GLM-Z1-32B-0414 er det resonneringsorienterte medlemmet i Z.ais GLM-4-0414-serie. Den er utviklet fra GLM-4-32B-0414 gjennom kaldstartforberedelse og utvidet forsterkningslæring, med videre arbeid på matematikk, kode og logikk. Tilbakemeldinger fra parvis rangering brukes også til å styrke generelle egenskaper. Inndataene er tekst, og det synlige resultatet er en tekstlig løsning, forklaring eller programdel.
Formålet er en oppgave som trenger sammenhengende mellomkonklusjoner, fremfor en umiddelbar setning. Oppgi alle forutsetninger og definer det påkrevde sluttpunktet: utled en formel, forklar en algoritme, begrunn en grense eller forbered en kodeendring. Produsentens matematikkeksempel gjelder positive variabler knyttet sammen av en ligning og det mulige verdiområdet for summen deres. Et nyttig svar bør identifisere betingelsene, vise de relevante overgangene og skille sluttresultatet tydelig ut.
GLM-Z1-Rumination-32B-0414 er en egen utgave for mer åpne undersøkelser med søkeverktøy; GLM-Z1-9B-0414 er en annen størrelse. Denne oppføringen beholder den navngitte Z1 32B-utgivelsen fremfor å importere disse utgavenes ekstra arbeidsflyt- eller størrelsesegenskaper.
Produsenten anbefaler temperature 0.6, top_p 0.95 og top_k 40. Den anbefaler også et max_new_tokens-budsjett på 30 000 for å gi plass til tenking. Dette er anbefalte genereringsinnstillinger, ikke en garanti for at hvert svar trenger denne lengden, eller en dokumentert universell hard grense for utdata. Kortets separate inferenseksempel bruker et mindre, forespørselsspesifikt genereringsbudsjett.
For en resonneringsoppgave gir du nok plass til analysen og det endelige svaret samlet, og definerer formen på det endelige svaret i prompten. Et matematisk spørsmål kan be om verdiområdet eller verdien atskilt fra forklaringen; et kodespørsmål kan be om én implementasjon etterfulgt av forutsetningene som er viktige for den. Hold det ønskede resultatet konkret nok til å kontrolleres opp mot de oppgitte betingelsene.
Produsentens mal starter genereringen med tenkemarkøren <think>. Den publiserte samtalemalen setter inn denne markøren, så en implementasjon bør bruke utgivelsens faktiske mal fremfor å anta et ubeslektet dialogformat.
For senere samtalerunder beholder bruksveiledningen det endelige svaret som brukeren ser, og fjerner det interne tenkematerialet fra lagret dialoghistorikk. Dette er en forberedelsesregel for modellens egen samtalemal. En oppfølging bør inneholde det aktuelle spørsmålet, nødvendig kildemateriale og relevant tidligere svar, ikke en ufiltrert opphopning av all tidligere intern analyse.
Den publiserte konfigurasjonen setter max_position_embeddings til 32 768 og inneholder ingen rope_scaling-oppføring. Bruksveiledningen anbefaler å vurdere YaRN når inndataene overstiger 8 192 tokener. Eksemplets skaleringskonfigurasjon bruker factor 4.0 med original_max_position_embeddings satt til 32 768. Anbefalingsterskelen, grunnkonfigurasjonen og den valgfrie utvidelsen er forskjellige fakta; de er ikke utskiftbare svargrenser.
Statisk YaRN påvirker all tekst og kan redusere ytelsen litt på korte inndata, så produsenten anbefaler å aktivere det ved behov. For langt materiale gir du de relevante definisjonene og tekstutdragene som tydelig atskilte inndata og lar et passende genereringsbudsjett være tilgjengelig i den aktive konteksten. Konfigurasjonen bør følge den valgte utrullingens støtte for produsentens skaleringsprosedyre, fremfor å behandle et aritmetisk multiplum som et automatisk tilgjengelig kontekstvindu.
Modellens inferenseksempel bruker et brukerspørsmål og den utgivelsesspesifikke samtalemalen. For matematikk bevarer du variabeldefinisjonene og angir påstanden som skal fastslås. For kode gir du den relevante delen, den påkrevde oppførselen og tilfellet som diskuteres. Be om en tydelig sluttleveranse – bevis, formel, implementasjon eller forklaring – slik at resonneringen kan vurderes gjennom oppgavens resultat. Den egne Z1-veiledningen angir tekstresonnering og forberedelsen til den; den fastslår ikke en ekstra innebygd verktøykontrakt eller bildeinndata for denne utgaven.
", "aboutText": "### Innledning\n\nGLM-Z1-32B-0414 er det resonneringsorienterte medlemmet i Z.ais GLM-4-0414-serie. Den er utviklet fra GLM-4-32B-0414 gjennom kaldstartforberedelse og utvidet forsterkningslæring, med videre arbeid på matematikk, kode og logikk. Tilbakemeldinger fra parvis rangering brukes også til å styrke generelle egenskaper. Inndataene er tekst, og det synlige resultatet er en tekstlig løsning, forklaring eller programdel.\n\nFormålet er en oppgave som trenger sammenhengende mellomkonklusjoner, fremfor en umiddelbar setning. Oppgi alle forutsetninger og definer det påkrevde sluttpunktet: utled en formel, forklar en algoritme, begrunn en grense eller forbered en kodeendring. Produsentens matematikkeksempel gjelder positive variabler knyttet sammen av en ligning og det mulige verdiområdet for summen deres. Et nyttig svar bør identifisere betingelsene, vise de relevante overgangene og skille sluttresultatet tydelig ut.\n\nGLM-Z1-Rumination-32B-0414 er en egen utgave for mer åpne undersøkelser med søkeverktøy; GLM-Z1-9B-0414 er en annen størrelse. Denne oppføringen beholder den navngitte Z1 32B-utgivelsen fremfor å importere disse utgavenes ekstra arbeidsflyt- eller størrelsesegenskaper.\n\n### Bruksveiledning: sampling\n\nProdusenten anbefaler temperature 0.6, top_p 0.95 og top_k 40. Den anbefaler også et max_new_tokens-budsjett på 30 000 for å gi plass til tenking. Dette er anbefalte genereringsinnstillinger, ikke en garanti for at hvert svar trenger denne lengden, eller en dokumentert universell hard grense for utdata. Kortets separate inferenseksempel bruker et mindre, forespørselsspesifikt genereringsbudsjett.\n\nFor en resonneringsoppgave gir du nok plass til analysen og det endelige svaret samlet, og definerer formen på det endelige svaret i prompten. Et matematisk spørsmål kan be om verdiområdet eller verdien atskilt fra forklaringen; et kodespørsmål kan be om én implementasjon etterfulgt av forutsetningene som er viktige for den. Hold det ønskede resultatet konkret nok til å kontrolleres opp mot de oppgitte betingelsene.\n\n### Bruksveiledning: tenking og dialoghistorikk\n\nProdusentens mal starter genereringen med tenkemarkøren `Teknisk eksempel på engelsk
Derive a safe batch bound\n\nA buffer holds at most 96 records. Every batch adds b records, where b is a positive integer, and 12 records must remain free. Derive the largest number of complete batches that fit as a formula in b. Explain the rounding and calculate the result for b = 10, keeping the reserved space separate from usable capacity.A formula using a floor, an explanation of usable capacity and a checked numeric example.Verify the formula reserves 12 records and a further full batch would exceed usable capacity in the example.THUDM/GLM-Z1-32B-0414GLM-Z1-32B-0414 er Z.ais faste tekstresonneringsutgave for matematikk, programmering og logikk. Produsenten gir uttrykkelig veiledning for tenking, dialoghistorikk, sampling og valgfri skalering av lang kontekst, slik at kompliserte oppgaver kan forberedes for akkurat denne utgivelsen.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
GLM-Z1-32B-0414 er det resonneringsorienterte medlemmet i Z.ais GLM-4-0414-serie. Den er utviklet fra GLM-4-32B-0414 gjennom kaldstartforberedelse og utvidet forsterkningslæring, med videre arbeid på matematikk, kode og logikk. Tilbakemeldinger fra parvis rangering brukes også til å styrke generelle egenskaper. Inndataene er tekst, og det synlige resultatet er en tekstlig løsning, forklaring eller programdel.
Formålet er en oppgave som trenger sammenhengende mellomkonklusjoner, fremfor en umiddelbar setning. Oppgi alle forutsetninger og definer det påkrevde sluttpunktet: utled en formel, forklar en algoritme, begrunn en grense eller forbered en kodeendring. Produsentens matematikkeksempel gjelder positive variabler knyttet sammen av en ligning og det mulige verdiområdet for summen deres. Et nyttig svar bør identifisere betingelsene, vise de relevante overgangene og skille sluttresultatet tydelig ut.
GLM-Z1-Rumination-32B-0414 er en egen utgave for mer åpne undersøkelser med søkeverktøy; GLM-Z1-9B-0414 er en annen størrelse. Denne oppføringen beholder den navngitte Z1 32B-utgivelsen fremfor å importere disse utgavenes ekstra arbeidsflyt- eller størrelsesegenskaper.
Produsenten anbefaler temperature 0.6, top_p 0.95 og top_k 40. Den anbefaler også et max_new_tokens-budsjett på 30 000 for å gi plass til tenking. Dette er anbefalte genereringsinnstillinger, ikke en garanti for at hvert svar trenger denne lengden, eller en dokumentert universell hard grense for utdata. Kortets separate inferenseksempel bruker et mindre, forespørselsspesifikt genereringsbudsjett.
For en resonneringsoppgave gir du nok plass til analysen og det endelige svaret samlet, og definerer formen på det endelige svaret i prompten. Et matematisk spørsmål kan be om verdiområdet eller verdien atskilt fra forklaringen; et kodespørsmål kan be om én implementasjon etterfulgt av forutsetningene som er viktige for den. Hold det ønskede resultatet konkret nok til å kontrolleres opp mot de oppgitte betingelsene.
Produsentens mal starter genereringen med tenkemarkøren <think>. Den publiserte samtalemalen setter inn denne markøren, så en implementasjon bør bruke utgivelsens faktiske mal fremfor å anta et ubeslektet dialogformat.
For senere samtalerunder beholder bruksveiledningen det endelige svaret som brukeren ser, og fjerner det interne tenkematerialet fra lagret dialoghistorikk. Dette er en forberedelsesregel for modellens egen samtalemal. En oppfølging bør inneholde det aktuelle spørsmålet, nødvendig kildemateriale og relevant tidligere svar, ikke en ufiltrert opphopning av all tidligere intern analyse.
Den publiserte konfigurasjonen setter max_position_embeddings til 32 768 og inneholder ingen rope_scaling-oppføring. Bruksveiledningen anbefaler å vurdere YaRN når inndataene overstiger 8 192 tokener. Eksemplets skaleringskonfigurasjon bruker factor 4.0 med original_max_position_embeddings satt til 32 768. Anbefalingsterskelen, grunnkonfigurasjonen og den valgfrie utvidelsen er forskjellige fakta; de er ikke utskiftbare svargrenser.
Statisk YaRN påvirker all tekst og kan redusere ytelsen litt på korte inndata, så produsenten anbefaler å aktivere det ved behov. For langt materiale gir du de relevante definisjonene og tekstutdragene som tydelig atskilte inndata og lar et passende genereringsbudsjett være tilgjengelig i den aktive konteksten. Konfigurasjonen bør følge den valgte utrullingens støtte for produsentens skaleringsprosedyre, fremfor å behandle et aritmetisk multiplum som et automatisk tilgjengelig kontekstvindu.
Modellens inferenseksempel bruker et brukerspørsmål og den utgivelsesspesifikke samtalemalen. For matematikk bevarer du variabeldefinisjonene og angir påstanden som skal fastslås. For kode gir du den relevante delen, den påkrevde oppførselen og tilfellet som diskuteres. Be om en tydelig sluttleveranse – bevis, formel, implementasjon eller forklaring – slik at resonneringen kan vurderes gjennom oppgavens resultat. Den egne Z1-veiledningen angir tekstresonnering og forberedelsen til den; den fastslår ikke en ekstra innebygd verktøykontrakt eller bildeinndata for denne utgaven.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser THUDM/GLM-Z1-32B-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-Z1-32B-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-Z1-32B-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-Z1-32B-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-Z1-32B-0414
Bruk metodestiene som vises ovenfor.
THUDM/GLM-Z1-32B-0414GLM-Z1-32B-0414 er Z.ais faste tekstresonneringsutgave for matematikk, programmering og logikk. Produsenten gir uttrykkelig veiledning for tenking, dialoghistorikk, sampling og valgfri skalering av lang kontekst, slik at kompliserte oppgaver kan forberedes for akkurat denne utgivelsen.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
GLM-Z1-32B-0414 er det resonneringsorienterte medlemmet i Z.ais GLM-4-0414-serie. Den er utviklet fra GLM-4-32B-0414 gjennom kaldstartforberedelse og utvidet forsterkningslæring, med videre arbeid på matematikk, kode og logikk. Tilbakemeldinger fra parvis rangering brukes også til å styrke generelle egenskaper. Inndataene er tekst, og det synlige resultatet er en tekstlig løsning, forklaring eller programdel.
Formålet er en oppgave som trenger sammenhengende mellomkonklusjoner, fremfor en umiddelbar setning. Oppgi alle forutsetninger og definer det påkrevde sluttpunktet: utled en formel, forklar en algoritme, begrunn en grense eller forbered en kodeendring. Produsentens matematikkeksempel gjelder positive variabler knyttet sammen av en ligning og det mulige verdiområdet for summen deres. Et nyttig svar bør identifisere betingelsene, vise de relevante overgangene og skille sluttresultatet tydelig ut.
GLM-Z1-Rumination-32B-0414 er en egen utgave for mer åpne undersøkelser med søkeverktøy; GLM-Z1-9B-0414 er en annen størrelse. Denne oppføringen beholder den navngitte Z1 32B-utgivelsen fremfor å importere disse utgavenes ekstra arbeidsflyt- eller størrelsesegenskaper.
Produsenten anbefaler temperature 0.6, top_p 0.95 og top_k 40. Den anbefaler også et max_new_tokens-budsjett på 30 000 for å gi plass til tenking. Dette er anbefalte genereringsinnstillinger, ikke en garanti for at hvert svar trenger denne lengden, eller en dokumentert universell hard grense for utdata. Kortets separate inferenseksempel bruker et mindre, forespørselsspesifikt genereringsbudsjett.
For en resonneringsoppgave gir du nok plass til analysen og det endelige svaret samlet, og definerer formen på det endelige svaret i prompten. Et matematisk spørsmål kan be om verdiområdet eller verdien atskilt fra forklaringen; et kodespørsmål kan be om én implementasjon etterfulgt av forutsetningene som er viktige for den. Hold det ønskede resultatet konkret nok til å kontrolleres opp mot de oppgitte betingelsene.
Produsentens mal starter genereringen med tenkemarkøren <think>. Den publiserte samtalemalen setter inn denne markøren, så en implementasjon bør bruke utgivelsens faktiske mal fremfor å anta et ubeslektet dialogformat.
For senere samtalerunder beholder bruksveiledningen det endelige svaret som brukeren ser, og fjerner det interne tenkematerialet fra lagret dialoghistorikk. Dette er en forberedelsesregel for modellens egen samtalemal. En oppfølging bør inneholde det aktuelle spørsmålet, nødvendig kildemateriale og relevant tidligere svar, ikke en ufiltrert opphopning av all tidligere intern analyse.
Den publiserte konfigurasjonen setter max_position_embeddings til 32 768 og inneholder ingen rope_scaling-oppføring. Bruksveiledningen anbefaler å vurdere YaRN når inndataene overstiger 8 192 tokener. Eksemplets skaleringskonfigurasjon bruker factor 4.0 med original_max_position_embeddings satt til 32 768. Anbefalingsterskelen, grunnkonfigurasjonen og den valgfrie utvidelsen er forskjellige fakta; de er ikke utskiftbare svargrenser.
Statisk YaRN påvirker all tekst og kan redusere ytelsen litt på korte inndata, så produsenten anbefaler å aktivere det ved behov. For langt materiale gir du de relevante definisjonene og tekstutdragene som tydelig atskilte inndata og lar et passende genereringsbudsjett være tilgjengelig i den aktive konteksten. Konfigurasjonen bør følge den valgte utrullingens støtte for produsentens skaleringsprosedyre, fremfor å behandle et aritmetisk multiplum som et automatisk tilgjengelig kontekstvindu.
Modellens inferenseksempel bruker et brukerspørsmål og den utgivelsesspesifikke samtalemalen. For matematikk bevarer du variabeldefinisjonene og angir påstanden som skal fastslås. For kode gir du den relevante delen, den påkrevde oppførselen og tilfellet som diskuteres. Be om en tydelig sluttleveranse – bevis, formel, implementasjon eller forklaring – slik at resonneringen kan vurderes gjennom oppgavens resultat. Den egne Z1-veiledningen angir tekstresonnering og forberedelsen til den; den fastslår ikke en ekstra innebygd verktøykontrakt eller bildeinndata for denne utgaven.
POST /v1/messagestextjson, sse| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser THUDM/GLM-Z1-32B-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 $0 / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
Ailoot reserverer et estimert beløp før en forespørsel. Etter resultatet gjøres det endelige beløpet opp basert på målt forbruk. Oppgjør for strømming bruker den endelige forbruksposten. Slik fungerer reservasjon og oppgjør →
{\n "model": "THUDM/GLM-Z1-32B-0414",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-Z1-32B-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-Z1-32B-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-Z1-32B-0414
Bruk metodestiene som vises ovenfor.
Teknisk eksempel på engelsk
Derive a safe batch bound\n\nA buffer holds at most 96 records. Every batch adds b records, where b is a positive integer, and 12 records must remain free. Derive the largest number of complete batches that fit as a formula in b. Explain the rounding and calculate the result for b = 10, keeping the reserved space separate from usable capacity.A formula using a floor, an explanation of usable capacity and a checked numeric example.Verify the formula reserves 12 records and a further full batch would exceed usable capacity in the example.