GLM-4.7-Flash er 30B-A3B-utgaven med ekspertblanding i Z.ai sin GLM-4.7-familie. Den sparsomme designen har omtrent 30 milliarder parametere totalt og tre milliarder aktiverte, og produsenten presenterer den som en lettvektsmodell som balanserer ferdigheter og effektivitet. Den tar imot tekst og genererer tekst. Produsenten fremhever spesielt programvareutvikling, kinesisk skriving, oversettelse, behandling av lange tekster og rollebasert samtale. En nyttig brief kan be om et kodeforslag, et revidert tekstutdrag, en forklaring eller et strukturert resultat forankret i materialet som er gitt.
For utvikling angir Z.ai både grensesnittoppgaver og oppgaver innen applikasjonslogikk for denne Flash-utgaven. Gi atferden som skal implementeres, relevant kilde og betingelsene som må forbli intakte. For en side eller komponent beskriver du tilstandene, oppsettet og nødvendig samhandling og ber deretter om redigerbar kode og en forklaring av de viktige valgene. For en eksisterende funksjon tar du med den observerte feilen og et eksempel på forventet resultat. Modellen produserer den foreslåtte koden; kompilering, kjøring eller gjengivelse av grensesnittet hører til et tilkoblet applikasjonsmiljø.
Den produsentdriftede profilen for GLM-4.7-serien angir tekst inn, tekst ut, en kontekst på 200K tokener og opptil 128K utdatatokener for Flash. Kortet for den åpne modellen og vertsprofilen beskriver ulike sider av den samme navngitte utgaven: kontrollpunktegenskaper og en tjenestekonfigurasjon hos produsenten. Forbered lange inndata med kildeoverskrifter, kodeidentifikatorer og tydelige dokumentgrenser, og sett av plass til resonneringen og det ønskede svaret. En modell som bare behandler tekst kan skrive kode for en applikasjon som behandler bilder eller kamerainndata, men det gir ikke dette kontrollpunktet en innebygd modus for visuelle inndata.
Resonnering er aktivert som standard i GLM-4.7-serien. Produsenten dokumenterer en bryter per samtalerunde slik at en samtale kan be om resonnering for et vanskelig spørsmål og deaktivere den for en enkel omskriving eller et kort svar. Den støtter også innflettet tenkning mellom verktøykall, slik at modellen kan tolke en returnert observasjon før den planlegger neste trinn. Definer de tilgjengelige verktøyene og det nødvendige sluttproduktet før du starter en slik oppgave. En dokumentassistent kan be om utvalgt informasjon, motta det faktiske uthentingsresultatet og deretter utarbeide en forklaring støttet av dette resultatet.
Bevart tenkning er et eget alternativ for vedvarende kodings- eller agentarbeid. Produsentens veiledning bruker clear_thinking=false og krever at hele den uendrede reasoning_content fra tidligere assistentrunder returneres i opprinnelig rekkefølge. Å endre eller omorganisere disse blokkene kan svekke resultatet og påvirke bufringsatferden. Standardverdien varierer mellom produsentens kodingsgrensesnitt og standardgrensesnitt, så alternativet er en konfigurert arbeidsflyt fremfor en automatisk egenskap ved hver samtale. Hold det synlige svaret atskilt fra bevart resonnering, og bevar bevisene eller verktøyutdataene senere trinn avhenger av.
Familiens dokumenterte grensesnitt omfatter strømmende tekst, funksjonskall, kontekstbufring og strukturerte utdata som JSON. For et strukturert resultat gir du nødvendige felt og hva hver verdi representerer; for en verktøyforespørsel definerer du funksjonens formål, argumenter og fullføringsbetingelse. Et generert kall er en forespørsel om at applikasjonen skal handle, fremfor bevis på utførelse. Sluttresultatet kan være en kort rapport, et dataobjekt eller en kodeleveranse, der informasjonen som ble brukt til å produsere det fortsatt kan identifiseres.
For skriving eller oversettelse angir du leseren, språket, tonen og begrepene som skal forbli uendret. Produsenten anbefaler å prøve Flash til kinesisk skriving og fortellende eller rollebasert dialog i tillegg til teknisk arbeid. En illustrerende redigeringsbrief kan gi et tekstutdrag og be om en kort revidering som bevarer faktaene; en oversettelsesbrief kan gi en ordliste og skille sitert tekst fra instruksjoner. I en lengre samtale beholder du begrensningene og angir neste resultat som trengs, slik at modellens svar forblir knyttet til den opprinnelige oppgaven.
Det nøyaktige kortet for den åpne modellen publiserer ulike genereringsinnstillinger for evalueringsoppgavene sine: standard temperature på 1.0 og top-p på 0.95, med separate innstillinger for programvareoppgaver på 0.7 og 1.0. Genereringslengdene i eksemplene er del av disse prosedyrene, ikke ytterligere universelle grenser. Kontrollpunktet er forskjellig fra GLM-4.7, GLM-4.7-FlashX og senere GLM-5-modeller. Tilpass oppgaven og svarmodusen til denne utgavens dokumenterte tekstferdigheter og vurder deretter levert kode, uthentede verdier eller revidert tekst mot inndataene.
", "aboutText": "GLM-4.7-Flash er 30B-A3B-utgaven med ekspertblanding i Z.ai sin GLM-4.7-familie. Den sparsomme designen har omtrent 30 milliarder parametere totalt og tre milliarder aktiverte, og produsenten presenterer den som en lettvektsmodell som balanserer ferdigheter og effektivitet. Den tar imot tekst og genererer tekst. Produsenten fremhever spesielt programvareutvikling, kinesisk skriving, oversettelse, behandling av lange tekster og rollebasert samtale. En nyttig brief kan be om et kodeforslag, et revidert tekstutdrag, en forklaring eller et strukturert resultat forankret i materialet som er gitt.\n\nFor utvikling angir Z.ai både grensesnittoppgaver og oppgaver innen applikasjonslogikk for denne Flash-utgaven. Gi atferden som skal implementeres, relevant kilde og betingelsene som må forbli intakte. For en side eller komponent beskriver du tilstandene, oppsettet og nødvendig samhandling og ber deretter om redigerbar kode og en forklaring av de viktige valgene. For en eksisterende funksjon tar du med den observerte feilen og et eksempel på forventet resultat. Modellen produserer den foreslåtte koden; kompilering, kjøring eller gjengivelse av grensesnittet hører til et tilkoblet applikasjonsmiljø.\n\nDen produsentdriftede profilen for GLM-4.7-serien angir tekst inn, tekst ut, en kontekst på 200K tokener og opptil 128K utdatatokener for Flash. Kortet for den åpne modellen og vertsprofilen beskriver ulike sider av den samme navngitte utgaven: kontrollpunktegenskaper og en tjenestekonfigurasjon hos produsenten. Forbered lange inndata med kildeoverskrifter, kodeidentifikatorer og tydelige dokumentgrenser, og sett av plass til resonneringen og det ønskede svaret. En modell som bare behandler tekst kan skrive kode for en applikasjon som behandler bilder eller kamerainndata, men det gir ikke dette kontrollpunktet en innebygd modus for visuelle inndata.\n\nResonnering er aktivert som standard i GLM-4.7-serien. Produsenten dokumenterer en bryter per samtalerunde slik at en samtale kan be om resonnering for et vanskelig spørsmål og deaktivere den for en enkel omskriving eller et kort svar. Den støtter også innflettet tenkning mellom verktøykall, slik at modellen kan tolke en returnert observasjon før den planlegger neste trinn. Definer de tilgjengelige verktøyene og det nødvendige sluttproduktet før du starter en slik oppgave. En dokumentassistent kan be om utvalgt informasjon, motta det faktiske uthentingsresultatet og deretter utarbeide en forklaring støttet av dette resultatet.\n\nBevart tenkning er et eget alternativ for vedvarende kodings- eller agentarbeid. Produsentens veiledning bruker clear_thinking=false og krever at hele den uendrede reasoning_content fra tidligere assistentrunder returneres i opprinnelig rekkefølge. Å endre eller omorganisere disse blokkene kan svekke resultatet og påvirke bufringsatferden. Standardverdien varierer mellom produsentens kodingsgrensesnitt og standardgrensesnitt, så alternativet er en konfigurert arbeidsflyt fremfor en automatisk egenskap ved hver samtale. Hold det synlige svaret atskilt fra bevart resonnering, og bevar bevisene eller verktøyutdataene senere trinn avhenger av.\n\nFamiliens dokumenterte grensesnitt omfatter strømmende tekst, funksjonskall, kontekstbufring og strukturerte utdata som JSON. For et strukturert resultat gir du nødvendige felt og hva hver verdi representerer; for en verktøyforespørsel definerer du funksjonens formål, argumenter og fullføringsbetingelse. Et generert kall er en forespørsel om at applikasjonen skal handle, fremfor bevis på utførelse. Sluttresultatet kan være en kort rapport, et dataobjekt eller en kodeleveranse, der informasjonen som ble brukt til å produsere det fortsatt kan identifiseres.\n\nFor skriving eller oversettelse angir du leseren, språket, tonen og begrepene som skal forbli uendret. Produsenten anbefaler å prøve Flash til kinesisk skriving og fortellende eller rollebasert dialog i tillegg til teknisk arbeid. En illustrerende redigeringsbrief kan gi et tekstutdrag og be om en kort revidering som bevarer faktaene; en oversettelsesbrief kan gi en ordliste og skille sitert tekst fra instruksjoner. I en lengre samtale beholder du begrensningene og angir neste resultat som trengs, slik at modellens svar forblir knyttet til den opprinnelige oppgaven.\n\nDet nøyaktige kortet for den åpne modellen publiserer ulike genereringsinnstillinger for evalueringsoppgavene sine: standard temperature på 1.0 og top-p på 0.95, med separate innstillinger for programvareoppgaver på 0.7 og 1.0. Genereringslengdene i eksemplene er del av disse prosedyrene, ikke ytterligere universelle grenser. Kontrollpunktet er forskjellig fra GLM-4.7, GLM-4.7-FlashX og senere GLM-5-modeller. Tilpass oppgaven og svarmodusen til denne utgavens dokumenterte tekstferdigheter og vurder deretter levert kode, uthentede verdier eller revidert tekst mot inndataene.", "editorialOverlay": { "copy_fields": { "practical_html": "Teknisk eksempel på engelsk
Translate a notice with a fixed glossary\n\nTranslate this Chinese notice into English: '订单已审核，但尚未发货。更改收货地址需要重新审核。' Use this glossary consistently: 审核 = review; 发货 = dispatch; 收货地址 = delivery address. Write a clear customer-facing notice and preserve the distinction between completed review and pending dispatch. Do not add a dispatch date or an approval guarantee.A concise English notice applying the glossary and preserving the two different order states.The translation retains the requirement for another review after an address change and does not state that dispatch occurred.z-ai/glm-4.7-flashGLM-4.7-Flash er Z.ai sin 30B-A3B-tekstmodell med ekspertblanding for koding, lange tekster, kinesisk skriving og oversettelse. Den støtter resonnering og verktøystyrte arbeidsflyter, med en produsentdriftet profil på 200K konteksttokener og opptil 128K utdata.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
GLM-4.7-Flash er 30B-A3B-utgaven med ekspertblanding i Z.ai sin GLM-4.7-familie. Den sparsomme designen har omtrent 30 milliarder parametere totalt og tre milliarder aktiverte, og produsenten presenterer den som en lettvektsmodell som balanserer ferdigheter og effektivitet. Den tar imot tekst og genererer tekst. Produsenten fremhever spesielt programvareutvikling, kinesisk skriving, oversettelse, behandling av lange tekster og rollebasert samtale. En nyttig brief kan be om et kodeforslag, et revidert tekstutdrag, en forklaring eller et strukturert resultat forankret i materialet som er gitt.
For utvikling angir Z.ai både grensesnittoppgaver og oppgaver innen applikasjonslogikk for denne Flash-utgaven. Gi atferden som skal implementeres, relevant kilde og betingelsene som må forbli intakte. For en side eller komponent beskriver du tilstandene, oppsettet og nødvendig samhandling og ber deretter om redigerbar kode og en forklaring av de viktige valgene. For en eksisterende funksjon tar du med den observerte feilen og et eksempel på forventet resultat. Modellen produserer den foreslåtte koden; kompilering, kjøring eller gjengivelse av grensesnittet hører til et tilkoblet applikasjonsmiljø.
Den produsentdriftede profilen for GLM-4.7-serien angir tekst inn, tekst ut, en kontekst på 200K tokener og opptil 128K utdatatokener for Flash. Kortet for den åpne modellen og vertsprofilen beskriver ulike sider av den samme navngitte utgaven: kontrollpunktegenskaper og en tjenestekonfigurasjon hos produsenten. Forbered lange inndata med kildeoverskrifter, kodeidentifikatorer og tydelige dokumentgrenser, og sett av plass til resonneringen og det ønskede svaret. En modell som bare behandler tekst kan skrive kode for en applikasjon som behandler bilder eller kamerainndata, men det gir ikke dette kontrollpunktet en innebygd modus for visuelle inndata.
Resonnering er aktivert som standard i GLM-4.7-serien. Produsenten dokumenterer en bryter per samtalerunde slik at en samtale kan be om resonnering for et vanskelig spørsmål og deaktivere den for en enkel omskriving eller et kort svar. Den støtter også innflettet tenkning mellom verktøykall, slik at modellen kan tolke en returnert observasjon før den planlegger neste trinn. Definer de tilgjengelige verktøyene og det nødvendige sluttproduktet før du starter en slik oppgave. En dokumentassistent kan be om utvalgt informasjon, motta det faktiske uthentingsresultatet og deretter utarbeide en forklaring støttet av dette resultatet.
Bevart tenkning er et eget alternativ for vedvarende kodings- eller agentarbeid. Produsentens veiledning bruker clear_thinking=false og krever at hele den uendrede reasoning_content fra tidligere assistentrunder returneres i opprinnelig rekkefølge. Å endre eller omorganisere disse blokkene kan svekke resultatet og påvirke bufringsatferden. Standardverdien varierer mellom produsentens kodingsgrensesnitt og standardgrensesnitt, så alternativet er en konfigurert arbeidsflyt fremfor en automatisk egenskap ved hver samtale. Hold det synlige svaret atskilt fra bevart resonnering, og bevar bevisene eller verktøyutdataene senere trinn avhenger av.
Familiens dokumenterte grensesnitt omfatter strømmende tekst, funksjonskall, kontekstbufring og strukturerte utdata som JSON. For et strukturert resultat gir du nødvendige felt og hva hver verdi representerer; for en verktøyforespørsel definerer du funksjonens formål, argumenter og fullføringsbetingelse. Et generert kall er en forespørsel om at applikasjonen skal handle, fremfor bevis på utførelse. Sluttresultatet kan være en kort rapport, et dataobjekt eller en kodeleveranse, der informasjonen som ble brukt til å produsere det fortsatt kan identifiseres.
For skriving eller oversettelse angir du leseren, språket, tonen og begrepene som skal forbli uendret. Produsenten anbefaler å prøve Flash til kinesisk skriving og fortellende eller rollebasert dialog i tillegg til teknisk arbeid. En illustrerende redigeringsbrief kan gi et tekstutdrag og be om en kort revidering som bevarer faktaene; en oversettelsesbrief kan gi en ordliste og skille sitert tekst fra instruksjoner. I en lengre samtale beholder du begrensningene og angir neste resultat som trengs, slik at modellens svar forblir knyttet til den opprinnelige oppgaven.
Det nøyaktige kortet for den åpne modellen publiserer ulike genereringsinnstillinger for evalueringsoppgavene sine: standard temperature på 1.0 og top-p på 0.95, med separate innstillinger for programvareoppgaver på 0.7 og 1.0. Genereringslengdene i eksemplene er del av disse prosedyrene, ikke ytterligere universelle grenser. Kontrollpunktet er forskjellig fra GLM-4.7, GLM-4.7-FlashX og senere GLM-5-modeller. Tilpass oppgaven og svarmodusen til denne utgavens dokumenterte tekstferdigheter og vurder deretter levert kode, uthentede verdier eller revidert tekst mot inndataene.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser z-ai/glm-4.7-flash | 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 $0.000144 / 1K tokener Utdata · Utgående tokener $0.000858 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.00002 / 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 $0.000144 / 1K tokener Utdata · Utgående tokener $0.000858 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.00002 / 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-4.7-flash", "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-4.7-flash',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-4.7-flash',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-4.7-flash
Bruk metodestiene som vises ovenfor.
z-ai/glm-4.7-flashGLM-4.7-Flash er Z.ai sin 30B-A3B-tekstmodell med ekspertblanding for koding, lange tekster, kinesisk skriving og oversettelse. Den støtter resonnering og verktøystyrte arbeidsflyter, med en produsentdriftet profil på 200K konteksttokener og opptil 128K utdata.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
GLM-4.7-Flash er 30B-A3B-utgaven med ekspertblanding i Z.ai sin GLM-4.7-familie. Den sparsomme designen har omtrent 30 milliarder parametere totalt og tre milliarder aktiverte, og produsenten presenterer den som en lettvektsmodell som balanserer ferdigheter og effektivitet. Den tar imot tekst og genererer tekst. Produsenten fremhever spesielt programvareutvikling, kinesisk skriving, oversettelse, behandling av lange tekster og rollebasert samtale. En nyttig brief kan be om et kodeforslag, et revidert tekstutdrag, en forklaring eller et strukturert resultat forankret i materialet som er gitt.
For utvikling angir Z.ai både grensesnittoppgaver og oppgaver innen applikasjonslogikk for denne Flash-utgaven. Gi atferden som skal implementeres, relevant kilde og betingelsene som må forbli intakte. For en side eller komponent beskriver du tilstandene, oppsettet og nødvendig samhandling og ber deretter om redigerbar kode og en forklaring av de viktige valgene. For en eksisterende funksjon tar du med den observerte feilen og et eksempel på forventet resultat. Modellen produserer den foreslåtte koden; kompilering, kjøring eller gjengivelse av grensesnittet hører til et tilkoblet applikasjonsmiljø.
Den produsentdriftede profilen for GLM-4.7-serien angir tekst inn, tekst ut, en kontekst på 200K tokener og opptil 128K utdatatokener for Flash. Kortet for den åpne modellen og vertsprofilen beskriver ulike sider av den samme navngitte utgaven: kontrollpunktegenskaper og en tjenestekonfigurasjon hos produsenten. Forbered lange inndata med kildeoverskrifter, kodeidentifikatorer og tydelige dokumentgrenser, og sett av plass til resonneringen og det ønskede svaret. En modell som bare behandler tekst kan skrive kode for en applikasjon som behandler bilder eller kamerainndata, men det gir ikke dette kontrollpunktet en innebygd modus for visuelle inndata.
Resonnering er aktivert som standard i GLM-4.7-serien. Produsenten dokumenterer en bryter per samtalerunde slik at en samtale kan be om resonnering for et vanskelig spørsmål og deaktivere den for en enkel omskriving eller et kort svar. Den støtter også innflettet tenkning mellom verktøykall, slik at modellen kan tolke en returnert observasjon før den planlegger neste trinn. Definer de tilgjengelige verktøyene og det nødvendige sluttproduktet før du starter en slik oppgave. En dokumentassistent kan be om utvalgt informasjon, motta det faktiske uthentingsresultatet og deretter utarbeide en forklaring støttet av dette resultatet.
Bevart tenkning er et eget alternativ for vedvarende kodings- eller agentarbeid. Produsentens veiledning bruker clear_thinking=false og krever at hele den uendrede reasoning_content fra tidligere assistentrunder returneres i opprinnelig rekkefølge. Å endre eller omorganisere disse blokkene kan svekke resultatet og påvirke bufringsatferden. Standardverdien varierer mellom produsentens kodingsgrensesnitt og standardgrensesnitt, så alternativet er en konfigurert arbeidsflyt fremfor en automatisk egenskap ved hver samtale. Hold det synlige svaret atskilt fra bevart resonnering, og bevar bevisene eller verktøyutdataene senere trinn avhenger av.
Familiens dokumenterte grensesnitt omfatter strømmende tekst, funksjonskall, kontekstbufring og strukturerte utdata som JSON. For et strukturert resultat gir du nødvendige felt og hva hver verdi representerer; for en verktøyforespørsel definerer du funksjonens formål, argumenter og fullføringsbetingelse. Et generert kall er en forespørsel om at applikasjonen skal handle, fremfor bevis på utførelse. Sluttresultatet kan være en kort rapport, et dataobjekt eller en kodeleveranse, der informasjonen som ble brukt til å produsere det fortsatt kan identifiseres.
For skriving eller oversettelse angir du leseren, språket, tonen og begrepene som skal forbli uendret. Produsenten anbefaler å prøve Flash til kinesisk skriving og fortellende eller rollebasert dialog i tillegg til teknisk arbeid. En illustrerende redigeringsbrief kan gi et tekstutdrag og be om en kort revidering som bevarer faktaene; en oversettelsesbrief kan gi en ordliste og skille sitert tekst fra instruksjoner. I en lengre samtale beholder du begrensningene og angir neste resultat som trengs, slik at modellens svar forblir knyttet til den opprinnelige oppgaven.
Det nøyaktige kortet for den åpne modellen publiserer ulike genereringsinnstillinger for evalueringsoppgavene sine: standard temperature på 1.0 og top-p på 0.95, med separate innstillinger for programvareoppgaver på 0.7 og 1.0. Genereringslengdene i eksemplene er del av disse prosedyrene, ikke ytterligere universelle grenser. Kontrollpunktet er forskjellig fra GLM-4.7, GLM-4.7-FlashX og senere GLM-5-modeller. Tilpass oppgaven og svarmodusen til denne utgavens dokumenterte tekstferdigheter og vurder deretter levert kode, uthentede verdier eller revidert tekst mot inndataene.
POST /v1/messagestextjson, sse| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser z-ai/glm-4.7-flash | 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 $0.000144 / 1K tokener Utdata · Utgående tokener $0.000858 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.00002 / 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 $0.000144 / 1K tokener Utdata · Utgående tokener $0.000858 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.00002 / 1K tokener Inndata · Skriving til hurtigbuffer $0 / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
Ailoot reserverer et estimert beløp før en forespørsel. Etter resultatet gjøres det endelige beløpet opp basert på målt forbruk. Oppgjør for strømming bruker den endelige forbruksposten. Slik fungerer reservasjon og oppgjør →
{\n "model": "z-ai/glm-4.7-flash",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-4.7-flash', '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-4.7-flash', '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-4.7-flash
Bruk metodestiene som vises ovenfor.
Teknisk eksempel på engelsk
Translate a notice with a fixed glossary\n\nTranslate this Chinese notice into English: '订单已审核，但尚未发货。更改收货地址需要重新审核。' Use this glossary consistently: 审核 = review; 发货 = dispatch; 收货地址 = delivery address. Write a clear customer-facing notice and preserve the distinction between completed review and pending dispatch. Do not add a dispatch date or an approval guarantee.A concise English notice applying the glossary and preserving the two different order states.The translation retains the requirement for another review after an address change and does not state that dispatch occurred.