GLM-4-Plus er tekstmodellen med høy kapasitet i Z.ai sin GLM-4-serie. Den kombinerer språkforståelse, logisk resonnering, instruksjonsfølging og behandling av lange tekster. Produsenten oppgir tekst som både inndata og utdata, et kontekstvindu på 128K tokener og maksimalt 4K tokener utdata. Lange inndata og et kompakt resultat er dermed separate deler av profilen: en stor dokumentsamling kan støtte et målrettet sammendrag, en sammenligning eller et uttrekksresultat.
En dokumentassistent kan motta navngitte avsnitt og et spørsmål og deretter lage en kort analyse knyttet til avsnittene. Definer målgruppen og beslutningen før du ber om svaret: sammenlign for eksempel to prosedyrer, list betingelsene som gjelder i en sak, eller identifiser motstridende krav. Hold kildeavsnittene atskilt fra instruksjonene, slik at svaret kan skille grunnlaget fra den ønskede analysen.
GLM-4-beskrivelsen oppgir strømming, funksjonskall, kontekstbufring, strukturerte formater som JSON og samhandling med MCP-verktøy og datakilder. Strømming gjør generert tekst tilgjengelig fortløpende. Strukturerte utdata hjelper når resultatet skal ha navngitte felt fremfor et åpent essay: et sammendrag, uttrukne identifikatorer, kildeavsnittenes betegnelser og spørsmål som fortsatt er uavklart.
Verktøybruk kobler språkmodellen til handlinger som applikasjonen stiller til rådighet. Applikasjonen beskriver funksjonene, utfører det valgte kallet og returnerer resultatet til neste trinn. Dette kan støtte et oppslag etterfulgt av en rapport, eller et søkeresultat som blir grunnlag for et svar. Modellens tekst er atskilt fra utførelsen av den eksterne handlingen. Gjentatte instruksjoner eller dokumentprefikser kan inngå i produsentens mekanisme for kontekstbufring; gjenbruk av buffer er ikke i seg selv bevis på at en bestemt forespørsel fikk et buffertreff.
Oversettelse beskrives som mer enn omforming av enkeltord: produsenten inkluderer flerspråklig tekst, tone, slang, emojier og faguttrykk og tar hensyn til kulturelle forskjeller. Oppgi kildeavsnittet, målgruppen og terminologien som skal være uendret. Ved redigering ber du om en bestemt leveranse – et revidert brev, en produktbeskrivelse eller en kort forklaring – og angir hvilke fakta som må bevares.
Semantisk klassifisering og feltuttrekk bruker det oppgitte materialet som grunnlag. Definer kategoriene eller de obligatoriske feltene først, og gi deretter dokumentene. En applikasjon kan for eksempel be om prosjektidentifikatorer og klausulkategorier sammen med relevante avsnittsbetegnelser. En eksplisitt regel for manglende verdier hindrer at utdataskjemaet blir en grunn til å finne på fraværende data.
Produsenten beskriver også markedsføringsmateriale, analytiske risikorapporter og reiseplanlegging. For skrivearbeid gir du de faktiske produkt- eller kampanjeopplysningene og det ønskede formatet. For analyse gir du relevante rapporter og sammenligningskriterier; oppdatert informasjon bør komme gjennom et søke- eller dataverktøy fra applikasjonen. For en reiseplan angir du preferanser og tidsbegrensninger, slik at resultatet blir en plan for den beskrevne situasjonen fremfor et generelt reiseessay.
GLM-4-Plus bruker modellstøttede syntetiske data og PPO-basert ettertrening for å utvikle matematisk resonnering og koderesonnering og bedre gjenspeile menneskelige preferanser. For lange tekster justerer forberedelsen blandingen av kort og langt materiale for å styrke resonnering over omfattende inndata. Dette er forberedelsesvalg for denne bestemte Plus-modellen. De gjør ikke den rene tekstprofilen til bildeforståelsen i en separat navngitt GLM-4V-utgave.
Bruk den større konteksten til å gi materialet som faktisk støtter spørsmålet, med stabile avsnittsnavn og en tydelig utdatakontrakt. En praktisk forespørsel er å sammenligne to dokumenter, liste enighet og konflikter og identifisere avsnittene bak hver konklusjon. Hold sluttleveransen innenfor utdataprofilen på 4K: be om et beslutningsnotat eller en strukturert sammenligning, og fortsett deretter med en avgrenset oppfølging hvis et bestemt avsnitt må utdypes. Gyldig JSON-struktur og faktuelt riktige feltverdier er separate kontroller.
", "aboutText": "### Oversikt og modellprofil\n\nGLM-4-Plus er tekstmodellen med høy kapasitet i Z.ai sin GLM-4-serie. Den kombinerer språkforståelse, logisk resonnering, instruksjonsfølging og behandling av lange tekster. Produsenten oppgir tekst som både inndata og utdata, et kontekstvindu på 128K tokener og maksimalt 4K tokener utdata. Lange inndata og et kompakt resultat er dermed separate deler av profilen: en stor dokumentsamling kan støtte et målrettet sammendrag, en sammenligning eller et uttrekksresultat.\n\nEn dokumentassistent kan motta navngitte avsnitt og et spørsmål og deretter lage en kort analyse knyttet til avsnittene. Definer målgruppen og beslutningen før du ber om svaret: sammenlign for eksempel to prosedyrer, list betingelsene som gjelder i en sak, eller identifiser motstridende krav. Hold kildeavsnittene atskilt fra instruksjonene, slik at svaret kan skille grunnlaget fra den ønskede analysen.\n\n### Funksjonsstøtte\n\nGLM-4-beskrivelsen oppgir strømming, funksjonskall, kontekstbufring, strukturerte formater som JSON og samhandling med MCP-verktøy og datakilder. Strømming gjør generert tekst tilgjengelig fortløpende. Strukturerte utdata hjelper når resultatet skal ha navngitte felt fremfor et åpent essay: et sammendrag, uttrukne identifikatorer, kildeavsnittenes betegnelser og spørsmål som fortsatt er uavklart.\n\nVerktøybruk kobler språkmodellen til handlinger som applikasjonen stiller til rådighet. Applikasjonen beskriver funksjonene, utfører det valgte kallet og returnerer resultatet til neste trinn. Dette kan støtte et oppslag etterfulgt av en rapport, eller et søkeresultat som blir grunnlag for et svar. Modellens tekst er atskilt fra utførelsen av den eksterne handlingen. Gjentatte instruksjoner eller dokumentprefikser kan inngå i produsentens mekanisme for kontekstbufring; gjenbruk av buffer er ikke i seg selv bevis på at en bestemt forespørsel fikk et buffertreff.\n\n### Anbefalte scenarioer\n\nOversettelse beskrives som mer enn omforming av enkeltord: produsenten inkluderer flerspråklig tekst, tone, slang, emojier og faguttrykk og tar hensyn til kulturelle forskjeller. Oppgi kildeavsnittet, målgruppen og terminologien som skal være uendret. Ved redigering ber du om en bestemt leveranse – et revidert brev, en produktbeskrivelse eller en kort forklaring – og angir hvilke fakta som må bevares.\n\nSemantisk klassifisering og feltuttrekk bruker det oppgitte materialet som grunnlag. Definer kategoriene eller de obligatoriske feltene først, og gi deretter dokumentene. En applikasjon kan for eksempel be om prosjektidentifikatorer og klausulkategorier sammen med relevante avsnittsbetegnelser. En eksplisitt regel for manglende verdier hindrer at utdataskjemaet blir en grunn til å finne på fraværende data.\n\nProdusenten beskriver også markedsføringsmateriale, analytiske risikorapporter og reiseplanlegging. For skrivearbeid gir du de faktiske produkt- eller kampanjeopplysningene og det ønskede formatet. For analyse gir du relevante rapporter og sammenligningskriterier; oppdatert informasjon bør komme gjennom et søke- eller dataverktøy fra applikasjonen. For en reiseplan angir du preferanser og tidsbegrensninger, slik at resultatet blir en plan for den beskrevne situasjonen fremfor et generelt reiseessay.\n\n### Detaljert modellforberedelse\n\nGLM-4-Plus bruker modellstøttede syntetiske data og PPO-basert ettertrening for å utvikle matematisk resonnering og koderesonnering og bedre gjenspeile menneskelige preferanser. For lange tekster justerer forberedelsen blandingen av kort og langt materiale for å styrke resonnering over omfattende inndata. Dette er forberedelsesvalg for denne bestemte Plus-modellen. De gjør ikke den rene tekstprofilen til bildeforståelsen i en separat navngitt GLM-4V-utgave.\n\n### Forberedelse av forespørsel og utdata\n\nBruk den større konteksten til å gi materialet som faktisk støtter spørsmålet, med stabile avsnittsnavn og en tydelig utdatakontrakt. En praktisk forespørsel er å sammenligne to dokumenter, liste enighet og konflikter og identifisere avsnittene bak hver konklusjon. Hold sluttleveransen innenfor utdataprofilen på 4K: be om et beslutningsnotat eller en strukturert sammenligning, og fortsett deretter med en avgrenset oppfølging hvis et bestemt avsnitt må utdypes. Gyldig JSON-struktur og faktuelt riktige feltverdier er separate kontroller.", "editorialOverlay": { "copy_fields": { "practical_html": "Teknisk eksempel på engelsk
Find contradictions between two procedures\n\nCompare procedure P: approve a supplier before issuing an order; emergency orders need the same approval. Procedure Q: emergency orders may be issued immediately and reviewed the next day. Prepare a decision brief identifying the conflict, the passages involved and the exact policy question an owner must resolve before the procedures can agree.A concise conflict statement, two supporting passages and one decision question.Check that the answer exposes the approval-timing conflict without silently choosing a governing procedure.glm-4-plusGLM-4-Plus er Z.ai sin tekstmodell for språkforståelse, logisk analyse, instruksjonsfølging og lange dokumenter. Konteksten på 128K og utdataprofilen på 4K passer til kildebaserte sammendrag, flerspråklig redigering, feltuttrekk og verktøystøttede rapporter.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
GLM-4-Plus er tekstmodellen med høy kapasitet i Z.ai sin GLM-4-serie. Den kombinerer språkforståelse, logisk resonnering, instruksjonsfølging og behandling av lange tekster. Produsenten oppgir tekst som både inndata og utdata, et kontekstvindu på 128K tokener og maksimalt 4K tokener utdata. Lange inndata og et kompakt resultat er dermed separate deler av profilen: en stor dokumentsamling kan støtte et målrettet sammendrag, en sammenligning eller et uttrekksresultat.
En dokumentassistent kan motta navngitte avsnitt og et spørsmål og deretter lage en kort analyse knyttet til avsnittene. Definer målgruppen og beslutningen før du ber om svaret: sammenlign for eksempel to prosedyrer, list betingelsene som gjelder i en sak, eller identifiser motstridende krav. Hold kildeavsnittene atskilt fra instruksjonene, slik at svaret kan skille grunnlaget fra den ønskede analysen.
GLM-4-beskrivelsen oppgir strømming, funksjonskall, kontekstbufring, strukturerte formater som JSON og samhandling med MCP-verktøy og datakilder. Strømming gjør generert tekst tilgjengelig fortløpende. Strukturerte utdata hjelper når resultatet skal ha navngitte felt fremfor et åpent essay: et sammendrag, uttrukne identifikatorer, kildeavsnittenes betegnelser og spørsmål som fortsatt er uavklart.
Verktøybruk kobler språkmodellen til handlinger som applikasjonen stiller til rådighet. Applikasjonen beskriver funksjonene, utfører det valgte kallet og returnerer resultatet til neste trinn. Dette kan støtte et oppslag etterfulgt av en rapport, eller et søkeresultat som blir grunnlag for et svar. Modellens tekst er atskilt fra utførelsen av den eksterne handlingen. Gjentatte instruksjoner eller dokumentprefikser kan inngå i produsentens mekanisme for kontekstbufring; gjenbruk av buffer er ikke i seg selv bevis på at en bestemt forespørsel fikk et buffertreff.
Oversettelse beskrives som mer enn omforming av enkeltord: produsenten inkluderer flerspråklig tekst, tone, slang, emojier og faguttrykk og tar hensyn til kulturelle forskjeller. Oppgi kildeavsnittet, målgruppen og terminologien som skal være uendret. Ved redigering ber du om en bestemt leveranse – et revidert brev, en produktbeskrivelse eller en kort forklaring – og angir hvilke fakta som må bevares.
Semantisk klassifisering og feltuttrekk bruker det oppgitte materialet som grunnlag. Definer kategoriene eller de obligatoriske feltene først, og gi deretter dokumentene. En applikasjon kan for eksempel be om prosjektidentifikatorer og klausulkategorier sammen med relevante avsnittsbetegnelser. En eksplisitt regel for manglende verdier hindrer at utdataskjemaet blir en grunn til å finne på fraværende data.
Produsenten beskriver også markedsføringsmateriale, analytiske risikorapporter og reiseplanlegging. For skrivearbeid gir du de faktiske produkt- eller kampanjeopplysningene og det ønskede formatet. For analyse gir du relevante rapporter og sammenligningskriterier; oppdatert informasjon bør komme gjennom et søke- eller dataverktøy fra applikasjonen. For en reiseplan angir du preferanser og tidsbegrensninger, slik at resultatet blir en plan for den beskrevne situasjonen fremfor et generelt reiseessay.
GLM-4-Plus bruker modellstøttede syntetiske data og PPO-basert ettertrening for å utvikle matematisk resonnering og koderesonnering og bedre gjenspeile menneskelige preferanser. For lange tekster justerer forberedelsen blandingen av kort og langt materiale for å styrke resonnering over omfattende inndata. Dette er forberedelsesvalg for denne bestemte Plus-modellen. De gjør ikke den rene tekstprofilen til bildeforståelsen i en separat navngitt GLM-4V-utgave.
Bruk den større konteksten til å gi materialet som faktisk støtter spørsmålet, med stabile avsnittsnavn og en tydelig utdatakontrakt. En praktisk forespørsel er å sammenligne to dokumenter, liste enighet og konflikter og identifisere avsnittene bak hver konklusjon. Hold sluttleveransen innenfor utdataprofilen på 4K: be om et beslutningsnotat eller en strukturert sammenligning, og fortsett deretter med en avgrenset oppfølging hvis et bestemt avsnitt må utdypes. Gyldig JSON-struktur og faktuelt riktige feltverdier er separate kontroller.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser glm-4-plus | Standard— |
Feltmessages | Typemessage[] | KravPåkrevd | Verdier & grenser Minste antall elementer: 1 | Standard— |
Feltmessages[].role | Typestring | KravPåkrevd | Verdier & grenser Eksempler: system, user, assistant, tool, function Vilkår: Disse rollene representeres eksplisitt av kompatibilitetstyper i kildekoden; det eksakte rollesettet for modellen er fortsatt modellspesifikt. Avhenger av modellen | Standard— |
Feltmessages[].content | Typestring|content_part[]|null | KravValgfritt | Verdier & grenser | Standard— |
Feltmessages[].tool_calls | Typetool_call[] | KravValgfritt | Verdier & grenser | Standard— |
Feltmessages[].tool_call_id | Typestring | KravValgfritt | Verdier & grenser Gjelder når: role=tool; bruk faktisk returnert ID | Standard— |
Feltmessages[].name | Typestring | KravValgfritt | Verdier & grenser | Standard— |
Feltmessages[].reasoning_content | Typestring | KravValgfritt | Verdier & grenser Gjelder når: Send den faktisk returnerte resonneringen tilbake der denne modellen bruker den | Standard— |
Feltmessages[].reasoning_details | Typeobject|array | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltmax_tokens | Typeinteger | KravValgfritt | Verdier & grenser Minimum: 1 Avhenger av modellen | Standard— |
Feltmax_completion_tokens | Typeinteger | KravValgfritt | Verdier & grenser Minimum: 1 Avhenger av modellen | Standard— |
Feltstream | Typeboolean | KravValgfritt | Verdier & grenser | Standardfalse |
Feltstream_options.include_usage | Typeboolean | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Felttemperature | Typenumber | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Felttop_p | Typenumber | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltstop | Typestring|string[] | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Felttools | Typefunction_tool[] | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Felttools[].type | Typestring | KravValgfritt | Verdier & grenser function Avhenger av modellen | Standard— |
Felttools[].function.name | Typestring | KravPåkrevd | Verdier & grenser Gjelder når: funksjonsverktøy oppgitt | Standard— |
Felttools[].function.description | Typestring | KravValgfritt | Verdier & grenser | Standard— |
Felttools[].function.parameters | TypeJSON_schema | KravValgfritt | Verdier & grenser | Standard— |
Felttool_choice | Typestring|object | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltparallel_tool_calls | Typeboolean | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltresponse_format | Typeobject | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltreasoning_effort | Typestring | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltreasoning | Typeobject | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltservice_tier | Typestring | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltinstructions | Typestring | KravValgfritt | Verdier & grenser Kompatibilitetsfelt | Standard— |
Feltfunctions | Typefunction[] | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltfunction_call | Typestring|object | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltprompt_cache_options | Typeobject | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltmodalities | Typestring[] | KravValgfritt | Verdier & grenser text | Standard— |
Feltprovider | Typeobject | KravValgfritt | Verdier & grenser Vilkår: provider.options avvises på denne Ultra-tekstruten | Standard— |
Feltcache_control.ttl | Typestring | KravValgfritt | Verdier & grenser Vilkår: 1h avvises på faktiske steder for mellomlagring av ledetekster | Standard— |
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, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametercontrol_scope | Avtalemodellspesifikt; brukerens funksjonsverktøy skiller seg fra driftede verktøy |
Parameteroutput_modalities | Avtaletext |
Parameterhosted_operations | Avtalefalse |
Parametermultimodal_input_binding | Avtalenull |
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.
| Konfigurasjon | Prisplan | Kostnad |
|---|---|---|
| KonfigurasjonGrunnpriser for tokener | PrisplanGrunnsats | Kostnad Inndata · Inngående tokener $0.014 / 1K tokener Utdata · Utgående tokener $0.014 / 1K tokener Inndata · Lesing fra hurtigbuffer $0 / 1K tokener Inndata · Skriving til hurtigbuffer $0 / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
Ailoot reserverer et estimert beløp før en forespørsel. Etter resultatet gjøres det endelige beløpet opp basert på målt forbruk. Oppgjør for strømming bruker den endelige forbruksposten. Slik fungerer reservasjon og oppgjør →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "glm-4-plus", "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='glm-4-plus',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='glm-4-plus',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 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-plus
Bruk metodestiene som vises ovenfor.
glm-4-plusGLM-4-Plus er Z.ai sin tekstmodell for språkforståelse, logisk analyse, instruksjonsfølging og lange dokumenter. Konteksten på 128K og utdataprofilen på 4K passer til kildebaserte sammendrag, flerspråklig redigering, feltuttrekk og verktøystøttede rapporter.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
GLM-4-Plus er tekstmodellen med høy kapasitet i Z.ai sin GLM-4-serie. Den kombinerer språkforståelse, logisk resonnering, instruksjonsfølging og behandling av lange tekster. Produsenten oppgir tekst som både inndata og utdata, et kontekstvindu på 128K tokener og maksimalt 4K tokener utdata. Lange inndata og et kompakt resultat er dermed separate deler av profilen: en stor dokumentsamling kan støtte et målrettet sammendrag, en sammenligning eller et uttrekksresultat.
En dokumentassistent kan motta navngitte avsnitt og et spørsmål og deretter lage en kort analyse knyttet til avsnittene. Definer målgruppen og beslutningen før du ber om svaret: sammenlign for eksempel to prosedyrer, list betingelsene som gjelder i en sak, eller identifiser motstridende krav. Hold kildeavsnittene atskilt fra instruksjonene, slik at svaret kan skille grunnlaget fra den ønskede analysen.
GLM-4-beskrivelsen oppgir strømming, funksjonskall, kontekstbufring, strukturerte formater som JSON og samhandling med MCP-verktøy og datakilder. Strømming gjør generert tekst tilgjengelig fortløpende. Strukturerte utdata hjelper når resultatet skal ha navngitte felt fremfor et åpent essay: et sammendrag, uttrukne identifikatorer, kildeavsnittenes betegnelser og spørsmål som fortsatt er uavklart.
Verktøybruk kobler språkmodellen til handlinger som applikasjonen stiller til rådighet. Applikasjonen beskriver funksjonene, utfører det valgte kallet og returnerer resultatet til neste trinn. Dette kan støtte et oppslag etterfulgt av en rapport, eller et søkeresultat som blir grunnlag for et svar. Modellens tekst er atskilt fra utførelsen av den eksterne handlingen. Gjentatte instruksjoner eller dokumentprefikser kan inngå i produsentens mekanisme for kontekstbufring; gjenbruk av buffer er ikke i seg selv bevis på at en bestemt forespørsel fikk et buffertreff.
Oversettelse beskrives som mer enn omforming av enkeltord: produsenten inkluderer flerspråklig tekst, tone, slang, emojier og faguttrykk og tar hensyn til kulturelle forskjeller. Oppgi kildeavsnittet, målgruppen og terminologien som skal være uendret. Ved redigering ber du om en bestemt leveranse – et revidert brev, en produktbeskrivelse eller en kort forklaring – og angir hvilke fakta som må bevares.
Semantisk klassifisering og feltuttrekk bruker det oppgitte materialet som grunnlag. Definer kategoriene eller de obligatoriske feltene først, og gi deretter dokumentene. En applikasjon kan for eksempel be om prosjektidentifikatorer og klausulkategorier sammen med relevante avsnittsbetegnelser. En eksplisitt regel for manglende verdier hindrer at utdataskjemaet blir en grunn til å finne på fraværende data.
Produsenten beskriver også markedsføringsmateriale, analytiske risikorapporter og reiseplanlegging. For skrivearbeid gir du de faktiske produkt- eller kampanjeopplysningene og det ønskede formatet. For analyse gir du relevante rapporter og sammenligningskriterier; oppdatert informasjon bør komme gjennom et søke- eller dataverktøy fra applikasjonen. For en reiseplan angir du preferanser og tidsbegrensninger, slik at resultatet blir en plan for den beskrevne situasjonen fremfor et generelt reiseessay.
GLM-4-Plus bruker modellstøttede syntetiske data og PPO-basert ettertrening for å utvikle matematisk resonnering og koderesonnering og bedre gjenspeile menneskelige preferanser. For lange tekster justerer forberedelsen blandingen av kort og langt materiale for å styrke resonnering over omfattende inndata. Dette er forberedelsesvalg for denne bestemte Plus-modellen. De gjør ikke den rene tekstprofilen til bildeforståelsen i en separat navngitt GLM-4V-utgave.
Bruk den større konteksten til å gi materialet som faktisk støtter spørsmålet, med stabile avsnittsnavn og en tydelig utdatakontrakt. En praktisk forespørsel er å sammenligne to dokumenter, liste enighet og konflikter og identifisere avsnittene bak hver konklusjon. Hold sluttleveransen innenfor utdataprofilen på 4K: be om et beslutningsnotat eller en strukturert sammenligning, og fortsett deretter med en avgrenset oppfølging hvis et bestemt avsnitt må utdypes. Gyldig JSON-struktur og faktuelt riktige feltverdier er separate kontroller.
POST /v1/messagestextjson, sse| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser glm-4-plus | 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.
| Konfigurasjon | Prisplan | Kostnad |
|---|---|---|
| KonfigurasjonGrunnpriser for tokener | PrisplanGrunnsats | Kostnad Inndata · Inngående tokener $0.014 / 1K tokener Utdata · Utgående tokener $0.014 / 1K tokener Inndata · Lesing fra hurtigbuffer $0 / 1K tokener Inndata · Skriving til hurtigbuffer $0 / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
Ailoot reserverer et estimert beløp før en forespørsel. Etter resultatet gjøres det endelige beløpet opp basert på målt forbruk. Oppgjør for strømming bruker den endelige forbruksposten. Slik fungerer reservasjon og oppgjør →
{\n "model": "glm-4-plus",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-plus', '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-plus', '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-plus
Bruk metodestiene som vises ovenfor.
Teknisk eksempel på engelsk
Find contradictions between two procedures\n\nCompare procedure P: approve a supplier before issuing an order; emergency orders need the same approval. Procedure Q: emergency orders may be issued immediately and reviewed the next day. Prepare a decision brief identifying the conflict, the passages involved and the exact policy question an owner must resolve before the procedures can agree.A concise conflict statement, two supporting passages and one decision question.Check that the answer exposes the approval-timing conflict without silently choosing a governing procedure.