GLM-4.5V er Z.ai sin modell for visuell resonnering, bygget på GLM-4.5-Air, med 106 milliarder parametere totalt og 12 milliarder aktiverte. Den håndterer bilderesonnering, videoforståelse, GUI-oppgaver, komplekse diagrammer, lange dokumenter og visuell lokalisering. Den produsentdriftede profilen oppgir bilder, video, tekst og filer som inndata med tekst som utdata. En nyttig oppgave kan be om en sideforklaring, en uthentet tabell, en visuell plassering eller kode utarbeidet fra et skjermbilde. Denne modellen er forskjellig fra GLM-4.1V-9B og den senere GLM-4.6V.
Bilderesonnering dekker sceneforståelse, analyse av flere bilder og romlige relasjoner. Gi hvert bilde en etikett og angi det nøyaktige spørsmålet. For et diagram bevarer du akser, enheter og tegnforklaringer og spør hvilke synlige verdier som støtter konklusjonen. For en sammenligning angir du trekkene som skal granskes og organiserer svaret etter kildeetikettene. Modellen kan knytte visuelle observasjoner til et skriftlig spørsmål; kvaliteten på inndataene og det ønskede resultatet er relevante sammen med mengden materiale som er gitt.
Visuell lokalisering er en bestemt utdataflyt. Kortet beskriver avgrensningsrammer markert med tokenene begin_of_box og end_of_box, med fire koordinater som angir øvre venstre og nedre høyre hjørne. Verdiene normaliseres fra 0 til 1 000 i forhold til bildestørrelsen, fremfor å gis direkte som pikselposisjoner. Angi objektet eller området som skal lokaliseres og nødvendig rammeformat. Behold de opprinnelige bildedimensjonene sammen med resultatet slik at en applikasjon kan koble koordinatene tilbake til bildet, også når størrelsen er endret for behandling.
Videooppgaver omfatter segmentering og hendelsesgjenkjenning, mens dokumentarbeid kan kombinere tekst, diagrammer, tabeller og oppsett over flere sider. Produsenten demonstrerer konvertering av en avbildet tabell til Markdown og analyse av innhold i forskningsrapporter. Forbered et konkret spørsmål, behold side- eller sekvensidentifikatorer og be om bevisene som støtter hvert uthentet felt eller hver beskrevet hendelse. Et generert sammendrag er et tekstresultat; innsamling av bilder fra video, sammensetting av en fil eller anvendelse av en redigering hører til det tilkoblede miljøet.
GUI- og nettsideoppgaver bruker skjermforståelse til foreslått samhandling eller kode. Produsentens eksempler ber om HTML og CSS fra et sideskjermbilde og demonstrerer en tilkoblet skrivebordsassistent med skjermbilder eller opptak. Gi de relevante tilstandene, tillatte handlingene og ønsket endring. Modellen utarbeider kode eller en handlingsbeskrivelse, mens applikasjonen utfører den og leverer den endrede skjermen eller gjengitte siden for videre gransking.
Modellen støtter svar med og uten tenkning. Det nøyaktige kortet beskriver en bryter, og eksemplene for den åpne modellen aktiverer tenkning som standard med en malinnstilling for å deaktivere den. Hold disse innstillingene knyttet til den støttede arbeidsflyten. Kontrollpunktkonfigurasjonen setter max_position_embeddings til 65 536; vertsprofilen oppgir separat opptil 16K utdatatokener. Disse beskriver ulike produsentkonfigurasjoner og fastslår ikke et universelt applikasjonsvindu. Produsenten dokumenterer også finjustering av det åpne GLM-4.5V-kontrollpunktet for tilpassede multimodale oppgaver; dette er en egen tilpasningsflyt atskilt fra vanlig inferens. Langt materiale og ønsket svar trenger plass innenfor konfigurasjonen som faktisk brukes.
Kortet angir bestemte begrensninger i reproduksjon av visuell kode: rå HTML kan mangle Markdown-innramming, og tegnescaping kan gi gjengivelsesproblemer. Det nevner også svakere spørsmål og svar med bare tekst, sporadisk overdreven eller gjentakende tenkning, gjentakelse av svaret og persepsjonsfeil som telling. For en kodeoppgave ber du om et uttrykkelig leveranseformat og gransker det gjengitte resultatet. For uthenting eller visuell analyse bevarer du de små etikettene og ber om verdier knyttet til synlige bevis. Dette holder modellens resonnerings- og lokaliseringsferdigheter knyttet til et resultat som kan sammenlignes med originalkilden.
", "aboutText": "GLM-4.5V er Z.ai sin modell for visuell resonnering, bygget på GLM-4.5-Air, med 106 milliarder parametere totalt og 12 milliarder aktiverte. Den håndterer bilderesonnering, videoforståelse, GUI-oppgaver, komplekse diagrammer, lange dokumenter og visuell lokalisering. Den produsentdriftede profilen oppgir bilder, video, tekst og filer som inndata med tekst som utdata. En nyttig oppgave kan be om en sideforklaring, en uthentet tabell, en visuell plassering eller kode utarbeidet fra et skjermbilde. Denne modellen er forskjellig fra GLM-4.1V-9B og den senere GLM-4.6V.\n\nBilderesonnering dekker sceneforståelse, analyse av flere bilder og romlige relasjoner. Gi hvert bilde en etikett og angi det nøyaktige spørsmålet. For et diagram bevarer du akser, enheter og tegnforklaringer og spør hvilke synlige verdier som støtter konklusjonen. For en sammenligning angir du trekkene som skal granskes og organiserer svaret etter kildeetikettene. Modellen kan knytte visuelle observasjoner til et skriftlig spørsmål; kvaliteten på inndataene og det ønskede resultatet er relevante sammen med mengden materiale som er gitt.\n\nVisuell lokalisering er en bestemt utdataflyt. Kortet beskriver avgrensningsrammer markert med tokenene begin_of_box og end_of_box, med fire koordinater som angir øvre venstre og nedre høyre hjørne. Verdiene normaliseres fra 0 til 1 000 i forhold til bildestørrelsen, fremfor å gis direkte som pikselposisjoner. Angi objektet eller området som skal lokaliseres og nødvendig rammeformat. Behold de opprinnelige bildedimensjonene sammen med resultatet slik at en applikasjon kan koble koordinatene tilbake til bildet, også når størrelsen er endret for behandling.\n\nVideooppgaver omfatter segmentering og hendelsesgjenkjenning, mens dokumentarbeid kan kombinere tekst, diagrammer, tabeller og oppsett over flere sider. Produsenten demonstrerer konvertering av en avbildet tabell til Markdown og analyse av innhold i forskningsrapporter. Forbered et konkret spørsmål, behold side- eller sekvensidentifikatorer og be om bevisene som støtter hvert uthentet felt eller hver beskrevet hendelse. Et generert sammendrag er et tekstresultat; innsamling av bilder fra video, sammensetting av en fil eller anvendelse av en redigering hører til det tilkoblede miljøet.\n\nGUI- og nettsideoppgaver bruker skjermforståelse til foreslått samhandling eller kode. Produsentens eksempler ber om HTML og CSS fra et sideskjermbilde og demonstrerer en tilkoblet skrivebordsassistent med skjermbilder eller opptak. Gi de relevante tilstandene, tillatte handlingene og ønsket endring. Modellen utarbeider kode eller en handlingsbeskrivelse, mens applikasjonen utfører den og leverer den endrede skjermen eller gjengitte siden for videre gransking.\n\nModellen støtter svar med og uten tenkning. Det nøyaktige kortet beskriver en bryter, og eksemplene for den åpne modellen aktiverer tenkning som standard med en malinnstilling for å deaktivere den. Hold disse innstillingene knyttet til den støttede arbeidsflyten. Kontrollpunktkonfigurasjonen setter max_position_embeddings til 65 536; vertsprofilen oppgir separat opptil 16K utdatatokener. Disse beskriver ulike produsentkonfigurasjoner og fastslår ikke et universelt applikasjonsvindu. Produsenten dokumenterer også finjustering av det åpne GLM-4.5V-kontrollpunktet for tilpassede multimodale oppgaver; dette er en egen tilpasningsflyt atskilt fra vanlig inferens. Langt materiale og ønsket svar trenger plass innenfor konfigurasjonen som faktisk brukes.\n\nKortet angir bestemte begrensninger i reproduksjon av visuell kode: rå HTML kan mangle Markdown-innramming, og tegnescaping kan gi gjengivelsesproblemer. Det nevner også svakere spørsmål og svar med bare tekst, sporadisk overdreven eller gjentakende tenkning, gjentakelse av svaret og persepsjonsfeil som telling. For en kodeoppgave ber du om et uttrykkelig leveranseformat og gransker det gjengitte resultatet. For uthenting eller visuell analyse bevarer du de små etikettene og ber om verdier knyttet til synlige bevis. Dette holder modellens resonnerings- og lokaliseringsferdigheter knyttet til et resultat som kan sammenlignes med originalkilden.", "editorialOverlay": { "copy_fields": { "practical_html": "Teknisk eksempel på engelsk
Format a transcribed report table\n\nFrom this text transcription of page V5, produce a Markdown table: 'Experiment | control | treated; run 1 | 12 | 15; run 2 | 11 | unreadable.' Add a difference column only where both values are available. Keep V5 with the result and separate the extracted values from the calculated differences. No image is supplied.A source-labeled Markdown table with extracted numbers, calculated differences and explicit unknown values.The unreadable treated value and its difference must remain unknown rather than be estimated.z-ai/glm-4.5vGLM-4.5V er Z.ai sin 106B-A12B-modell for visuell resonnering med bilder, video, komplekse dokumenter og GUI-oppgaver. Den returnerer tekst, støtter tenkning og direkte svar og kan lokalisere visuelle elementer med koordinater normalisert fra 0 til 1 000.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
GLM-4.5V er Z.ai sin modell for visuell resonnering, bygget på GLM-4.5-Air, med 106 milliarder parametere totalt og 12 milliarder aktiverte. Den håndterer bilderesonnering, videoforståelse, GUI-oppgaver, komplekse diagrammer, lange dokumenter og visuell lokalisering. Den produsentdriftede profilen oppgir bilder, video, tekst og filer som inndata med tekst som utdata. En nyttig oppgave kan be om en sideforklaring, en uthentet tabell, en visuell plassering eller kode utarbeidet fra et skjermbilde. Denne modellen er forskjellig fra GLM-4.1V-9B og den senere GLM-4.6V.
Bilderesonnering dekker sceneforståelse, analyse av flere bilder og romlige relasjoner. Gi hvert bilde en etikett og angi det nøyaktige spørsmålet. For et diagram bevarer du akser, enheter og tegnforklaringer og spør hvilke synlige verdier som støtter konklusjonen. For en sammenligning angir du trekkene som skal granskes og organiserer svaret etter kildeetikettene. Modellen kan knytte visuelle observasjoner til et skriftlig spørsmål; kvaliteten på inndataene og det ønskede resultatet er relevante sammen med mengden materiale som er gitt.
Visuell lokalisering er en bestemt utdataflyt. Kortet beskriver avgrensningsrammer markert med tokenene begin_of_box og end_of_box, med fire koordinater som angir øvre venstre og nedre høyre hjørne. Verdiene normaliseres fra 0 til 1 000 i forhold til bildestørrelsen, fremfor å gis direkte som pikselposisjoner. Angi objektet eller området som skal lokaliseres og nødvendig rammeformat. Behold de opprinnelige bildedimensjonene sammen med resultatet slik at en applikasjon kan koble koordinatene tilbake til bildet, også når størrelsen er endret for behandling.
Videooppgaver omfatter segmentering og hendelsesgjenkjenning, mens dokumentarbeid kan kombinere tekst, diagrammer, tabeller og oppsett over flere sider. Produsenten demonstrerer konvertering av en avbildet tabell til Markdown og analyse av innhold i forskningsrapporter. Forbered et konkret spørsmål, behold side- eller sekvensidentifikatorer og be om bevisene som støtter hvert uthentet felt eller hver beskrevet hendelse. Et generert sammendrag er et tekstresultat; innsamling av bilder fra video, sammensetting av en fil eller anvendelse av en redigering hører til det tilkoblede miljøet.
GUI- og nettsideoppgaver bruker skjermforståelse til foreslått samhandling eller kode. Produsentens eksempler ber om HTML og CSS fra et sideskjermbilde og demonstrerer en tilkoblet skrivebordsassistent med skjermbilder eller opptak. Gi de relevante tilstandene, tillatte handlingene og ønsket endring. Modellen utarbeider kode eller en handlingsbeskrivelse, mens applikasjonen utfører den og leverer den endrede skjermen eller gjengitte siden for videre gransking.
Modellen støtter svar med og uten tenkning. Det nøyaktige kortet beskriver en bryter, og eksemplene for den åpne modellen aktiverer tenkning som standard med en malinnstilling for å deaktivere den. Hold disse innstillingene knyttet til den støttede arbeidsflyten. Kontrollpunktkonfigurasjonen setter max_position_embeddings til 65 536; vertsprofilen oppgir separat opptil 16K utdatatokener. Disse beskriver ulike produsentkonfigurasjoner og fastslår ikke et universelt applikasjonsvindu. Produsenten dokumenterer også finjustering av det åpne GLM-4.5V-kontrollpunktet for tilpassede multimodale oppgaver; dette er en egen tilpasningsflyt atskilt fra vanlig inferens. Langt materiale og ønsket svar trenger plass innenfor konfigurasjonen som faktisk brukes.
Kortet angir bestemte begrensninger i reproduksjon av visuell kode: rå HTML kan mangle Markdown-innramming, og tegnescaping kan gi gjengivelsesproblemer. Det nevner også svakere spørsmål og svar med bare tekst, sporadisk overdreven eller gjentakende tenkning, gjentakelse av svaret og persepsjonsfeil som telling. For en kodeoppgave ber du om et uttrykkelig leveranseformat og gransker det gjengitte resultatet. For uthenting eller visuell analyse bevarer du de små etikettene og ber om verdier knyttet til synlige bevis. Dette holder modellens resonnerings- og lokaliseringsferdigheter knyttet til et resultat som kan sammenlignes med originalkilden.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser z-ai/glm-4.5v | 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.
Knytt hver kostnad til de viste vilkårene. Bruk én sats for hvert sett med alternative konfigurasjoner.
| Konfigurasjon | Prisplan | Konteksttokener, mer enn | Konteksttokener, opptil og med | Kostnad |
|---|---|---|---|---|
| KonfigurasjonGrunnpriser for tokener | PrisplanGrunnsats | Konteksttokener, mer enn— | Konteksttokener, opptil og medIngen øvre grense | Kostnad Inndata · Inngående tokener $0.0012 / 1K tokener Utdata · Utgående tokener $0.0036 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.00022 / 1K tokener Inndata · Skriving til hurtigbuffer $0 / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
| KonfigurasjonNivå 1 for forespørselslengde | Prisplan— | Konteksttokener, mer enn0 | Konteksttokener, opptil og medIngen øvre grense | Kostnad Inndata · Inngående tokener $0.0012 / 1K tokener Utdata · Utgående tokener $0.0036 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.00022 / 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": "z-ai/glm-4.5v", "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='z-ai/glm-4.5v',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='z-ai/glm-4.5v',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 z-ai/glm-4.5v
Bruk metodestiene som vises ovenfor.
z-ai/glm-4.5vGLM-4.5V er Z.ai sin 106B-A12B-modell for visuell resonnering med bilder, video, komplekse dokumenter og GUI-oppgaver. Den returnerer tekst, støtter tenkning og direkte svar og kan lokalisere visuelle elementer med koordinater normalisert fra 0 til 1 000.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
GLM-4.5V er Z.ai sin modell for visuell resonnering, bygget på GLM-4.5-Air, med 106 milliarder parametere totalt og 12 milliarder aktiverte. Den håndterer bilderesonnering, videoforståelse, GUI-oppgaver, komplekse diagrammer, lange dokumenter og visuell lokalisering. Den produsentdriftede profilen oppgir bilder, video, tekst og filer som inndata med tekst som utdata. En nyttig oppgave kan be om en sideforklaring, en uthentet tabell, en visuell plassering eller kode utarbeidet fra et skjermbilde. Denne modellen er forskjellig fra GLM-4.1V-9B og den senere GLM-4.6V.
Bilderesonnering dekker sceneforståelse, analyse av flere bilder og romlige relasjoner. Gi hvert bilde en etikett og angi det nøyaktige spørsmålet. For et diagram bevarer du akser, enheter og tegnforklaringer og spør hvilke synlige verdier som støtter konklusjonen. For en sammenligning angir du trekkene som skal granskes og organiserer svaret etter kildeetikettene. Modellen kan knytte visuelle observasjoner til et skriftlig spørsmål; kvaliteten på inndataene og det ønskede resultatet er relevante sammen med mengden materiale som er gitt.
Visuell lokalisering er en bestemt utdataflyt. Kortet beskriver avgrensningsrammer markert med tokenene begin_of_box og end_of_box, med fire koordinater som angir øvre venstre og nedre høyre hjørne. Verdiene normaliseres fra 0 til 1 000 i forhold til bildestørrelsen, fremfor å gis direkte som pikselposisjoner. Angi objektet eller området som skal lokaliseres og nødvendig rammeformat. Behold de opprinnelige bildedimensjonene sammen med resultatet slik at en applikasjon kan koble koordinatene tilbake til bildet, også når størrelsen er endret for behandling.
Videooppgaver omfatter segmentering og hendelsesgjenkjenning, mens dokumentarbeid kan kombinere tekst, diagrammer, tabeller og oppsett over flere sider. Produsenten demonstrerer konvertering av en avbildet tabell til Markdown og analyse av innhold i forskningsrapporter. Forbered et konkret spørsmål, behold side- eller sekvensidentifikatorer og be om bevisene som støtter hvert uthentet felt eller hver beskrevet hendelse. Et generert sammendrag er et tekstresultat; innsamling av bilder fra video, sammensetting av en fil eller anvendelse av en redigering hører til det tilkoblede miljøet.
GUI- og nettsideoppgaver bruker skjermforståelse til foreslått samhandling eller kode. Produsentens eksempler ber om HTML og CSS fra et sideskjermbilde og demonstrerer en tilkoblet skrivebordsassistent med skjermbilder eller opptak. Gi de relevante tilstandene, tillatte handlingene og ønsket endring. Modellen utarbeider kode eller en handlingsbeskrivelse, mens applikasjonen utfører den og leverer den endrede skjermen eller gjengitte siden for videre gransking.
Modellen støtter svar med og uten tenkning. Det nøyaktige kortet beskriver en bryter, og eksemplene for den åpne modellen aktiverer tenkning som standard med en malinnstilling for å deaktivere den. Hold disse innstillingene knyttet til den støttede arbeidsflyten. Kontrollpunktkonfigurasjonen setter max_position_embeddings til 65 536; vertsprofilen oppgir separat opptil 16K utdatatokener. Disse beskriver ulike produsentkonfigurasjoner og fastslår ikke et universelt applikasjonsvindu. Produsenten dokumenterer også finjustering av det åpne GLM-4.5V-kontrollpunktet for tilpassede multimodale oppgaver; dette er en egen tilpasningsflyt atskilt fra vanlig inferens. Langt materiale og ønsket svar trenger plass innenfor konfigurasjonen som faktisk brukes.
Kortet angir bestemte begrensninger i reproduksjon av visuell kode: rå HTML kan mangle Markdown-innramming, og tegnescaping kan gi gjengivelsesproblemer. Det nevner også svakere spørsmål og svar med bare tekst, sporadisk overdreven eller gjentakende tenkning, gjentakelse av svaret og persepsjonsfeil som telling. For en kodeoppgave ber du om et uttrykkelig leveranseformat og gransker det gjengitte resultatet. For uthenting eller visuell analyse bevarer du de små etikettene og ber om verdier knyttet til synlige bevis. Dette holder modellens resonnerings- og lokaliseringsferdigheter knyttet til et resultat som kan sammenlignes med originalkilden.
POST /v1/messagestextjson, sse| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser z-ai/glm-4.5v | Standard— |
Feltmessages | Typemessage[] | KravPåkrevd | Verdier & grenser | Standard— |
Feltmessages[].role | Typestring | KravPåkrevd | Verdier & grenser user, assistant | Standard— |
Feltmessages[].content | Typestring | KravPåkrevd | Verdier & grenser | Standard— |
Feltmax_tokens | Typeinteger | KravPåkrevd | Verdier & grenser | Standard— |
Feltstream | Typeboolean | KravValgfritt | Verdier & grenser | Standardfalse |
Tekst · UTF-8-tekst
messages[].content-streng
| Parameter | Avtale |
|---|---|
Parametercontent_type | Avtaleapplication/json |
Parameterrequired | Avtalemodel, messages, max_tokens |
Parameteroptional_controls | Avtalestream |
Parametermaterial_types | Avtaletext |
Parametertext_file_material | AvtaleLes det faktiske UTF-8-dokumentet og legg teksten i den angitte input- eller meldingsinnholdsstrengen. |
Livssyklus: synchronous_or_streamed
Tariffopplysninger legger ikke til forespørselsvalg. Støttede parametere står ved den valgte metoden.
Knytt hver kostnad til de viste vilkårene. Bruk én sats for hvert sett med alternative konfigurasjoner.
| Konfigurasjon | Prisplan | Konteksttokener, mer enn | Konteksttokener, opptil og med | Kostnad |
|---|---|---|---|---|
| KonfigurasjonGrunnpriser for tokener | PrisplanGrunnsats | Konteksttokener, mer enn— | Konteksttokener, opptil og medIngen øvre grense | Kostnad Inndata · Inngående tokener $0.0012 / 1K tokener Utdata · Utgående tokener $0.0036 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.00022 / 1K tokener Inndata · Skriving til hurtigbuffer $0 / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
| KonfigurasjonNivå 1 for forespørselslengde | Prisplan— | Konteksttokener, mer enn0 | Konteksttokener, opptil og medIngen øvre grense | Kostnad Inndata · Inngående tokener $0.0012 / 1K tokener Utdata · Utgående tokener $0.0036 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.00022 / 1K tokener Inndata · Skriving til hurtigbuffer $0 / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
Ailoot reserverer et estimert beløp før en forespørsel. Etter resultatet gjøres det endelige beløpet opp basert på målt forbruk. Oppgjør for strømming bruker den endelige forbruksposten. Slik fungerer reservasjon og oppgjør →
{\n "model": "z-ai/glm-4.5v",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'z-ai/glm-4.5v', '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': 'z-ai/glm-4.5v', '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 z-ai/glm-4.5v
Bruk metodestiene som vises ovenfor.
Teknisk eksempel på engelsk
Format a transcribed report table\n\nFrom this text transcription of page V5, produce a Markdown table: 'Experiment | control | treated; run 1 | 12 | 15; run 2 | 11 | unreadable.' Add a difference column only where both values are available. Keep V5 with the result and separate the extracted values from the calculated differences. No image is supplied.A source-labeled Markdown table with extracted numbers, calculated differences and explicit unknown values.The unreadable treated value and its difference must remain unknown rather than be estimated.