Dette beskriver produsentens utforming fremfor en målt forsinkelse eller garantert samtidighet for en bestemt utrulling.
Gi AirX én avgrenset oppgave og en kompakt forventet leveranse. For kode inkluderer du funksjonen, relevante inndataverdier og ønsket oppførsel og ber deretter om et korrigert fragment med forklaring. For strukturert uttrekk legger du feltdefinisjonene før avsnittet og ber om at fraværende informasjon merkes eksplisitt. Hold resultatet innenfor den publiserte utdataprofilen på 4K; del en stor rapport i målrettede oppgaver fremfor å forvente et ubegrenset dokument fra ett svar.
", "aboutText": "### Oversikt og modellprofil\n\nGLM-4-AirX er høyhastighetsmedlemmet i Z.ai sin GLM-4 Air-serie. Produsenten posisjonerer den for lav forsinkelse og samtidige applikasjonsoppgaver, med særlig vekt på instruksjonsfølging, teknisk kode og funksjonskall. Modellen tar imot tekst og returnerer tekst. Modellens egen profil oppgir et kontekstvindu på 8K tokener og maksimalt 4K tokener utdata. Dette skiller seg fra den større konteksten som oppgis for GLM-4-Air-250414; AirX beholder sin egen publiserte profil.\n\nFor en interaktiv assistent peker dette mot målrettede forespørsler: forklar en funksjon, klassifiser en melding, trekk ut felter fra et gitt avsnitt eller gjør en teknisk instruksjon om til et kort svar. Gi relevant utdrag, gjeldende spørsmål og ønsket resultat sammen. Hold hele samtalen og eventuelle verktøyobservasjoner innenfor den aktive konteksten fremfor å anta at et stort bakgrunnskorpus får plass.\n\n### Funksjonsstøtte\n\nGLM-4-beskrivelsen lister strømmet tekst, funksjonskall, kontekstbufring, strukturerte formater som JSON og integrasjon med MCP-verktøy og datakilder. Strømming presenterer svaret mens det genereres, slik at en applikasjon kan vise nyttig tekst før hele svaret kommer. Det endrer leveringen, ikke modellens inndata- eller utdatamodalitet.\n\nFunksjonskall lar modellen foreslå en handling fra funksjonene applikasjonen beskriver. Applikasjonen utfører handlingen og returnerer observasjonen. En egnet syklus er et lite oppslag etterfulgt av en kort forklaring av returnerte data. MCP-integrasjon avhenger på samme måte av verktøyene og dataene applikasjonen stiller til rådighet. Kontekstbufring gjelder gjenbruk av gjentatte inndata; det betyr ikke at enhver gjentatt samtale har gitt et buffertreff.\n\nFor et JSON-resultat angir du feltene og betydningen før du gir materialet. Gi for eksempel en teknisk forespørsel og be om kategori, nødvendig handling og ubesvarte spørsmål. Strukturen som oppstår, er nyttig for neste applikasjonstrinn, mens verdiene fortsatt må kontrolleres mot den oppgitte teksten.\n\n### Anbefalte scenarioer\n\nProdusenten inkluderer oversettelse, semantisk klassifisering, uttrekk av dokumentfelter, markedsføringstekst, analytiske rapporter og reiseplanlegging blant GLM-4-bruksområdene. AirX sin kortere profil favoriserer det umiddelbare trinnet i en slik arbeidsflyt. En oversettelsesforespørsel kan gi et kort avsnitt, målgruppe og terminologi; resultatet er et omskrevet avsnitt som beholder nødvendige navn. En klassifiseringsforespørsel kan oppgi tillatte etiketter og definisjoner fremfor å be om en uspesifisert vurdering.\n\nFor uttrekk definerer du identifikatorene og andre felter som ønskes, og inkluderer bare relevant kildeavsnitt. For skriving gir du produktfakta og én leveranse, som et produktavsnitt eller en kampanjelinje. For en rapport eller reiseplan gir du relevante fakta og begrensninger for det aktuelle trinnet. Hvis fersk informasjon trengs, leverer applikasjonens søke- eller dataverktøy den; modellen arbeider deretter med det returnerte materialet.\n\n### Detaljert forberedelse og hastighetsfokus\n\nAirX beskrives som førtrent på 15 billioner tokener, inkludert omfattende syntetisk resonneringsmateriale. Ettertreningen bruker tilpasning til dialogpreferanser, avvisningssampling og forsterkningslæring for å styrke instruksjoner, teknisk kode og funksjonsbruk. Produsenten presenterer den som en raskere variant av GLM-4-Air-250414, med endringer i underliggende komponenter for forhåndsutfylling av prompt og autoregressiv dekoding. Dette beskriver produsentens utforming fremfor en målt forsinkelse eller garantert samtidighet for en bestemt utrulling.\n\n### Forbered en nyttig forespørsel\n\nGi AirX én avgrenset oppgave og en kompakt forventet leveranse. For kode inkluderer du funksjonen, relevante inndataverdier og ønsket oppførsel og ber deretter om et korrigert fragment med forklaring. For strukturert uttrekk legger du feltdefinisjonene før avsnittet og ber om at fraværende informasjon merkes eksplisitt. Hold resultatet innenfor den publiserte utdataprofilen på 4K; del en stor rapport i målrettede oppgaver fremfor å forvente et ubegrenset dokument fra ett svar.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "0d7eceb31a8f8da9565be493cc9e7503b13373dbe1499187967d5b3c30e11bbf", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "nb", "methods": [ { "html": "glm-4-airxGLM-4-AirX er Z.ai sin hastighetsorienterte tekstmodell for dialog med lav forsinkelse, koding og verktøystøttede arbeidsflyter. Den publiserte profilen oppgir 8K kontekst og opptil 4K utdata, egnet for målrettede oppgaver med korte, strukturerte resultater.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
GLM-4-AirX er høyhastighetsmedlemmet i Z.ai sin GLM-4 Air-serie. Produsenten posisjonerer den for lav forsinkelse og samtidige applikasjonsoppgaver, med særlig vekt på instruksjonsfølging, teknisk kode og funksjonskall. Modellen tar imot tekst og returnerer tekst. Modellens egen profil oppgir et kontekstvindu på 8K tokener og maksimalt 4K tokener utdata. Dette skiller seg fra den større konteksten som oppgis for GLM-4-Air-250414; AirX beholder sin egen publiserte profil.
For en interaktiv assistent peker dette mot målrettede forespørsler: forklar en funksjon, klassifiser en melding, trekk ut felter fra et gitt avsnitt eller gjør en teknisk instruksjon om til et kort svar. Gi relevant utdrag, gjeldende spørsmål og ønsket resultat sammen. Hold hele samtalen og eventuelle verktøyobservasjoner innenfor den aktive konteksten fremfor å anta at et stort bakgrunnskorpus får plass.
GLM-4-beskrivelsen lister strømmet tekst, funksjonskall, kontekstbufring, strukturerte formater som JSON og integrasjon med MCP-verktøy og datakilder. Strømming presenterer svaret mens det genereres, slik at en applikasjon kan vise nyttig tekst før hele svaret kommer. Det endrer leveringen, ikke modellens inndata- eller utdatamodalitet.
Funksjonskall lar modellen foreslå en handling fra funksjonene applikasjonen beskriver. Applikasjonen utfører handlingen og returnerer observasjonen. En egnet syklus er et lite oppslag etterfulgt av en kort forklaring av returnerte data. MCP-integrasjon avhenger på samme måte av verktøyene og dataene applikasjonen stiller til rådighet. Kontekstbufring gjelder gjenbruk av gjentatte inndata; det betyr ikke at enhver gjentatt samtale har gitt et buffertreff.
For et JSON-resultat angir du feltene og betydningen før du gir materialet. Gi for eksempel en teknisk forespørsel og be om kategori, nødvendig handling og ubesvarte spørsmål. Strukturen som oppstår, er nyttig for neste applikasjonstrinn, mens verdiene fortsatt må kontrolleres mot den oppgitte teksten.
Produsenten inkluderer oversettelse, semantisk klassifisering, uttrekk av dokumentfelter, markedsføringstekst, analytiske rapporter og reiseplanlegging blant GLM-4-bruksområdene. AirX sin kortere profil favoriserer det umiddelbare trinnet i en slik arbeidsflyt. En oversettelsesforespørsel kan gi et kort avsnitt, målgruppe og terminologi; resultatet er et omskrevet avsnitt som beholder nødvendige navn. En klassifiseringsforespørsel kan oppgi tillatte etiketter og definisjoner fremfor å be om en uspesifisert vurdering.
For uttrekk definerer du identifikatorene og andre felter som ønskes, og inkluderer bare relevant kildeavsnitt. For skriving gir du produktfakta og én leveranse, som et produktavsnitt eller en kampanjelinje. For en rapport eller reiseplan gir du relevante fakta og begrensninger for det aktuelle trinnet. Hvis fersk informasjon trengs, leverer applikasjonens søke- eller dataverktøy den; modellen arbeider deretter med det returnerte materialet.
AirX beskrives som førtrent på 15 billioner tokener, inkludert omfattende syntetisk resonneringsmateriale. Ettertreningen bruker tilpasning til dialogpreferanser, avvisningssampling og forsterkningslæring for å styrke instruksjoner, teknisk kode og funksjonsbruk. Produsenten presenterer den som en raskere variant av GLM-4-Air-250414, med endringer i underliggende komponenter for forhåndsutfylling av prompt og autoregressiv dekoding. Dette beskriver produsentens utforming fremfor en målt forsinkelse eller garantert samtidighet for en bestemt utrulling.
Gi AirX én avgrenset oppgave og en kompakt forventet leveranse. For kode inkluderer du funksjonen, relevante inndataverdier og ønsket oppførsel og ber deretter om et korrigert fragment med forklaring. For strukturert uttrekk legger du feltdefinisjonene før avsnittet og ber om at fraværende informasjon merkes eksplisitt. Hold resultatet innenfor den publiserte utdataprofilen på 4K; del en stor rapport i målrettede oppgaver fremfor å forvente et ubegrenset dokument fra ett svar.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser glm-4-airx | Standard— |
Feltmessages | Typemessage[] | KravPåkrevd | Verdier & grenser Minste antall elementer: 1 | Standard— |
Feltmessages[].role | Typestring | KravPåkrevd | Verdier & grenser Avhenger av modellen | Standard— |
Feltmessages[].content | Typestring | KravValgfritt | Verdier & grenser Gjelder når: Tekstsamtale | Standard— |
Feltstream | Typeboolean | KravValgfritt | Verdier & grenser | Standardfalse |
Tekst · UTF8-tekst
messages[].content
| Parameter | Avtale |
|---|---|
Parametercontent_type | Avtaleapplication/json |
Parameterrequired | Avtalemodel, messages |
Parametermaterial_types | Avtaletext |
Parametermessages | Avtalemeldingstabell med role/content-struktur |
Parameterfile_material | Avtalefaktisk UTF-8-dokument satt inn som bokstavelig tekst; ingen fil-ID utledes |
Parameteroptional_controls | Avtalestream |
Parametercontrol_scope | AvtaleTekstsamtale; stream er en boolsk verdi med false som standard. |
Parameteroutput_modalities | Avtaletext |
Parameterhosted_operations | Avtalefalse |
Parametermultimodal_input_binding | Avtalenull |
Metodealiaser: /chat/completions
Livssyklus: synchronous_or_streamed
Send eksakt modell-ID sammen med messages.
Kontekstlengde er ikke en outputgrense.
En tekstfil kan levere bokstavelig tekst; bilde-, lyd- og filobjektinput trenger eksakt binding.
Tariffopplysninger legger ikke til forespørselsvalg. Støttede parametere står ved den valgte metoden.
Knytt hver kostnad til de viste vilkårene. Bruk én sats for hvert sett med alternative konfigurasjoner.
| Konfigurasjon | Prisplan | Konteksttokener, mer enn | Konteksttokener, opptil og med | Kostnad |
|---|---|---|---|---|
| KonfigurasjonGrunnpriser for tokener | PrisplanGrunnsats | Konteksttokener, mer enn— | Konteksttokener, opptil og medIngen øvre grense | Kostnad Inndata · Inngående tokener $0.0028 / 1K tokener Utdata · Utgående tokener $0.0028 / 1K tokener Inndata · Lesing fra hurtigbuffer — / 1K tokener Inndata · Skriving til hurtigbuffer — / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
| KonfigurasjonNivå 1 for forespørselslengde | Prisplan— | Konteksttokener, mer enn0 | Konteksttokener, opptil og medIngen øvre grense | Kostnad Inndata · Inngående tokener $0.0028 / 1K tokener Utdata · Utgående tokener $0.0028 / 1K tokener Inndata · Lesing fra hurtigbuffer — / 1K tokener Inndata · Skriving til hurtigbuffer — / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
Ailoot reserverer et estimert beløp før en forespørsel. Etter resultatet gjøres det endelige beløpet opp basert på målt forbruk. Oppgjør for strømming bruker den endelige forbruksposten. Slik fungerer reservasjon og oppgjør →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model":"glm-4-airx","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-4-airx", 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 eller SSE
Behold alle fullstendige returnerte svar, filer og innholdsdeler.
Behold hvert svaralternativ med innhold, verktøykall og resonnering. Sett sammen endringer i SSE etter svaralternativets/verktøyets indeks, og behold endelig avslutningsgrunn og bruksdata.
Behold forespørsels-/svar-ID-er og headere. Ingen generell URL for henting av tekstjobber oppgis.
| Felt | Type |
|---|---|
Feltchoices[].index | Typeinteger |
Feltchoices[].message.content | Typestring|null |
Feltchoices[].message.tool_calls | Typetool_call[] |
Feltchoices[].message.reasoning_content | Typestring |
Feltchoices[].message.reasoning_details | Typeobject|array |
Feltchoices[].finish_reason | Typestring|null |
Feltusage | Typeobject |
| Svar | Vilkår | Neste trinn |
|---|---|---|
Svar400 · invalid_request_error | VilkårUgyldige påkrevde felter, materialrepresentasjon eller parameterverdi | Neste trinnKorriger de angitte feltene før en ny opprettelsesforespørsel. |
Ailoot Ultra glm-4-airx
/chat/completions
glm-4-airxGLM-4-AirX er Z.ai sin hastighetsorienterte tekstmodell for dialog med lav forsinkelse, koding og verktøystøttede arbeidsflyter. Den publiserte profilen oppgir 8K kontekst og opptil 4K utdata, egnet for målrettede oppgaver med korte, strukturerte resultater.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
GLM-4-AirX er høyhastighetsmedlemmet i Z.ai sin GLM-4 Air-serie. Produsenten posisjonerer den for lav forsinkelse og samtidige applikasjonsoppgaver, med særlig vekt på instruksjonsfølging, teknisk kode og funksjonskall. Modellen tar imot tekst og returnerer tekst. Modellens egen profil oppgir et kontekstvindu på 8K tokener og maksimalt 4K tokener utdata. Dette skiller seg fra den større konteksten som oppgis for GLM-4-Air-250414; AirX beholder sin egen publiserte profil.
For en interaktiv assistent peker dette mot målrettede forespørsler: forklar en funksjon, klassifiser en melding, trekk ut felter fra et gitt avsnitt eller gjør en teknisk instruksjon om til et kort svar. Gi relevant utdrag, gjeldende spørsmål og ønsket resultat sammen. Hold hele samtalen og eventuelle verktøyobservasjoner innenfor den aktive konteksten fremfor å anta at et stort bakgrunnskorpus får plass.
GLM-4-beskrivelsen lister strømmet tekst, funksjonskall, kontekstbufring, strukturerte formater som JSON og integrasjon med MCP-verktøy og datakilder. Strømming presenterer svaret mens det genereres, slik at en applikasjon kan vise nyttig tekst før hele svaret kommer. Det endrer leveringen, ikke modellens inndata- eller utdatamodalitet.
Funksjonskall lar modellen foreslå en handling fra funksjonene applikasjonen beskriver. Applikasjonen utfører handlingen og returnerer observasjonen. En egnet syklus er et lite oppslag etterfulgt av en kort forklaring av returnerte data. MCP-integrasjon avhenger på samme måte av verktøyene og dataene applikasjonen stiller til rådighet. Kontekstbufring gjelder gjenbruk av gjentatte inndata; det betyr ikke at enhver gjentatt samtale har gitt et buffertreff.
For et JSON-resultat angir du feltene og betydningen før du gir materialet. Gi for eksempel en teknisk forespørsel og be om kategori, nødvendig handling og ubesvarte spørsmål. Strukturen som oppstår, er nyttig for neste applikasjonstrinn, mens verdiene fortsatt må kontrolleres mot den oppgitte teksten.
Produsenten inkluderer oversettelse, semantisk klassifisering, uttrekk av dokumentfelter, markedsføringstekst, analytiske rapporter og reiseplanlegging blant GLM-4-bruksområdene. AirX sin kortere profil favoriserer det umiddelbare trinnet i en slik arbeidsflyt. En oversettelsesforespørsel kan gi et kort avsnitt, målgruppe og terminologi; resultatet er et omskrevet avsnitt som beholder nødvendige navn. En klassifiseringsforespørsel kan oppgi tillatte etiketter og definisjoner fremfor å be om en uspesifisert vurdering.
For uttrekk definerer du identifikatorene og andre felter som ønskes, og inkluderer bare relevant kildeavsnitt. For skriving gir du produktfakta og én leveranse, som et produktavsnitt eller en kampanjelinje. For en rapport eller reiseplan gir du relevante fakta og begrensninger for det aktuelle trinnet. Hvis fersk informasjon trengs, leverer applikasjonens søke- eller dataverktøy den; modellen arbeider deretter med det returnerte materialet.
AirX beskrives som førtrent på 15 billioner tokener, inkludert omfattende syntetisk resonneringsmateriale. Ettertreningen bruker tilpasning til dialogpreferanser, avvisningssampling og forsterkningslæring for å styrke instruksjoner, teknisk kode og funksjonsbruk. Produsenten presenterer den som en raskere variant av GLM-4-Air-250414, med endringer i underliggende komponenter for forhåndsutfylling av prompt og autoregressiv dekoding. Dette beskriver produsentens utforming fremfor en målt forsinkelse eller garantert samtidighet for en bestemt utrulling.
Gi AirX én avgrenset oppgave og en kompakt forventet leveranse. For kode inkluderer du funksjonen, relevante inndataverdier og ønsket oppførsel og ber deretter om et korrigert fragment med forklaring. For strukturert uttrekk legger du feltdefinisjonene før avsnittet og ber om at fraværende informasjon merkes eksplisitt. Hold resultatet innenfor den publiserte utdataprofilen på 4K; del en stor rapport i målrettede oppgaver fremfor å forvente et ubegrenset dokument fra ett svar.
POST /v1/messagestextjson, sse| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser glm-4-airx | Standard— |
Feltmessages | Typemessage[] | KravPåkrevd | Verdier & grenser | Standard— |
Feltmessages[].role | Typestring | KravPåkrevd | Verdier & grenser user, assistant | Standard— |
Feltmessages[].content | Typestring | KravPåkrevd | Verdier & grenser | Standard— |
Feltmax_tokens | Typeinteger | KravPåkrevd | Verdier & grenser | Standard— |
Feltstream | Typeboolean | KravValgfritt | Verdier & grenser | Standardfalse |
Tekst · UTF-8-tekst
messages[].content-streng
| Parameter | Avtale |
|---|---|
Parametercontent_type | Avtaleapplication/json |
Parameterrequired | Avtalemodel, messages, max_tokens |
Parameteroptional_controls | Avtalestream |
Parametermaterial_types | Avtaletext |
Parametertext_file_material | AvtaleLes det faktiske UTF-8-dokumentet og legg teksten i den angitte input- eller meldingsinnholdsstrengen. |
Livssyklus: synchronous_or_streamed
Tariffopplysninger legger ikke til forespørselsvalg. Støttede parametere står ved den valgte metoden.
Knytt hver kostnad til de viste vilkårene. Bruk én sats for hvert sett med alternative konfigurasjoner.
| Konfigurasjon | Prisplan | Konteksttokener, mer enn | Konteksttokener, opptil og med | Kostnad |
|---|---|---|---|---|
| KonfigurasjonGrunnpriser for tokener | PrisplanGrunnsats | Konteksttokener, mer enn— | Konteksttokener, opptil og medIngen øvre grense | Kostnad Inndata · Inngående tokener $0.0028 / 1K tokener Utdata · Utgående tokener $0.0028 / 1K tokener Inndata · Lesing fra hurtigbuffer — / 1K tokener Inndata · Skriving til hurtigbuffer — / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
| KonfigurasjonNivå 1 for forespørselslengde | Prisplan— | Konteksttokener, mer enn0 | Konteksttokener, opptil og medIngen øvre grense | Kostnad Inndata · Inngående tokener $0.0028 / 1K tokener Utdata · Utgående tokener $0.0028 / 1K tokener Inndata · Lesing fra hurtigbuffer — / 1K tokener Inndata · Skriving til hurtigbuffer — / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
Ailoot reserverer et estimert beløp før en forespørsel. Etter resultatet gjøres det endelige beløpet opp basert på målt forbruk. Oppgjør for strømming bruker den endelige forbruksposten. Slik fungerer reservasjon og oppgjør →
{\n "model": "glm-4-airx",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-4-airx', '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-4-airx', '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 eller SSE
Behold alle fullstendige returnerte svar, filer og innholdsdeler.
Behold alle innholdsblokker, resonneringssignaturer og faktiske ID-er for verktøybruk. Sett sammen alle SSE-blokkendringer; den første tekstblokken er ikke hele resultatet.
Behold forespørsels-/svar-ID-er og headere. Ingen generell URL for henting av tekstjobber oppgis.
| Felt | Type |
|---|---|
Feltid | Typestring |
Feltmodel | Typestring |
Feltcontent[] | Typetext|thinking|tool_use|other content block |
Feltstop_reason | Typestring|null |
Feltusage | Typeobject |
| Svar | Vilkår | Neste trinn |
|---|---|---|
Svar400 · invalid_request_error | VilkårUgyldige påkrevde felter, materialrepresentasjon eller parameterverdi | Neste trinnKorriger de angitte feltene før en ny opprettelsesforespørsel. |
Ailoot Ultra glm-4-airx
/chat/completions