GLM-4-Long is het taalmodel van Zhipu AI voor zeer lange teksten en gesprekstaken gericht op geheugen. De producent specificeert tekstinvoer en tekstuitvoer, een contextvenster van 1M en maximaal 4K tokens uitvoer. De nadruk ligt op het lezen, vertalen en analyseren van omvangrijk materiaal en vervolgens een gericht antwoord geven op basis van de aangeleverde inhoud.
Lever de documenttekst samen met de vraag die deze moet beantwoorden. Houd sectiekoppen, pagina- of hoofdstukidentificatoren, datums en tabeleenheden bij de bijbehorende inhoud. Een lang invoervenster is nuttig wanneer een antwoord afhangt van verbanden tussen veel secties, zoals een genoemd doel, de onderbouwing ervan en een uitzondering elders in het document.
De maker beschrijft een geleidelijke contextuitbreiding van 2K tot 1M via voortgezette voortraining, begeleide fijnafstemming en versterkend leren met menselijke feedback. Bepaal voor praktisch werk het te onderzoeken verband voordat u een brede samenvatting vraagt. Een voorbeeldinstructie is: “Vergelijk de voorgestelde architectuur met de implementatiesecties en benoem elk verschil met de bijbehorende bronsectie.” Het resultaat kan een beknopte vergelijking zijn die de oorspronkelijke onderbouwing beschikbaar houdt voor controle.
De producent beveelt aan om jaarverslagen te analyseren, de omzetstructuur, risicotoelichtingen en managementbesprekingen te extraheren en financiële gegevens tussen perioden te vergelijken. Bereid rapporten voor met hun rapportagedatums en consistente labels voor eenheden en valuta. Vraag om een tabel met de gekozen cijfers, de passage achter elke waarde en een afzonderlijke uitleg van de verandering. Zo blijft het onderscheid behouden tussen een gerapporteerd getal en een interpretatie van de ontwikkeling ervan.
Voor wetenschappelijk materiaal kan GLM-4-Long onderzoeksachtergrond, experimentele methoden en conclusies per onderwerp ordenen. Geef de volledige passages die voor de vergelijking nodig zijn, inclusief definities en kwalificaties in een ander hoofdstuk. Een bruikbare uitvoer is een overzicht van beweringen, methoden en onderbouwende secties, gevolgd door vragen die in de aangeleverde tekst onbeantwoord blijven. Houd citaten en de modelanalyse in afzonderlijke velden bij het voorbereiden van een onderzoeksnotitie.
Het scenario voor juridische documenten van de maker omvat wetten, zaken en contracten, inclusief rechten, verplichtingen en aansprakelijkheidsclausules. Benoem de partijen en de kwestie die moet worden vergeleken en vraag vervolgens om de relevante clausules met sectieverwijzingen. Een gerichte extractie kan een werkdocument voor latere professionele beoordeling worden, met de brontekst naast de uitleg.
Het fictiescenario betreft personagerelaties, plotstructuur, gerichte samenvattingen en voortzetting op basis van de stijl van een lang verhaal. Geef de relevante hoofdstukken en het belangrijke punt in de chronologie aan. Vraag bijvoorbeeld om een overzicht van personagerelaties met de gebeurtenissen die elk verband ondersteunen, of om een voortzettingsbriefing die bestaande namen en onopgeloste verhaallijnen behoudt.
De gedocumenteerde maximale uitvoer van 4K is veel kleiner dan de invoercontext. Kies het gewenste resultaat: een managementsamenvatting, clausulevergelijking, onderzoeksopzet of hoofdstukspecifieke analyse. Verdeel voor een omvangrijke beoordeling de gevraagde uitvoer in duidelijk benoemde taken en houd bij elk antwoord het relevante bronmateriaal.
Behoud bij een doorlopend documentgesprek de eerdere vraag, het antwoord en de passages die nodig zijn voor de volgende vraag. De producent beschrijft geheugengerichte chat als een toepassing van lange context; orden die context zo dat de vervolgvraag naar hetzelfde document, dezelfde rapportageperiode of hetzelfde hoofdstuk verwijst. Sla de voltooide analyse op met die bronidentificatoren en controleer geëxtraheerde namen, cijfers en citaten tegen de onderliggende tekst voordat u ze in het volgende rapport verwerkt.
", "aboutText": "GLM-4-Long is het taalmodel van Zhipu AI voor zeer lange teksten en gesprekstaken gericht op geheugen. De producent specificeert tekstinvoer en tekstuitvoer, een contextvenster van 1M en maximaal 4K tokens uitvoer. De nadruk ligt op het lezen, vertalen en analyseren van omvangrijk materiaal en vervolgens een gericht antwoord geven op basis van de aangeleverde inhoud.\n\n### Bereid het materiaal voor op een overkoepelende analyse\n\nLever de documenttekst samen met de vraag die deze moet beantwoorden. Houd sectiekoppen, pagina- of hoofdstukidentificatoren, datums en tabeleenheden bij de bijbehorende inhoud. Een lang invoervenster is nuttig wanneer een antwoord afhangt van verbanden tussen veel secties, zoals een genoemd doel, de onderbouwing ervan en een uitzondering elders in het document.\n\nDe maker beschrijft een geleidelijke contextuitbreiding van 2K tot 1M via voortgezette voortraining, begeleide fijnafstemming en versterkend leren met menselijke feedback. Bepaal voor praktisch werk het te onderzoeken verband voordat u een brede samenvatting vraagt. Een voorbeeldinstructie is: “Vergelijk de voorgestelde architectuur met de implementatiesecties en benoem elk verschil met de bijbehorende bronsectie.” Het resultaat kan een beknopte vergelijking zijn die de oorspronkelijke onderbouwing beschikbaar houdt voor controle.\n\n### Lees financiële rapporten en wetenschappelijke papers\n\nDe producent beveelt aan om jaarverslagen te analyseren, de omzetstructuur, risicotoelichtingen en managementbesprekingen te extraheren en financiële gegevens tussen perioden te vergelijken. Bereid rapporten voor met hun rapportagedatums en consistente labels voor eenheden en valuta. Vraag om een tabel met de gekozen cijfers, de passage achter elke waarde en een afzonderlijke uitleg van de verandering. Zo blijft het onderscheid behouden tussen een gerapporteerd getal en een interpretatie van de ontwikkeling ervan.\n\nVoor wetenschappelijk materiaal kan GLM-4-Long onderzoeksachtergrond, experimentele methoden en conclusies per onderwerp ordenen. Geef de volledige passages die voor de vergelijking nodig zijn, inclusief definities en kwalificaties in een ander hoofdstuk. Een bruikbare uitvoer is een overzicht van beweringen, methoden en onderbouwende secties, gevolgd door vragen die in de aangeleverde tekst onbeantwoord blijven. Houd citaten en de modelanalyse in afzonderlijke velden bij het voorbereiden van een onderzoeksnotitie.\n\n### Volg clausules, personages en gebeurtenissen door een lange tekst\n\nHet scenario voor juridische documenten van de maker omvat wetten, zaken en contracten, inclusief rechten, verplichtingen en aansprakelijkheidsclausules. Benoem de partijen en de kwestie die moet worden vergeleken en vraag vervolgens om de relevante clausules met sectieverwijzingen. Een gerichte extractie kan een werkdocument voor latere professionele beoordeling worden, met de brontekst naast de uitleg.\n\nHet fictiescenario betreft personagerelaties, plotstructuur, gerichte samenvattingen en voortzetting op basis van de stijl van een lang verhaal. Geef de relevante hoofdstukken en het belangrijke punt in de chronologie aan. Vraag bijvoorbeeld om een overzicht van personagerelaties met de gebeurtenissen die elk verband ondersteunen, of om een voortzettingsbriefing die bestaande namen en onopgeloste verhaallijnen behoudt.\n\n### Gebruik lange invoer met een begrensd antwoord\n\nDe gedocumenteerde maximale uitvoer van 4K is veel kleiner dan de invoercontext. Kies het gewenste resultaat: een managementsamenvatting, clausulevergelijking, onderzoeksopzet of hoofdstukspecifieke analyse. Verdeel voor een omvangrijke beoordeling de gevraagde uitvoer in duidelijk benoemde taken en houd bij elk antwoord het relevante bronmateriaal.\n\nBehoud bij een doorlopend documentgesprek de eerdere vraag, het antwoord en de passages die nodig zijn voor de volgende vraag. De producent beschrijft geheugengerichte chat als een toepassing van lange context; orden die context zo dat de vervolgvraag naar hetzelfde document, dezelfde rapportageperiode of hetzelfde hoofdstuk verwijst. Sla de voltooide analyse op met die bronidentificatoren en controleer geëxtraheerde namen, cijfers en citaten tegen de onderliggende tekst voordat u ze in het volgende rapport verwerkt.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisch voorbeeld in het Engels
Reconcile architecture and implementation notes\n\nCompare labeled excerpts. Architecture §2: every export job is resumable and stores its cursor after each completed page. Implementation §7: the exporter stores its cursor only when the entire job completes. Operations §4: interrupted jobs restart from page one. Return a concise discrepancy map with source references and a focused requirement for the next code review.A source-linked discrepancy table and one review requirement tied to the resumability objective.The answer connects all three excerpts and does not invent additional implementation details.glm-4-longGLM-4-Long is het model van Zhipu AI voor het lezen van zeer lange teksten en het behouden van documentcontext tijdens een gesprek. De gedocumenteerde context van 1M en maximale uitvoer van 4K ondersteunen gerichte analyses van rapporten, papers, contracten en lange fictie.
Deze beschrijving gaat over de mogelijkheden van het model. De via Ailoot beschikbare invoer, uitvoer en opties staan hieronder voor de geselecteerde methode.
GLM-4-Long is het taalmodel van Zhipu AI voor zeer lange teksten en gesprekstaken gericht op geheugen. De producent specificeert tekstinvoer en tekstuitvoer, een contextvenster van 1M en maximaal 4K tokens uitvoer. De nadruk ligt op het lezen, vertalen en analyseren van omvangrijk materiaal en vervolgens een gericht antwoord geven op basis van de aangeleverde inhoud.
Lever de documenttekst samen met de vraag die deze moet beantwoorden. Houd sectiekoppen, pagina- of hoofdstukidentificatoren, datums en tabeleenheden bij de bijbehorende inhoud. Een lang invoervenster is nuttig wanneer een antwoord afhangt van verbanden tussen veel secties, zoals een genoemd doel, de onderbouwing ervan en een uitzondering elders in het document.
De maker beschrijft een geleidelijke contextuitbreiding van 2K tot 1M via voortgezette voortraining, begeleide fijnafstemming en versterkend leren met menselijke feedback. Bepaal voor praktisch werk het te onderzoeken verband voordat u een brede samenvatting vraagt. Een voorbeeldinstructie is: “Vergelijk de voorgestelde architectuur met de implementatiesecties en benoem elk verschil met de bijbehorende bronsectie.” Het resultaat kan een beknopte vergelijking zijn die de oorspronkelijke onderbouwing beschikbaar houdt voor controle.
De producent beveelt aan om jaarverslagen te analyseren, de omzetstructuur, risicotoelichtingen en managementbesprekingen te extraheren en financiële gegevens tussen perioden te vergelijken. Bereid rapporten voor met hun rapportagedatums en consistente labels voor eenheden en valuta. Vraag om een tabel met de gekozen cijfers, de passage achter elke waarde en een afzonderlijke uitleg van de verandering. Zo blijft het onderscheid behouden tussen een gerapporteerd getal en een interpretatie van de ontwikkeling ervan.
Voor wetenschappelijk materiaal kan GLM-4-Long onderzoeksachtergrond, experimentele methoden en conclusies per onderwerp ordenen. Geef de volledige passages die voor de vergelijking nodig zijn, inclusief definities en kwalificaties in een ander hoofdstuk. Een bruikbare uitvoer is een overzicht van beweringen, methoden en onderbouwende secties, gevolgd door vragen die in de aangeleverde tekst onbeantwoord blijven. Houd citaten en de modelanalyse in afzonderlijke velden bij het voorbereiden van een onderzoeksnotitie.
Het scenario voor juridische documenten van de maker omvat wetten, zaken en contracten, inclusief rechten, verplichtingen en aansprakelijkheidsclausules. Benoem de partijen en de kwestie die moet worden vergeleken en vraag vervolgens om de relevante clausules met sectieverwijzingen. Een gerichte extractie kan een werkdocument voor latere professionele beoordeling worden, met de brontekst naast de uitleg.
Het fictiescenario betreft personagerelaties, plotstructuur, gerichte samenvattingen en voortzetting op basis van de stijl van een lang verhaal. Geef de relevante hoofdstukken en het belangrijke punt in de chronologie aan. Vraag bijvoorbeeld om een overzicht van personagerelaties met de gebeurtenissen die elk verband ondersteunen, of om een voortzettingsbriefing die bestaande namen en onopgeloste verhaallijnen behoudt.
De gedocumenteerde maximale uitvoer van 4K is veel kleiner dan de invoercontext. Kies het gewenste resultaat: een managementsamenvatting, clausulevergelijking, onderzoeksopzet of hoofdstukspecifieke analyse. Verdeel voor een omvangrijke beoordeling de gevraagde uitvoer in duidelijk benoemde taken en houd bij elk antwoord het relevante bronmateriaal.
Behoud bij een doorlopend documentgesprek de eerdere vraag, het antwoord en de passages die nodig zijn voor de volgende vraag. De producent beschrijft geheugengerichte chat als een toepassing van lange context; orden die context zo dat de vervolgvraag naar hetzelfde document, dezelfde rapportageperiode of hetzelfde hoofdstuk verwijst. Sla de voltooide analyse op met die bronidentificatoren en controleer geëxtraheerde namen, cijfers en citaten tegen de onderliggende tekst voordat u ze in het volgende rapport verwerkt.
POST /v1/chat/completionstexttext| Veld | Type | Vereiste | Waarden en limieten | Standaard |
|---|---|---|---|---|
Veldmodel | Typestring | VereisteVereist | Waarden en limieten glm-4-long | Standaard— |
Veldmessages | Typemessage[] | VereisteVereist | Waarden en limieten Minimumaantal items: 1 | Standaard— |
Veldmessages[].role | Typestring | VereisteVereist | Waarden en limieten Voorbeelden: system, user, assistant, tool, function Voorwaarden: Deze rollen worden expliciet weergegeven door compatibiliteitstypen in de broncode; de exacte rollenverzameling van het model blijft modelspecifiek. Afhankelijk van het model | Standaard— |
Veldmessages[].content | Typestring|content_part[]|null | VereisteOptioneel | Waarden en limieten | Standaard— |
Veldmessages[].tool_calls | Typetool_call[] | VereisteOptioneel | Waarden en limieten | Standaard— |
Veldmessages[].tool_call_id | Typestring | VereisteOptioneel | Waarden en limieten Geldt wanneer: role=tool; gebruik het werkelijk teruggegeven ID | Standaard— |
Veldmessages[].name | Typestring | VereisteOptioneel | Waarden en limieten | Standaard— |
Veldmessages[].reasoning_content | Typestring | VereisteOptioneel | Waarden en limieten Geldt wanneer: Stuur de werkelijk teruggegeven redeneringen terug wanneer dit model ze gebruikt | Standaard— |
Veldmessages[].reasoning_details | Typeobject|array | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldmax_tokens | Typeinteger | VereisteOptioneel | Waarden en limieten Minimum: 1 Afhankelijk van het model | Standaard— |
Veldmax_completion_tokens | Typeinteger | VereisteOptioneel | Waarden en limieten Minimum: 1 Afhankelijk van het model | Standaard— |
Veldstream | Typeboolean | VereisteOptioneel | Waarden en limieten | Standaardfalse |
Veldstream_options.include_usage | Typeboolean | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldtemperature | Typenumber | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldtop_p | Typenumber | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldstop | Typestring|string[] | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldtools | Typefunction_tool[] | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldtools[].type | Typestring | VereisteOptioneel | Waarden en limieten function Afhankelijk van het model | Standaard— |
Veldtools[].function.name | Typestring | VereisteVereist | Waarden en limieten Geldt wanneer: functietool opgegeven | Standaard— |
Veldtools[].function.description | Typestring | VereisteOptioneel | Waarden en limieten | Standaard— |
Veldtools[].function.parameters | TypeJSON_schema | VereisteOptioneel | Waarden en limieten | Standaard— |
Veldtool_choice | Typestring|object | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldparallel_tool_calls | Typeboolean | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldresponse_format | Typeobject | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldreasoning_effort | Typestring | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldreasoning | Typeobject | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldservice_tier | Typestring | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldinstructions | Typestring | VereisteOptioneel | Waarden en limieten Compatibiliteitsveld | Standaard— |
Veldfunctions | Typefunction[] | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldfunction_call | Typestring|object | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldprompt_cache_options | Typeobject | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldmodalities | Typestring[] | VereisteOptioneel | Waarden en limieten text | Standaard— |
Veldprovider | Typeobject | VereisteOptioneel | Waarden en limieten Voorwaarden: provider.options wordt op deze Ultra-tekstroute geweigerd | Standaard— |
Veldcache_control.ttl | Typestring | VereisteOptioneel | Waarden en limieten Voorwaarden: 1h wordt op de daadwerkelijke locaties voor promptcaching geweigerd | Standaard— |
Tekst · UTF8-tekst
messages[].content
| Parameter | Contract |
|---|---|
Parametercontent_type | Contractapplication/json |
Parameterrequired | Contractmodel, messages |
Parametermaterial_types | Contracttext |
Parametermessages | Contractberichtenarray met de structuur role/content |
Parameterfile_material | Contractwerkelijk UTF-8-document ingevoegd als letterlijke tekst; er wordt geen bestands-ID afgeleid |
Parameteroptional_controls | Contractstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametercontrol_scope | Contractmodelspecifiek; functietools van de gebruiker verschillen van gehoste tools |
Parameteroutput_modalities | Contracttext |
Parameterhosted_operations | Contractfalse |
Parametermultimodal_input_binding | Contractnull |
Levenscyclus: synchronous_or_streamed
Stuur het exacte model-ID mee met messages.
Contextlengte is geen uitvoerlimiet.
Een tekstbestand kan letterlijke tekst aanleveren; beeld-, audio- en bestandsobjectinvoer vereisen een exacte koppeling.
Tariefverwijzingen voegen geen verzoekopties toe. Ondersteunde parameters staan bij de geselecteerde methode.
| Configuratie | Tariefstaffel | Kosten |
|---|---|---|
| ConfiguratieBasistarieven voor tokens | TariefstaffelBasistarief | Kosten Invoer · Invoertokens $0.00028 / 1K tokens Uitvoer · Uitvoertokens $0.00028 / 1K tokens Invoer · Cache lezen $0 / 1K tokens Invoer · Cache schrijven $0 / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
Ailoot reserveert vóór een verzoek een geschat bedrag. Na het resultaat worden de uiteindelijke kosten afgerekend op basis van het gemeten verbruik. Bij streaming gebeurt de afrekening op basis van de definitieve verbruiksregistratie. Zo werken reservering en afrekening →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "glm-4-long", "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='glm-4-long',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='glm-4-long',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 of SSE
Bewaar elk volledig teruggegeven antwoord, bestand en inhoudsonderdeel.
Bewaar elke keuze en de bijbehorende inhoud, toolaanroepen en redeneringen. Voeg in SSE delta’s samen per keuze-/toolindex en bewaar de uiteindelijke reden van beëindiging en de verbruiksgegevens.
Bewaar aanvraag-/antwoord-ID’s en headers. Er wordt geen algemene URL meegeleverd om teksttaken op te halen.
| Veld | Type |
|---|---|
Veldchoices[].index | Typeinteger |
Veldchoices[].message.content | Typestring|null |
Veldchoices[].message.tool_calls | Typetool_call[] |
Veldchoices[].message.reasoning_content | Typestring |
Veldchoices[].message.reasoning_details | Typeobject|array |
Veldchoices[].finish_reason | Typestring|null |
Veldusage | Typeobject |
| Antwoord | Voorwaarde | Volgende stap |
|---|---|---|
Antwoord400 · invalid_request_error | VoorwaardeVerplichte velden, de materiaalrepresentatie of een parameterwaarde zijn ongeldig | Volgende stapCorrigeer de aangegeven velden vóór een nieuwe aanmaakaanvraag. |
Ailoot Ultra glm-4-long
Gebruik de hierboven getoonde methodepaden.
glm-4-longGLM-4-Long is het model van Zhipu AI voor het lezen van zeer lange teksten en het behouden van documentcontext tijdens een gesprek. De gedocumenteerde context van 1M en maximale uitvoer van 4K ondersteunen gerichte analyses van rapporten, papers, contracten en lange fictie.
Deze beschrijving gaat over de mogelijkheden van het model. De via Ailoot beschikbare invoer, uitvoer en opties staan hieronder voor de geselecteerde methode.
GLM-4-Long is het taalmodel van Zhipu AI voor zeer lange teksten en gesprekstaken gericht op geheugen. De producent specificeert tekstinvoer en tekstuitvoer, een contextvenster van 1M en maximaal 4K tokens uitvoer. De nadruk ligt op het lezen, vertalen en analyseren van omvangrijk materiaal en vervolgens een gericht antwoord geven op basis van de aangeleverde inhoud.
Lever de documenttekst samen met de vraag die deze moet beantwoorden. Houd sectiekoppen, pagina- of hoofdstukidentificatoren, datums en tabeleenheden bij de bijbehorende inhoud. Een lang invoervenster is nuttig wanneer een antwoord afhangt van verbanden tussen veel secties, zoals een genoemd doel, de onderbouwing ervan en een uitzondering elders in het document.
De maker beschrijft een geleidelijke contextuitbreiding van 2K tot 1M via voortgezette voortraining, begeleide fijnafstemming en versterkend leren met menselijke feedback. Bepaal voor praktisch werk het te onderzoeken verband voordat u een brede samenvatting vraagt. Een voorbeeldinstructie is: “Vergelijk de voorgestelde architectuur met de implementatiesecties en benoem elk verschil met de bijbehorende bronsectie.” Het resultaat kan een beknopte vergelijking zijn die de oorspronkelijke onderbouwing beschikbaar houdt voor controle.
De producent beveelt aan om jaarverslagen te analyseren, de omzetstructuur, risicotoelichtingen en managementbesprekingen te extraheren en financiële gegevens tussen perioden te vergelijken. Bereid rapporten voor met hun rapportagedatums en consistente labels voor eenheden en valuta. Vraag om een tabel met de gekozen cijfers, de passage achter elke waarde en een afzonderlijke uitleg van de verandering. Zo blijft het onderscheid behouden tussen een gerapporteerd getal en een interpretatie van de ontwikkeling ervan.
Voor wetenschappelijk materiaal kan GLM-4-Long onderzoeksachtergrond, experimentele methoden en conclusies per onderwerp ordenen. Geef de volledige passages die voor de vergelijking nodig zijn, inclusief definities en kwalificaties in een ander hoofdstuk. Een bruikbare uitvoer is een overzicht van beweringen, methoden en onderbouwende secties, gevolgd door vragen die in de aangeleverde tekst onbeantwoord blijven. Houd citaten en de modelanalyse in afzonderlijke velden bij het voorbereiden van een onderzoeksnotitie.
Het scenario voor juridische documenten van de maker omvat wetten, zaken en contracten, inclusief rechten, verplichtingen en aansprakelijkheidsclausules. Benoem de partijen en de kwestie die moet worden vergeleken en vraag vervolgens om de relevante clausules met sectieverwijzingen. Een gerichte extractie kan een werkdocument voor latere professionele beoordeling worden, met de brontekst naast de uitleg.
Het fictiescenario betreft personagerelaties, plotstructuur, gerichte samenvattingen en voortzetting op basis van de stijl van een lang verhaal. Geef de relevante hoofdstukken en het belangrijke punt in de chronologie aan. Vraag bijvoorbeeld om een overzicht van personagerelaties met de gebeurtenissen die elk verband ondersteunen, of om een voortzettingsbriefing die bestaande namen en onopgeloste verhaallijnen behoudt.
De gedocumenteerde maximale uitvoer van 4K is veel kleiner dan de invoercontext. Kies het gewenste resultaat: een managementsamenvatting, clausulevergelijking, onderzoeksopzet of hoofdstukspecifieke analyse. Verdeel voor een omvangrijke beoordeling de gevraagde uitvoer in duidelijk benoemde taken en houd bij elk antwoord het relevante bronmateriaal.
Behoud bij een doorlopend documentgesprek de eerdere vraag, het antwoord en de passages die nodig zijn voor de volgende vraag. De producent beschrijft geheugengerichte chat als een toepassing van lange context; orden die context zo dat de vervolgvraag naar hetzelfde document, dezelfde rapportageperiode of hetzelfde hoofdstuk verwijst. Sla de voltooide analyse op met die bronidentificatoren en controleer geëxtraheerde namen, cijfers en citaten tegen de onderliggende tekst voordat u ze in het volgende rapport verwerkt.
POST /v1/messagestextjson, sse| Veld | Type | Vereiste | Waarden en limieten | Standaard |
|---|---|---|---|---|
Veldmodel | Typestring | VereisteVereist | Waarden en limieten glm-4-long | Standaard— |
Veldmessages | Typemessage[] | VereisteVereist | Waarden en limieten | Standaard— |
Veldmessages[].role | Typestring | VereisteVereist | Waarden en limieten user, assistant | Standaard— |
Veldmessages[].content | Typestring | VereisteVereist | Waarden en limieten | Standaard— |
Veldmax_tokens | Typeinteger | VereisteVereist | Waarden en limieten | Standaard— |
Veldstream | Typeboolean | VereisteOptioneel | Waarden en limieten | Standaardfalse |
Tekst · UTF-8-tekst
messages[].content als tekenreeks
| Parameter | Contract |
|---|---|
Parametercontent_type | Contractapplication/json |
Parameterrequired | Contractmodel, messages, max_tokens |
Parameteroptional_controls | Contractstream |
Parametermaterial_types | Contracttext |
Parametertext_file_material | ContractLees het werkelijke UTF-8-document en plaats de tekst ervan in de aangegeven invoer of in de inhoudstekenreeks van een bericht. |
Levenscyclus: synchronous_or_streamed
Tariefverwijzingen voegen geen verzoekopties toe. Ondersteunde parameters staan bij de geselecteerde methode.
| Configuratie | Tariefstaffel | Kosten |
|---|---|---|
| ConfiguratieBasistarieven voor tokens | TariefstaffelBasistarief | Kosten Invoer · Invoertokens $0.00028 / 1K tokens Uitvoer · Uitvoertokens $0.00028 / 1K tokens Invoer · Cache lezen $0 / 1K tokens Invoer · Cache schrijven $0 / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
Ailoot reserveert vóór een verzoek een geschat bedrag. Na het resultaat worden de uiteindelijke kosten afgerekend op basis van het gemeten verbruik. Bij streaming gebeurt de afrekening op basis van de definitieve verbruiksregistratie. Zo werken reservering en afrekening →
{\n "model": "glm-4-long",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-4-long', '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-4-long', '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 of SSE
Bewaar elk volledig teruggegeven antwoord, bestand en inhoudsonderdeel.
Bewaar alle inhoudsblokken, handtekeningen van redeneringen en werkelijke toolgebruik-ID’s. Voeg alle SSE-blokdelta’s samen; het eerste tekstblok is niet de volledige uitvoer.
Bewaar aanvraag-/antwoord-ID’s en headers. Er wordt geen algemene URL meegeleverd om teksttaken op te halen.
| Veld | Type |
|---|---|
Veldid | Typestring |
Veldmodel | Typestring |
Veldcontent[] | Typetext|thinking|tool_use|other content block |
Veldstop_reason | Typestring|null |
Veldusage | Typeobject |
| Antwoord | Voorwaarde | Volgende stap |
|---|---|---|
Antwoord400 · invalid_request_error | VoorwaardeVerplichte velden, de materiaalrepresentatie of een parameterwaarde zijn ongeldig | Volgende stapCorrigeer de aangegeven velden vóór een nieuwe aanmaakaanvraag. |
Ailoot Ultra glm-4-long
Gebruik de hierboven getoonde methodepaden.
Technisch voorbeeld in het Engels
Reconcile architecture and implementation notes\n\nCompare labeled excerpts. Architecture §2: every export job is resumable and stores its cursor after each completed page. Implementation §7: the exporter stores its cursor only when the entire job completes. Operations §4: interrupted jobs restart from page one. Return a concise discrepancy map with source references and a focused requirement for the next code review.A source-linked discrepancy table and one review requirement tied to the resumability objective.The answer connects all three excerpts and does not invent additional implementation details.