GLM-5V-Turbo knytter visuell forståelse til programvareutvikling og agentarbeid. Z.ai oppgir bilder, video, tekst og filer som inndata og tekst som utdata. Profilen har en kontekst på 200K tokener og opptil 128K utdatatokener. En oppgave kan kombinere et skjermbilde eller et design med krav og be om kode, en visuell forklaring eller et dokumentbasert resultat. Dette er en annen utgave enn GLM-5.3-Flash.
Rekonstruksjon av brukergrensesnitt er et hovedbruksområde. Produsenten beskriver gjenkjenning av oppsett, farger, komponenthierarki og samhandlingslogikk fra designskisser. Gi referansetilstandene, nødvendige funksjoner og begrensninger, og be deretter om redigerbar kode og en forklaring. Et skjermbilde av en side med feil kan bidra til å identifisere feiljustering, overlappende komponenter eller farger som ikke samsvarer. Applikasjonen gjengir forslaget og leverer det faktiske resultatet for videre tolkning.
En GUI-arbeidsflyt kan omfatte mer enn ett skjermbilde. Produsenten beskriver utforsking av sideoverganger og visuelle ressurser og bruk av funnene til å utarbeide kode. Definer målet og tilgjengelige handlinger, returner endrede skjermbilder eller observasjoner og angi den ferdige leveransen. Modellen planlegger ut fra denne tilbakemeldingen; applikasjonen utfører navigasjon, klikk eller andre operasjoner. Et svar som beskriver en handling er ikke bevis på at den er utført.
Produsenten beskriver sammensmelting av visuell informasjon og tekst, en CogViT-visjonsenkoder og prediksjon av flere tokener, sammen med felles forsterkningslæring på tvers av mer enn 30 oppgavetyper. Dette omfatter STEM, visuell lokalisering, video, GUI og kodingsagenter. Den visuelle verktøykjeden omfatter tegning av rammer, skjermbilder og lesing av sider med bilder. Dette forklarer utviklingsfokuset uten å tilordne et parameterantall eller arkitekturen til en annen modell til denne utgaven.
Offisielt oppgavemateriale dekker bildetekster, visuell lokalisering, dokumentforankret skriving, sammenligning av CV-er med oppgitte krav og utarbeiding av ledetekster fra referansemedier. En dokumentbrief kan navngi felt og be om konklusjoner støttet av tekstutdrag. En brief for visuell lokalisering kan angi objektet og ønsket avgrensningsramme. En oppgave med mediereferanser kan be om en skriftlig ledetekst for en scene eller en stil; denne bruken gjør ikke modellen til en innebygd bilde- eller videogenerator.
Profilen oppgir tenkemoduser, strømming, funksjonskall og kontekstbufring. Definer verktøy og bevar observasjonene deres sammen med det relevante trinnet. Merk kilder, kodebaner og videosekvenser, og sett av plass til resonnering og svaret. Eksemplene kobler medier med et konkret spørsmål. Nøyaktige transportbegrensninger og grensesnittinnstillinger er fortsatt knyttet til den dokumenterte arbeidsflyten, ikke til en GLM-utgave med et lignende navn.
For et brukbart resultat ber du om en angivelse av hvilke sider eller dokumentdeler som er dekket, hva den foreslåtte leveransen inneholder og hvilke forskjeller som fortsatt finnes i bevismaterialet. Produsenten demonstrerer koding av nettsider, oppretting av nettsteder, dokumentforståelse og objektsporing i video. Ferdige prosjekter, redigerte filer og utførte interaksjoner kommer fra applikasjonsmiljøet; modellen utarbeider og forbedrer det tilhørende tekstlige arbeidet.
", "aboutText": "GLM-5V-Turbo knytter visuell forståelse til programvareutvikling og agentarbeid. Z.ai oppgir bilder, video, tekst og filer som inndata og tekst som utdata. Profilen har en kontekst på 200K tokener og opptil 128K utdatatokener. En oppgave kan kombinere et skjermbilde eller et design med krav og be om kode, en visuell forklaring eller et dokumentbasert resultat. Dette er en annen utgave enn GLM-5.3-Flash.\n\nRekonstruksjon av brukergrensesnitt er et hovedbruksområde. Produsenten beskriver gjenkjenning av oppsett, farger, komponenthierarki og samhandlingslogikk fra designskisser. Gi referansetilstandene, nødvendige funksjoner og begrensninger, og be deretter om redigerbar kode og en forklaring. Et skjermbilde av en side med feil kan bidra til å identifisere feiljustering, overlappende komponenter eller farger som ikke samsvarer. Applikasjonen gjengir forslaget og leverer det faktiske resultatet for videre tolkning.\n\nEn GUI-arbeidsflyt kan omfatte mer enn ett skjermbilde. Produsenten beskriver utforsking av sideoverganger og visuelle ressurser og bruk av funnene til å utarbeide kode. Definer målet og tilgjengelige handlinger, returner endrede skjermbilder eller observasjoner og angi den ferdige leveransen. Modellen planlegger ut fra denne tilbakemeldingen; applikasjonen utfører navigasjon, klikk eller andre operasjoner. Et svar som beskriver en handling er ikke bevis på at den er utført.\n\nProdusenten beskriver sammensmelting av visuell informasjon og tekst, en CogViT-visjonsenkoder og prediksjon av flere tokener, sammen med felles forsterkningslæring på tvers av mer enn 30 oppgavetyper. Dette omfatter STEM, visuell lokalisering, video, GUI og kodingsagenter. Den visuelle verktøykjeden omfatter tegning av rammer, skjermbilder og lesing av sider med bilder. Dette forklarer utviklingsfokuset uten å tilordne et parameterantall eller arkitekturen til en annen modell til denne utgaven.\n\nOffisielt oppgavemateriale dekker bildetekster, visuell lokalisering, dokumentforankret skriving, sammenligning av CV-er med oppgitte krav og utarbeiding av ledetekster fra referansemedier. En dokumentbrief kan navngi felt og be om konklusjoner støttet av tekstutdrag. En brief for visuell lokalisering kan angi objektet og ønsket avgrensningsramme. En oppgave med mediereferanser kan be om en skriftlig ledetekst for en scene eller en stil; denne bruken gjør ikke modellen til en innebygd bilde- eller videogenerator.\n\nProfilen oppgir tenkemoduser, strømming, funksjonskall og kontekstbufring. Definer verktøy og bevar observasjonene deres sammen med det relevante trinnet. Merk kilder, kodebaner og videosekvenser, og sett av plass til resonnering og svaret. Eksemplene kobler medier med et konkret spørsmål. Nøyaktige transportbegrensninger og grensesnittinnstillinger er fortsatt knyttet til den dokumenterte arbeidsflyten, ikke til en GLM-utgave med et lignende navn.\n\nFor et brukbart resultat ber du om en angivelse av hvilke sider eller dokumentdeler som er dekket, hva den foreslåtte leveransen inneholder og hvilke forskjeller som fortsatt finnes i bevismaterialet. Produsenten demonstrerer koding av nettsider, oppretting av nettsteder, dokumentforståelse og objektsporing i video. Ferdige prosjekter, redigerte filer og utførte interaksjoner kommer fra applikasjonsmiljøet; modellen utarbeider og forbedrer det tilhørende tekstlige arbeidet.", "editorialOverlay": { "copy_fields": { "practical_html": "Teknisk eksempel på engelsk
Correct a described responsive layout\n\nPropose HTML and CSS for this written mockup: a header with brand text "North Workshop" and a Book visit link; below it, a title "Repair desk" and two service sections. On narrow screens the services stack in reading order. Use semantic elements, preserve exact labels and keep the link keyboard-focusable. Return editable code and inspection criteria.An editable HTML/CSS example with a responsive service layout and explicit visual and keyboard inspection criteria.Render both wide and narrow layouts and inspect reading order, exact labels and visible keyboard focus before using the code.glm-5v-turboGLM-5V-Turbo er Z.ai sin multimodale kodingsmodell for skjermbilder, visuelle referanser, dokumenter og GUI-agenter. Produsentprofilen tar imot bilder, video, tekst og filer, returnerer tekst og angir en kontekst på 200K med opptil 128K utdatatokener.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
GLM-5V-Turbo knytter visuell forståelse til programvareutvikling og agentarbeid. Z.ai oppgir bilder, video, tekst og filer som inndata og tekst som utdata. Profilen har en kontekst på 200K tokener og opptil 128K utdatatokener. En oppgave kan kombinere et skjermbilde eller et design med krav og be om kode, en visuell forklaring eller et dokumentbasert resultat. Dette er en annen utgave enn GLM-5.3-Flash.
Rekonstruksjon av brukergrensesnitt er et hovedbruksområde. Produsenten beskriver gjenkjenning av oppsett, farger, komponenthierarki og samhandlingslogikk fra designskisser. Gi referansetilstandene, nødvendige funksjoner og begrensninger, og be deretter om redigerbar kode og en forklaring. Et skjermbilde av en side med feil kan bidra til å identifisere feiljustering, overlappende komponenter eller farger som ikke samsvarer. Applikasjonen gjengir forslaget og leverer det faktiske resultatet for videre tolkning.
En GUI-arbeidsflyt kan omfatte mer enn ett skjermbilde. Produsenten beskriver utforsking av sideoverganger og visuelle ressurser og bruk av funnene til å utarbeide kode. Definer målet og tilgjengelige handlinger, returner endrede skjermbilder eller observasjoner og angi den ferdige leveransen. Modellen planlegger ut fra denne tilbakemeldingen; applikasjonen utfører navigasjon, klikk eller andre operasjoner. Et svar som beskriver en handling er ikke bevis på at den er utført.
Produsenten beskriver sammensmelting av visuell informasjon og tekst, en CogViT-visjonsenkoder og prediksjon av flere tokener, sammen med felles forsterkningslæring på tvers av mer enn 30 oppgavetyper. Dette omfatter STEM, visuell lokalisering, video, GUI og kodingsagenter. Den visuelle verktøykjeden omfatter tegning av rammer, skjermbilder og lesing av sider med bilder. Dette forklarer utviklingsfokuset uten å tilordne et parameterantall eller arkitekturen til en annen modell til denne utgaven.
Offisielt oppgavemateriale dekker bildetekster, visuell lokalisering, dokumentforankret skriving, sammenligning av CV-er med oppgitte krav og utarbeiding av ledetekster fra referansemedier. En dokumentbrief kan navngi felt og be om konklusjoner støttet av tekstutdrag. En brief for visuell lokalisering kan angi objektet og ønsket avgrensningsramme. En oppgave med mediereferanser kan be om en skriftlig ledetekst for en scene eller en stil; denne bruken gjør ikke modellen til en innebygd bilde- eller videogenerator.
Profilen oppgir tenkemoduser, strømming, funksjonskall og kontekstbufring. Definer verktøy og bevar observasjonene deres sammen med det relevante trinnet. Merk kilder, kodebaner og videosekvenser, og sett av plass til resonnering og svaret. Eksemplene kobler medier med et konkret spørsmål. Nøyaktige transportbegrensninger og grensesnittinnstillinger er fortsatt knyttet til den dokumenterte arbeidsflyten, ikke til en GLM-utgave med et lignende navn.
For et brukbart resultat ber du om en angivelse av hvilke sider eller dokumentdeler som er dekket, hva den foreslåtte leveransen inneholder og hvilke forskjeller som fortsatt finnes i bevismaterialet. Produsenten demonstrerer koding av nettsider, oppretting av nettsteder, dokumentforståelse og objektsporing i video. Ferdige prosjekter, redigerte filer og utførte interaksjoner kommer fra applikasjonsmiljøet; modellen utarbeider og forbedrer det tilhørende tekstlige arbeidet.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser glm-5v-turbo | Standard— |
Feltmessages | Typemessage[] | KravPåkrevd | Verdier & grenser Minste antall elementer: 1 | Standard— |
Feltmessages[].role | Typestring | KravPåkrevd | Verdier & grenser Avhenger av modellen | Standard— |
Feltmessages[].content | Typestring | KravValgfritt | Verdier & grenser Gjelder når: Tekstsamtale | Standard— |
Feltstream | Typeboolean | KravValgfritt | Verdier & grenser | Standardfalse |
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 |
Parametercontrol_scope | AvtaleTekstsamtale; stream er en boolsk verdi med false som standard. |
Parameteroutput_modalities | Avtaletext |
Parameterhosted_operations | Avtalefalse |
Parametermultimodal_input_binding | Avtalenull |
Metodealiaser: /chat/completions
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 $0.0024 / 1K tokener Utdata · Utgående tokener $0.008 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.00048 / 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 $0.0024 / 1K tokener Utdata · Utgående tokener $0.008 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.00048 / 1K tokener Inndata · Skriving til hurtigbuffer — / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
Ailoot reserverer et estimert beløp før en forespørsel. Etter resultatet gjøres det endelige beløpet opp basert på målt forbruk. Oppgjør for strømming bruker den endelige forbruksposten. Slik fungerer reservasjon og oppgjør →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model":"glm-5v-turbo","messages":[{"role":"user","content":"hello"}],"stream":false}')\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="glm-5v-turbo", messages=[{"role":"user","content":"hello"}], stream=False)\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"))\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 glm-5v-turbo, z-ai/glm-5v-turbo
/chat/completions
glm-5v-turboGLM-5V-Turbo er Z.ai sin multimodale kodingsmodell for skjermbilder, visuelle referanser, dokumenter og GUI-agenter. Produsentprofilen tar imot bilder, video, tekst og filer, returnerer tekst og angir en kontekst på 200K med opptil 128K utdatatokener.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
GLM-5V-Turbo knytter visuell forståelse til programvareutvikling og agentarbeid. Z.ai oppgir bilder, video, tekst og filer som inndata og tekst som utdata. Profilen har en kontekst på 200K tokener og opptil 128K utdatatokener. En oppgave kan kombinere et skjermbilde eller et design med krav og be om kode, en visuell forklaring eller et dokumentbasert resultat. Dette er en annen utgave enn GLM-5.3-Flash.
Rekonstruksjon av brukergrensesnitt er et hovedbruksområde. Produsenten beskriver gjenkjenning av oppsett, farger, komponenthierarki og samhandlingslogikk fra designskisser. Gi referansetilstandene, nødvendige funksjoner og begrensninger, og be deretter om redigerbar kode og en forklaring. Et skjermbilde av en side med feil kan bidra til å identifisere feiljustering, overlappende komponenter eller farger som ikke samsvarer. Applikasjonen gjengir forslaget og leverer det faktiske resultatet for videre tolkning.
En GUI-arbeidsflyt kan omfatte mer enn ett skjermbilde. Produsenten beskriver utforsking av sideoverganger og visuelle ressurser og bruk av funnene til å utarbeide kode. Definer målet og tilgjengelige handlinger, returner endrede skjermbilder eller observasjoner og angi den ferdige leveransen. Modellen planlegger ut fra denne tilbakemeldingen; applikasjonen utfører navigasjon, klikk eller andre operasjoner. Et svar som beskriver en handling er ikke bevis på at den er utført.
Produsenten beskriver sammensmelting av visuell informasjon og tekst, en CogViT-visjonsenkoder og prediksjon av flere tokener, sammen med felles forsterkningslæring på tvers av mer enn 30 oppgavetyper. Dette omfatter STEM, visuell lokalisering, video, GUI og kodingsagenter. Den visuelle verktøykjeden omfatter tegning av rammer, skjermbilder og lesing av sider med bilder. Dette forklarer utviklingsfokuset uten å tilordne et parameterantall eller arkitekturen til en annen modell til denne utgaven.
Offisielt oppgavemateriale dekker bildetekster, visuell lokalisering, dokumentforankret skriving, sammenligning av CV-er med oppgitte krav og utarbeiding av ledetekster fra referansemedier. En dokumentbrief kan navngi felt og be om konklusjoner støttet av tekstutdrag. En brief for visuell lokalisering kan angi objektet og ønsket avgrensningsramme. En oppgave med mediereferanser kan be om en skriftlig ledetekst for en scene eller en stil; denne bruken gjør ikke modellen til en innebygd bilde- eller videogenerator.
Profilen oppgir tenkemoduser, strømming, funksjonskall og kontekstbufring. Definer verktøy og bevar observasjonene deres sammen med det relevante trinnet. Merk kilder, kodebaner og videosekvenser, og sett av plass til resonnering og svaret. Eksemplene kobler medier med et konkret spørsmål. Nøyaktige transportbegrensninger og grensesnittinnstillinger er fortsatt knyttet til den dokumenterte arbeidsflyten, ikke til en GLM-utgave med et lignende navn.
For et brukbart resultat ber du om en angivelse av hvilke sider eller dokumentdeler som er dekket, hva den foreslåtte leveransen inneholder og hvilke forskjeller som fortsatt finnes i bevismaterialet. Produsenten demonstrerer koding av nettsider, oppretting av nettsteder, dokumentforståelse og objektsporing i video. Ferdige prosjekter, redigerte filer og utførte interaksjoner kommer fra applikasjonsmiljøet; modellen utarbeider og forbedrer det tilhørende tekstlige arbeidet.
POST /v1/messagestextjson, sse| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser glm-5v-turbo | 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 $0.0024 / 1K tokener Utdata · Utgående tokener $0.008 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.00048 / 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 $0.0024 / 1K tokener Utdata · Utgående tokener $0.008 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.00048 / 1K tokener Inndata · Skriving til hurtigbuffer — / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
Ailoot reserverer et estimert beløp før en forespørsel. Etter resultatet gjøres det endelige beløpet opp basert på målt forbruk. Oppgjør for strømming bruker den endelige forbruksposten. Slik fungerer reservasjon og oppgjør →
{\n "model": "glm-5v-turbo",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'glm-5v-turbo', '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': 'glm-5v-turbo', '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 glm-5v-turbo, z-ai/glm-5v-turbo
/chat/completions
z-ai/glm-5v-turboGLM-5V-Turbo er Z.ai sin multimodale kodingsmodell for skjermbilder, visuelle referanser, dokumenter og GUI-agenter. Produsentprofilen tar imot bilder, video, tekst og filer, returnerer tekst og angir en kontekst på 200K med opptil 128K utdatatokener.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
GLM-5V-Turbo knytter visuell forståelse til programvareutvikling og agentarbeid. Z.ai oppgir bilder, video, tekst og filer som inndata og tekst som utdata. Profilen har en kontekst på 200K tokener og opptil 128K utdatatokener. En oppgave kan kombinere et skjermbilde eller et design med krav og be om kode, en visuell forklaring eller et dokumentbasert resultat. Dette er en annen utgave enn GLM-5.3-Flash.
Rekonstruksjon av brukergrensesnitt er et hovedbruksområde. Produsenten beskriver gjenkjenning av oppsett, farger, komponenthierarki og samhandlingslogikk fra designskisser. Gi referansetilstandene, nødvendige funksjoner og begrensninger, og be deretter om redigerbar kode og en forklaring. Et skjermbilde av en side med feil kan bidra til å identifisere feiljustering, overlappende komponenter eller farger som ikke samsvarer. Applikasjonen gjengir forslaget og leverer det faktiske resultatet for videre tolkning.
En GUI-arbeidsflyt kan omfatte mer enn ett skjermbilde. Produsenten beskriver utforsking av sideoverganger og visuelle ressurser og bruk av funnene til å utarbeide kode. Definer målet og tilgjengelige handlinger, returner endrede skjermbilder eller observasjoner og angi den ferdige leveransen. Modellen planlegger ut fra denne tilbakemeldingen; applikasjonen utfører navigasjon, klikk eller andre operasjoner. Et svar som beskriver en handling er ikke bevis på at den er utført.
Produsenten beskriver sammensmelting av visuell informasjon og tekst, en CogViT-visjonsenkoder og prediksjon av flere tokener, sammen med felles forsterkningslæring på tvers av mer enn 30 oppgavetyper. Dette omfatter STEM, visuell lokalisering, video, GUI og kodingsagenter. Den visuelle verktøykjeden omfatter tegning av rammer, skjermbilder og lesing av sider med bilder. Dette forklarer utviklingsfokuset uten å tilordne et parameterantall eller arkitekturen til en annen modell til denne utgaven.
Offisielt oppgavemateriale dekker bildetekster, visuell lokalisering, dokumentforankret skriving, sammenligning av CV-er med oppgitte krav og utarbeiding av ledetekster fra referansemedier. En dokumentbrief kan navngi felt og be om konklusjoner støttet av tekstutdrag. En brief for visuell lokalisering kan angi objektet og ønsket avgrensningsramme. En oppgave med mediereferanser kan be om en skriftlig ledetekst for en scene eller en stil; denne bruken gjør ikke modellen til en innebygd bilde- eller videogenerator.
Profilen oppgir tenkemoduser, strømming, funksjonskall og kontekstbufring. Definer verktøy og bevar observasjonene deres sammen med det relevante trinnet. Merk kilder, kodebaner og videosekvenser, og sett av plass til resonnering og svaret. Eksemplene kobler medier med et konkret spørsmål. Nøyaktige transportbegrensninger og grensesnittinnstillinger er fortsatt knyttet til den dokumenterte arbeidsflyten, ikke til en GLM-utgave med et lignende navn.
For et brukbart resultat ber du om en angivelse av hvilke sider eller dokumentdeler som er dekket, hva den foreslåtte leveransen inneholder og hvilke forskjeller som fortsatt finnes i bevismaterialet. Produsenten demonstrerer koding av nettsider, oppretting av nettsteder, dokumentforståelse og objektsporing i video. Ferdige prosjekter, redigerte filer og utførte interaksjoner kommer fra applikasjonsmiljøet; modellen utarbeider og forbedrer det tilhørende tekstlige arbeidet.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser z-ai/glm-5v-turbo | 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 $0.0024 / 1K tokener Utdata · Utgående tokener $0.008 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.00048 / 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 $0.0024 / 1K tokener Utdata · Utgående tokener $0.008 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.00048 / 1K tokener Inndata · Skriving til hurtigbuffer — / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
Ailoot reserverer et estimert beløp før en forespørsel. Etter resultatet gjøres det endelige beløpet opp basert på målt forbruk. Oppgjør for strømming bruker den endelige forbruksposten. Slik fungerer reservasjon og oppgjør →
set -eu\n: "${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-5v-turbo", "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-5v-turbo',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-5v-turbo',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 glm-5v-turbo, z-ai/glm-5v-turbo
/chat/completions
z-ai/glm-5v-turboGLM-5V-Turbo er Z.ai sin multimodale kodingsmodell for skjermbilder, visuelle referanser, dokumenter og GUI-agenter. Produsentprofilen tar imot bilder, video, tekst og filer, returnerer tekst og angir en kontekst på 200K med opptil 128K utdatatokener.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
GLM-5V-Turbo knytter visuell forståelse til programvareutvikling og agentarbeid. Z.ai oppgir bilder, video, tekst og filer som inndata og tekst som utdata. Profilen har en kontekst på 200K tokener og opptil 128K utdatatokener. En oppgave kan kombinere et skjermbilde eller et design med krav og be om kode, en visuell forklaring eller et dokumentbasert resultat. Dette er en annen utgave enn GLM-5.3-Flash.
Rekonstruksjon av brukergrensesnitt er et hovedbruksområde. Produsenten beskriver gjenkjenning av oppsett, farger, komponenthierarki og samhandlingslogikk fra designskisser. Gi referansetilstandene, nødvendige funksjoner og begrensninger, og be deretter om redigerbar kode og en forklaring. Et skjermbilde av en side med feil kan bidra til å identifisere feiljustering, overlappende komponenter eller farger som ikke samsvarer. Applikasjonen gjengir forslaget og leverer det faktiske resultatet for videre tolkning.
En GUI-arbeidsflyt kan omfatte mer enn ett skjermbilde. Produsenten beskriver utforsking av sideoverganger og visuelle ressurser og bruk av funnene til å utarbeide kode. Definer målet og tilgjengelige handlinger, returner endrede skjermbilder eller observasjoner og angi den ferdige leveransen. Modellen planlegger ut fra denne tilbakemeldingen; applikasjonen utfører navigasjon, klikk eller andre operasjoner. Et svar som beskriver en handling er ikke bevis på at den er utført.
Produsenten beskriver sammensmelting av visuell informasjon og tekst, en CogViT-visjonsenkoder og prediksjon av flere tokener, sammen med felles forsterkningslæring på tvers av mer enn 30 oppgavetyper. Dette omfatter STEM, visuell lokalisering, video, GUI og kodingsagenter. Den visuelle verktøykjeden omfatter tegning av rammer, skjermbilder og lesing av sider med bilder. Dette forklarer utviklingsfokuset uten å tilordne et parameterantall eller arkitekturen til en annen modell til denne utgaven.
Offisielt oppgavemateriale dekker bildetekster, visuell lokalisering, dokumentforankret skriving, sammenligning av CV-er med oppgitte krav og utarbeiding av ledetekster fra referansemedier. En dokumentbrief kan navngi felt og be om konklusjoner støttet av tekstutdrag. En brief for visuell lokalisering kan angi objektet og ønsket avgrensningsramme. En oppgave med mediereferanser kan be om en skriftlig ledetekst for en scene eller en stil; denne bruken gjør ikke modellen til en innebygd bilde- eller videogenerator.
Profilen oppgir tenkemoduser, strømming, funksjonskall og kontekstbufring. Definer verktøy og bevar observasjonene deres sammen med det relevante trinnet. Merk kilder, kodebaner og videosekvenser, og sett av plass til resonnering og svaret. Eksemplene kobler medier med et konkret spørsmål. Nøyaktige transportbegrensninger og grensesnittinnstillinger er fortsatt knyttet til den dokumenterte arbeidsflyten, ikke til en GLM-utgave med et lignende navn.
For et brukbart resultat ber du om en angivelse av hvilke sider eller dokumentdeler som er dekket, hva den foreslåtte leveransen inneholder og hvilke forskjeller som fortsatt finnes i bevismaterialet. Produsenten demonstrerer koding av nettsider, oppretting av nettsteder, dokumentforståelse og objektsporing i video. Ferdige prosjekter, redigerte filer og utførte interaksjoner kommer fra applikasjonsmiljøet; modellen utarbeider og forbedrer det tilhørende tekstlige arbeidet.
POST /v1/messagestextjson, sse| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser z-ai/glm-5v-turbo | 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 $0.0024 / 1K tokener Utdata · Utgående tokener $0.008 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.00048 / 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 $0.0024 / 1K tokener Utdata · Utgående tokener $0.008 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.00048 / 1K tokener Inndata · Skriving til hurtigbuffer — / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
Ailoot reserverer et estimert beløp før en forespørsel. Etter resultatet gjøres det endelige beløpet opp basert på målt forbruk. Oppgjør for strømming bruker den endelige forbruksposten. Slik fungerer reservasjon og oppgjør →
{\n "model": "z-ai/glm-5v-turbo",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-5v-turbo', '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-5v-turbo', '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 glm-5v-turbo, z-ai/glm-5v-turbo
/chat/completions
Teknisk eksempel på engelsk
Correct a described responsive layout\n\nPropose HTML and CSS for this written mockup: a header with brand text "North Workshop" and a Book visit link; below it, a title "Repair desk" and two service sections. On narrow screens the services stack in reading order. Use semantic elements, preserve exact labels and keep the link keyboard-focusable. Return editable code and inspection criteria.An editable HTML/CSS example with a responsive service layout and explicit visual and keyboard inspection criteria.Render both wide and narrow layouts and inspect reading order, exact labels and visible keyboard focus before using the code.