GLM 5.3 Prime er den akselererte tekstutgaven i Z.ai sin GLM 5.3-familie. Den tar imot tekst og returnerer tekst, med vekt på koding, strømmende kodegenerering, sanntidssamtale og agentoppgaver over flere samtalerunder. Den publiserte profilen beskriver akselerert inferens samtidig som den underliggende utgavens egenskaper beholdes. En nyttig forespørsel knytter oppgaven, bevismaterialet og leveransen som trengs videre sammen, som en rettelse, en forklaring eller en foreslått handlingsrekke.
Resonnering er fortsatt aktivert i denne profilen. De dokumenterte innsatsvalgene er low, high og max, med max som standard. Velg ønsket dybde sammen med oppgaven: en fokusert kodegjennomgang trenger relevant logikk og observert atferd, mens en endring på prosjektnivå trenger omkringliggende grensesnitt, begrensninger og akseptbetingelser. Hold det faktiske resultatet atskilt fra modellens mellomliggende analyse, slik at en leser kan granske det foreslåtte svaret eller endringen direkte.
Det publiserte kontekstvinduet er 1 000 000 tokener, med opptil 131 072 fullføringstokener. Organiser en lang brief i navngitte deler: kildemateriale, fastslåtte beslutninger, åpne spørsmål og ønsket leveranse. Behold nøyaktige fil- eller utdragsidentifikatorer når svaret må vise tilbake til bevismaterialet. En stor arbeidskontekst bidrar til å holde relatert materiale samlet; et fokusert spørsmål gjør materialet nyttig.
For koding gir du eksisterende atferd, eksempelet som feiler og ønsket atferd etter endringen. Be om en konkret rettelse og valideringstrinnene for den. For en agentoppgave over flere samtalerunder fører du videre fullført arbeid og de nyeste observasjonene, slik at et senere trinn kan fortsette fra resultatet fremfor å rekonstruere oppgaven fra en voksende samtale.
Den publiserte vertskontrakten omfatter funksjonsverktøy og JSON-svarformatering. Definer verktøyene eller resultatfeltene arbeidsflyten trenger. Et verktøykall navngir en handling den omkringliggende applikasjonen skal utføre; den returnerte observasjonen blir bevisgrunnlag for modellens neste trinn. Den dokumenterte JSON-modusen støtter JSON-utdata uten å håndheve et JSON-skjema, så valider nødvendige felt, typer og verdier i applikasjonen.
For en uthentingsoppgave gir du kildeteksten og feltene som skal returneres, inkludert hvordan manglende verdier skal vises. For en planleggingsoppgave ber du om neste handling, inndataene til den og observasjonen som ville fastslå fullføring. Bevar svaret sammen med kildeidentifikatorene og eventuelle faktiske verktøyresultater, slik at leveransen forblir knyttet til arbeidet den beskriver.
", "aboutText": "GLM 5.3 Prime er den akselererte tekstutgaven i Z.ai sin GLM 5.3-familie. Den tar imot tekst og returnerer tekst, med vekt på koding, strømmende kodegenerering, sanntidssamtale og agentoppgaver over flere samtalerunder. Den publiserte profilen beskriver akselerert inferens samtidig som den underliggende utgavens egenskaper beholdes. En nyttig forespørsel knytter oppgaven, bevismaterialet og leveransen som trengs videre sammen, som en rettelse, en forklaring eller en foreslått handlingsrekke.\n\n### Resonnering for en utvidet oppgave\n\nResonnering er fortsatt aktivert i denne profilen. De dokumenterte innsatsvalgene er low, high og max, med max som standard. Velg ønsket dybde sammen med oppgaven: en fokusert kodegjennomgang trenger relevant logikk og observert atferd, mens en endring på prosjektnivå trenger omkringliggende grensesnitt, begrensninger og akseptbetingelser. Hold det faktiske resultatet atskilt fra modellens mellomliggende analyse, slik at en leser kan granske det foreslåtte svaret eller endringen direkte.\n\n### Lang kontekst og avgrensede utdata\n\nDet publiserte kontekstvinduet er 1 000 000 tokener, med opptil 131 072 fullføringstokener. Organiser en lang brief i navngitte deler: kildemateriale, fastslåtte beslutninger, åpne spørsmål og ønsket leveranse. Behold nøyaktige fil- eller utdragsidentifikatorer når svaret må vise tilbake til bevismaterialet. En stor arbeidskontekst bidrar til å holde relatert materiale samlet; et fokusert spørsmål gjør materialet nyttig.\n\nFor koding gir du eksisterende atferd, eksempelet som feiler og ønsket atferd etter endringen. Be om en konkret rettelse og valideringstrinnene for den. For en agentoppgave over flere samtalerunder fører du videre fullført arbeid og de nyeste observasjonene, slik at et senere trinn kan fortsette fra resultatet fremfor å rekonstruere oppgaven fra en voksende samtale.\n\n### Verktøy og strukturerte resultater\n\nDen publiserte vertskontrakten omfatter funksjonsverktøy og JSON-svarformatering. Definer verktøyene eller resultatfeltene arbeidsflyten trenger. Et verktøykall navngir en handling den omkringliggende applikasjonen skal utføre; den returnerte observasjonen blir bevisgrunnlag for modellens neste trinn. Den dokumenterte JSON-modusen støtter JSON-utdata uten å håndheve et JSON-skjema, så valider nødvendige felt, typer og verdier i applikasjonen.\n\nFor en uthentingsoppgave gir du kildeteksten og feltene som skal returneres, inkludert hvordan manglende verdier skal vises. For en planleggingsoppgave ber du om neste handling, inndataene til den og observasjonen som ville fastslå fullføring. Bevar svaret sammen med kildeidentifikatorene og eventuelle faktiske verktøyresultater, slik at leveransen forblir knyttet til arbeidet den beskriver.", "editorialOverlay": { "copy_fields": { "practical_html": "Teknisk eksempel på engelsk
Choose the next debugging action\n\nContinue this debugging task from supplied observations. Goal: imports preserve accented names. [SOURCE] CSV is read with encoding='ascii', errors='replace'. [TEST] 'José' becomes 'Jos?'. [DECISION] Input files are UTF-8. Propose the next code change, identify its exact inputs and define the observation that would establish completion. Include one negative case for malformed UTF-8; do not report an unexecuted pass.A focused code proposal plus a next-action record containing inputs, expected verification evidence and a malformed-input case.Check the proposal preserves accented text and makes malformed-input handling explicit rather than silently replacing bytes.z-ai/glm-5.3-primeGLM 5.3 Prime er Z.ai sin akselererte tekstmodell for koding, samtale og utvidede agentarbeidsflyter. Den kombinerer en kontekst på én million tokener med kontinuerlig resonnering og støtter innsatsnivåene low, high og max, med max som dokumentert standard.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
GLM 5.3 Prime er den akselererte tekstutgaven i Z.ai sin GLM 5.3-familie. Den tar imot tekst og returnerer tekst, med vekt på koding, strømmende kodegenerering, sanntidssamtale og agentoppgaver over flere samtalerunder. Den publiserte profilen beskriver akselerert inferens samtidig som den underliggende utgavens egenskaper beholdes. En nyttig forespørsel knytter oppgaven, bevismaterialet og leveransen som trengs videre sammen, som en rettelse, en forklaring eller en foreslått handlingsrekke.
Resonnering er fortsatt aktivert i denne profilen. De dokumenterte innsatsvalgene er low, high og max, med max som standard. Velg ønsket dybde sammen med oppgaven: en fokusert kodegjennomgang trenger relevant logikk og observert atferd, mens en endring på prosjektnivå trenger omkringliggende grensesnitt, begrensninger og akseptbetingelser. Hold det faktiske resultatet atskilt fra modellens mellomliggende analyse, slik at en leser kan granske det foreslåtte svaret eller endringen direkte.
Det publiserte kontekstvinduet er 1 000 000 tokener, med opptil 131 072 fullføringstokener. Organiser en lang brief i navngitte deler: kildemateriale, fastslåtte beslutninger, åpne spørsmål og ønsket leveranse. Behold nøyaktige fil- eller utdragsidentifikatorer når svaret må vise tilbake til bevismaterialet. En stor arbeidskontekst bidrar til å holde relatert materiale samlet; et fokusert spørsmål gjør materialet nyttig.
For koding gir du eksisterende atferd, eksempelet som feiler og ønsket atferd etter endringen. Be om en konkret rettelse og valideringstrinnene for den. For en agentoppgave over flere samtalerunder fører du videre fullført arbeid og de nyeste observasjonene, slik at et senere trinn kan fortsette fra resultatet fremfor å rekonstruere oppgaven fra en voksende samtale.
Den publiserte vertskontrakten omfatter funksjonsverktøy og JSON-svarformatering. Definer verktøyene eller resultatfeltene arbeidsflyten trenger. Et verktøykall navngir en handling den omkringliggende applikasjonen skal utføre; den returnerte observasjonen blir bevisgrunnlag for modellens neste trinn. Den dokumenterte JSON-modusen støtter JSON-utdata uten å håndheve et JSON-skjema, så valider nødvendige felt, typer og verdier i applikasjonen.
For en uthentingsoppgave gir du kildeteksten og feltene som skal returneres, inkludert hvordan manglende verdier skal vises. For en planleggingsoppgave ber du om neste handling, inndataene til den og observasjonen som ville fastslå fullføring. Bevar svaret sammen med kildeidentifikatorene og eventuelle faktiske verktøyresultater, slik at leveransen forblir knyttet til arbeidet den beskriver.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser z-ai/glm-5.3-prime | 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 $0.0056 / 1K tokener Utdata · Utgående tokener $0.0176 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.00112 / 1K tokener Inndata · Skriving til hurtigbuffer — / 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 $0.0056 / 1K tokener Utdata · Utgående tokener $0.0176 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.00112 / 1K tokener Inndata · Skriving til hurtigbuffer — / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
Ailoot reserverer et estimert beløp før en forespørsel. Etter resultatet gjøres det endelige beløpet opp basert på målt forbruk. Oppgjør for strømming bruker den endelige forbruksposten. Slik fungerer reservasjon og oppgjør →
set -eu\n: "${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-5.3-prime", "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-5.3-prime',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-5.3-prime',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-5.3-prime
Bruk metodestiene som vises ovenfor.
z-ai/glm-5.3-primeGLM 5.3 Prime er Z.ai sin akselererte tekstmodell for koding, samtale og utvidede agentarbeidsflyter. Den kombinerer en kontekst på én million tokener med kontinuerlig resonnering og støtter innsatsnivåene low, high og max, med max som dokumentert standard.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
GLM 5.3 Prime er den akselererte tekstutgaven i Z.ai sin GLM 5.3-familie. Den tar imot tekst og returnerer tekst, med vekt på koding, strømmende kodegenerering, sanntidssamtale og agentoppgaver over flere samtalerunder. Den publiserte profilen beskriver akselerert inferens samtidig som den underliggende utgavens egenskaper beholdes. En nyttig forespørsel knytter oppgaven, bevismaterialet og leveransen som trengs videre sammen, som en rettelse, en forklaring eller en foreslått handlingsrekke.
Resonnering er fortsatt aktivert i denne profilen. De dokumenterte innsatsvalgene er low, high og max, med max som standard. Velg ønsket dybde sammen med oppgaven: en fokusert kodegjennomgang trenger relevant logikk og observert atferd, mens en endring på prosjektnivå trenger omkringliggende grensesnitt, begrensninger og akseptbetingelser. Hold det faktiske resultatet atskilt fra modellens mellomliggende analyse, slik at en leser kan granske det foreslåtte svaret eller endringen direkte.
Det publiserte kontekstvinduet er 1 000 000 tokener, med opptil 131 072 fullføringstokener. Organiser en lang brief i navngitte deler: kildemateriale, fastslåtte beslutninger, åpne spørsmål og ønsket leveranse. Behold nøyaktige fil- eller utdragsidentifikatorer når svaret må vise tilbake til bevismaterialet. En stor arbeidskontekst bidrar til å holde relatert materiale samlet; et fokusert spørsmål gjør materialet nyttig.
For koding gir du eksisterende atferd, eksempelet som feiler og ønsket atferd etter endringen. Be om en konkret rettelse og valideringstrinnene for den. For en agentoppgave over flere samtalerunder fører du videre fullført arbeid og de nyeste observasjonene, slik at et senere trinn kan fortsette fra resultatet fremfor å rekonstruere oppgaven fra en voksende samtale.
Den publiserte vertskontrakten omfatter funksjonsverktøy og JSON-svarformatering. Definer verktøyene eller resultatfeltene arbeidsflyten trenger. Et verktøykall navngir en handling den omkringliggende applikasjonen skal utføre; den returnerte observasjonen blir bevisgrunnlag for modellens neste trinn. Den dokumenterte JSON-modusen støtter JSON-utdata uten å håndheve et JSON-skjema, så valider nødvendige felt, typer og verdier i applikasjonen.
For en uthentingsoppgave gir du kildeteksten og feltene som skal returneres, inkludert hvordan manglende verdier skal vises. For en planleggingsoppgave ber du om neste handling, inndataene til den og observasjonen som ville fastslå fullføring. Bevar svaret sammen med kildeidentifikatorene og eventuelle faktiske verktøyresultater, slik at leveransen forblir knyttet til arbeidet den beskriver.
POST /v1/messagestextjson, sse| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser z-ai/glm-5.3-prime | 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 $0.0056 / 1K tokener Utdata · Utgående tokener $0.0176 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.00112 / 1K tokener Inndata · Skriving til hurtigbuffer — / 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 $0.0056 / 1K tokener Utdata · Utgående tokener $0.0176 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.00112 / 1K tokener Inndata · Skriving til hurtigbuffer — / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
Ailoot reserverer et estimert beløp før en forespørsel. Etter resultatet gjøres det endelige beløpet opp basert på målt forbruk. Oppgjør for strømming bruker den endelige forbruksposten. Slik fungerer reservasjon og oppgjør →
{\n "model": "z-ai/glm-5.3-prime",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-5.3-prime', '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-5.3-prime', '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-5.3-prime
Bruk metodestiene som vises ovenfor.
Teknisk eksempel på engelsk
Choose the next debugging action\n\nContinue this debugging task from supplied observations. Goal: imports preserve accented names. [SOURCE] CSV is read with encoding='ascii', errors='replace'. [TEST] 'José' becomes 'Jos?'. [DECISION] Input files are UTF-8. Propose the next code change, identify its exact inputs and define the observation that would establish completion. Include one negative case for malformed UTF-8; do not report an unexecuted pass.A focused code proposal plus a next-action record containing inputs, expected verification evidence and a malformed-input case.Check the proposal preserves accented text and makes malformed-input handling explicit rather than silently replacing bytes.