GLM-4-Plus is het krachtige tekstmodel binnen de GLM-4-reeks van Z.ai. Het combineert taalbegrip, logisch redeneren, het volgen van instructies en verwerking van lange teksten. De fabrikant vermeldt tekst als invoer én uitvoer, een contextvenster van 128K tokens en maximaal 4K tokens uitvoer. Lange invoer en een compact resultaat zijn dus afzonderlijke onderdelen van het profiel: een grote verzameling documenten kan een gerichte samenvatting, vergelijking of extractie onderbouwen.
Een documentassistent kan benoemde secties en een vraag ontvangen en vervolgens een beknopte analyse leveren die naar die secties verwijst. Bepaal de doelgroep en de te nemen beslissing voordat u het antwoord vraagt: vergelijk bijvoorbeeld twee procedures, som de voorwaarden voor een geval op of benoem tegenstrijdige vereisten. Houd bronpassages gescheiden van uw instructies, zodat het antwoord onderscheid kan maken tussen onderbouwing en gevraagde analyse.
De GLM-4-beschrijving vermeldt streaming, functieaanroepen, contextcaching, gestructureerde formaten zoals JSON en interactie met MCP-tools en gegevensbronnen. Streaming maakt gegenereerde tekst geleidelijk beschikbaar. Gestructureerde uitvoer helpt wanneer het resultaat benoemde velden moet bevatten in plaats van een vrij essay: een samenvatting, geëxtraheerde identificatoren, bronsectielabels en vragen die onbeantwoord blijven.
Het gebruik van tools verbindt het taalmodel met acties die de toepassing aanbiedt. De toepassing beschrijft de functies, voert de gekozen aanroep uit en geeft het resultaat terug voor de volgende stap. Zo kan een opzoekactie gevolgd worden door een rapport, of kan een zoekresultaat de onderbouwing voor een antwoord worden. De tekst van het model staat los van de uitvoering van de externe actie. Herhaalde instructies of documentprefixen kunnen deelnemen aan het contextcachingmechanisme van de fabrikant; hergebruik van cache bewijst op zichzelf niet dat een specifiek verzoek de cache heeft geraakt.
Vertalen wordt beschreven als meer dan afzonderlijke woorden omzetten: de fabrikant noemt daarbij gemengdtalige tekst, toon, straattaal, emoji en vaktermen en houdt rekening met culturele verschillen. Geef de bronpassage, de doelgroep en de terminologie die ongewijzigd moet blijven. Vraag bij redactie om een concreet resultaat — een herziene brief, productbeschrijving of beknopte uitleg — en vermeld welke feiten behouden moeten blijven.
Semantische classificatie en veldextractie nemen het aangeleverde materiaal als basis. Definieer eerst de categorieën of vereiste velden en geef daarna de documenten. Een toepassing kan bijvoorbeeld projectidentificatoren en clausulecategorieën samen met relevante sectielabels opvragen. Een expliciete regel voor ontbrekende waarden voorkomt dat het uitvoerschema een reden wordt om afwezige gegevens te verzinnen.
De fabrikant beschrijft ook marketingmateriaal, analytische risicorapporten en reisplanning. Geef bij schrijfwerk de werkelijke product- of campagnefeiten en het gewenste formaat. Lever voor analyses de relevante rapporten en vergelijkingscriteria; actuele informatie moet via een zoek- of gegevenstool van de toepassing komen. Vermeld voor een reisplan voorkeuren en tijdsbeperkingen, zodat de uitvoer een plan voor de beschreven situatie wordt in plaats van een algemeen reisverhaal.
GLM-4-Plus gebruikt modelondersteunde synthetische gegevens en PPO-gebaseerde natraining om redeneren over wiskunde en code te ontwikkelen en menselijke voorkeuren beter te weerspiegelen. Bij lange tekst past de voorbereiding de verhouding tussen kort en lang materiaal aan om redeneren over omvangrijke invoer te versterken. Dit zijn voorbereidingskeuzes van dit specifieke Plus-model. Ze geven het tekstprofiel niet het beeldbegrip van een afzonderlijk benoemde GLM-4V-editie.
Gebruik de grotere context voor het materiaal dat de vraag werkelijk onderbouwt, met vaste sectienamen en een duidelijk uitvoercontract. Een praktisch verzoek vergelijkt twee documenten, somt overeenkomsten en conflicten op en benoemt de passages achter elke conclusie. Houd het uiteindelijke resultaat binnen het uitvoerprofiel van 4K: vraag om een beslisnotitie of gestructureerde vergelijking en ga verder met een afgebakende vervolgvraag als een sectie uitbreiding nodig heeft. Een geldige JSON-structuur en feitelijk juiste veldwaarden zijn afzonderlijke controles.
", "aboutText": "### Overzicht en modelprofiel\n\nGLM-4-Plus is het krachtige tekstmodel binnen de GLM-4-reeks van Z.ai. Het combineert taalbegrip, logisch redeneren, het volgen van instructies en verwerking van lange teksten. De fabrikant vermeldt tekst als invoer én uitvoer, een contextvenster van 128K tokens en maximaal 4K tokens uitvoer. Lange invoer en een compact resultaat zijn dus afzonderlijke onderdelen van het profiel: een grote verzameling documenten kan een gerichte samenvatting, vergelijking of extractie onderbouwen.\n\nEen documentassistent kan benoemde secties en een vraag ontvangen en vervolgens een beknopte analyse leveren die naar die secties verwijst. Bepaal de doelgroep en de te nemen beslissing voordat u het antwoord vraagt: vergelijk bijvoorbeeld twee procedures, som de voorwaarden voor een geval op of benoem tegenstrijdige vereisten. Houd bronpassages gescheiden van uw instructies, zodat het antwoord onderscheid kan maken tussen onderbouwing en gevraagde analyse.\n\n### Ondersteunde mogelijkheden\n\nDe GLM-4-beschrijving vermeldt streaming, functieaanroepen, contextcaching, gestructureerde formaten zoals JSON en interactie met MCP-tools en gegevensbronnen. Streaming maakt gegenereerde tekst geleidelijk beschikbaar. Gestructureerde uitvoer helpt wanneer het resultaat benoemde velden moet bevatten in plaats van een vrij essay: een samenvatting, geëxtraheerde identificatoren, bronsectielabels en vragen die onbeantwoord blijven.\n\nHet gebruik van tools verbindt het taalmodel met acties die de toepassing aanbiedt. De toepassing beschrijft de functies, voert de gekozen aanroep uit en geeft het resultaat terug voor de volgende stap. Zo kan een opzoekactie gevolgd worden door een rapport, of kan een zoekresultaat de onderbouwing voor een antwoord worden. De tekst van het model staat los van de uitvoering van de externe actie. Herhaalde instructies of documentprefixen kunnen deelnemen aan het contextcachingmechanisme van de fabrikant; hergebruik van cache bewijst op zichzelf niet dat een specifiek verzoek de cache heeft geraakt.\n\n### Aanbevolen toepassingen\n\nVertalen wordt beschreven als meer dan afzonderlijke woorden omzetten: de fabrikant noemt daarbij gemengdtalige tekst, toon, straattaal, emoji en vaktermen en houdt rekening met culturele verschillen. Geef de bronpassage, de doelgroep en de terminologie die ongewijzigd moet blijven. Vraag bij redactie om een concreet resultaat — een herziene brief, productbeschrijving of beknopte uitleg — en vermeld welke feiten behouden moeten blijven.\n\nSemantische classificatie en veldextractie nemen het aangeleverde materiaal als basis. Definieer eerst de categorieën of vereiste velden en geef daarna de documenten. Een toepassing kan bijvoorbeeld projectidentificatoren en clausulecategorieën samen met relevante sectielabels opvragen. Een expliciete regel voor ontbrekende waarden voorkomt dat het uitvoerschema een reden wordt om afwezige gegevens te verzinnen.\n\nDe fabrikant beschrijft ook marketingmateriaal, analytische risicorapporten en reisplanning. Geef bij schrijfwerk de werkelijke product- of campagnefeiten en het gewenste formaat. Lever voor analyses de relevante rapporten en vergelijkingscriteria; actuele informatie moet via een zoek- of gegevenstool van de toepassing komen. Vermeld voor een reisplan voorkeuren en tijdsbeperkingen, zodat de uitvoer een plan voor de beschreven situatie wordt in plaats van een algemeen reisverhaal.\n\n### Gedetailleerde voorbereiding van het model\n\nGLM-4-Plus gebruikt modelondersteunde synthetische gegevens en PPO-gebaseerde natraining om redeneren over wiskunde en code te ontwikkelen en menselijke voorkeuren beter te weerspiegelen. Bij lange tekst past de voorbereiding de verhouding tussen kort en lang materiaal aan om redeneren over omvangrijke invoer te versterken. Dit zijn voorbereidingskeuzes van dit specifieke Plus-model. Ze geven het tekstprofiel niet het beeldbegrip van een afzonderlijk benoemde GLM-4V-editie.\n\n### Voorbereiding van verzoek en uitvoer\n\nGebruik de grotere context voor het materiaal dat de vraag werkelijk onderbouwt, met vaste sectienamen en een duidelijk uitvoercontract. Een praktisch verzoek vergelijkt twee documenten, somt overeenkomsten en conflicten op en benoemt de passages achter elke conclusie. Houd het uiteindelijke resultaat binnen het uitvoerprofiel van 4K: vraag om een beslisnotitie of gestructureerde vergelijking en ga verder met een afgebakende vervolgvraag als een sectie uitbreiding nodig heeft. Een geldige JSON-structuur en feitelijk juiste veldwaarden zijn afzonderlijke controles.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisch voorbeeld in het Engels
Find contradictions between two procedures\n\nCompare procedure P: approve a supplier before issuing an order; emergency orders need the same approval. Procedure Q: emergency orders may be issued immediately and reviewed the next day. Prepare a decision brief identifying the conflict, the passages involved and the exact policy question an owner must resolve before the procedures can agree.A concise conflict statement, two supporting passages and one decision question.Check that the answer exposes the approval-timing conflict without silently choosing a governing procedure.glm-4-plusGLM-4-Plus is het tekstmodel van Z.ai voor taalbegrip, logische analyse, het volgen van instructies en lange documenten. Het profiel met 128K context en 4K uitvoer past bij onderbouwde samenvattingen, meertalige redactie, veldextractie en rapporten met hulpmiddelen.
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-Plus is het krachtige tekstmodel binnen de GLM-4-reeks van Z.ai. Het combineert taalbegrip, logisch redeneren, het volgen van instructies en verwerking van lange teksten. De fabrikant vermeldt tekst als invoer én uitvoer, een contextvenster van 128K tokens en maximaal 4K tokens uitvoer. Lange invoer en een compact resultaat zijn dus afzonderlijke onderdelen van het profiel: een grote verzameling documenten kan een gerichte samenvatting, vergelijking of extractie onderbouwen.
Een documentassistent kan benoemde secties en een vraag ontvangen en vervolgens een beknopte analyse leveren die naar die secties verwijst. Bepaal de doelgroep en de te nemen beslissing voordat u het antwoord vraagt: vergelijk bijvoorbeeld twee procedures, som de voorwaarden voor een geval op of benoem tegenstrijdige vereisten. Houd bronpassages gescheiden van uw instructies, zodat het antwoord onderscheid kan maken tussen onderbouwing en gevraagde analyse.
De GLM-4-beschrijving vermeldt streaming, functieaanroepen, contextcaching, gestructureerde formaten zoals JSON en interactie met MCP-tools en gegevensbronnen. Streaming maakt gegenereerde tekst geleidelijk beschikbaar. Gestructureerde uitvoer helpt wanneer het resultaat benoemde velden moet bevatten in plaats van een vrij essay: een samenvatting, geëxtraheerde identificatoren, bronsectielabels en vragen die onbeantwoord blijven.
Het gebruik van tools verbindt het taalmodel met acties die de toepassing aanbiedt. De toepassing beschrijft de functies, voert de gekozen aanroep uit en geeft het resultaat terug voor de volgende stap. Zo kan een opzoekactie gevolgd worden door een rapport, of kan een zoekresultaat de onderbouwing voor een antwoord worden. De tekst van het model staat los van de uitvoering van de externe actie. Herhaalde instructies of documentprefixen kunnen deelnemen aan het contextcachingmechanisme van de fabrikant; hergebruik van cache bewijst op zichzelf niet dat een specifiek verzoek de cache heeft geraakt.
Vertalen wordt beschreven als meer dan afzonderlijke woorden omzetten: de fabrikant noemt daarbij gemengdtalige tekst, toon, straattaal, emoji en vaktermen en houdt rekening met culturele verschillen. Geef de bronpassage, de doelgroep en de terminologie die ongewijzigd moet blijven. Vraag bij redactie om een concreet resultaat — een herziene brief, productbeschrijving of beknopte uitleg — en vermeld welke feiten behouden moeten blijven.
Semantische classificatie en veldextractie nemen het aangeleverde materiaal als basis. Definieer eerst de categorieën of vereiste velden en geef daarna de documenten. Een toepassing kan bijvoorbeeld projectidentificatoren en clausulecategorieën samen met relevante sectielabels opvragen. Een expliciete regel voor ontbrekende waarden voorkomt dat het uitvoerschema een reden wordt om afwezige gegevens te verzinnen.
De fabrikant beschrijft ook marketingmateriaal, analytische risicorapporten en reisplanning. Geef bij schrijfwerk de werkelijke product- of campagnefeiten en het gewenste formaat. Lever voor analyses de relevante rapporten en vergelijkingscriteria; actuele informatie moet via een zoek- of gegevenstool van de toepassing komen. Vermeld voor een reisplan voorkeuren en tijdsbeperkingen, zodat de uitvoer een plan voor de beschreven situatie wordt in plaats van een algemeen reisverhaal.
GLM-4-Plus gebruikt modelondersteunde synthetische gegevens en PPO-gebaseerde natraining om redeneren over wiskunde en code te ontwikkelen en menselijke voorkeuren beter te weerspiegelen. Bij lange tekst past de voorbereiding de verhouding tussen kort en lang materiaal aan om redeneren over omvangrijke invoer te versterken. Dit zijn voorbereidingskeuzes van dit specifieke Plus-model. Ze geven het tekstprofiel niet het beeldbegrip van een afzonderlijk benoemde GLM-4V-editie.
Gebruik de grotere context voor het materiaal dat de vraag werkelijk onderbouwt, met vaste sectienamen en een duidelijk uitvoercontract. Een praktisch verzoek vergelijkt twee documenten, somt overeenkomsten en conflicten op en benoemt de passages achter elke conclusie. Houd het uiteindelijke resultaat binnen het uitvoerprofiel van 4K: vraag om een beslisnotitie of gestructureerde vergelijking en ga verder met een afgebakende vervolgvraag als een sectie uitbreiding nodig heeft. Een geldige JSON-structuur en feitelijk juiste veldwaarden zijn afzonderlijke controles.
POST /v1/chat/completionstexttext| Veld | Type | Vereiste | Waarden en limieten | Standaard |
|---|---|---|---|---|
Veldmodel | Typestring | VereisteVereist | Waarden en limieten glm-4-plus | 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 $0.014 / 1K tokens Uitvoer · Uitvoertokens $0.014 / 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-plus", "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-plus',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-plus',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-plus
Gebruik de hierboven getoonde methodepaden.
glm-4-plusGLM-4-Plus is het tekstmodel van Z.ai voor taalbegrip, logische analyse, het volgen van instructies en lange documenten. Het profiel met 128K context en 4K uitvoer past bij onderbouwde samenvattingen, meertalige redactie, veldextractie en rapporten met hulpmiddelen.
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-Plus is het krachtige tekstmodel binnen de GLM-4-reeks van Z.ai. Het combineert taalbegrip, logisch redeneren, het volgen van instructies en verwerking van lange teksten. De fabrikant vermeldt tekst als invoer én uitvoer, een contextvenster van 128K tokens en maximaal 4K tokens uitvoer. Lange invoer en een compact resultaat zijn dus afzonderlijke onderdelen van het profiel: een grote verzameling documenten kan een gerichte samenvatting, vergelijking of extractie onderbouwen.
Een documentassistent kan benoemde secties en een vraag ontvangen en vervolgens een beknopte analyse leveren die naar die secties verwijst. Bepaal de doelgroep en de te nemen beslissing voordat u het antwoord vraagt: vergelijk bijvoorbeeld twee procedures, som de voorwaarden voor een geval op of benoem tegenstrijdige vereisten. Houd bronpassages gescheiden van uw instructies, zodat het antwoord onderscheid kan maken tussen onderbouwing en gevraagde analyse.
De GLM-4-beschrijving vermeldt streaming, functieaanroepen, contextcaching, gestructureerde formaten zoals JSON en interactie met MCP-tools en gegevensbronnen. Streaming maakt gegenereerde tekst geleidelijk beschikbaar. Gestructureerde uitvoer helpt wanneer het resultaat benoemde velden moet bevatten in plaats van een vrij essay: een samenvatting, geëxtraheerde identificatoren, bronsectielabels en vragen die onbeantwoord blijven.
Het gebruik van tools verbindt het taalmodel met acties die de toepassing aanbiedt. De toepassing beschrijft de functies, voert de gekozen aanroep uit en geeft het resultaat terug voor de volgende stap. Zo kan een opzoekactie gevolgd worden door een rapport, of kan een zoekresultaat de onderbouwing voor een antwoord worden. De tekst van het model staat los van de uitvoering van de externe actie. Herhaalde instructies of documentprefixen kunnen deelnemen aan het contextcachingmechanisme van de fabrikant; hergebruik van cache bewijst op zichzelf niet dat een specifiek verzoek de cache heeft geraakt.
Vertalen wordt beschreven als meer dan afzonderlijke woorden omzetten: de fabrikant noemt daarbij gemengdtalige tekst, toon, straattaal, emoji en vaktermen en houdt rekening met culturele verschillen. Geef de bronpassage, de doelgroep en de terminologie die ongewijzigd moet blijven. Vraag bij redactie om een concreet resultaat — een herziene brief, productbeschrijving of beknopte uitleg — en vermeld welke feiten behouden moeten blijven.
Semantische classificatie en veldextractie nemen het aangeleverde materiaal als basis. Definieer eerst de categorieën of vereiste velden en geef daarna de documenten. Een toepassing kan bijvoorbeeld projectidentificatoren en clausulecategorieën samen met relevante sectielabels opvragen. Een expliciete regel voor ontbrekende waarden voorkomt dat het uitvoerschema een reden wordt om afwezige gegevens te verzinnen.
De fabrikant beschrijft ook marketingmateriaal, analytische risicorapporten en reisplanning. Geef bij schrijfwerk de werkelijke product- of campagnefeiten en het gewenste formaat. Lever voor analyses de relevante rapporten en vergelijkingscriteria; actuele informatie moet via een zoek- of gegevenstool van de toepassing komen. Vermeld voor een reisplan voorkeuren en tijdsbeperkingen, zodat de uitvoer een plan voor de beschreven situatie wordt in plaats van een algemeen reisverhaal.
GLM-4-Plus gebruikt modelondersteunde synthetische gegevens en PPO-gebaseerde natraining om redeneren over wiskunde en code te ontwikkelen en menselijke voorkeuren beter te weerspiegelen. Bij lange tekst past de voorbereiding de verhouding tussen kort en lang materiaal aan om redeneren over omvangrijke invoer te versterken. Dit zijn voorbereidingskeuzes van dit specifieke Plus-model. Ze geven het tekstprofiel niet het beeldbegrip van een afzonderlijk benoemde GLM-4V-editie.
Gebruik de grotere context voor het materiaal dat de vraag werkelijk onderbouwt, met vaste sectienamen en een duidelijk uitvoercontract. Een praktisch verzoek vergelijkt twee documenten, somt overeenkomsten en conflicten op en benoemt de passages achter elke conclusie. Houd het uiteindelijke resultaat binnen het uitvoerprofiel van 4K: vraag om een beslisnotitie of gestructureerde vergelijking en ga verder met een afgebakende vervolgvraag als een sectie uitbreiding nodig heeft. Een geldige JSON-structuur en feitelijk juiste veldwaarden zijn afzonderlijke controles.
POST /v1/messagestextjson, sse| Veld | Type | Vereiste | Waarden en limieten | Standaard |
|---|---|---|---|---|
Veldmodel | Typestring | VereisteVereist | Waarden en limieten glm-4-plus | 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 $0.014 / 1K tokens Uitvoer · Uitvoertokens $0.014 / 1K tokens Invoer · Cache lezen $0 / 1K tokens Invoer · Cache schrijven $0 / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
Ailoot reserveert vóór een verzoek een geschat bedrag. Na het resultaat worden de uiteindelijke kosten afgerekend op basis van het gemeten verbruik. Bij streaming gebeurt de afrekening op basis van de definitieve verbruiksregistratie. Zo werken reservering en afrekening →
{\n "model": "glm-4-plus",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-plus', '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-plus', '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-plus
Gebruik de hierboven getoonde methodepaden.
Technisch voorbeeld in het Engels
Find contradictions between two procedures\n\nCompare procedure P: approve a supplier before issuing an order; emergency orders need the same approval. Procedure Q: emergency orders may be issued immediately and reviewed the next day. Prepare a decision brief identifying the conflict, the passages involved and the exact policy question an owner must resolve before the procedures can agree.A concise conflict statement, two supporting passages and one decision question.Check that the answer exposes the approval-timing conflict without silently choosing a governing procedure.