GLM-4-32B-0414 er den faste tekstutgaven i 32B-klassen i Z.ais GLM-4-0414-serie. Basismodellen ble forhåndstrent på 15 billioner tokener, inkludert syntetisk resonneringsmateriale. Ettertreningen kombinerer tilpasning til dialogpreferanser, avvisningssampling og forsterkningslæring for å utvikle det å følge instruksjoner, skrive programvarekode og bruke funksjonskall. Det oppgitte arbeidet omfatter programvareoppgaver, tekstleveranser, søkebaserte spørsmål og rapporter. Inndata og utdata er tekst; generert kode blir en kjørbar eller rendret leveranse når applikasjonen lagrer og utfører den.
Den resonneringsorienterte GLM-Z1-32B-0414 og den forskningsorienterte Rumination-modellen er separat navngitte utgaver. Denne oppføringen følger GLM-4-modellens egne bredere demonstrasjoner av kode og verktøy fremfor å bruke en annen utgivelses tenkeregler.
Produsenten viser programmering av en ball som beveger seg inne i en roterende sekskant. Eksemplet med GLM-4-32B-0414 bruker HTML og beskriver bevegelsen, kollisjonene og de fysiske forutsetningene. Dette er kode for en simulering, ikke en modus for videogenerering. For å forberede en lignende oppgave oppgir du scenen, bevegelsesreglene, kollisjonsoppførselen og det tiltenkte kjøremiljøet, og ber deretter om en selvstendig implementasjon og en forklaring av forutsetningene. Applikasjonen kjører koden for å undersøke resultatet.
Eksemplene omfatter et tegnegrensesnitt for egendefinerte funksjonsgrafer, der funksjoner kan legges til og fjernes og tildeles farger. Et annet eksempel bygger et mobilt maskinlæringsgrensesnitt med treningsoppgaver, lagringsadministrasjon og personlig statistikk, inkludert grafer, satt opp på en HTML-side. Dette er konkrete frontendoppgaver med angitte kontroller og tilstander.
For et nyttig resultat beskriver du handlingene hver kontroll må støtte, og dataene visningen skal vise. En grensesnittforespørsel kan be om sidekoden sammen med sammenhengen mellom inndata, vist tilstand og resultat. En senere samtalerunde kan gi den observerte gjengivelsen og be om en avgrenset endring mens den oppførte oppførselen bevares.
Produsenten viser også SVG-illustrasjoner, blant annet et landskap og en forklaring av treningsprosessen for en språkmodell. SVG er strukturert tekst, så applikasjonen kan lagre den som en redigerbar vektorleveranse. Oppgi motivet, etikettene, oppsettet og de påkrevde visuelle sammenhengene. Be om SVG-markup som en egen leveranse i stedet for å blande illustrasjonens kode med en lang, uvedkommende forklaring.
For forskningsskriving gir kortet søkeresultater som observasjoner og ber modellen organisere og tolke dem fremfor å kopiere dem. Instruksjonene skiller relevante resultater fra irrelevante, foretrekker meningsfulle detaljer når belegget tillater det, bruker en lesbar struktur og svarer på brukerens språk. Eksemplet produserer en analytisk rapport om barnelitteratur som dekker fortellermetoder, temaer og virkningene deres.
En praktisk oppgave kan gi navngitte utdrag og be om en rapport organisert rundt uttrykkelige spørsmål, med hver konklusjon knyttet til støttematerialet. Søk og innhenting skjer i den omkringliggende applikasjonen; de returnerte tekstutdragene blir modellens belegg. Dette er også nyttig for å sammenligne dokumenter eller forberede en forklaring fra en innsendt forskningssamling.
GLM-4-32B-0414 støtter eksterne verktøykall med JSON-argumenter. Modellen identifiserer en funksjon og argumentene dens, applikasjonen utfører den, og resultatet returneres som en observasjon. Produsentens demonstrasjon gjentar denne sløyfen til et endelig svar er produsert. Beskriv formålet med hvert verktøy og de påkrevde feltene, og skill observasjonen fra brukerens instruksjon. Et oppslag kan dermed levere data til en senere sammenligning uten å late som modellen selvstendig har hentet oppdatert informasjon.
Den publiserte konfigurasjonen setter max_position_embeddings til 32 768 og inneholder ingen rope_scaling-oppføring. Produsentens gjennomarbeidede eksempler bruker forespørselsspesifikke genereringslengder; kortet oppgir ikke et universelt hardt maksimum for utdata. Hold relevant kode, innhentede tekstutdrag og dialog innenfor den aktive konteksten, og angi om sluttresultatet skal være HTML, SVG, en kodedel, JSON-argumenter eller en rapport. Dette er tekstrepresentasjoner produsert for den beskrevne oppgaven; utføring, oppretting av filer og tilgang til eksterne data forblir applikasjonshandlinger.
", "aboutText": "### Innledning\n\nGLM-4-32B-0414 er den faste tekstutgaven i 32B-klassen i Z.ais GLM-4-0414-serie. Basismodellen ble forhåndstrent på 15 billioner tokener, inkludert syntetisk resonneringsmateriale. Ettertreningen kombinerer tilpasning til dialogpreferanser, avvisningssampling og forsterkningslæring for å utvikle det å følge instruksjoner, skrive programvarekode og bruke funksjonskall. Det oppgitte arbeidet omfatter programvareoppgaver, tekstleveranser, søkebaserte spørsmål og rapporter. Inndata og utdata er tekst; generert kode blir en kjørbar eller rendret leveranse når applikasjonen lagrer og utfører den.\n\nDen resonneringsorienterte GLM-Z1-32B-0414 og den forskningsorienterte Rumination-modellen er separat navngitte utgaver. Denne oppføringen følger GLM-4-modellens egne bredere demonstrasjoner av kode og verktøy fremfor å bruke en annen utgivelses tenkeregler.\n\n### Demonstrasjon: animasjonsgenerering\n\nProdusenten viser programmering av en ball som beveger seg inne i en roterende sekskant. Eksemplet med GLM-4-32B-0414 bruker HTML og beskriver bevegelsen, kollisjonene og de fysiske forutsetningene. Dette er kode for en simulering, ikke en modus for videogenerering. For å forberede en lignende oppgave oppgir du scenen, bevegelsesreglene, kollisjonsoppførselen og det tiltenkte kjøremiljøet, og ber deretter om en selvstendig implementasjon og en forklaring av forutsetningene. Applikasjonen kjører koden for å undersøke resultatet.\n\n### Demonstrasjon: webdesign\n\nEksemplene omfatter et tegnegrensesnitt for egendefinerte funksjonsgrafer, der funksjoner kan legges til og fjernes og tildeles farger. Et annet eksempel bygger et mobilt maskinlæringsgrensesnitt med treningsoppgaver, lagringsadministrasjon og personlig statistikk, inkludert grafer, satt opp på en HTML-side. Dette er konkrete frontendoppgaver med angitte kontroller og tilstander.\n\nFor et nyttig resultat beskriver du handlingene hver kontroll må støtte, og dataene visningen skal vise. En grensesnittforespørsel kan be om sidekoden sammen med sammenhengen mellom inndata, vist tilstand og resultat. En senere samtalerunde kan gi den observerte gjengivelsen og be om en avgrenset endring mens den oppførte oppførselen bevares.\n\n### Demonstrasjon: SVG-generering\n\nProdusenten viser også SVG-illustrasjoner, blant annet et landskap og en forklaring av treningsprosessen for en språkmodell. SVG er strukturert tekst, så applikasjonen kan lagre den som en redigerbar vektorleveranse. Oppgi motivet, etikettene, oppsettet og de påkrevde visuelle sammenhengene. Be om SVG-markup som en egen leveranse i stedet for å blande illustrasjonens kode med en lang, uvedkommende forklaring.\n\n### Søkebasert skriving\n\nFor forskningsskriving gir kortet søkeresultater som observasjoner og ber modellen organisere og tolke dem fremfor å kopiere dem. Instruksjonene skiller relevante resultater fra irrelevante, foretrekker meningsfulle detaljer når belegget tillater det, bruker en lesbar struktur og svarer på brukerens språk. Eksemplet produserer en analytisk rapport om barnelitteratur som dekker fortellermetoder, temaer og virkningene deres.\n\nEn praktisk oppgave kan gi navngitte utdrag og be om en rapport organisert rundt uttrykkelige spørsmål, med hver konklusjon knyttet til støttematerialet. Søk og innhenting skjer i den omkringliggende applikasjonen; de returnerte tekstutdragene blir modellens belegg. Dette er også nyttig for å sammenligne dokumenter eller forberede en forklaring fra en innsendt forskningssamling.\n\n### Funksjonskall\n\nGLM-4-32B-0414 støtter eksterne verktøykall med JSON-argumenter. Modellen identifiserer en funksjon og argumentene dens, applikasjonen utfører den, og resultatet returneres som en observasjon. Produsentens demonstrasjon gjentar denne sløyfen til et endelig svar er produsert. Beskriv formålet med hvert verktøy og de påkrevde feltene, og skill observasjonen fra brukerens instruksjon. Et oppslag kan dermed levere data til en senere sammenligning uten å late som modellen selvstendig har hentet oppdatert informasjon.\n\n### Planlegging av kontekst og resultat\n\nDen publiserte konfigurasjonen setter max_position_embeddings til 32 768 og inneholder ingen rope_scaling-oppføring. Produsentens gjennomarbeidede eksempler bruker forespørselsspesifikke genereringslengder; kortet oppgir ikke et universelt hardt maksimum for utdata. Hold relevant kode, innhentede tekstutdrag og dialog innenfor den aktive konteksten, og angi om sluttresultatet skal være HTML, SVG, en kodedel, JSON-argumenter eller en rapport. Dette er tekstrepresentasjoner produsert for den beskrevne oppgaven; utføring, oppretting av filer og tilgang til eksterne data forblir applikasjonshandlinger.", "editorialOverlay": { "copy_fields": { "practical_html": "Teknisk eksempel på engelsk
Generate an editable process diagram\n\nCreate self-contained SVG markup for a left-to-right process: Receive -> Validate -> Store. Use three labelled rectangles and two arrows; all labels must remain readable in a 720 by 180 viewBox. Use no scripts, external fonts or external images. Return SVG code and a brief explanation of how the arrows encode the required order.A standalone editable SVG code block with three named nodes and two directional arrows, followed by a short order explanation.Render the SVG locally and check the exact labels, arrow direction and absence of clipped text or external dependencies.THUDM/GLM-4-32B-0414GLM-4-32B-0414 er Z.ais faste tekstutgave for programvarekode, interaktive HTML/SVG-artefakter, søkebaserte rapporter og JSON-funksjonskall. Modellkortet viser konkrete utviklingsarbeidsflyter og en applikasjonsstyrt verktøysløyfe.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
GLM-4-32B-0414 er den faste tekstutgaven i 32B-klassen i Z.ais GLM-4-0414-serie. Basismodellen ble forhåndstrent på 15 billioner tokener, inkludert syntetisk resonneringsmateriale. Ettertreningen kombinerer tilpasning til dialogpreferanser, avvisningssampling og forsterkningslæring for å utvikle det å følge instruksjoner, skrive programvarekode og bruke funksjonskall. Det oppgitte arbeidet omfatter programvareoppgaver, tekstleveranser, søkebaserte spørsmål og rapporter. Inndata og utdata er tekst; generert kode blir en kjørbar eller rendret leveranse når applikasjonen lagrer og utfører den.
Den resonneringsorienterte GLM-Z1-32B-0414 og den forskningsorienterte Rumination-modellen er separat navngitte utgaver. Denne oppføringen følger GLM-4-modellens egne bredere demonstrasjoner av kode og verktøy fremfor å bruke en annen utgivelses tenkeregler.
Produsenten viser programmering av en ball som beveger seg inne i en roterende sekskant. Eksemplet med GLM-4-32B-0414 bruker HTML og beskriver bevegelsen, kollisjonene og de fysiske forutsetningene. Dette er kode for en simulering, ikke en modus for videogenerering. For å forberede en lignende oppgave oppgir du scenen, bevegelsesreglene, kollisjonsoppførselen og det tiltenkte kjøremiljøet, og ber deretter om en selvstendig implementasjon og en forklaring av forutsetningene. Applikasjonen kjører koden for å undersøke resultatet.
Eksemplene omfatter et tegnegrensesnitt for egendefinerte funksjonsgrafer, der funksjoner kan legges til og fjernes og tildeles farger. Et annet eksempel bygger et mobilt maskinlæringsgrensesnitt med treningsoppgaver, lagringsadministrasjon og personlig statistikk, inkludert grafer, satt opp på en HTML-side. Dette er konkrete frontendoppgaver med angitte kontroller og tilstander.
For et nyttig resultat beskriver du handlingene hver kontroll må støtte, og dataene visningen skal vise. En grensesnittforespørsel kan be om sidekoden sammen med sammenhengen mellom inndata, vist tilstand og resultat. En senere samtalerunde kan gi den observerte gjengivelsen og be om en avgrenset endring mens den oppførte oppførselen bevares.
Produsenten viser også SVG-illustrasjoner, blant annet et landskap og en forklaring av treningsprosessen for en språkmodell. SVG er strukturert tekst, så applikasjonen kan lagre den som en redigerbar vektorleveranse. Oppgi motivet, etikettene, oppsettet og de påkrevde visuelle sammenhengene. Be om SVG-markup som en egen leveranse i stedet for å blande illustrasjonens kode med en lang, uvedkommende forklaring.
For forskningsskriving gir kortet søkeresultater som observasjoner og ber modellen organisere og tolke dem fremfor å kopiere dem. Instruksjonene skiller relevante resultater fra irrelevante, foretrekker meningsfulle detaljer når belegget tillater det, bruker en lesbar struktur og svarer på brukerens språk. Eksemplet produserer en analytisk rapport om barnelitteratur som dekker fortellermetoder, temaer og virkningene deres.
En praktisk oppgave kan gi navngitte utdrag og be om en rapport organisert rundt uttrykkelige spørsmål, med hver konklusjon knyttet til støttematerialet. Søk og innhenting skjer i den omkringliggende applikasjonen; de returnerte tekstutdragene blir modellens belegg. Dette er også nyttig for å sammenligne dokumenter eller forberede en forklaring fra en innsendt forskningssamling.
GLM-4-32B-0414 støtter eksterne verktøykall med JSON-argumenter. Modellen identifiserer en funksjon og argumentene dens, applikasjonen utfører den, og resultatet returneres som en observasjon. Produsentens demonstrasjon gjentar denne sløyfen til et endelig svar er produsert. Beskriv formålet med hvert verktøy og de påkrevde feltene, og skill observasjonen fra brukerens instruksjon. Et oppslag kan dermed levere data til en senere sammenligning uten å late som modellen selvstendig har hentet oppdatert informasjon.
Den publiserte konfigurasjonen setter max_position_embeddings til 32 768 og inneholder ingen rope_scaling-oppføring. Produsentens gjennomarbeidede eksempler bruker forespørselsspesifikke genereringslengder; kortet oppgir ikke et universelt hardt maksimum for utdata. Hold relevant kode, innhentede tekstutdrag og dialog innenfor den aktive konteksten, og angi om sluttresultatet skal være HTML, SVG, en kodedel, JSON-argumenter eller en rapport. Dette er tekstrepresentasjoner produsert for den beskrevne oppgaven; utføring, oppretting av filer og tilgang til eksterne data forblir applikasjonshandlinger.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser THUDM/GLM-4-32B-0414 | 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 $0.00014 / 1K tokener Utdata · Utgående tokener $0.00014 / 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": "THUDM/GLM-4-32B-0414", "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='THUDM/GLM-4-32B-0414',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='THUDM/GLM-4-32B-0414',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 THUDM/GLM-4-32B-0414
Bruk metodestiene som vises ovenfor.
THUDM/GLM-4-32B-0414GLM-4-32B-0414 er Z.ais faste tekstutgave for programvarekode, interaktive HTML/SVG-artefakter, søkebaserte rapporter og JSON-funksjonskall. Modellkortet viser konkrete utviklingsarbeidsflyter og en applikasjonsstyrt verktøysløyfe.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
GLM-4-32B-0414 er den faste tekstutgaven i 32B-klassen i Z.ais GLM-4-0414-serie. Basismodellen ble forhåndstrent på 15 billioner tokener, inkludert syntetisk resonneringsmateriale. Ettertreningen kombinerer tilpasning til dialogpreferanser, avvisningssampling og forsterkningslæring for å utvikle det å følge instruksjoner, skrive programvarekode og bruke funksjonskall. Det oppgitte arbeidet omfatter programvareoppgaver, tekstleveranser, søkebaserte spørsmål og rapporter. Inndata og utdata er tekst; generert kode blir en kjørbar eller rendret leveranse når applikasjonen lagrer og utfører den.
Den resonneringsorienterte GLM-Z1-32B-0414 og den forskningsorienterte Rumination-modellen er separat navngitte utgaver. Denne oppføringen følger GLM-4-modellens egne bredere demonstrasjoner av kode og verktøy fremfor å bruke en annen utgivelses tenkeregler.
Produsenten viser programmering av en ball som beveger seg inne i en roterende sekskant. Eksemplet med GLM-4-32B-0414 bruker HTML og beskriver bevegelsen, kollisjonene og de fysiske forutsetningene. Dette er kode for en simulering, ikke en modus for videogenerering. For å forberede en lignende oppgave oppgir du scenen, bevegelsesreglene, kollisjonsoppførselen og det tiltenkte kjøremiljøet, og ber deretter om en selvstendig implementasjon og en forklaring av forutsetningene. Applikasjonen kjører koden for å undersøke resultatet.
Eksemplene omfatter et tegnegrensesnitt for egendefinerte funksjonsgrafer, der funksjoner kan legges til og fjernes og tildeles farger. Et annet eksempel bygger et mobilt maskinlæringsgrensesnitt med treningsoppgaver, lagringsadministrasjon og personlig statistikk, inkludert grafer, satt opp på en HTML-side. Dette er konkrete frontendoppgaver med angitte kontroller og tilstander.
For et nyttig resultat beskriver du handlingene hver kontroll må støtte, og dataene visningen skal vise. En grensesnittforespørsel kan be om sidekoden sammen med sammenhengen mellom inndata, vist tilstand og resultat. En senere samtalerunde kan gi den observerte gjengivelsen og be om en avgrenset endring mens den oppførte oppførselen bevares.
Produsenten viser også SVG-illustrasjoner, blant annet et landskap og en forklaring av treningsprosessen for en språkmodell. SVG er strukturert tekst, så applikasjonen kan lagre den som en redigerbar vektorleveranse. Oppgi motivet, etikettene, oppsettet og de påkrevde visuelle sammenhengene. Be om SVG-markup som en egen leveranse i stedet for å blande illustrasjonens kode med en lang, uvedkommende forklaring.
For forskningsskriving gir kortet søkeresultater som observasjoner og ber modellen organisere og tolke dem fremfor å kopiere dem. Instruksjonene skiller relevante resultater fra irrelevante, foretrekker meningsfulle detaljer når belegget tillater det, bruker en lesbar struktur og svarer på brukerens språk. Eksemplet produserer en analytisk rapport om barnelitteratur som dekker fortellermetoder, temaer og virkningene deres.
En praktisk oppgave kan gi navngitte utdrag og be om en rapport organisert rundt uttrykkelige spørsmål, med hver konklusjon knyttet til støttematerialet. Søk og innhenting skjer i den omkringliggende applikasjonen; de returnerte tekstutdragene blir modellens belegg. Dette er også nyttig for å sammenligne dokumenter eller forberede en forklaring fra en innsendt forskningssamling.
GLM-4-32B-0414 støtter eksterne verktøykall med JSON-argumenter. Modellen identifiserer en funksjon og argumentene dens, applikasjonen utfører den, og resultatet returneres som en observasjon. Produsentens demonstrasjon gjentar denne sløyfen til et endelig svar er produsert. Beskriv formålet med hvert verktøy og de påkrevde feltene, og skill observasjonen fra brukerens instruksjon. Et oppslag kan dermed levere data til en senere sammenligning uten å late som modellen selvstendig har hentet oppdatert informasjon.
Den publiserte konfigurasjonen setter max_position_embeddings til 32 768 og inneholder ingen rope_scaling-oppføring. Produsentens gjennomarbeidede eksempler bruker forespørselsspesifikke genereringslengder; kortet oppgir ikke et universelt hardt maksimum for utdata. Hold relevant kode, innhentede tekstutdrag og dialog innenfor den aktive konteksten, og angi om sluttresultatet skal være HTML, SVG, en kodedel, JSON-argumenter eller en rapport. Dette er tekstrepresentasjoner produsert for den beskrevne oppgaven; utføring, oppretting av filer og tilgang til eksterne data forblir applikasjonshandlinger.
POST /v1/messagestextjson, sse| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser THUDM/GLM-4-32B-0414 | 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 $0.00014 / 1K tokener Utdata · Utgående tokener $0.00014 / 1K tokener Inndata · Lesing fra hurtigbuffer $0 / 1K tokener Inndata · Skriving til hurtigbuffer $0 / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
Ailoot reserverer et estimert beløp før en forespørsel. Etter resultatet gjøres det endelige beløpet opp basert på målt forbruk. Oppgjør for strømming bruker den endelige forbruksposten. Slik fungerer reservasjon og oppgjør →
{\n "model": "THUDM/GLM-4-32B-0414",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'THUDM/GLM-4-32B-0414', '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': 'THUDM/GLM-4-32B-0414', '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 THUDM/GLM-4-32B-0414
Bruk metodestiene som vises ovenfor.
Teknisk eksempel på engelsk
Generate an editable process diagram\n\nCreate self-contained SVG markup for a left-to-right process: Receive -> Validate -> Store. Use three labelled rectangles and two arrows; all labels must remain readable in a 720 by 180 viewBox. Use no scripts, external fonts or external images. Return SVG code and a brief explanation of how the arrows encode the required order.A standalone editable SVG code block with three named nodes and two directional arrows, followed by a short order explanation.Render the SVG locally and check the exact labels, arrow direction and absence of clipped text or external dependencies.