GLM 4.1V 9B Thinking er Z.ais resonneringsorienterte syns- og språkmodell bygget på grunnmodellen GLM 4 9B 0414. Utvikleren beskriver en tenkeorientert tilnærming med forsterkningslæring for å knytte visuell persepsjon til mer kompleks resonnering. Det publiserte modellkortet støtter en kontekst på 64K og bildebehandling med vilkårlige sideforhold i opptil 4K-oppløsning.
Oppgi et bilde og en skriftlig oppgave som identifiserer informasjonen som skal returneres. Et diagram kan brukes til å be om en forklaring på bestemte sammenhenger; et fotografi kan brukes til å spørre hvilke synlige detaljer som underbygger en konklusjon. Skill observasjonen fra tolkningen, slik at svaret kan kontrolleres mot kilden.
Utviklerens eksempel på inferens kombinerer ett bilde med et spørsmål som ber om en beskrivelse av det. For en mer avgrenset oppgave navngir du området, objektet eller relasjonen som er viktig. Oppgi betingelser som ikke er synlige i bildet, som separate skriftlige fakta.
Bruk en lesbar kilde som bevarer relevante etiketter og detaljer. Støtte for vilkårlige sideforhold bidrar til å bevare den opprinnelige komposisjonen, mens det eksakte grensesnittet bestemmer inndataformatet og forbehandlingen som er tilgjengelig for en forespørsel. En tillatt oppløsning gjør ikke skjult eller manglende informasjon synlig.
Be om den nødvendige sluttleveransen, for eksempel en beskrivelse, en sammenligning eller et begrunnet svar. Hvis en del av kilden er uklar, ber du om at denne usikkerheten oppgis sammen med resultatet. En oppfølging kan avklare én omstridt detalj uten å endre det underliggende spørsmålet.
Den eksakte vertsbaserte varianten oppgir en kontekst på 64 000 tokener og en fullføringsramme på 32 000 tokener; utvikleren beskriver konteksten som 64K. Bruk det valgte grensesnittets dokumenterte grenser for inndata og svar til den faktiske oppgaven.
Behold identiteten 9B Thinking sammen med de visuelle kildene og svaret. Base-modellen og de separat navngitte Flash-variantene har egne identiteter. Utviklerens eksempel på genereringsramme illustrerer én inferensoppgave og er ikke en universell grense for utdata.
", "aboutText": "GLM 4.1V 9B Thinking er Z.ais resonneringsorienterte syns- og språkmodell bygget på grunnmodellen GLM 4 9B 0414. Utvikleren beskriver en tenkeorientert tilnærming med forsterkningslæring for å knytte visuell persepsjon til mer kompleks resonnering. Det publiserte modellkortet støtter en kontekst på 64K og bildebehandling med vilkårlige sideforhold i opptil 4K-oppløsning.\n\n### Knytt synlige detaljer til spørsmålet\n\nOppgi et bilde og en skriftlig oppgave som identifiserer informasjonen som skal returneres. Et diagram kan brukes til å be om en forklaring på bestemte sammenhenger; et fotografi kan brukes til å spørre hvilke synlige detaljer som underbygger en konklusjon. Skill observasjonen fra tolkningen, slik at svaret kan kontrolleres mot kilden.\n\nUtviklerens eksempel på inferens kombinerer ett bilde med et spørsmål som ber om en beskrivelse av det. For en mer avgrenset oppgave navngir du området, objektet eller relasjonen som er viktig. Oppgi betingelser som ikke er synlige i bildet, som separate skriftlige fakta.\n\n### Klargjør bildet og resonneringsoppgaven\n\nBruk en lesbar kilde som bevarer relevante etiketter og detaljer. Støtte for vilkårlige sideforhold bidrar til å bevare den opprinnelige komposisjonen, mens det eksakte grensesnittet bestemmer inndataformatet og forbehandlingen som er tilgjengelig for en forespørsel. En tillatt oppløsning gjør ikke skjult eller manglende informasjon synlig.\n\nBe om den nødvendige sluttleveransen, for eksempel en beskrivelse, en sammenligning eller et begrunnet svar. Hvis en del av kilden er uklar, ber du om at denne usikkerheten oppgis sammen med resultatet. En oppfølging kan avklare én omstridt detalj uten å endre det underliggende spørsmålet.\n\n### Kontekst og utgave\n\nDen eksakte vertsbaserte varianten oppgir en kontekst på 64 000 tokener og en fullføringsramme på 32 000 tokener; utvikleren beskriver konteksten som 64K. Bruk det valgte grensesnittets dokumenterte grenser for inndata og svar til den faktiske oppgaven.\n\nBehold identiteten 9B Thinking sammen med de visuelle kildene og svaret. Base-modellen og de separat navngitte Flash-variantene har egne identiteter. Utviklerens eksempel på genereringsramme illustrerer én inferensoppgave og er ikke en universell grense for utdata.", "editorialOverlay": { "copy_fields": { "practical_html": "Teknisk eksempel på engelsk
Reason from a written diagram description\n\nUse this written description of diagram D1: tank A feeds filter F; filter F feeds valve V; valve V feeds tank B. A bypass pipe runs from A directly to B. If V is closed, explain which described route could still reach B and what information is missing before concluding liquid actually flows. No image is attached.A diagram-linked route explanation separating connectivity from unknown operating conditions.The bypass route is identified, while pressure, bypass state and actual flow remain unasserted.Pro/THUDM/GLM-4.1V-9B-ThinkingGLM 4.1V 9B Thinking er en syns- og språkmodell med resonnering for bildebaserte spørsmål og tekstsvar. Utvikleren dokumenterer en kontekst på 64K og bildebehandling med vilkårlige sideforhold i opptil 4K-oppløsning.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
GLM 4.1V 9B Thinking er Z.ais resonneringsorienterte syns- og språkmodell bygget på grunnmodellen GLM 4 9B 0414. Utvikleren beskriver en tenkeorientert tilnærming med forsterkningslæring for å knytte visuell persepsjon til mer kompleks resonnering. Det publiserte modellkortet støtter en kontekst på 64K og bildebehandling med vilkårlige sideforhold i opptil 4K-oppløsning.
Oppgi et bilde og en skriftlig oppgave som identifiserer informasjonen som skal returneres. Et diagram kan brukes til å be om en forklaring på bestemte sammenhenger; et fotografi kan brukes til å spørre hvilke synlige detaljer som underbygger en konklusjon. Skill observasjonen fra tolkningen, slik at svaret kan kontrolleres mot kilden.
Utviklerens eksempel på inferens kombinerer ett bilde med et spørsmål som ber om en beskrivelse av det. For en mer avgrenset oppgave navngir du området, objektet eller relasjonen som er viktig. Oppgi betingelser som ikke er synlige i bildet, som separate skriftlige fakta.
Bruk en lesbar kilde som bevarer relevante etiketter og detaljer. Støtte for vilkårlige sideforhold bidrar til å bevare den opprinnelige komposisjonen, mens det eksakte grensesnittet bestemmer inndataformatet og forbehandlingen som er tilgjengelig for en forespørsel. En tillatt oppløsning gjør ikke skjult eller manglende informasjon synlig.
Be om den nødvendige sluttleveransen, for eksempel en beskrivelse, en sammenligning eller et begrunnet svar. Hvis en del av kilden er uklar, ber du om at denne usikkerheten oppgis sammen med resultatet. En oppfølging kan avklare én omstridt detalj uten å endre det underliggende spørsmålet.
Den eksakte vertsbaserte varianten oppgir en kontekst på 64 000 tokener og en fullføringsramme på 32 000 tokener; utvikleren beskriver konteksten som 64K. Bruk det valgte grensesnittets dokumenterte grenser for inndata og svar til den faktiske oppgaven.
Behold identiteten 9B Thinking sammen med de visuelle kildene og svaret. Base-modellen og de separat navngitte Flash-variantene har egne identiteter. Utviklerens eksempel på genereringsramme illustrerer én inferensoppgave og er ikke en universell grense for utdata.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser Pro/THUDM/GLM-4.1V-9B-Thinking | 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 $0.000072 / 1K tokener Utdata · Utgående tokener $0.000286 / 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": "Pro/THUDM/GLM-4.1V-9B-Thinking", "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='Pro/THUDM/GLM-4.1V-9B-Thinking',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='Pro/THUDM/GLM-4.1V-9B-Thinking',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 Pro/THUDM/GLM-4.1V-9B-Thinking
Bruk metodestiene som vises ovenfor.
Pro/THUDM/GLM-4.1V-9B-ThinkingGLM 4.1V 9B Thinking er en syns- og språkmodell med resonnering for bildebaserte spørsmål og tekstsvar. Utvikleren dokumenterer en kontekst på 64K og bildebehandling med vilkårlige sideforhold i opptil 4K-oppløsning.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
GLM 4.1V 9B Thinking er Z.ais resonneringsorienterte syns- og språkmodell bygget på grunnmodellen GLM 4 9B 0414. Utvikleren beskriver en tenkeorientert tilnærming med forsterkningslæring for å knytte visuell persepsjon til mer kompleks resonnering. Det publiserte modellkortet støtter en kontekst på 64K og bildebehandling med vilkårlige sideforhold i opptil 4K-oppløsning.
Oppgi et bilde og en skriftlig oppgave som identifiserer informasjonen som skal returneres. Et diagram kan brukes til å be om en forklaring på bestemte sammenhenger; et fotografi kan brukes til å spørre hvilke synlige detaljer som underbygger en konklusjon. Skill observasjonen fra tolkningen, slik at svaret kan kontrolleres mot kilden.
Utviklerens eksempel på inferens kombinerer ett bilde med et spørsmål som ber om en beskrivelse av det. For en mer avgrenset oppgave navngir du området, objektet eller relasjonen som er viktig. Oppgi betingelser som ikke er synlige i bildet, som separate skriftlige fakta.
Bruk en lesbar kilde som bevarer relevante etiketter og detaljer. Støtte for vilkårlige sideforhold bidrar til å bevare den opprinnelige komposisjonen, mens det eksakte grensesnittet bestemmer inndataformatet og forbehandlingen som er tilgjengelig for en forespørsel. En tillatt oppløsning gjør ikke skjult eller manglende informasjon synlig.
Be om den nødvendige sluttleveransen, for eksempel en beskrivelse, en sammenligning eller et begrunnet svar. Hvis en del av kilden er uklar, ber du om at denne usikkerheten oppgis sammen med resultatet. En oppfølging kan avklare én omstridt detalj uten å endre det underliggende spørsmålet.
Den eksakte vertsbaserte varianten oppgir en kontekst på 64 000 tokener og en fullføringsramme på 32 000 tokener; utvikleren beskriver konteksten som 64K. Bruk det valgte grensesnittets dokumenterte grenser for inndata og svar til den faktiske oppgaven.
Behold identiteten 9B Thinking sammen med de visuelle kildene og svaret. Base-modellen og de separat navngitte Flash-variantene har egne identiteter. Utviklerens eksempel på genereringsramme illustrerer én inferensoppgave og er ikke en universell grense for utdata.
POST /v1/messagestextjson, sse| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser Pro/THUDM/GLM-4.1V-9B-Thinking | 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 $0.000072 / 1K tokener Utdata · Utgående tokener $0.000286 / 1K tokener Inndata · Lesing fra hurtigbuffer $0 / 1K tokener Inndata · Skriving til hurtigbuffer $0 / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
Ailoot reserverer et estimert beløp før en forespørsel. Etter resultatet gjøres det endelige beløpet opp basert på målt forbruk. Oppgjør for strømming bruker den endelige forbruksposten. Slik fungerer reservasjon og oppgjør →
{\n "model": "Pro/THUDM/GLM-4.1V-9B-Thinking",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'Pro/THUDM/GLM-4.1V-9B-Thinking', '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': 'Pro/THUDM/GLM-4.1V-9B-Thinking', '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 Pro/THUDM/GLM-4.1V-9B-Thinking
Bruk metodestiene som vises ovenfor.
Teknisk eksempel på engelsk
Reason from a written diagram description\n\nUse this written description of diagram D1: tank A feeds filter F; filter F feeds valve V; valve V feeds tank B. A bypass pipe runs from A directly to B. If V is closed, explain which described route could still reach B and what information is missing before concluding liquid actually flows. No image is attached.A diagram-linked route explanation separating connectivity from unknown operating conditions.The bypass route is identified, while pressure, bypass state and actual flow remain unasserted.