Z.ai GLM 5.3 is een grootschalig tekstredeneermodel dat ontworpen is voor complexe software-engineering en langdurig agentwerk. De fabrikant stelt dat het hetzelfde basismodel gebruikt als GLM 5.2 en dat de nieuwe verbeteringen uit natraining komen. De release richt zich op sterker programmeren, terminalbewerkingen en bredere taken met meerdere afhankelijke stappen. Het aanvaardt tekst en produceert tekst, waaronder code, uitleg, plannen en verzoeken om toolaanroepen in een toepassing met gekoppelde tools.
De gedocumenteerde redeneermodus is altijd ingeschakeld. GLM 5.3 biedt drie inspanningsniveaus: low, high en max, met max als standaard. De maker raadt max aan voor complex programmeerwerk; low biedt een lichtere redeneeroptie voor eenvoudigere stappen. Gebruik het gekozen niveau samen met een duidelijk eindresultaat en voltooiingscriteria. Bijvoorbeeld: “Onderzoek deze bestanden en falende resultaten, achterhaal de oorzaak in de betrokken modules, stel een correctie voor die de publieke interface behoudt en leg uit welke controles aantonen dat de regressie is opgelost.”
De maker specificeert een contextvenster van 1M tokens en een maximale uitvoerlengte van 128K tokens. Orden lang materiaal rond de relatie die het model moet onderzoeken. Behoud bestandsnamen, relevante definities, bronlabels en de volgorde van waarnemingen en laat binnen de toepasselijke werkcontext ruimte voor de redenering en het eindantwoord. Een groot venster is bruikbaar voor afhankelijkheden tussen modules of een lange reeks agentwaarnemingen; het maakt een ongericht archief van losstaand materiaal niet tot een duidelijk omschreven taak.
Geef bij werk in een repository het verwachte gedrag, de relevante brontekst, afhankelijkheidsversies en werkelijke foutuitvoer mee. Vraag het model het betrokken gedrag te identificeren voordat het een patch voorstelt. Benoem bij een refactoring de interface en invarianten die intact moeten blijven. Een bruikbaar antwoord bevat de herziene code, waarom de wijziging het waargenomen probleem aanpakt en de gevallen die nodig zijn om het resultaat te controleren. Voer werkelijke resultaten terug in een werkwijze met gekoppelde tools, zodat de volgende stap op de gewijzigde toestand berust in plaats van op het eerdere voorstel.
Geef bij prestatiewerk een werklast, een uitgangsmeting en metingen zoals tijdsmetingen, profielen of allocatieregistraties mee. Z.ai beschrijft trainingstaken rond het vaststellen van knelpunten, optimalisatie, experimenten en resultaten die de correctheid behouden. Een praktisch verzoek is: “Gebruik dit profiel om het knelpunt met de grootste impact te identificeren, stel één meetbare wijziging voor en leg uit welk resultaat het behoud ervan zou rechtvaardigen.” Onderscheid een prestatiehypothese van een vastgelegde verbetering. Behoud dezelfde werklast en relevante omstandigheden wanneer u een resultaat onderzoekt.
De release ontwikkelt ook mogelijkheden voor kwetsbaarheidsanalyse. Geef voor defensieve broncodecontrole de relevante code, de bedoelde vertrouwensgrenzen en de omstandigheden waarin ze draait mee. Vraag om een bevinding die een vermoedelijk probleem verbindt met de betrokken invoer, het gedrag en een gerichte oplossing. Onderscheid een mogelijke zwakte van een gereproduceerde fout en bewaar de waarneming die gebruikt is om die te valideren. Een verslag is bruikbaarder wanneer het concreet bewijs en voorgestelde correcties voorrang geeft, in plaats van elk verdacht patroon als een bevestigde kwetsbaarheid te behandelen.
Function calling laat een omringende toepassing externe bewerkingen aan het model beschikbaar stellen. Definieer het doel, de argumenten en het verwachte resultaat van elke tool en geef vervolgens de werkelijke toolwaarneming terug voor de volgende stap. Het model kan over dat resultaat redeneren en bepalen hoe het de taak verandert. Zorg dat voorgestelde acties, uitgevoerde bewerkingen en onopgeloste controles van elkaar te onderscheiden blijven. De maker documenteert ook streamingantwoorden, die redeneer- en antwoordfragmenten afzonderlijk teruggeven; voeg het voltooide antwoord samen voordat u het als eindverslag of code-uitleg behandelt.
De lokale modelkaart geeft een specifiek detail over de geschiedenisinstelling: de chatsjabloon behoudt standaard eerdere redeneringen, terwijl de maker voor gewone chatscenario's aanbeveelt oude redeneringen expliciet te wissen. Pas de geschikte gespreksstructuur toe voor het gebruiksdoel, met behoud van de werkelijk voltooide antwoorden en toolresultaten die voor voortzetting nodig zijn. Behandel redeneerinstellingen uit GLM 5.2 of de afzonderlijke GLM 5.3 Flash-edities niet als uitwisselbaar met de instellingen low/high/max van dit model.
Specificeer voor gestructureerde resultaten de verwachte velden, typen en bronregels. Een bruikbaar resultaat kan een defectentabel, wijzigingsplan of JSON-object met een samenvatting van waarnemingen zijn. Valideer zowel de structuur als de waarden voordat een toepassing ze gebruikt. Het eindresultaat moet het antwoord of herziene resultaat, het ondersteunende bewijsmateriaal en de resterende aannames benoemen. Meer redeneerinspanning bewijst niet dat een tool is uitgevoerd, dat een voorgestelde patch de controles heeft doorstaan of dat een feitelijke bewering onderbouwing heeft buiten het aangeleverde materiaal.
", "aboutText": "Z.ai GLM 5.3 is een grootschalig tekstredeneermodel dat ontworpen is voor complexe software-engineering en langdurig agentwerk. De fabrikant stelt dat het hetzelfde basismodel gebruikt als GLM 5.2 en dat de nieuwe verbeteringen uit natraining komen. De release richt zich op sterker programmeren, terminalbewerkingen en bredere taken met meerdere afhankelijke stappen. Het aanvaardt tekst en produceert tekst, waaronder code, uitleg, plannen en verzoeken om toolaanroepen in een toepassing met gekoppelde tools.\n\nDe gedocumenteerde redeneermodus is altijd ingeschakeld. GLM 5.3 biedt drie inspanningsniveaus: low, high en max, met max als standaard. De maker raadt max aan voor complex programmeerwerk; low biedt een lichtere redeneeroptie voor eenvoudigere stappen. Gebruik het gekozen niveau samen met een duidelijk eindresultaat en voltooiingscriteria. Bijvoorbeeld: “Onderzoek deze bestanden en falende resultaten, achterhaal de oorzaak in de betrokken modules, stel een correctie voor die de publieke interface behoudt en leg uit welke controles aantonen dat de regressie is opgelost.”\n\nDe maker specificeert een contextvenster van 1M tokens en een maximale uitvoerlengte van 128K tokens. Orden lang materiaal rond de relatie die het model moet onderzoeken. Behoud bestandsnamen, relevante definities, bronlabels en de volgorde van waarnemingen en laat binnen de toepasselijke werkcontext ruimte voor de redenering en het eindantwoord. Een groot venster is bruikbaar voor afhankelijkheden tussen modules of een lange reeks agentwaarnemingen; het maakt een ongericht archief van losstaand materiaal niet tot een duidelijk omschreven taak.\n\nGeef bij werk in een repository het verwachte gedrag, de relevante brontekst, afhankelijkheidsversies en werkelijke foutuitvoer mee. Vraag het model het betrokken gedrag te identificeren voordat het een patch voorstelt. Benoem bij een refactoring de interface en invarianten die intact moeten blijven. Een bruikbaar antwoord bevat de herziene code, waarom de wijziging het waargenomen probleem aanpakt en de gevallen die nodig zijn om het resultaat te controleren. Voer werkelijke resultaten terug in een werkwijze met gekoppelde tools, zodat de volgende stap op de gewijzigde toestand berust in plaats van op het eerdere voorstel.\n\nGeef bij prestatiewerk een werklast, een uitgangsmeting en metingen zoals tijdsmetingen, profielen of allocatieregistraties mee. Z.ai beschrijft trainingstaken rond het vaststellen van knelpunten, optimalisatie, experimenten en resultaten die de correctheid behouden. Een praktisch verzoek is: “Gebruik dit profiel om het knelpunt met de grootste impact te identificeren, stel één meetbare wijziging voor en leg uit welk resultaat het behoud ervan zou rechtvaardigen.” Onderscheid een prestatiehypothese van een vastgelegde verbetering. Behoud dezelfde werklast en relevante omstandigheden wanneer u een resultaat onderzoekt.\n\nDe release ontwikkelt ook mogelijkheden voor kwetsbaarheidsanalyse. Geef voor defensieve broncodecontrole de relevante code, de bedoelde vertrouwensgrenzen en de omstandigheden waarin ze draait mee. Vraag om een bevinding die een vermoedelijk probleem verbindt met de betrokken invoer, het gedrag en een gerichte oplossing. Onderscheid een mogelijke zwakte van een gereproduceerde fout en bewaar de waarneming die gebruikt is om die te valideren. Een verslag is bruikbaarder wanneer het concreet bewijs en voorgestelde correcties voorrang geeft, in plaats van elk verdacht patroon als een bevestigde kwetsbaarheid te behandelen.\n\nFunction calling laat een omringende toepassing externe bewerkingen aan het model beschikbaar stellen. Definieer het doel, de argumenten en het verwachte resultaat van elke tool en geef vervolgens de werkelijke toolwaarneming terug voor de volgende stap. Het model kan over dat resultaat redeneren en bepalen hoe het de taak verandert. Zorg dat voorgestelde acties, uitgevoerde bewerkingen en onopgeloste controles van elkaar te onderscheiden blijven. De maker documenteert ook streamingantwoorden, die redeneer- en antwoordfragmenten afzonderlijk teruggeven; voeg het voltooide antwoord samen voordat u het als eindverslag of code-uitleg behandelt.\n\nDe lokale modelkaart geeft een specifiek detail over de geschiedenisinstelling: de chatsjabloon behoudt standaard eerdere redeneringen, terwijl de maker voor gewone chatscenario's aanbeveelt oude redeneringen expliciet te wissen. Pas de geschikte gespreksstructuur toe voor het gebruiksdoel, met behoud van de werkelijk voltooide antwoorden en toolresultaten die voor voortzetting nodig zijn. Behandel redeneerinstellingen uit GLM 5.2 of de afzonderlijke GLM 5.3 Flash-edities niet als uitwisselbaar met de instellingen low/high/max van dit model.\n\nSpecificeer voor gestructureerde resultaten de verwachte velden, typen en bronregels. Een bruikbaar resultaat kan een defectentabel, wijzigingsplan of JSON-object met een samenvatting van waarnemingen zijn. Valideer zowel de structuur als de waarden voordat een toepassing ze gebruikt. Het eindresultaat moet het antwoord of herziene resultaat, het ondersteunende bewijsmateriaal en de resterende aannames benoemen. Meer redeneerinspanning bewijst niet dat een tool is uitgevoerd, dat een voorgestelde patch de controles heeft doorstaan of dat een feitelijke bewering onderbouwing heeft buiten het aangeleverde materiaal.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisch voorbeeld in het Engels
Target a measured bottleneck\n\nProfile P1 for one import: parsing 0.4 s, per-row database lookups 8.1 s, writing 0.8 s. The import handles 10,000 rows, including repeated customer IDs. Propose one correctness-preserving optimization, describe what lookup behavior must remain identical and define a same-workload check before claiming an improvement.A bottleneck hypothesis, one proposed change and a correctness plus timing comparison plan.The proposal must use P1 without inventing an observed speedup or losing missing-customer behavior.glm-5.3Z.ai GLM 5.3 is een tekstredeneermodel voor complexe software-engineering, terminalwerk en agents die langdurige taken uitvoeren. Het ondersteunt een door de maker gedocumenteerde context van 1M tokens, maximaal 128K uitvoertokens, function calling en redeneerinspanning low/high/max, waarbij redeneren voortdurend ingeschakeld blijft.
Deze beschrijving gaat over de mogelijkheden van het model. De via Ailoot beschikbare invoer, uitvoer en opties staan hieronder voor de geselecteerde methode.
Z.ai GLM 5.3 is een grootschalig tekstredeneermodel dat ontworpen is voor complexe software-engineering en langdurig agentwerk. De fabrikant stelt dat het hetzelfde basismodel gebruikt als GLM 5.2 en dat de nieuwe verbeteringen uit natraining komen. De release richt zich op sterker programmeren, terminalbewerkingen en bredere taken met meerdere afhankelijke stappen. Het aanvaardt tekst en produceert tekst, waaronder code, uitleg, plannen en verzoeken om toolaanroepen in een toepassing met gekoppelde tools.
De gedocumenteerde redeneermodus is altijd ingeschakeld. GLM 5.3 biedt drie inspanningsniveaus: low, high en max, met max als standaard. De maker raadt max aan voor complex programmeerwerk; low biedt een lichtere redeneeroptie voor eenvoudigere stappen. Gebruik het gekozen niveau samen met een duidelijk eindresultaat en voltooiingscriteria. Bijvoorbeeld: “Onderzoek deze bestanden en falende resultaten, achterhaal de oorzaak in de betrokken modules, stel een correctie voor die de publieke interface behoudt en leg uit welke controles aantonen dat de regressie is opgelost.”
De maker specificeert een contextvenster van 1M tokens en een maximale uitvoerlengte van 128K tokens. Orden lang materiaal rond de relatie die het model moet onderzoeken. Behoud bestandsnamen, relevante definities, bronlabels en de volgorde van waarnemingen en laat binnen de toepasselijke werkcontext ruimte voor de redenering en het eindantwoord. Een groot venster is bruikbaar voor afhankelijkheden tussen modules of een lange reeks agentwaarnemingen; het maakt een ongericht archief van losstaand materiaal niet tot een duidelijk omschreven taak.
Geef bij werk in een repository het verwachte gedrag, de relevante brontekst, afhankelijkheidsversies en werkelijke foutuitvoer mee. Vraag het model het betrokken gedrag te identificeren voordat het een patch voorstelt. Benoem bij een refactoring de interface en invarianten die intact moeten blijven. Een bruikbaar antwoord bevat de herziene code, waarom de wijziging het waargenomen probleem aanpakt en de gevallen die nodig zijn om het resultaat te controleren. Voer werkelijke resultaten terug in een werkwijze met gekoppelde tools, zodat de volgende stap op de gewijzigde toestand berust in plaats van op het eerdere voorstel.
Geef bij prestatiewerk een werklast, een uitgangsmeting en metingen zoals tijdsmetingen, profielen of allocatieregistraties mee. Z.ai beschrijft trainingstaken rond het vaststellen van knelpunten, optimalisatie, experimenten en resultaten die de correctheid behouden. Een praktisch verzoek is: “Gebruik dit profiel om het knelpunt met de grootste impact te identificeren, stel één meetbare wijziging voor en leg uit welk resultaat het behoud ervan zou rechtvaardigen.” Onderscheid een prestatiehypothese van een vastgelegde verbetering. Behoud dezelfde werklast en relevante omstandigheden wanneer u een resultaat onderzoekt.
De release ontwikkelt ook mogelijkheden voor kwetsbaarheidsanalyse. Geef voor defensieve broncodecontrole de relevante code, de bedoelde vertrouwensgrenzen en de omstandigheden waarin ze draait mee. Vraag om een bevinding die een vermoedelijk probleem verbindt met de betrokken invoer, het gedrag en een gerichte oplossing. Onderscheid een mogelijke zwakte van een gereproduceerde fout en bewaar de waarneming die gebruikt is om die te valideren. Een verslag is bruikbaarder wanneer het concreet bewijs en voorgestelde correcties voorrang geeft, in plaats van elk verdacht patroon als een bevestigde kwetsbaarheid te behandelen.
Function calling laat een omringende toepassing externe bewerkingen aan het model beschikbaar stellen. Definieer het doel, de argumenten en het verwachte resultaat van elke tool en geef vervolgens de werkelijke toolwaarneming terug voor de volgende stap. Het model kan over dat resultaat redeneren en bepalen hoe het de taak verandert. Zorg dat voorgestelde acties, uitgevoerde bewerkingen en onopgeloste controles van elkaar te onderscheiden blijven. De maker documenteert ook streamingantwoorden, die redeneer- en antwoordfragmenten afzonderlijk teruggeven; voeg het voltooide antwoord samen voordat u het als eindverslag of code-uitleg behandelt.
De lokale modelkaart geeft een specifiek detail over de geschiedenisinstelling: de chatsjabloon behoudt standaard eerdere redeneringen, terwijl de maker voor gewone chatscenario's aanbeveelt oude redeneringen expliciet te wissen. Pas de geschikte gespreksstructuur toe voor het gebruiksdoel, met behoud van de werkelijk voltooide antwoorden en toolresultaten die voor voortzetting nodig zijn. Behandel redeneerinstellingen uit GLM 5.2 of de afzonderlijke GLM 5.3 Flash-edities niet als uitwisselbaar met de instellingen low/high/max van dit model.
Specificeer voor gestructureerde resultaten de verwachte velden, typen en bronregels. Een bruikbaar resultaat kan een defectentabel, wijzigingsplan of JSON-object met een samenvatting van waarnemingen zijn. Valideer zowel de structuur als de waarden voordat een toepassing ze gebruikt. Het eindresultaat moet het antwoord of herziene resultaat, het ondersteunende bewijsmateriaal en de resterende aannames benoemen. Meer redeneerinspanning bewijst niet dat een tool is uitgevoerd, dat een voorgestelde patch de controles heeft doorstaan of dat een feitelijke bewering onderbouwing heeft buiten het aangeleverde materiaal.
POST /v1/messagestexttext| Veld | Type | Vereiste | Waarden en limieten | Standaard |
|---|---|---|---|---|
Veldmodel | Typestring | VereisteVereist | Waarden en limieten glm-5.3 | Standaard— |
Veldmessages | Typemessage[] | VereisteVereist | Waarden en limieten Minimumaantal items: 1 | Standaard— |
Veldmessages[].role | Typestring | VereisteVereist | Waarden en limieten user, assistant | Standaard— |
Veldmessages[].content | Typestring|content_block[] | VereisteVereist | Waarden en limieten | Standaard— |
Veldsystem | Typestring|content_block[] | VereisteOptioneel | Waarden en limieten | Standaard— |
Veldmax_tokens | Typeinteger | VereisteVereist | Waarden en limieten Minimum: 1 Limiet geldt voor: exacte bovengrens van het gekozen model/de gekozen modelkaart | Standaard— |
Veldstream | Typeboolean | VereisteOptioneel | Waarden en limieten | Standaardfalse |
Veldtemperature | Typenumber | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldtop_p | Typenumber | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldstop_sequences | Typestring[] | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldtools | Typetool[] | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldtools[].name | Typestring | VereisteOptioneel | Waarden en limieten Geldt wanneer: tool opgegeven | Standaard— |
Veldtools[].description | Typestring | VereisteOptioneel | Waarden en limieten | Standaard— |
Veldtools[].input_schema | TypeJSON_schema | VereisteOptioneel | Waarden en limieten | Standaard— |
Veldtool_choice | Typeobject | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldthinking.type | Typestring | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldthinking.budget_tokens | Typeinteger | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldoutput_config.effort | Typestring | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldmetadata | Typeobject | VereisteOptioneel | Waarden en limieten | Standaard— |
Veldcache_control | Typeobject | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Tekst · UTF8-tekst
messages[].content of een blok met type=text
| Parameter | Contract |
|---|---|
Parametermaterial_types | Contracttext |
Parameterrequired | Contractmodel, messages, max_tokens |
Parameteroptional_controls | Contractnull |
Parametercontent_type | Contractapplication/json |
Parametertext_file_material | Contractwerkelijke UTF-8-inhoud ingevoegd als tekst; bestands-ID’s/URLs vereisen afzonderlijke exacte ondersteuning |
Levenscyclus: exact retained published method
De methodestructuren en ID’s zijn exact; de mogelijkheden van de leverancier staan los van toelating.
POST /v1/messagesAiloot 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 →
Referentiestaffels op modelniveau veranderen de methodeselectie, kostenramingen of afschrijvingen niet. Voor de actieve kostenberekening gelden de tarieven van de geselecteerde Ailoot-methode.
Koppel elke kostenpost aan de getoonde voorwaarden. Gebruik één tarief voor elke groep alternatieve configuraties.
| Configuratie | Tariefstaffel | Contexttokens, meer dan | Contexttokens, tot en met | Kosten |
|---|---|---|---|---|
| ConfiguratieOpenAI Chat · Basistarieven per token | TariefstaffelBasistarief | Contexttokens, meer dan— | Contexttokens, tot en metGeen bovengrens | Kosten Invoer · Invoertokens $0.0028 / 1K tokens Uitvoer · Uitvoertokens $0.0088 / 1K tokens Invoer · Cache lezen $0.00052 / 1K tokens Invoer · Cache schrijven — / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
| ConfiguratieOpenAI Chat · Tariefniveau 1 op basis van aanvraaglengte | Tariefstaffel— | Contexttokens, meer dan0 | Contexttokens, tot en metGeen bovengrens | Kosten Invoer · Invoertokens $0.0028 / 1K tokens Uitvoer · Uitvoertokens $0.0088 / 1K tokens Invoer · Cache lezen $0.00052 / 1K tokens Invoer · Cache schrijven — / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
| ConfiguratieAnthropic Messages · Basistarieven per token | TariefstaffelBasistarief | Contexttokens, meer dan— | Contexttokens, tot en metGeen bovengrens | Kosten Invoer · Invoertokens $0.0028 / 1K tokens Uitvoer · Uitvoertokens $0.0088 / 1K tokens Invoer · Cache lezen $0.00052 / 1K tokens Invoer · Cache schrijven — / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
| ConfiguratieAnthropic Messages · Tariefniveau 1 op basis van aanvraaglengte | Tariefstaffel— | Contexttokens, meer dan0 | Contexttokens, tot en metGeen bovengrens | Kosten Invoer · Invoertokens $0.0028 / 1K tokens Uitvoer · Uitvoertokens $0.0088 / 1K tokens Invoer · Cache lezen $0.00052 / 1K tokens Invoer · Cache schrijven — / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 source-material file}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "glm-5.3", "max_tokens": 1024, "messages": []}')\nf=Path(os.environ["AILOOT_TEXT_FILE"])\nif not f.is_file():raise SystemExit("Choose your actual UTF-8 source material")\ntext=f.read_text(encoding="utf-8")\nif not text.strip():raise SystemExit("Source material must contain text")\np["messages"]=[{"role":"user","content":"Summarize this material and quote supporting source passages.\\n\\n"+text}]\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/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\nprint(json.dumps(json.loads(Path("result.json").read_text()),ensure_ascii=False,indent=2))\nPY_RESULT\nimport anthropic\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient = anthropic.Anthropic(base_url="https://api.ailoot.ai", api_key=os.environ["AILOOT_API_KEY"], max_retries=0)\nmsg = client.messages.create(\n model="glm-5.3",\n max_tokens=1024,\n messages=[{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}],\n)\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(msg.to_dict(mode="json"))\nimport Anthropic from "@anthropic-ai/sdk";\n\nif (!process.env.AILOOT_API_KEY?.trim()) throw new Error("Set AILOOT_API_KEY before making a request");\nconst client = new Anthropic({ baseURL: "https://api.ailoot.ai", apiKey: process.env.AILOOT_API_KEY, maxRetries: 0 });\nconst msg = await client.messages.create({\n model: "glm-5.3",\n max_tokens: 1024,\n messages: [{ role: "user", content: "Explain the difference between an observation and a hypothesis in three sentences." }],\n});\nimport { writeFileSync } from "node:fs";\n\nfunction saveResult(data, stem = "result") {\n writeFileSync(stem + ".json", JSON.stringify(data, null, 2));\n console.log(JSON.stringify(data, null, 2));\n const saveBlob = (encoded, suffix, label) => {\n const raw = Buffer.from(encoded, "base64");\n const ext = raw.subarray(0,8).equals(Buffer.from([137,80,78,71,13,10,26,10])) ? "png" : raw[0]===255 && raw[1]===216 ? "jpg" : raw.subarray(0,4).toString()==="RIFF" && raw.subarray(8,12).toString()==="WEBP" ? "webp" : suffix;\n const file = `${stem}-${label}.${ext}`;\n writeFileSync(file, raw); console.log("Saved", file);\n };\n for (const [i, block] of (data.content || []).entries()) console.log("Content", i, JSON.stringify(block));\n for (const choice of data.choices || []) console.log("Choice", choice.index, JSON.stringify(choice.message || choice.delta || {}));\n for (const [i, item] of (data.output || []).entries()) {\n console.log("Output", i, JSON.stringify(item));\n if (item.type === "image_generation_call" && item.result) saveBlob(item.result, item.output_format || "bin", `output-${i}`);\n }\n for (const [ci, candidate] of (data.candidates || []).entries()) {\n for (const [pi, part] of (candidate.content?.parts || []).entries()) {\n console.log("Candidate/part", ci, pi, JSON.stringify(part));\n const blob = part.inlineData || part.inline_data;\n if (blob?.data) {\n const mime = blob.mimeType || blob.mime_type;\n const suffix = ({"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"})[mime] || "bin";\n saveBlob(blob.data, suffix, `candidate-${ci}-part-${pi}`);\n }\n }\n }\n}\n\nsaveResult(msg);\nimport anthropic,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=anthropic.Anthropic(base_url="https://api.ailoot.ai",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.messages.stream(model='glm-5.3',max_tokens=1024,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_message()\n save_result(final.to_dict(mode="json"),"stream-result")\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 glm-5.3, glm, glm-5, glm-5.1, glm-5.2, glm-latest
Ailoot Ultra glm-5.3, z-ai/glm-5.3, ~z-ai/glm-latest
/chat/completions
z-ai/glm-5.3, glm, glm-5, glm-5.1, glm-5.2, glm-latest, ~z-ai/glm-latest, glm-5.3, glm-5.3
glm-5.3Z.ai GLM 5.3 is een tekstredeneermodel voor complexe software-engineering, terminalwerk en agents die langdurige taken uitvoeren. Het ondersteunt een door de maker gedocumenteerde context van 1M tokens, maximaal 128K uitvoertokens, function calling en redeneerinspanning low/high/max, waarbij redeneren voortdurend ingeschakeld blijft.
Deze beschrijving gaat over de mogelijkheden van het model. De via Ailoot beschikbare invoer, uitvoer en opties staan hieronder voor de geselecteerde methode.
Z.ai GLM 5.3 is een grootschalig tekstredeneermodel dat ontworpen is voor complexe software-engineering en langdurig agentwerk. De fabrikant stelt dat het hetzelfde basismodel gebruikt als GLM 5.2 en dat de nieuwe verbeteringen uit natraining komen. De release richt zich op sterker programmeren, terminalbewerkingen en bredere taken met meerdere afhankelijke stappen. Het aanvaardt tekst en produceert tekst, waaronder code, uitleg, plannen en verzoeken om toolaanroepen in een toepassing met gekoppelde tools.
De gedocumenteerde redeneermodus is altijd ingeschakeld. GLM 5.3 biedt drie inspanningsniveaus: low, high en max, met max als standaard. De maker raadt max aan voor complex programmeerwerk; low biedt een lichtere redeneeroptie voor eenvoudigere stappen. Gebruik het gekozen niveau samen met een duidelijk eindresultaat en voltooiingscriteria. Bijvoorbeeld: “Onderzoek deze bestanden en falende resultaten, achterhaal de oorzaak in de betrokken modules, stel een correctie voor die de publieke interface behoudt en leg uit welke controles aantonen dat de regressie is opgelost.”
De maker specificeert een contextvenster van 1M tokens en een maximale uitvoerlengte van 128K tokens. Orden lang materiaal rond de relatie die het model moet onderzoeken. Behoud bestandsnamen, relevante definities, bronlabels en de volgorde van waarnemingen en laat binnen de toepasselijke werkcontext ruimte voor de redenering en het eindantwoord. Een groot venster is bruikbaar voor afhankelijkheden tussen modules of een lange reeks agentwaarnemingen; het maakt een ongericht archief van losstaand materiaal niet tot een duidelijk omschreven taak.
Geef bij werk in een repository het verwachte gedrag, de relevante brontekst, afhankelijkheidsversies en werkelijke foutuitvoer mee. Vraag het model het betrokken gedrag te identificeren voordat het een patch voorstelt. Benoem bij een refactoring de interface en invarianten die intact moeten blijven. Een bruikbaar antwoord bevat de herziene code, waarom de wijziging het waargenomen probleem aanpakt en de gevallen die nodig zijn om het resultaat te controleren. Voer werkelijke resultaten terug in een werkwijze met gekoppelde tools, zodat de volgende stap op de gewijzigde toestand berust in plaats van op het eerdere voorstel.
Geef bij prestatiewerk een werklast, een uitgangsmeting en metingen zoals tijdsmetingen, profielen of allocatieregistraties mee. Z.ai beschrijft trainingstaken rond het vaststellen van knelpunten, optimalisatie, experimenten en resultaten die de correctheid behouden. Een praktisch verzoek is: “Gebruik dit profiel om het knelpunt met de grootste impact te identificeren, stel één meetbare wijziging voor en leg uit welk resultaat het behoud ervan zou rechtvaardigen.” Onderscheid een prestatiehypothese van een vastgelegde verbetering. Behoud dezelfde werklast en relevante omstandigheden wanneer u een resultaat onderzoekt.
De release ontwikkelt ook mogelijkheden voor kwetsbaarheidsanalyse. Geef voor defensieve broncodecontrole de relevante code, de bedoelde vertrouwensgrenzen en de omstandigheden waarin ze draait mee. Vraag om een bevinding die een vermoedelijk probleem verbindt met de betrokken invoer, het gedrag en een gerichte oplossing. Onderscheid een mogelijke zwakte van een gereproduceerde fout en bewaar de waarneming die gebruikt is om die te valideren. Een verslag is bruikbaarder wanneer het concreet bewijs en voorgestelde correcties voorrang geeft, in plaats van elk verdacht patroon als een bevestigde kwetsbaarheid te behandelen.
Function calling laat een omringende toepassing externe bewerkingen aan het model beschikbaar stellen. Definieer het doel, de argumenten en het verwachte resultaat van elke tool en geef vervolgens de werkelijke toolwaarneming terug voor de volgende stap. Het model kan over dat resultaat redeneren en bepalen hoe het de taak verandert. Zorg dat voorgestelde acties, uitgevoerde bewerkingen en onopgeloste controles van elkaar te onderscheiden blijven. De maker documenteert ook streamingantwoorden, die redeneer- en antwoordfragmenten afzonderlijk teruggeven; voeg het voltooide antwoord samen voordat u het als eindverslag of code-uitleg behandelt.
De lokale modelkaart geeft een specifiek detail over de geschiedenisinstelling: de chatsjabloon behoudt standaard eerdere redeneringen, terwijl de maker voor gewone chatscenario's aanbeveelt oude redeneringen expliciet te wissen. Pas de geschikte gespreksstructuur toe voor het gebruiksdoel, met behoud van de werkelijk voltooide antwoorden en toolresultaten die voor voortzetting nodig zijn. Behandel redeneerinstellingen uit GLM 5.2 of de afzonderlijke GLM 5.3 Flash-edities niet als uitwisselbaar met de instellingen low/high/max van dit model.
Specificeer voor gestructureerde resultaten de verwachte velden, typen en bronregels. Een bruikbaar resultaat kan een defectentabel, wijzigingsplan of JSON-object met een samenvatting van waarnemingen zijn. Valideer zowel de structuur als de waarden voordat een toepassing ze gebruikt. Het eindresultaat moet het antwoord of herziene resultaat, het ondersteunende bewijsmateriaal en de resterende aannames benoemen. Meer redeneerinspanning bewijst niet dat een tool is uitgevoerd, dat een voorgestelde patch de controles heeft doorstaan of dat een feitelijke bewering onderbouwing heeft buiten het aangeleverde materiaal.
POST /v1/responsestexttext| Veld | Type | Vereiste | Waarden en limieten | Standaard |
|---|---|---|---|---|
Veldmodel | Typestring | VereisteVereist | Waarden en limieten glm-5.3 | Standaard— |
Veldinput | Typestring|input_item[] | VereisteVereist | Waarden en limieten | Standaard— |
Veldinstructions | Typestring | VereisteOptioneel | Waarden en limieten | Standaard— |
Veldinput[].type | Typestring | VereisteOptioneel | Waarden en limieten message, reasoning, function_call, function_call_output | Standaard— |
Veldinput[].content | Typestring|content_part[] | VereisteOptioneel | Waarden en limieten | Standaard— |
Veldinput[].call_id | Typestring | VereisteOptioneel | Waarden en limieten Geldt wanneer: function_call_output; bewaar de werkelijk teruggegeven call_id | Standaard— |
Veldinput[].output | Typestring|content_part[] | VereisteOptioneel | Waarden en limieten Geldt wanneer: function_call_output | Standaard— |
Veldmax_output_tokens | Typeinteger | VereisteOptioneel | Waarden en limieten Minimum: 1 Afhankelijk van het model | Standaard— |
Veldstream | Typeboolean | VereisteOptioneel | Waarden en limieten | Standaardfalse |
Veldtemperature | Typenumber | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldtop_p | Typenumber | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldtools | Typetool[] | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | 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— |
Veldreasoning.effort | Typestring | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldreasoning.summary | Typestring | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldtext.format | Typeobject | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldtext.verbosity | Typestring | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldinclude | Typestring[] | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldstore | Typeboolean | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldprevious_response_id | Typestring | VereisteOptioneel | Waarden en limieten ID-vereiste: Alleen een werkelijk antwoord-ID van een ondersteunde voortzetting Afhankelijk van het model | Standaard— |
Veldservice_tier | Typestring | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldprompt_cache_key | Typestring | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldprompt_cache_options | Typeobject | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Tekst · UTF8-tekst
invoertekst of een input_text-onderdeel
| Parameter | Contract |
|---|---|
Parametermaterial_types | Contracttext |
Parameterrequired | Contractmodel, input |
Parameteroptional_controls | Contractnull |
Parametercontent_type | Contractapplication/json |
Parametertext_file_material | Contractwerkelijke UTF-8-inhoud ingevoegd als tekst; bestands-ID’s/URLs vereisen afzonderlijke exacte ondersteuning |
Levenscyclus: exact retained published method
De methodestructuren en ID’s zijn exact; de mogelijkheden van de leverancier staan los van toelating.
POST /v1/responsesAiloot 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 →
Referentiestaffels op modelniveau veranderen de methodeselectie, kostenramingen of afschrijvingen niet. Voor de actieve kostenberekening gelden de tarieven van de geselecteerde Ailoot-methode.
Koppel elke kostenpost aan de getoonde voorwaarden. Gebruik één tarief voor elke groep alternatieve configuraties.
| Configuratie | Tariefstaffel | Contexttokens, meer dan | Contexttokens, tot en met | Kosten |
|---|---|---|---|---|
| ConfiguratieOpenAI Chat · Basistarieven per token | TariefstaffelBasistarief | Contexttokens, meer dan— | Contexttokens, tot en metGeen bovengrens | Kosten Invoer · Invoertokens $0.0028 / 1K tokens Uitvoer · Uitvoertokens $0.0088 / 1K tokens Invoer · Cache lezen $0.00052 / 1K tokens Invoer · Cache schrijven — / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
| ConfiguratieOpenAI Chat · Tariefniveau 1 op basis van aanvraaglengte | Tariefstaffel— | Contexttokens, meer dan0 | Contexttokens, tot en metGeen bovengrens | Kosten Invoer · Invoertokens $0.0028 / 1K tokens Uitvoer · Uitvoertokens $0.0088 / 1K tokens Invoer · Cache lezen $0.00052 / 1K tokens Invoer · Cache schrijven — / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
| ConfiguratieAnthropic Messages · Basistarieven per token | TariefstaffelBasistarief | Contexttokens, meer dan— | Contexttokens, tot en metGeen bovengrens | Kosten Invoer · Invoertokens $0.0028 / 1K tokens Uitvoer · Uitvoertokens $0.0088 / 1K tokens Invoer · Cache lezen $0.00052 / 1K tokens Invoer · Cache schrijven — / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
| ConfiguratieAnthropic Messages · Tariefniveau 1 op basis van aanvraaglengte | Tariefstaffel— | Contexttokens, meer dan0 | Contexttokens, tot en metGeen bovengrens | Kosten Invoer · Invoertokens $0.0028 / 1K tokens Uitvoer · Uitvoertokens $0.0088 / 1K tokens Invoer · Cache lezen $0.00052 / 1K tokens Invoer · Cache schrijven — / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 source-material file}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "glm-5.3", "input": ""}')\nf=Path(os.environ["AILOOT_TEXT_FILE"])\nif not f.is_file():raise SystemExit("Choose your actual UTF-8 source material")\ntext=f.read_text(encoding="utf-8")\nif not text.strip():raise SystemExit("Source material must contain text")\np["input"]="Summarize this material and quote supporting source passages.\\n\\n"+text\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/responses \\\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 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(json.loads(Path("result.json").read_text(encoding="utf-8")))\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)\nresp = client.responses.create(model="glm-5.3", input="Explain the difference between an observation and a hypothesis 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(resp.to_dict(mode="json"))\nimport OpenAI from "openai";\n\nif (!process.env.AILOOT_API_KEY?.trim()) throw new Error("Set AILOOT_API_KEY before making a request");\nconst client = new OpenAI({ baseURL: "https://api.ailoot.ai/v1", apiKey: process.env.AILOOT_API_KEY, maxRetries: 0 });\nconst resp = await client.responses.create({ model: "glm-5.3", input: "Explain the difference between an observation and a hypothesis in three sentences." });\nimport { writeFileSync } from "node:fs";\n\nfunction saveResult(data, stem = "result") {\n writeFileSync(stem + ".json", JSON.stringify(data, null, 2));\n console.log(JSON.stringify(data, null, 2));\n const saveBlob = (encoded, suffix, label) => {\n const raw = Buffer.from(encoded, "base64");\n const ext = raw.subarray(0,8).equals(Buffer.from([137,80,78,71,13,10,26,10])) ? "png" : raw[0]===255 && raw[1]===216 ? "jpg" : raw.subarray(0,4).toString()==="RIFF" && raw.subarray(8,12).toString()==="WEBP" ? "webp" : suffix;\n const file = `${stem}-${label}.${ext}`;\n writeFileSync(file, raw); console.log("Saved", file);\n };\n for (const [i, block] of (data.content || []).entries()) console.log("Content", i, JSON.stringify(block));\n for (const choice of data.choices || []) console.log("Choice", choice.index, JSON.stringify(choice.message || choice.delta || {}));\n for (const [i, item] of (data.output || []).entries()) {\n console.log("Output", i, JSON.stringify(item));\n if (item.type === "image_generation_call" && item.result) saveBlob(item.result, item.output_format || "bin", `output-${i}`);\n }\n for (const [ci, candidate] of (data.candidates || []).entries()) {\n for (const [pi, part] of (candidate.content?.parts || []).entries()) {\n console.log("Candidate/part", ci, pi, JSON.stringify(part));\n const blob = part.inlineData || part.inline_data;\n if (blob?.data) {\n const mime = blob.mimeType || blob.mime_type;\n const suffix = ({"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"})[mime] || "bin";\n saveBlob(blob.data, suffix, `candidate-${ci}-part-${pi}`);\n }\n }\n }\n}\n\nsaveResult(resp);\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\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\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)\nwith client.responses.stream(model="glm-5.3", input="Explain the difference between an observation and a hypothesis 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_response()\n save_result(final.to_dict(mode="json"),"stream-result")\njson of SSE
Bewaar elk volledig teruggegeven antwoord, bestand en inhoudsonderdeel.
Bewaar elk uitvoeritem en inhoudsonderdeel, de werkelijke call_id van functies, versleutelde redeneringen en verbruiksgegevens. Behoud bij streaming de volledige identiteit van gebeurtenissen en items.
Bewaar aanvraag-/antwoord-ID’s en headers. Er wordt geen algemene URL meegeleverd om teksttaken op te halen.
| Veld | Type |
|---|---|
Veldid | Typestring |
Veldstatus | Typestring |
Veldoutput[] | Typemessage|reasoning|function_call|other item |
Veldoutput[].content[] | Typecontent part |
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 glm-5.3, glm, glm-5, glm-5.1, glm-5.2, glm-latest
Ailoot Ultra glm-5.3, z-ai/glm-5.3, ~z-ai/glm-latest
/chat/completions
z-ai/glm-5.3, glm, glm-5, glm-5.1, glm-5.2, glm-latest, ~z-ai/glm-latest, glm-5.3, glm-5.3
glm-5.3Z.ai GLM 5.3 is een tekstredeneermodel voor complexe software-engineering, terminalwerk en agents die langdurige taken uitvoeren. Het ondersteunt een door de maker gedocumenteerde context van 1M tokens, maximaal 128K uitvoertokens, function calling en redeneerinspanning low/high/max, waarbij redeneren voortdurend ingeschakeld blijft.
Deze beschrijving gaat over de mogelijkheden van het model. De via Ailoot beschikbare invoer, uitvoer en opties staan hieronder voor de geselecteerde methode.
Z.ai GLM 5.3 is een grootschalig tekstredeneermodel dat ontworpen is voor complexe software-engineering en langdurig agentwerk. De fabrikant stelt dat het hetzelfde basismodel gebruikt als GLM 5.2 en dat de nieuwe verbeteringen uit natraining komen. De release richt zich op sterker programmeren, terminalbewerkingen en bredere taken met meerdere afhankelijke stappen. Het aanvaardt tekst en produceert tekst, waaronder code, uitleg, plannen en verzoeken om toolaanroepen in een toepassing met gekoppelde tools.
De gedocumenteerde redeneermodus is altijd ingeschakeld. GLM 5.3 biedt drie inspanningsniveaus: low, high en max, met max als standaard. De maker raadt max aan voor complex programmeerwerk; low biedt een lichtere redeneeroptie voor eenvoudigere stappen. Gebruik het gekozen niveau samen met een duidelijk eindresultaat en voltooiingscriteria. Bijvoorbeeld: “Onderzoek deze bestanden en falende resultaten, achterhaal de oorzaak in de betrokken modules, stel een correctie voor die de publieke interface behoudt en leg uit welke controles aantonen dat de regressie is opgelost.”
De maker specificeert een contextvenster van 1M tokens en een maximale uitvoerlengte van 128K tokens. Orden lang materiaal rond de relatie die het model moet onderzoeken. Behoud bestandsnamen, relevante definities, bronlabels en de volgorde van waarnemingen en laat binnen de toepasselijke werkcontext ruimte voor de redenering en het eindantwoord. Een groot venster is bruikbaar voor afhankelijkheden tussen modules of een lange reeks agentwaarnemingen; het maakt een ongericht archief van losstaand materiaal niet tot een duidelijk omschreven taak.
Geef bij werk in een repository het verwachte gedrag, de relevante brontekst, afhankelijkheidsversies en werkelijke foutuitvoer mee. Vraag het model het betrokken gedrag te identificeren voordat het een patch voorstelt. Benoem bij een refactoring de interface en invarianten die intact moeten blijven. Een bruikbaar antwoord bevat de herziene code, waarom de wijziging het waargenomen probleem aanpakt en de gevallen die nodig zijn om het resultaat te controleren. Voer werkelijke resultaten terug in een werkwijze met gekoppelde tools, zodat de volgende stap op de gewijzigde toestand berust in plaats van op het eerdere voorstel.
Geef bij prestatiewerk een werklast, een uitgangsmeting en metingen zoals tijdsmetingen, profielen of allocatieregistraties mee. Z.ai beschrijft trainingstaken rond het vaststellen van knelpunten, optimalisatie, experimenten en resultaten die de correctheid behouden. Een praktisch verzoek is: “Gebruik dit profiel om het knelpunt met de grootste impact te identificeren, stel één meetbare wijziging voor en leg uit welk resultaat het behoud ervan zou rechtvaardigen.” Onderscheid een prestatiehypothese van een vastgelegde verbetering. Behoud dezelfde werklast en relevante omstandigheden wanneer u een resultaat onderzoekt.
De release ontwikkelt ook mogelijkheden voor kwetsbaarheidsanalyse. Geef voor defensieve broncodecontrole de relevante code, de bedoelde vertrouwensgrenzen en de omstandigheden waarin ze draait mee. Vraag om een bevinding die een vermoedelijk probleem verbindt met de betrokken invoer, het gedrag en een gerichte oplossing. Onderscheid een mogelijke zwakte van een gereproduceerde fout en bewaar de waarneming die gebruikt is om die te valideren. Een verslag is bruikbaarder wanneer het concreet bewijs en voorgestelde correcties voorrang geeft, in plaats van elk verdacht patroon als een bevestigde kwetsbaarheid te behandelen.
Function calling laat een omringende toepassing externe bewerkingen aan het model beschikbaar stellen. Definieer het doel, de argumenten en het verwachte resultaat van elke tool en geef vervolgens de werkelijke toolwaarneming terug voor de volgende stap. Het model kan over dat resultaat redeneren en bepalen hoe het de taak verandert. Zorg dat voorgestelde acties, uitgevoerde bewerkingen en onopgeloste controles van elkaar te onderscheiden blijven. De maker documenteert ook streamingantwoorden, die redeneer- en antwoordfragmenten afzonderlijk teruggeven; voeg het voltooide antwoord samen voordat u het als eindverslag of code-uitleg behandelt.
De lokale modelkaart geeft een specifiek detail over de geschiedenisinstelling: de chatsjabloon behoudt standaard eerdere redeneringen, terwijl de maker voor gewone chatscenario's aanbeveelt oude redeneringen expliciet te wissen. Pas de geschikte gespreksstructuur toe voor het gebruiksdoel, met behoud van de werkelijk voltooide antwoorden en toolresultaten die voor voortzetting nodig zijn. Behandel redeneerinstellingen uit GLM 5.2 of de afzonderlijke GLM 5.3 Flash-edities niet als uitwisselbaar met de instellingen low/high/max van dit model.
Specificeer voor gestructureerde resultaten de verwachte velden, typen en bronregels. Een bruikbaar resultaat kan een defectentabel, wijzigingsplan of JSON-object met een samenvatting van waarnemingen zijn. Valideer zowel de structuur als de waarden voordat een toepassing ze gebruikt. Het eindresultaat moet het antwoord of herziene resultaat, het ondersteunende bewijsmateriaal en de resterende aannames benoemen. Meer redeneerinspanning bewijst niet dat een tool is uitgevoerd, dat een voorgestelde patch de controles heeft doorstaan of dat een feitelijke bewering onderbouwing heeft buiten het aangeleverde materiaal.
POST /v1/chat/completionstexttext| Veld | Type | Vereiste | Waarden en limieten | Standaard |
|---|---|---|---|---|
Veldmodel | Typestring | VereisteVereist | Waarden en limieten glm-5.3 | 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 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— |
Tekst · UTF8-tekst
messages[].content
| Parameter | Contract |
|---|---|
Parametermaterial_types | Contracttext |
Parameterrequired | Contractmodel, messages |
Parameteroptional_controls | Contractnull |
Parametercontent_type | Contractapplication/json |
Parametertext_file_material | Contractwerkelijke UTF-8-inhoud ingevoegd als tekst; bestands-ID’s/URLs vereisen afzonderlijke exacte ondersteuning |
Levenscyclus: exact retained published method
De methodestructuren en ID’s zijn exact; de mogelijkheden van de leverancier staan los van toelating.
POST /v1/chat/completionsAiloot 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 →
Referentiestaffels op modelniveau veranderen de methodeselectie, kostenramingen of afschrijvingen niet. Voor de actieve kostenberekening gelden de tarieven van de geselecteerde Ailoot-methode.
Koppel elke kostenpost aan de getoonde voorwaarden. Gebruik één tarief voor elke groep alternatieve configuraties.
| Configuratie | Tariefstaffel | Contexttokens, meer dan | Contexttokens, tot en met | Kosten |
|---|---|---|---|---|
| ConfiguratieOpenAI Chat · Basistarieven per token | TariefstaffelBasistarief | Contexttokens, meer dan— | Contexttokens, tot en metGeen bovengrens | Kosten Invoer · Invoertokens $0.0028 / 1K tokens Uitvoer · Uitvoertokens $0.0088 / 1K tokens Invoer · Cache lezen $0.00052 / 1K tokens Invoer · Cache schrijven — / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
| ConfiguratieOpenAI Chat · Tariefniveau 1 op basis van aanvraaglengte | Tariefstaffel— | Contexttokens, meer dan0 | Contexttokens, tot en metGeen bovengrens | Kosten Invoer · Invoertokens $0.0028 / 1K tokens Uitvoer · Uitvoertokens $0.0088 / 1K tokens Invoer · Cache lezen $0.00052 / 1K tokens Invoer · Cache schrijven — / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
| ConfiguratieAnthropic Messages · Basistarieven per token | TariefstaffelBasistarief | Contexttokens, meer dan— | Contexttokens, tot en metGeen bovengrens | Kosten Invoer · Invoertokens $0.0028 / 1K tokens Uitvoer · Uitvoertokens $0.0088 / 1K tokens Invoer · Cache lezen $0.00052 / 1K tokens Invoer · Cache schrijven — / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
| ConfiguratieAnthropic Messages · Tariefniveau 1 op basis van aanvraaglengte | Tariefstaffel— | Contexttokens, meer dan0 | Contexttokens, tot en metGeen bovengrens | Kosten Invoer · Invoertokens $0.0028 / 1K tokens Uitvoer · Uitvoertokens $0.0088 / 1K tokens Invoer · Cache lezen $0.00052 / 1K tokens Invoer · Cache schrijven — / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 source-material file}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "glm-5.3", "messages": []}')\nf=Path(os.environ["AILOOT_TEXT_FILE"])\nif not f.is_file():raise SystemExit("Choose your actual UTF-8 source material")\ntext=f.read_text(encoding="utf-8")\nif not text.strip():raise SystemExit("Source material must contain text")\np["messages"]=[{"role":"user","content":"Summarize this material and quote supporting source passages.\\n\\n"+text}]\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\nprint(json.dumps(json.loads(Path("result.json").read_text()),ensure_ascii=False,indent=2))\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)\nresp = client.chat.completions.create(\n model="glm-5.3",\n messages=[{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}],\n)\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(resp.to_dict(mode="json"))\nimport OpenAI from "openai";\n\nif (!process.env.AILOOT_API_KEY?.trim()) throw new Error("Set AILOOT_API_KEY before making a request");\nconst client = new OpenAI({ baseURL: "https://api.ailoot.ai/v1", apiKey: process.env.AILOOT_API_KEY, maxRetries: 0 });\nconst resp = await client.chat.completions.create({\n model: "glm-5.3",\n messages: [{ role: "user", content: "Explain the difference between an observation and a hypothesis in three sentences." }],\n});\nimport { writeFileSync } from "node:fs";\n\nfunction saveResult(data, stem = "result") {\n writeFileSync(stem + ".json", JSON.stringify(data, null, 2));\n console.log(JSON.stringify(data, null, 2));\n const saveBlob = (encoded, suffix, label) => {\n const raw = Buffer.from(encoded, "base64");\n const ext = raw.subarray(0,8).equals(Buffer.from([137,80,78,71,13,10,26,10])) ? "png" : raw[0]===255 && raw[1]===216 ? "jpg" : raw.subarray(0,4).toString()==="RIFF" && raw.subarray(8,12).toString()==="WEBP" ? "webp" : suffix;\n const file = `${stem}-${label}.${ext}`;\n writeFileSync(file, raw); console.log("Saved", file);\n };\n for (const [i, block] of (data.content || []).entries()) console.log("Content", i, JSON.stringify(block));\n for (const choice of data.choices || []) console.log("Choice", choice.index, JSON.stringify(choice.message || choice.delta || {}));\n for (const [i, item] of (data.output || []).entries()) {\n console.log("Output", i, JSON.stringify(item));\n if (item.type === "image_generation_call" && item.result) saveBlob(item.result, item.output_format || "bin", `output-${i}`);\n }\n for (const [ci, candidate] of (data.candidates || []).entries()) {\n for (const [pi, part] of (candidate.content?.parts || []).entries()) {\n console.log("Candidate/part", ci, pi, JSON.stringify(part));\n const blob = part.inlineData || part.inline_data;\n if (blob?.data) {\n const mime = blob.mimeType || blob.mime_type;\n const suffix = ({"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"})[mime] || "bin";\n saveBlob(blob.data, suffix, `candidate-${ci}-part-${pi}`);\n }\n }\n }\n}\n\nsaveResult(resp);\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-5.3',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 glm-5.3, glm, glm-5, glm-5.1, glm-5.2, glm-latest
Ailoot Ultra glm-5.3, z-ai/glm-5.3, ~z-ai/glm-latest
/chat/completions
z-ai/glm-5.3, glm, glm-5, glm-5.1, glm-5.2, glm-latest, ~z-ai/glm-latest, glm-5.3, glm-5.3
glm-5.3Z.ai GLM 5.3 is een tekstredeneermodel voor complexe software-engineering, terminalwerk en agents die langdurige taken uitvoeren. Het ondersteunt een door de maker gedocumenteerde context van 1M tokens, maximaal 128K uitvoertokens, function calling en redeneerinspanning low/high/max, waarbij redeneren voortdurend ingeschakeld blijft.
Deze beschrijving gaat over de mogelijkheden van het model. De via Ailoot beschikbare invoer, uitvoer en opties staan hieronder voor de geselecteerde methode.
Z.ai GLM 5.3 is een grootschalig tekstredeneermodel dat ontworpen is voor complexe software-engineering en langdurig agentwerk. De fabrikant stelt dat het hetzelfde basismodel gebruikt als GLM 5.2 en dat de nieuwe verbeteringen uit natraining komen. De release richt zich op sterker programmeren, terminalbewerkingen en bredere taken met meerdere afhankelijke stappen. Het aanvaardt tekst en produceert tekst, waaronder code, uitleg, plannen en verzoeken om toolaanroepen in een toepassing met gekoppelde tools.
De gedocumenteerde redeneermodus is altijd ingeschakeld. GLM 5.3 biedt drie inspanningsniveaus: low, high en max, met max als standaard. De maker raadt max aan voor complex programmeerwerk; low biedt een lichtere redeneeroptie voor eenvoudigere stappen. Gebruik het gekozen niveau samen met een duidelijk eindresultaat en voltooiingscriteria. Bijvoorbeeld: “Onderzoek deze bestanden en falende resultaten, achterhaal de oorzaak in de betrokken modules, stel een correctie voor die de publieke interface behoudt en leg uit welke controles aantonen dat de regressie is opgelost.”
De maker specificeert een contextvenster van 1M tokens en een maximale uitvoerlengte van 128K tokens. Orden lang materiaal rond de relatie die het model moet onderzoeken. Behoud bestandsnamen, relevante definities, bronlabels en de volgorde van waarnemingen en laat binnen de toepasselijke werkcontext ruimte voor de redenering en het eindantwoord. Een groot venster is bruikbaar voor afhankelijkheden tussen modules of een lange reeks agentwaarnemingen; het maakt een ongericht archief van losstaand materiaal niet tot een duidelijk omschreven taak.
Geef bij werk in een repository het verwachte gedrag, de relevante brontekst, afhankelijkheidsversies en werkelijke foutuitvoer mee. Vraag het model het betrokken gedrag te identificeren voordat het een patch voorstelt. Benoem bij een refactoring de interface en invarianten die intact moeten blijven. Een bruikbaar antwoord bevat de herziene code, waarom de wijziging het waargenomen probleem aanpakt en de gevallen die nodig zijn om het resultaat te controleren. Voer werkelijke resultaten terug in een werkwijze met gekoppelde tools, zodat de volgende stap op de gewijzigde toestand berust in plaats van op het eerdere voorstel.
Geef bij prestatiewerk een werklast, een uitgangsmeting en metingen zoals tijdsmetingen, profielen of allocatieregistraties mee. Z.ai beschrijft trainingstaken rond het vaststellen van knelpunten, optimalisatie, experimenten en resultaten die de correctheid behouden. Een praktisch verzoek is: “Gebruik dit profiel om het knelpunt met de grootste impact te identificeren, stel één meetbare wijziging voor en leg uit welk resultaat het behoud ervan zou rechtvaardigen.” Onderscheid een prestatiehypothese van een vastgelegde verbetering. Behoud dezelfde werklast en relevante omstandigheden wanneer u een resultaat onderzoekt.
De release ontwikkelt ook mogelijkheden voor kwetsbaarheidsanalyse. Geef voor defensieve broncodecontrole de relevante code, de bedoelde vertrouwensgrenzen en de omstandigheden waarin ze draait mee. Vraag om een bevinding die een vermoedelijk probleem verbindt met de betrokken invoer, het gedrag en een gerichte oplossing. Onderscheid een mogelijke zwakte van een gereproduceerde fout en bewaar de waarneming die gebruikt is om die te valideren. Een verslag is bruikbaarder wanneer het concreet bewijs en voorgestelde correcties voorrang geeft, in plaats van elk verdacht patroon als een bevestigde kwetsbaarheid te behandelen.
Function calling laat een omringende toepassing externe bewerkingen aan het model beschikbaar stellen. Definieer het doel, de argumenten en het verwachte resultaat van elke tool en geef vervolgens de werkelijke toolwaarneming terug voor de volgende stap. Het model kan over dat resultaat redeneren en bepalen hoe het de taak verandert. Zorg dat voorgestelde acties, uitgevoerde bewerkingen en onopgeloste controles van elkaar te onderscheiden blijven. De maker documenteert ook streamingantwoorden, die redeneer- en antwoordfragmenten afzonderlijk teruggeven; voeg het voltooide antwoord samen voordat u het als eindverslag of code-uitleg behandelt.
De lokale modelkaart geeft een specifiek detail over de geschiedenisinstelling: de chatsjabloon behoudt standaard eerdere redeneringen, terwijl de maker voor gewone chatscenario's aanbeveelt oude redeneringen expliciet te wissen. Pas de geschikte gespreksstructuur toe voor het gebruiksdoel, met behoud van de werkelijk voltooide antwoorden en toolresultaten die voor voortzetting nodig zijn. Behandel redeneerinstellingen uit GLM 5.2 of de afzonderlijke GLM 5.3 Flash-edities niet als uitwisselbaar met de instellingen low/high/max van dit model.
Specificeer voor gestructureerde resultaten de verwachte velden, typen en bronregels. Een bruikbaar resultaat kan een defectentabel, wijzigingsplan of JSON-object met een samenvatting van waarnemingen zijn. Valideer zowel de structuur als de waarden voordat een toepassing ze gebruikt. Het eindresultaat moet het antwoord of herziene resultaat, het ondersteunende bewijsmateriaal en de resterende aannames benoemen. Meer redeneerinspanning bewijst niet dat een tool is uitgevoerd, dat een voorgestelde patch de controles heeft doorstaan of dat een feitelijke bewering onderbouwing heeft buiten het aangeleverde materiaal.
POST /v1/chat/completionstexttext| Veld | Type | Vereiste | Waarden en limieten | Standaard |
|---|---|---|---|---|
Veldmodel | Typestring | VereisteVereist | Waarden en limieten glm-5.3 | Standaard— |
Veldmessages | Typemessage[] | VereisteVereist | Waarden en limieten Minimumaantal items: 1 | Standaard— |
Veldmessages[].role | Typestring | VereisteVereist | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldmessages[].content | Typestring | VereisteOptioneel | Waarden en limieten Geldt wanneer: Tekstgesprek | Standaard— |
Veldstream | Typeboolean | VereisteOptioneel | Waarden en limieten | Standaardfalse |
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 |
Parametercontrol_scope | ContractTekstgesprek; stream is een booleaanse waarde en is standaard false. |
Parameteroutput_modalities | Contracttext |
Parameterhosted_operations | Contractfalse |
Parametermultimodal_input_binding | Contractnull |
Methodealiasnamen: /chat/completions
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.
Koppel elke kostenpost aan de getoonde voorwaarden. Gebruik één tarief voor elke groep alternatieve configuraties.
| Configuratie | Tariefstaffel | Contexttokens, meer dan | Contexttokens, tot en met | Kosten |
|---|---|---|---|---|
| ConfiguratieBasistarieven voor tokens | TariefstaffelBasistarief | Contexttokens, meer dan— | Contexttokens, tot en metGeen bovengrens | Kosten Invoer · Invoertokens $0.0028 / 1K tokens Uitvoer · Uitvoertokens $0.0088 / 1K tokens Invoer · Cache lezen $0.00052 / 1K tokens Invoer · Cache schrijven — / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
| ConfiguratieAanvraaglengte · niveau 1 | Tariefstaffel— | Contexttokens, meer dan0 | Contexttokens, tot en metGeen bovengrens | Kosten Invoer · Invoertokens $0.0028 / 1K tokens Uitvoer · Uitvoertokens $0.0088 / 1K tokens Invoer · Cache lezen $0.00052 / 1K tokens Invoer · Cache schrijven — / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
Ailoot reserveert vóór een verzoek een geschat bedrag. Na het resultaat worden de uiteindelijke kosten afgerekend op basis van het gemeten verbruik. Bij streaming gebeurt de afrekening op basis van de definitieve verbruiksregistratie. Zo werken reservering en afrekening →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model":"glm-5.3","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-5.3", 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 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 glm-5.3, glm, glm-5, glm-5.1, glm-5.2, glm-latest
Ailoot Ultra glm-5.3, z-ai/glm-5.3, ~z-ai/glm-latest
/chat/completions
z-ai/glm-5.3, glm, glm-5, glm-5.1, glm-5.2, glm-latest, ~z-ai/glm-latest, glm-5.3, glm-5.3
glm-5.3Z.ai GLM 5.3 is een tekstredeneermodel voor complexe software-engineering, terminalwerk en agents die langdurige taken uitvoeren. Het ondersteunt een door de maker gedocumenteerde context van 1M tokens, maximaal 128K uitvoertokens, function calling en redeneerinspanning low/high/max, waarbij redeneren voortdurend ingeschakeld blijft.
Deze beschrijving gaat over de mogelijkheden van het model. De via Ailoot beschikbare invoer, uitvoer en opties staan hieronder voor de geselecteerde methode.
Z.ai GLM 5.3 is een grootschalig tekstredeneermodel dat ontworpen is voor complexe software-engineering en langdurig agentwerk. De fabrikant stelt dat het hetzelfde basismodel gebruikt als GLM 5.2 en dat de nieuwe verbeteringen uit natraining komen. De release richt zich op sterker programmeren, terminalbewerkingen en bredere taken met meerdere afhankelijke stappen. Het aanvaardt tekst en produceert tekst, waaronder code, uitleg, plannen en verzoeken om toolaanroepen in een toepassing met gekoppelde tools.
De gedocumenteerde redeneermodus is altijd ingeschakeld. GLM 5.3 biedt drie inspanningsniveaus: low, high en max, met max als standaard. De maker raadt max aan voor complex programmeerwerk; low biedt een lichtere redeneeroptie voor eenvoudigere stappen. Gebruik het gekozen niveau samen met een duidelijk eindresultaat en voltooiingscriteria. Bijvoorbeeld: “Onderzoek deze bestanden en falende resultaten, achterhaal de oorzaak in de betrokken modules, stel een correctie voor die de publieke interface behoudt en leg uit welke controles aantonen dat de regressie is opgelost.”
De maker specificeert een contextvenster van 1M tokens en een maximale uitvoerlengte van 128K tokens. Orden lang materiaal rond de relatie die het model moet onderzoeken. Behoud bestandsnamen, relevante definities, bronlabels en de volgorde van waarnemingen en laat binnen de toepasselijke werkcontext ruimte voor de redenering en het eindantwoord. Een groot venster is bruikbaar voor afhankelijkheden tussen modules of een lange reeks agentwaarnemingen; het maakt een ongericht archief van losstaand materiaal niet tot een duidelijk omschreven taak.
Geef bij werk in een repository het verwachte gedrag, de relevante brontekst, afhankelijkheidsversies en werkelijke foutuitvoer mee. Vraag het model het betrokken gedrag te identificeren voordat het een patch voorstelt. Benoem bij een refactoring de interface en invarianten die intact moeten blijven. Een bruikbaar antwoord bevat de herziene code, waarom de wijziging het waargenomen probleem aanpakt en de gevallen die nodig zijn om het resultaat te controleren. Voer werkelijke resultaten terug in een werkwijze met gekoppelde tools, zodat de volgende stap op de gewijzigde toestand berust in plaats van op het eerdere voorstel.
Geef bij prestatiewerk een werklast, een uitgangsmeting en metingen zoals tijdsmetingen, profielen of allocatieregistraties mee. Z.ai beschrijft trainingstaken rond het vaststellen van knelpunten, optimalisatie, experimenten en resultaten die de correctheid behouden. Een praktisch verzoek is: “Gebruik dit profiel om het knelpunt met de grootste impact te identificeren, stel één meetbare wijziging voor en leg uit welk resultaat het behoud ervan zou rechtvaardigen.” Onderscheid een prestatiehypothese van een vastgelegde verbetering. Behoud dezelfde werklast en relevante omstandigheden wanneer u een resultaat onderzoekt.
De release ontwikkelt ook mogelijkheden voor kwetsbaarheidsanalyse. Geef voor defensieve broncodecontrole de relevante code, de bedoelde vertrouwensgrenzen en de omstandigheden waarin ze draait mee. Vraag om een bevinding die een vermoedelijk probleem verbindt met de betrokken invoer, het gedrag en een gerichte oplossing. Onderscheid een mogelijke zwakte van een gereproduceerde fout en bewaar de waarneming die gebruikt is om die te valideren. Een verslag is bruikbaarder wanneer het concreet bewijs en voorgestelde correcties voorrang geeft, in plaats van elk verdacht patroon als een bevestigde kwetsbaarheid te behandelen.
Function calling laat een omringende toepassing externe bewerkingen aan het model beschikbaar stellen. Definieer het doel, de argumenten en het verwachte resultaat van elke tool en geef vervolgens de werkelijke toolwaarneming terug voor de volgende stap. Het model kan over dat resultaat redeneren en bepalen hoe het de taak verandert. Zorg dat voorgestelde acties, uitgevoerde bewerkingen en onopgeloste controles van elkaar te onderscheiden blijven. De maker documenteert ook streamingantwoorden, die redeneer- en antwoordfragmenten afzonderlijk teruggeven; voeg het voltooide antwoord samen voordat u het als eindverslag of code-uitleg behandelt.
De lokale modelkaart geeft een specifiek detail over de geschiedenisinstelling: de chatsjabloon behoudt standaard eerdere redeneringen, terwijl de maker voor gewone chatscenario's aanbeveelt oude redeneringen expliciet te wissen. Pas de geschikte gespreksstructuur toe voor het gebruiksdoel, met behoud van de werkelijk voltooide antwoorden en toolresultaten die voor voortzetting nodig zijn. Behandel redeneerinstellingen uit GLM 5.2 of de afzonderlijke GLM 5.3 Flash-edities niet als uitwisselbaar met de instellingen low/high/max van dit model.
Specificeer voor gestructureerde resultaten de verwachte velden, typen en bronregels. Een bruikbaar resultaat kan een defectentabel, wijzigingsplan of JSON-object met een samenvatting van waarnemingen zijn. Valideer zowel de structuur als de waarden voordat een toepassing ze gebruikt. Het eindresultaat moet het antwoord of herziene resultaat, het ondersteunende bewijsmateriaal en de resterende aannames benoemen. Meer redeneerinspanning bewijst niet dat een tool is uitgevoerd, dat een voorgestelde patch de controles heeft doorstaan of dat een feitelijke bewering onderbouwing heeft buiten het aangeleverde materiaal.
POST /v1/messagestextjson, sse| Veld | Type | Vereiste | Waarden en limieten | Standaard |
|---|---|---|---|---|
Veldmodel | Typestring | VereisteVereist | Waarden en limieten glm-5.3 | 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.
Koppel elke kostenpost aan de getoonde voorwaarden. Gebruik één tarief voor elke groep alternatieve configuraties.
| Configuratie | Tariefstaffel | Contexttokens, meer dan | Contexttokens, tot en met | Kosten |
|---|---|---|---|---|
| ConfiguratieBasistarieven voor tokens | TariefstaffelBasistarief | Contexttokens, meer dan— | Contexttokens, tot en metGeen bovengrens | Kosten Invoer · Invoertokens $0.0028 / 1K tokens Uitvoer · Uitvoertokens $0.0088 / 1K tokens Invoer · Cache lezen $0.00052 / 1K tokens Invoer · Cache schrijven — / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
| ConfiguratieAanvraaglengte · niveau 1 | Tariefstaffel— | Contexttokens, meer dan0 | Contexttokens, tot en metGeen bovengrens | Kosten Invoer · Invoertokens $0.0028 / 1K tokens Uitvoer · Uitvoertokens $0.0088 / 1K tokens Invoer · Cache lezen $0.00052 / 1K tokens Invoer · Cache schrijven — / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
Ailoot reserveert vóór een verzoek een geschat bedrag. Na het resultaat worden de uiteindelijke kosten afgerekend op basis van het gemeten verbruik. Bij streaming gebeurt de afrekening op basis van de definitieve verbruiksregistratie. Zo werken reservering en afrekening →
{\n "model": "glm-5.3",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-5.3', '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-5.3', '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 glm-5.3, glm, glm-5, glm-5.1, glm-5.2, glm-latest
Ailoot Ultra glm-5.3, z-ai/glm-5.3, ~z-ai/glm-latest
/chat/completions
z-ai/glm-5.3, glm, glm-5, glm-5.1, glm-5.2, glm-latest, ~z-ai/glm-latest, glm-5.3, glm-5.3
glmZ.ai GLM 5.3 is een tekstredeneermodel voor complexe software-engineering, terminalwerk en agents die langdurige taken uitvoeren. Het ondersteunt een door de maker gedocumenteerde context van 1M tokens, maximaal 128K uitvoertokens, function calling en redeneerinspanning low/high/max, waarbij redeneren voortdurend ingeschakeld blijft.
Deze beschrijving gaat over de mogelijkheden van het model. De via Ailoot beschikbare invoer, uitvoer en opties staan hieronder voor de geselecteerde methode.
Z.ai GLM 5.3 is een grootschalig tekstredeneermodel dat ontworpen is voor complexe software-engineering en langdurig agentwerk. De fabrikant stelt dat het hetzelfde basismodel gebruikt als GLM 5.2 en dat de nieuwe verbeteringen uit natraining komen. De release richt zich op sterker programmeren, terminalbewerkingen en bredere taken met meerdere afhankelijke stappen. Het aanvaardt tekst en produceert tekst, waaronder code, uitleg, plannen en verzoeken om toolaanroepen in een toepassing met gekoppelde tools.
De gedocumenteerde redeneermodus is altijd ingeschakeld. GLM 5.3 biedt drie inspanningsniveaus: low, high en max, met max als standaard. De maker raadt max aan voor complex programmeerwerk; low biedt een lichtere redeneeroptie voor eenvoudigere stappen. Gebruik het gekozen niveau samen met een duidelijk eindresultaat en voltooiingscriteria. Bijvoorbeeld: “Onderzoek deze bestanden en falende resultaten, achterhaal de oorzaak in de betrokken modules, stel een correctie voor die de publieke interface behoudt en leg uit welke controles aantonen dat de regressie is opgelost.”
De maker specificeert een contextvenster van 1M tokens en een maximale uitvoerlengte van 128K tokens. Orden lang materiaal rond de relatie die het model moet onderzoeken. Behoud bestandsnamen, relevante definities, bronlabels en de volgorde van waarnemingen en laat binnen de toepasselijke werkcontext ruimte voor de redenering en het eindantwoord. Een groot venster is bruikbaar voor afhankelijkheden tussen modules of een lange reeks agentwaarnemingen; het maakt een ongericht archief van losstaand materiaal niet tot een duidelijk omschreven taak.
Geef bij werk in een repository het verwachte gedrag, de relevante brontekst, afhankelijkheidsversies en werkelijke foutuitvoer mee. Vraag het model het betrokken gedrag te identificeren voordat het een patch voorstelt. Benoem bij een refactoring de interface en invarianten die intact moeten blijven. Een bruikbaar antwoord bevat de herziene code, waarom de wijziging het waargenomen probleem aanpakt en de gevallen die nodig zijn om het resultaat te controleren. Voer werkelijke resultaten terug in een werkwijze met gekoppelde tools, zodat de volgende stap op de gewijzigde toestand berust in plaats van op het eerdere voorstel.
Geef bij prestatiewerk een werklast, een uitgangsmeting en metingen zoals tijdsmetingen, profielen of allocatieregistraties mee. Z.ai beschrijft trainingstaken rond het vaststellen van knelpunten, optimalisatie, experimenten en resultaten die de correctheid behouden. Een praktisch verzoek is: “Gebruik dit profiel om het knelpunt met de grootste impact te identificeren, stel één meetbare wijziging voor en leg uit welk resultaat het behoud ervan zou rechtvaardigen.” Onderscheid een prestatiehypothese van een vastgelegde verbetering. Behoud dezelfde werklast en relevante omstandigheden wanneer u een resultaat onderzoekt.
De release ontwikkelt ook mogelijkheden voor kwetsbaarheidsanalyse. Geef voor defensieve broncodecontrole de relevante code, de bedoelde vertrouwensgrenzen en de omstandigheden waarin ze draait mee. Vraag om een bevinding die een vermoedelijk probleem verbindt met de betrokken invoer, het gedrag en een gerichte oplossing. Onderscheid een mogelijke zwakte van een gereproduceerde fout en bewaar de waarneming die gebruikt is om die te valideren. Een verslag is bruikbaarder wanneer het concreet bewijs en voorgestelde correcties voorrang geeft, in plaats van elk verdacht patroon als een bevestigde kwetsbaarheid te behandelen.
Function calling laat een omringende toepassing externe bewerkingen aan het model beschikbaar stellen. Definieer het doel, de argumenten en het verwachte resultaat van elke tool en geef vervolgens de werkelijke toolwaarneming terug voor de volgende stap. Het model kan over dat resultaat redeneren en bepalen hoe het de taak verandert. Zorg dat voorgestelde acties, uitgevoerde bewerkingen en onopgeloste controles van elkaar te onderscheiden blijven. De maker documenteert ook streamingantwoorden, die redeneer- en antwoordfragmenten afzonderlijk teruggeven; voeg het voltooide antwoord samen voordat u het als eindverslag of code-uitleg behandelt.
De lokale modelkaart geeft een specifiek detail over de geschiedenisinstelling: de chatsjabloon behoudt standaard eerdere redeneringen, terwijl de maker voor gewone chatscenario's aanbeveelt oude redeneringen expliciet te wissen. Pas de geschikte gespreksstructuur toe voor het gebruiksdoel, met behoud van de werkelijk voltooide antwoorden en toolresultaten die voor voortzetting nodig zijn. Behandel redeneerinstellingen uit GLM 5.2 of de afzonderlijke GLM 5.3 Flash-edities niet als uitwisselbaar met de instellingen low/high/max van dit model.
Specificeer voor gestructureerde resultaten de verwachte velden, typen en bronregels. Een bruikbaar resultaat kan een defectentabel, wijzigingsplan of JSON-object met een samenvatting van waarnemingen zijn. Valideer zowel de structuur als de waarden voordat een toepassing ze gebruikt. Het eindresultaat moet het antwoord of herziene resultaat, het ondersteunende bewijsmateriaal en de resterende aannames benoemen. Meer redeneerinspanning bewijst niet dat een tool is uitgevoerd, dat een voorgestelde patch de controles heeft doorstaan of dat een feitelijke bewering onderbouwing heeft buiten het aangeleverde materiaal.
POST /v1/messagestexttext| Veld | Type | Vereiste | Waarden en limieten | Standaard |
|---|---|---|---|---|
Veldmodel | Typestring | VereisteVereist | Waarden en limieten glm | Standaard— |
Veldmessages | Typemessage[] | VereisteVereist | Waarden en limieten Minimumaantal items: 1 | Standaard— |
Veldmessages[].role | Typestring | VereisteVereist | Waarden en limieten user, assistant | Standaard— |
Veldmessages[].content | Typestring|content_block[] | VereisteVereist | Waarden en limieten | Standaard— |
Veldsystem | Typestring|content_block[] | VereisteOptioneel | Waarden en limieten | Standaard— |
Veldmax_tokens | Typeinteger | VereisteVereist | Waarden en limieten Minimum: 1 Limiet geldt voor: exacte bovengrens van het gekozen model/de gekozen modelkaart | Standaard— |
Veldstream | Typeboolean | VereisteOptioneel | Waarden en limieten | Standaardfalse |
Veldtemperature | Typenumber | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldtop_p | Typenumber | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldstop_sequences | Typestring[] | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldtools | Typetool[] | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldtools[].name | Typestring | VereisteOptioneel | Waarden en limieten Geldt wanneer: tool opgegeven | Standaard— |
Veldtools[].description | Typestring | VereisteOptioneel | Waarden en limieten | Standaard— |
Veldtools[].input_schema | TypeJSON_schema | VereisteOptioneel | Waarden en limieten | Standaard— |
Veldtool_choice | Typeobject | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldthinking.type | Typestring | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldthinking.budget_tokens | Typeinteger | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldoutput_config.effort | Typestring | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldmetadata | Typeobject | VereisteOptioneel | Waarden en limieten | Standaard— |
Veldcache_control | Typeobject | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Tekst · UTF8-tekst
messages[].content of een blok met type=text
| Parameter | Contract |
|---|---|
Parametermaterial_types | Contracttext |
Parameterrequired | Contractmodel, messages, max_tokens |
Parameteroptional_controls | Contractnull |
Parametercontent_type | Contractapplication/json |
Parametertext_file_material | Contractwerkelijke UTF-8-inhoud ingevoegd als tekst; bestands-ID’s/URLs vereisen afzonderlijke exacte ondersteuning |
Levenscyclus: exact retained published method
De methodestructuren en ID’s zijn exact; de mogelijkheden van de leverancier staan los van toelating.
POST /v1/messagesAiloot 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 →
Referentiestaffels op modelniveau veranderen de methodeselectie, kostenramingen of afschrijvingen niet. Voor de actieve kostenberekening gelden de tarieven van de geselecteerde Ailoot-methode.
Koppel elke kostenpost aan de getoonde voorwaarden. Gebruik één tarief voor elke groep alternatieve configuraties.
| Configuratie | Tariefstaffel | Contexttokens, meer dan | Contexttokens, tot en met | Kosten |
|---|---|---|---|---|
| ConfiguratieOpenAI Chat · Basistarieven per token | TariefstaffelBasistarief | Contexttokens, meer dan— | Contexttokens, tot en metGeen bovengrens | Kosten Invoer · Invoertokens $0.0028 / 1K tokens Uitvoer · Uitvoertokens $0.0088 / 1K tokens Invoer · Cache lezen $0.00052 / 1K tokens Invoer · Cache schrijven — / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
| ConfiguratieOpenAI Chat · Tariefniveau 1 op basis van aanvraaglengte | Tariefstaffel— | Contexttokens, meer dan0 | Contexttokens, tot en metGeen bovengrens | Kosten Invoer · Invoertokens $0.0028 / 1K tokens Uitvoer · Uitvoertokens $0.0088 / 1K tokens Invoer · Cache lezen $0.00052 / 1K tokens Invoer · Cache schrijven — / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
| ConfiguratieAnthropic Messages · Basistarieven per token | TariefstaffelBasistarief | Contexttokens, meer dan— | Contexttokens, tot en metGeen bovengrens | Kosten Invoer · Invoertokens $0.0028 / 1K tokens Uitvoer · Uitvoertokens $0.0088 / 1K tokens Invoer · Cache lezen $0.00052 / 1K tokens Invoer · Cache schrijven — / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
| ConfiguratieAnthropic Messages · Tariefniveau 1 op basis van aanvraaglengte | Tariefstaffel— | Contexttokens, meer dan0 | Contexttokens, tot en metGeen bovengrens | Kosten Invoer · Invoertokens $0.0028 / 1K tokens Uitvoer · Uitvoertokens $0.0088 / 1K tokens Invoer · Cache lezen $0.00052 / 1K tokens Invoer · Cache schrijven — / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 source-material file}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "glm", "max_tokens": 1024, "messages": []}')\nf=Path(os.environ["AILOOT_TEXT_FILE"])\nif not f.is_file():raise SystemExit("Choose your actual UTF-8 source material")\ntext=f.read_text(encoding="utf-8")\nif not text.strip():raise SystemExit("Source material must contain text")\np["messages"]=[{"role":"user","content":"Summarize this material and quote supporting source passages.\\n\\n"+text}]\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/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\nprint(json.dumps(json.loads(Path("result.json").read_text()),ensure_ascii=False,indent=2))\nPY_RESULT\nimport anthropic\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient = anthropic.Anthropic(base_url="https://api.ailoot.ai", api_key=os.environ["AILOOT_API_KEY"], max_retries=0)\nmsg = client.messages.create(\n model="glm",\n max_tokens=1024,\n messages=[{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}],\n)\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(msg.to_dict(mode="json"))\nimport Anthropic from "@anthropic-ai/sdk";\n\nif (!process.env.AILOOT_API_KEY?.trim()) throw new Error("Set AILOOT_API_KEY before making a request");\nconst client = new Anthropic({ baseURL: "https://api.ailoot.ai", apiKey: process.env.AILOOT_API_KEY, maxRetries: 0 });\nconst msg = await client.messages.create({\n model: "glm",\n max_tokens: 1024,\n messages: [{ role: "user", content: "Explain the difference between an observation and a hypothesis in three sentences." }],\n});\nimport { writeFileSync } from "node:fs";\n\nfunction saveResult(data, stem = "result") {\n writeFileSync(stem + ".json", JSON.stringify(data, null, 2));\n console.log(JSON.stringify(data, null, 2));\n const saveBlob = (encoded, suffix, label) => {\n const raw = Buffer.from(encoded, "base64");\n const ext = raw.subarray(0,8).equals(Buffer.from([137,80,78,71,13,10,26,10])) ? "png" : raw[0]===255 && raw[1]===216 ? "jpg" : raw.subarray(0,4).toString()==="RIFF" && raw.subarray(8,12).toString()==="WEBP" ? "webp" : suffix;\n const file = `${stem}-${label}.${ext}`;\n writeFileSync(file, raw); console.log("Saved", file);\n };\n for (const [i, block] of (data.content || []).entries()) console.log("Content", i, JSON.stringify(block));\n for (const choice of data.choices || []) console.log("Choice", choice.index, JSON.stringify(choice.message || choice.delta || {}));\n for (const [i, item] of (data.output || []).entries()) {\n console.log("Output", i, JSON.stringify(item));\n if (item.type === "image_generation_call" && item.result) saveBlob(item.result, item.output_format || "bin", `output-${i}`);\n }\n for (const [ci, candidate] of (data.candidates || []).entries()) {\n for (const [pi, part] of (candidate.content?.parts || []).entries()) {\n console.log("Candidate/part", ci, pi, JSON.stringify(part));\n const blob = part.inlineData || part.inline_data;\n if (blob?.data) {\n const mime = blob.mimeType || blob.mime_type;\n const suffix = ({"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"})[mime] || "bin";\n saveBlob(blob.data, suffix, `candidate-${ci}-part-${pi}`);\n }\n }\n }\n}\n\nsaveResult(msg);\nimport anthropic,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=anthropic.Anthropic(base_url="https://api.ailoot.ai",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.messages.stream(model='glm',max_tokens=1024,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_message()\n save_result(final.to_dict(mode="json"),"stream-result")\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 glm-5.3, glm, glm-5, glm-5.1, glm-5.2, glm-latest
Ailoot Ultra glm-5.3, z-ai/glm-5.3, ~z-ai/glm-latest
/chat/completions
z-ai/glm-5.3, glm, glm-5, glm-5.1, glm-5.2, glm-latest, ~z-ai/glm-latest, glm-5.3, glm-5.3
glmZ.ai GLM 5.3 is een tekstredeneermodel voor complexe software-engineering, terminalwerk en agents die langdurige taken uitvoeren. Het ondersteunt een door de maker gedocumenteerde context van 1M tokens, maximaal 128K uitvoertokens, function calling en redeneerinspanning low/high/max, waarbij redeneren voortdurend ingeschakeld blijft.
Deze beschrijving gaat over de mogelijkheden van het model. De via Ailoot beschikbare invoer, uitvoer en opties staan hieronder voor de geselecteerde methode.
Z.ai GLM 5.3 is een grootschalig tekstredeneermodel dat ontworpen is voor complexe software-engineering en langdurig agentwerk. De fabrikant stelt dat het hetzelfde basismodel gebruikt als GLM 5.2 en dat de nieuwe verbeteringen uit natraining komen. De release richt zich op sterker programmeren, terminalbewerkingen en bredere taken met meerdere afhankelijke stappen. Het aanvaardt tekst en produceert tekst, waaronder code, uitleg, plannen en verzoeken om toolaanroepen in een toepassing met gekoppelde tools.
De gedocumenteerde redeneermodus is altijd ingeschakeld. GLM 5.3 biedt drie inspanningsniveaus: low, high en max, met max als standaard. De maker raadt max aan voor complex programmeerwerk; low biedt een lichtere redeneeroptie voor eenvoudigere stappen. Gebruik het gekozen niveau samen met een duidelijk eindresultaat en voltooiingscriteria. Bijvoorbeeld: “Onderzoek deze bestanden en falende resultaten, achterhaal de oorzaak in de betrokken modules, stel een correctie voor die de publieke interface behoudt en leg uit welke controles aantonen dat de regressie is opgelost.”
De maker specificeert een contextvenster van 1M tokens en een maximale uitvoerlengte van 128K tokens. Orden lang materiaal rond de relatie die het model moet onderzoeken. Behoud bestandsnamen, relevante definities, bronlabels en de volgorde van waarnemingen en laat binnen de toepasselijke werkcontext ruimte voor de redenering en het eindantwoord. Een groot venster is bruikbaar voor afhankelijkheden tussen modules of een lange reeks agentwaarnemingen; het maakt een ongericht archief van losstaand materiaal niet tot een duidelijk omschreven taak.
Geef bij werk in een repository het verwachte gedrag, de relevante brontekst, afhankelijkheidsversies en werkelijke foutuitvoer mee. Vraag het model het betrokken gedrag te identificeren voordat het een patch voorstelt. Benoem bij een refactoring de interface en invarianten die intact moeten blijven. Een bruikbaar antwoord bevat de herziene code, waarom de wijziging het waargenomen probleem aanpakt en de gevallen die nodig zijn om het resultaat te controleren. Voer werkelijke resultaten terug in een werkwijze met gekoppelde tools, zodat de volgende stap op de gewijzigde toestand berust in plaats van op het eerdere voorstel.
Geef bij prestatiewerk een werklast, een uitgangsmeting en metingen zoals tijdsmetingen, profielen of allocatieregistraties mee. Z.ai beschrijft trainingstaken rond het vaststellen van knelpunten, optimalisatie, experimenten en resultaten die de correctheid behouden. Een praktisch verzoek is: “Gebruik dit profiel om het knelpunt met de grootste impact te identificeren, stel één meetbare wijziging voor en leg uit welk resultaat het behoud ervan zou rechtvaardigen.” Onderscheid een prestatiehypothese van een vastgelegde verbetering. Behoud dezelfde werklast en relevante omstandigheden wanneer u een resultaat onderzoekt.
De release ontwikkelt ook mogelijkheden voor kwetsbaarheidsanalyse. Geef voor defensieve broncodecontrole de relevante code, de bedoelde vertrouwensgrenzen en de omstandigheden waarin ze draait mee. Vraag om een bevinding die een vermoedelijk probleem verbindt met de betrokken invoer, het gedrag en een gerichte oplossing. Onderscheid een mogelijke zwakte van een gereproduceerde fout en bewaar de waarneming die gebruikt is om die te valideren. Een verslag is bruikbaarder wanneer het concreet bewijs en voorgestelde correcties voorrang geeft, in plaats van elk verdacht patroon als een bevestigde kwetsbaarheid te behandelen.
Function calling laat een omringende toepassing externe bewerkingen aan het model beschikbaar stellen. Definieer het doel, de argumenten en het verwachte resultaat van elke tool en geef vervolgens de werkelijke toolwaarneming terug voor de volgende stap. Het model kan over dat resultaat redeneren en bepalen hoe het de taak verandert. Zorg dat voorgestelde acties, uitgevoerde bewerkingen en onopgeloste controles van elkaar te onderscheiden blijven. De maker documenteert ook streamingantwoorden, die redeneer- en antwoordfragmenten afzonderlijk teruggeven; voeg het voltooide antwoord samen voordat u het als eindverslag of code-uitleg behandelt.
De lokale modelkaart geeft een specifiek detail over de geschiedenisinstelling: de chatsjabloon behoudt standaard eerdere redeneringen, terwijl de maker voor gewone chatscenario's aanbeveelt oude redeneringen expliciet te wissen. Pas de geschikte gespreksstructuur toe voor het gebruiksdoel, met behoud van de werkelijk voltooide antwoorden en toolresultaten die voor voortzetting nodig zijn. Behandel redeneerinstellingen uit GLM 5.2 of de afzonderlijke GLM 5.3 Flash-edities niet als uitwisselbaar met de instellingen low/high/max van dit model.
Specificeer voor gestructureerde resultaten de verwachte velden, typen en bronregels. Een bruikbaar resultaat kan een defectentabel, wijzigingsplan of JSON-object met een samenvatting van waarnemingen zijn. Valideer zowel de structuur als de waarden voordat een toepassing ze gebruikt. Het eindresultaat moet het antwoord of herziene resultaat, het ondersteunende bewijsmateriaal en de resterende aannames benoemen. Meer redeneerinspanning bewijst niet dat een tool is uitgevoerd, dat een voorgestelde patch de controles heeft doorstaan of dat een feitelijke bewering onderbouwing heeft buiten het aangeleverde materiaal.
POST /v1/responsestexttext| Veld | Type | Vereiste | Waarden en limieten | Standaard |
|---|---|---|---|---|
Veldmodel | Typestring | VereisteVereist | Waarden en limieten glm | Standaard— |
Veldinput | Typestring|input_item[] | VereisteVereist | Waarden en limieten | Standaard— |
Veldinstructions | Typestring | VereisteOptioneel | Waarden en limieten | Standaard— |
Veldinput[].type | Typestring | VereisteOptioneel | Waarden en limieten message, reasoning, function_call, function_call_output | Standaard— |
Veldinput[].content | Typestring|content_part[] | VereisteOptioneel | Waarden en limieten | Standaard— |
Veldinput[].call_id | Typestring | VereisteOptioneel | Waarden en limieten Geldt wanneer: function_call_output; bewaar de werkelijk teruggegeven call_id | Standaard— |
Veldinput[].output | Typestring|content_part[] | VereisteOptioneel | Waarden en limieten Geldt wanneer: function_call_output | Standaard— |
Veldmax_output_tokens | Typeinteger | VereisteOptioneel | Waarden en limieten Minimum: 1 Afhankelijk van het model | Standaard— |
Veldstream | Typeboolean | VereisteOptioneel | Waarden en limieten | Standaardfalse |
Veldtemperature | Typenumber | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldtop_p | Typenumber | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldtools | Typetool[] | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | 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— |
Veldreasoning.effort | Typestring | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldreasoning.summary | Typestring | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldtext.format | Typeobject | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldtext.verbosity | Typestring | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldinclude | Typestring[] | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldstore | Typeboolean | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldprevious_response_id | Typestring | VereisteOptioneel | Waarden en limieten ID-vereiste: Alleen een werkelijk antwoord-ID van een ondersteunde voortzetting Afhankelijk van het model | Standaard— |
Veldservice_tier | Typestring | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldprompt_cache_key | Typestring | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldprompt_cache_options | Typeobject | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Tekst · UTF8-tekst
invoertekst of een input_text-onderdeel
| Parameter | Contract |
|---|---|
Parametermaterial_types | Contracttext |
Parameterrequired | Contractmodel, input |
Parameteroptional_controls | Contractnull |
Parametercontent_type | Contractapplication/json |
Parametertext_file_material | Contractwerkelijke UTF-8-inhoud ingevoegd als tekst; bestands-ID’s/URLs vereisen afzonderlijke exacte ondersteuning |
Levenscyclus: exact retained published method
De methodestructuren en ID’s zijn exact; de mogelijkheden van de leverancier staan los van toelating.
POST /v1/responsesAiloot 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 →
Referentiestaffels op modelniveau veranderen de methodeselectie, kostenramingen of afschrijvingen niet. Voor de actieve kostenberekening gelden de tarieven van de geselecteerde Ailoot-methode.
Koppel elke kostenpost aan de getoonde voorwaarden. Gebruik één tarief voor elke groep alternatieve configuraties.
| Configuratie | Tariefstaffel | Contexttokens, meer dan | Contexttokens, tot en met | Kosten |
|---|---|---|---|---|
| ConfiguratieOpenAI Chat · Basistarieven per token | TariefstaffelBasistarief | Contexttokens, meer dan— | Contexttokens, tot en metGeen bovengrens | Kosten Invoer · Invoertokens $0.0028 / 1K tokens Uitvoer · Uitvoertokens $0.0088 / 1K tokens Invoer · Cache lezen $0.00052 / 1K tokens Invoer · Cache schrijven — / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
| ConfiguratieOpenAI Chat · Tariefniveau 1 op basis van aanvraaglengte | Tariefstaffel— | Contexttokens, meer dan0 | Contexttokens, tot en metGeen bovengrens | Kosten Invoer · Invoertokens $0.0028 / 1K tokens Uitvoer · Uitvoertokens $0.0088 / 1K tokens Invoer · Cache lezen $0.00052 / 1K tokens Invoer · Cache schrijven — / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
| ConfiguratieAnthropic Messages · Basistarieven per token | TariefstaffelBasistarief | Contexttokens, meer dan— | Contexttokens, tot en metGeen bovengrens | Kosten Invoer · Invoertokens $0.0028 / 1K tokens Uitvoer · Uitvoertokens $0.0088 / 1K tokens Invoer · Cache lezen $0.00052 / 1K tokens Invoer · Cache schrijven — / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
| ConfiguratieAnthropic Messages · Tariefniveau 1 op basis van aanvraaglengte | Tariefstaffel— | Contexttokens, meer dan0 | Contexttokens, tot en metGeen bovengrens | Kosten Invoer · Invoertokens $0.0028 / 1K tokens Uitvoer · Uitvoertokens $0.0088 / 1K tokens Invoer · Cache lezen $0.00052 / 1K tokens Invoer · Cache schrijven — / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 source-material file}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "glm", "input": ""}')\nf=Path(os.environ["AILOOT_TEXT_FILE"])\nif not f.is_file():raise SystemExit("Choose your actual UTF-8 source material")\ntext=f.read_text(encoding="utf-8")\nif not text.strip():raise SystemExit("Source material must contain text")\np["input"]="Summarize this material and quote supporting source passages.\\n\\n"+text\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/responses \\\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 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(json.loads(Path("result.json").read_text(encoding="utf-8")))\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)\nresp = client.responses.create(model="glm", input="Explain the difference between an observation and a hypothesis 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(resp.to_dict(mode="json"))\nimport OpenAI from "openai";\n\nif (!process.env.AILOOT_API_KEY?.trim()) throw new Error("Set AILOOT_API_KEY before making a request");\nconst client = new OpenAI({ baseURL: "https://api.ailoot.ai/v1", apiKey: process.env.AILOOT_API_KEY, maxRetries: 0 });\nconst resp = await client.responses.create({ model: "glm", input: "Explain the difference between an observation and a hypothesis in three sentences." });\nimport { writeFileSync } from "node:fs";\n\nfunction saveResult(data, stem = "result") {\n writeFileSync(stem + ".json", JSON.stringify(data, null, 2));\n console.log(JSON.stringify(data, null, 2));\n const saveBlob = (encoded, suffix, label) => {\n const raw = Buffer.from(encoded, "base64");\n const ext = raw.subarray(0,8).equals(Buffer.from([137,80,78,71,13,10,26,10])) ? "png" : raw[0]===255 && raw[1]===216 ? "jpg" : raw.subarray(0,4).toString()==="RIFF" && raw.subarray(8,12).toString()==="WEBP" ? "webp" : suffix;\n const file = `${stem}-${label}.${ext}`;\n writeFileSync(file, raw); console.log("Saved", file);\n };\n for (const [i, block] of (data.content || []).entries()) console.log("Content", i, JSON.stringify(block));\n for (const choice of data.choices || []) console.log("Choice", choice.index, JSON.stringify(choice.message || choice.delta || {}));\n for (const [i, item] of (data.output || []).entries()) {\n console.log("Output", i, JSON.stringify(item));\n if (item.type === "image_generation_call" && item.result) saveBlob(item.result, item.output_format || "bin", `output-${i}`);\n }\n for (const [ci, candidate] of (data.candidates || []).entries()) {\n for (const [pi, part] of (candidate.content?.parts || []).entries()) {\n console.log("Candidate/part", ci, pi, JSON.stringify(part));\n const blob = part.inlineData || part.inline_data;\n if (blob?.data) {\n const mime = blob.mimeType || blob.mime_type;\n const suffix = ({"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"})[mime] || "bin";\n saveBlob(blob.data, suffix, `candidate-${ci}-part-${pi}`);\n }\n }\n }\n}\n\nsaveResult(resp);\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\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\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)\nwith client.responses.stream(model="glm", input="Explain the difference between an observation and a hypothesis 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_response()\n save_result(final.to_dict(mode="json"),"stream-result")\njson of SSE
Bewaar elk volledig teruggegeven antwoord, bestand en inhoudsonderdeel.
Bewaar elk uitvoeritem en inhoudsonderdeel, de werkelijke call_id van functies, versleutelde redeneringen en verbruiksgegevens. Behoud bij streaming de volledige identiteit van gebeurtenissen en items.
Bewaar aanvraag-/antwoord-ID’s en headers. Er wordt geen algemene URL meegeleverd om teksttaken op te halen.
| Veld | Type |
|---|---|
Veldid | Typestring |
Veldstatus | Typestring |
Veldoutput[] | Typemessage|reasoning|function_call|other item |
Veldoutput[].content[] | Typecontent part |
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 glm-5.3, glm, glm-5, glm-5.1, glm-5.2, glm-latest
Ailoot Ultra glm-5.3, z-ai/glm-5.3, ~z-ai/glm-latest
/chat/completions
z-ai/glm-5.3, glm, glm-5, glm-5.1, glm-5.2, glm-latest, ~z-ai/glm-latest, glm-5.3, glm-5.3
glmZ.ai GLM 5.3 is een tekstredeneermodel voor complexe software-engineering, terminalwerk en agents die langdurige taken uitvoeren. Het ondersteunt een door de maker gedocumenteerde context van 1M tokens, maximaal 128K uitvoertokens, function calling en redeneerinspanning low/high/max, waarbij redeneren voortdurend ingeschakeld blijft.
Deze beschrijving gaat over de mogelijkheden van het model. De via Ailoot beschikbare invoer, uitvoer en opties staan hieronder voor de geselecteerde methode.
Z.ai GLM 5.3 is een grootschalig tekstredeneermodel dat ontworpen is voor complexe software-engineering en langdurig agentwerk. De fabrikant stelt dat het hetzelfde basismodel gebruikt als GLM 5.2 en dat de nieuwe verbeteringen uit natraining komen. De release richt zich op sterker programmeren, terminalbewerkingen en bredere taken met meerdere afhankelijke stappen. Het aanvaardt tekst en produceert tekst, waaronder code, uitleg, plannen en verzoeken om toolaanroepen in een toepassing met gekoppelde tools.
De gedocumenteerde redeneermodus is altijd ingeschakeld. GLM 5.3 biedt drie inspanningsniveaus: low, high en max, met max als standaard. De maker raadt max aan voor complex programmeerwerk; low biedt een lichtere redeneeroptie voor eenvoudigere stappen. Gebruik het gekozen niveau samen met een duidelijk eindresultaat en voltooiingscriteria. Bijvoorbeeld: “Onderzoek deze bestanden en falende resultaten, achterhaal de oorzaak in de betrokken modules, stel een correctie voor die de publieke interface behoudt en leg uit welke controles aantonen dat de regressie is opgelost.”
De maker specificeert een contextvenster van 1M tokens en een maximale uitvoerlengte van 128K tokens. Orden lang materiaal rond de relatie die het model moet onderzoeken. Behoud bestandsnamen, relevante definities, bronlabels en de volgorde van waarnemingen en laat binnen de toepasselijke werkcontext ruimte voor de redenering en het eindantwoord. Een groot venster is bruikbaar voor afhankelijkheden tussen modules of een lange reeks agentwaarnemingen; het maakt een ongericht archief van losstaand materiaal niet tot een duidelijk omschreven taak.
Geef bij werk in een repository het verwachte gedrag, de relevante brontekst, afhankelijkheidsversies en werkelijke foutuitvoer mee. Vraag het model het betrokken gedrag te identificeren voordat het een patch voorstelt. Benoem bij een refactoring de interface en invarianten die intact moeten blijven. Een bruikbaar antwoord bevat de herziene code, waarom de wijziging het waargenomen probleem aanpakt en de gevallen die nodig zijn om het resultaat te controleren. Voer werkelijke resultaten terug in een werkwijze met gekoppelde tools, zodat de volgende stap op de gewijzigde toestand berust in plaats van op het eerdere voorstel.
Geef bij prestatiewerk een werklast, een uitgangsmeting en metingen zoals tijdsmetingen, profielen of allocatieregistraties mee. Z.ai beschrijft trainingstaken rond het vaststellen van knelpunten, optimalisatie, experimenten en resultaten die de correctheid behouden. Een praktisch verzoek is: “Gebruik dit profiel om het knelpunt met de grootste impact te identificeren, stel één meetbare wijziging voor en leg uit welk resultaat het behoud ervan zou rechtvaardigen.” Onderscheid een prestatiehypothese van een vastgelegde verbetering. Behoud dezelfde werklast en relevante omstandigheden wanneer u een resultaat onderzoekt.
De release ontwikkelt ook mogelijkheden voor kwetsbaarheidsanalyse. Geef voor defensieve broncodecontrole de relevante code, de bedoelde vertrouwensgrenzen en de omstandigheden waarin ze draait mee. Vraag om een bevinding die een vermoedelijk probleem verbindt met de betrokken invoer, het gedrag en een gerichte oplossing. Onderscheid een mogelijke zwakte van een gereproduceerde fout en bewaar de waarneming die gebruikt is om die te valideren. Een verslag is bruikbaarder wanneer het concreet bewijs en voorgestelde correcties voorrang geeft, in plaats van elk verdacht patroon als een bevestigde kwetsbaarheid te behandelen.
Function calling laat een omringende toepassing externe bewerkingen aan het model beschikbaar stellen. Definieer het doel, de argumenten en het verwachte resultaat van elke tool en geef vervolgens de werkelijke toolwaarneming terug voor de volgende stap. Het model kan over dat resultaat redeneren en bepalen hoe het de taak verandert. Zorg dat voorgestelde acties, uitgevoerde bewerkingen en onopgeloste controles van elkaar te onderscheiden blijven. De maker documenteert ook streamingantwoorden, die redeneer- en antwoordfragmenten afzonderlijk teruggeven; voeg het voltooide antwoord samen voordat u het als eindverslag of code-uitleg behandelt.
De lokale modelkaart geeft een specifiek detail over de geschiedenisinstelling: de chatsjabloon behoudt standaard eerdere redeneringen, terwijl de maker voor gewone chatscenario's aanbeveelt oude redeneringen expliciet te wissen. Pas de geschikte gespreksstructuur toe voor het gebruiksdoel, met behoud van de werkelijk voltooide antwoorden en toolresultaten die voor voortzetting nodig zijn. Behandel redeneerinstellingen uit GLM 5.2 of de afzonderlijke GLM 5.3 Flash-edities niet als uitwisselbaar met de instellingen low/high/max van dit model.
Specificeer voor gestructureerde resultaten de verwachte velden, typen en bronregels. Een bruikbaar resultaat kan een defectentabel, wijzigingsplan of JSON-object met een samenvatting van waarnemingen zijn. Valideer zowel de structuur als de waarden voordat een toepassing ze gebruikt. Het eindresultaat moet het antwoord of herziene resultaat, het ondersteunende bewijsmateriaal en de resterende aannames benoemen. Meer redeneerinspanning bewijst niet dat een tool is uitgevoerd, dat een voorgestelde patch de controles heeft doorstaan of dat een feitelijke bewering onderbouwing heeft buiten het aangeleverde materiaal.
POST /v1/chat/completionstexttext| Veld | Type | Vereiste | Waarden en limieten | Standaard |
|---|---|---|---|---|
Veldmodel | Typestring | VereisteVereist | Waarden en limieten glm | 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 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— |
Tekst · UTF8-tekst
messages[].content
| Parameter | Contract |
|---|---|
Parametermaterial_types | Contracttext |
Parameterrequired | Contractmodel, messages |
Parameteroptional_controls | Contractnull |
Parametercontent_type | Contractapplication/json |
Parametertext_file_material | Contractwerkelijke UTF-8-inhoud ingevoegd als tekst; bestands-ID’s/URLs vereisen afzonderlijke exacte ondersteuning |
Levenscyclus: exact retained published method
De methodestructuren en ID’s zijn exact; de mogelijkheden van de leverancier staan los van toelating.
POST /v1/chat/completionsAiloot 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 →
Referentiestaffels op modelniveau veranderen de methodeselectie, kostenramingen of afschrijvingen niet. Voor de actieve kostenberekening gelden de tarieven van de geselecteerde Ailoot-methode.
Koppel elke kostenpost aan de getoonde voorwaarden. Gebruik één tarief voor elke groep alternatieve configuraties.
| Configuratie | Tariefstaffel | Contexttokens, meer dan | Contexttokens, tot en met | Kosten |
|---|---|---|---|---|
| ConfiguratieOpenAI Chat · Basistarieven per token | TariefstaffelBasistarief | Contexttokens, meer dan— | Contexttokens, tot en metGeen bovengrens | Kosten Invoer · Invoertokens $0.0028 / 1K tokens Uitvoer · Uitvoertokens $0.0088 / 1K tokens Invoer · Cache lezen $0.00052 / 1K tokens Invoer · Cache schrijven — / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
| ConfiguratieOpenAI Chat · Tariefniveau 1 op basis van aanvraaglengte | Tariefstaffel— | Contexttokens, meer dan0 | Contexttokens, tot en metGeen bovengrens | Kosten Invoer · Invoertokens $0.0028 / 1K tokens Uitvoer · Uitvoertokens $0.0088 / 1K tokens Invoer · Cache lezen $0.00052 / 1K tokens Invoer · Cache schrijven — / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
| ConfiguratieAnthropic Messages · Basistarieven per token | TariefstaffelBasistarief | Contexttokens, meer dan— | Contexttokens, tot en metGeen bovengrens | Kosten Invoer · Invoertokens $0.0028 / 1K tokens Uitvoer · Uitvoertokens $0.0088 / 1K tokens Invoer · Cache lezen $0.00052 / 1K tokens Invoer · Cache schrijven — / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
| ConfiguratieAnthropic Messages · Tariefniveau 1 op basis van aanvraaglengte | Tariefstaffel— | Contexttokens, meer dan0 | Contexttokens, tot en metGeen bovengrens | Kosten Invoer · Invoertokens $0.0028 / 1K tokens Uitvoer · Uitvoertokens $0.0088 / 1K tokens Invoer · Cache lezen $0.00052 / 1K tokens Invoer · Cache schrijven — / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 source-material file}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "glm", "messages": []}')\nf=Path(os.environ["AILOOT_TEXT_FILE"])\nif not f.is_file():raise SystemExit("Choose your actual UTF-8 source material")\ntext=f.read_text(encoding="utf-8")\nif not text.strip():raise SystemExit("Source material must contain text")\np["messages"]=[{"role":"user","content":"Summarize this material and quote supporting source passages.\\n\\n"+text}]\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\nprint(json.dumps(json.loads(Path("result.json").read_text()),ensure_ascii=False,indent=2))\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)\nresp = client.chat.completions.create(\n model="glm",\n messages=[{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}],\n)\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(resp.to_dict(mode="json"))\nimport OpenAI from "openai";\n\nif (!process.env.AILOOT_API_KEY?.trim()) throw new Error("Set AILOOT_API_KEY before making a request");\nconst client = new OpenAI({ baseURL: "https://api.ailoot.ai/v1", apiKey: process.env.AILOOT_API_KEY, maxRetries: 0 });\nconst resp = await client.chat.completions.create({\n model: "glm",\n messages: [{ role: "user", content: "Explain the difference between an observation and a hypothesis in three sentences." }],\n});\nimport { writeFileSync } from "node:fs";\n\nfunction saveResult(data, stem = "result") {\n writeFileSync(stem + ".json", JSON.stringify(data, null, 2));\n console.log(JSON.stringify(data, null, 2));\n const saveBlob = (encoded, suffix, label) => {\n const raw = Buffer.from(encoded, "base64");\n const ext = raw.subarray(0,8).equals(Buffer.from([137,80,78,71,13,10,26,10])) ? "png" : raw[0]===255 && raw[1]===216 ? "jpg" : raw.subarray(0,4).toString()==="RIFF" && raw.subarray(8,12).toString()==="WEBP" ? "webp" : suffix;\n const file = `${stem}-${label}.${ext}`;\n writeFileSync(file, raw); console.log("Saved", file);\n };\n for (const [i, block] of (data.content || []).entries()) console.log("Content", i, JSON.stringify(block));\n for (const choice of data.choices || []) console.log("Choice", choice.index, JSON.stringify(choice.message || choice.delta || {}));\n for (const [i, item] of (data.output || []).entries()) {\n console.log("Output", i, JSON.stringify(item));\n if (item.type === "image_generation_call" && item.result) saveBlob(item.result, item.output_format || "bin", `output-${i}`);\n }\n for (const [ci, candidate] of (data.candidates || []).entries()) {\n for (const [pi, part] of (candidate.content?.parts || []).entries()) {\n console.log("Candidate/part", ci, pi, JSON.stringify(part));\n const blob = part.inlineData || part.inline_data;\n if (blob?.data) {\n const mime = blob.mimeType || blob.mime_type;\n const suffix = ({"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"})[mime] || "bin";\n saveBlob(blob.data, suffix, `candidate-${ci}-part-${pi}`);\n }\n }\n }\n}\n\nsaveResult(resp);\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',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 glm-5.3, glm, glm-5, glm-5.1, glm-5.2, glm-latest
Ailoot Ultra glm-5.3, z-ai/glm-5.3, ~z-ai/glm-latest
/chat/completions
z-ai/glm-5.3, glm, glm-5, glm-5.1, glm-5.2, glm-latest, ~z-ai/glm-latest, glm-5.3, glm-5.3
glm-5Z.ai GLM 5.3 is een tekstredeneermodel voor complexe software-engineering, terminalwerk en agents die langdurige taken uitvoeren. Het ondersteunt een door de maker gedocumenteerde context van 1M tokens, maximaal 128K uitvoertokens, function calling en redeneerinspanning low/high/max, waarbij redeneren voortdurend ingeschakeld blijft.
Deze beschrijving gaat over de mogelijkheden van het model. De via Ailoot beschikbare invoer, uitvoer en opties staan hieronder voor de geselecteerde methode.
Z.ai GLM 5.3 is een grootschalig tekstredeneermodel dat ontworpen is voor complexe software-engineering en langdurig agentwerk. De fabrikant stelt dat het hetzelfde basismodel gebruikt als GLM 5.2 en dat de nieuwe verbeteringen uit natraining komen. De release richt zich op sterker programmeren, terminalbewerkingen en bredere taken met meerdere afhankelijke stappen. Het aanvaardt tekst en produceert tekst, waaronder code, uitleg, plannen en verzoeken om toolaanroepen in een toepassing met gekoppelde tools.
De gedocumenteerde redeneermodus is altijd ingeschakeld. GLM 5.3 biedt drie inspanningsniveaus: low, high en max, met max als standaard. De maker raadt max aan voor complex programmeerwerk; low biedt een lichtere redeneeroptie voor eenvoudigere stappen. Gebruik het gekozen niveau samen met een duidelijk eindresultaat en voltooiingscriteria. Bijvoorbeeld: “Onderzoek deze bestanden en falende resultaten, achterhaal de oorzaak in de betrokken modules, stel een correctie voor die de publieke interface behoudt en leg uit welke controles aantonen dat de regressie is opgelost.”
De maker specificeert een contextvenster van 1M tokens en een maximale uitvoerlengte van 128K tokens. Orden lang materiaal rond de relatie die het model moet onderzoeken. Behoud bestandsnamen, relevante definities, bronlabels en de volgorde van waarnemingen en laat binnen de toepasselijke werkcontext ruimte voor de redenering en het eindantwoord. Een groot venster is bruikbaar voor afhankelijkheden tussen modules of een lange reeks agentwaarnemingen; het maakt een ongericht archief van losstaand materiaal niet tot een duidelijk omschreven taak.
Geef bij werk in een repository het verwachte gedrag, de relevante brontekst, afhankelijkheidsversies en werkelijke foutuitvoer mee. Vraag het model het betrokken gedrag te identificeren voordat het een patch voorstelt. Benoem bij een refactoring de interface en invarianten die intact moeten blijven. Een bruikbaar antwoord bevat de herziene code, waarom de wijziging het waargenomen probleem aanpakt en de gevallen die nodig zijn om het resultaat te controleren. Voer werkelijke resultaten terug in een werkwijze met gekoppelde tools, zodat de volgende stap op de gewijzigde toestand berust in plaats van op het eerdere voorstel.
Geef bij prestatiewerk een werklast, een uitgangsmeting en metingen zoals tijdsmetingen, profielen of allocatieregistraties mee. Z.ai beschrijft trainingstaken rond het vaststellen van knelpunten, optimalisatie, experimenten en resultaten die de correctheid behouden. Een praktisch verzoek is: “Gebruik dit profiel om het knelpunt met de grootste impact te identificeren, stel één meetbare wijziging voor en leg uit welk resultaat het behoud ervan zou rechtvaardigen.” Onderscheid een prestatiehypothese van een vastgelegde verbetering. Behoud dezelfde werklast en relevante omstandigheden wanneer u een resultaat onderzoekt.
De release ontwikkelt ook mogelijkheden voor kwetsbaarheidsanalyse. Geef voor defensieve broncodecontrole de relevante code, de bedoelde vertrouwensgrenzen en de omstandigheden waarin ze draait mee. Vraag om een bevinding die een vermoedelijk probleem verbindt met de betrokken invoer, het gedrag en een gerichte oplossing. Onderscheid een mogelijke zwakte van een gereproduceerde fout en bewaar de waarneming die gebruikt is om die te valideren. Een verslag is bruikbaarder wanneer het concreet bewijs en voorgestelde correcties voorrang geeft, in plaats van elk verdacht patroon als een bevestigde kwetsbaarheid te behandelen.
Function calling laat een omringende toepassing externe bewerkingen aan het model beschikbaar stellen. Definieer het doel, de argumenten en het verwachte resultaat van elke tool en geef vervolgens de werkelijke toolwaarneming terug voor de volgende stap. Het model kan over dat resultaat redeneren en bepalen hoe het de taak verandert. Zorg dat voorgestelde acties, uitgevoerde bewerkingen en onopgeloste controles van elkaar te onderscheiden blijven. De maker documenteert ook streamingantwoorden, die redeneer- en antwoordfragmenten afzonderlijk teruggeven; voeg het voltooide antwoord samen voordat u het als eindverslag of code-uitleg behandelt.
De lokale modelkaart geeft een specifiek detail over de geschiedenisinstelling: de chatsjabloon behoudt standaard eerdere redeneringen, terwijl de maker voor gewone chatscenario's aanbeveelt oude redeneringen expliciet te wissen. Pas de geschikte gespreksstructuur toe voor het gebruiksdoel, met behoud van de werkelijk voltooide antwoorden en toolresultaten die voor voortzetting nodig zijn. Behandel redeneerinstellingen uit GLM 5.2 of de afzonderlijke GLM 5.3 Flash-edities niet als uitwisselbaar met de instellingen low/high/max van dit model.
Specificeer voor gestructureerde resultaten de verwachte velden, typen en bronregels. Een bruikbaar resultaat kan een defectentabel, wijzigingsplan of JSON-object met een samenvatting van waarnemingen zijn. Valideer zowel de structuur als de waarden voordat een toepassing ze gebruikt. Het eindresultaat moet het antwoord of herziene resultaat, het ondersteunende bewijsmateriaal en de resterende aannames benoemen. Meer redeneerinspanning bewijst niet dat een tool is uitgevoerd, dat een voorgestelde patch de controles heeft doorstaan of dat een feitelijke bewering onderbouwing heeft buiten het aangeleverde materiaal.
POST /v1/messagestexttext| Veld | Type | Vereiste | Waarden en limieten | Standaard |
|---|---|---|---|---|
Veldmodel | Typestring | VereisteVereist | Waarden en limieten glm-5 | Standaard— |
Veldmessages | Typemessage[] | VereisteVereist | Waarden en limieten Minimumaantal items: 1 | Standaard— |
Veldmessages[].role | Typestring | VereisteVereist | Waarden en limieten user, assistant | Standaard— |
Veldmessages[].content | Typestring|content_block[] | VereisteVereist | Waarden en limieten | Standaard— |
Veldsystem | Typestring|content_block[] | VereisteOptioneel | Waarden en limieten | Standaard— |
Veldmax_tokens | Typeinteger | VereisteVereist | Waarden en limieten Minimum: 1 Limiet geldt voor: exacte bovengrens van het gekozen model/de gekozen modelkaart | Standaard— |
Veldstream | Typeboolean | VereisteOptioneel | Waarden en limieten | Standaardfalse |
Veldtemperature | Typenumber | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldtop_p | Typenumber | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldstop_sequences | Typestring[] | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldtools | Typetool[] | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldtools[].name | Typestring | VereisteOptioneel | Waarden en limieten Geldt wanneer: tool opgegeven | Standaard— |
Veldtools[].description | Typestring | VereisteOptioneel | Waarden en limieten | Standaard— |
Veldtools[].input_schema | TypeJSON_schema | VereisteOptioneel | Waarden en limieten | Standaard— |
Veldtool_choice | Typeobject | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldthinking.type | Typestring | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldthinking.budget_tokens | Typeinteger | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldoutput_config.effort | Typestring | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldmetadata | Typeobject | VereisteOptioneel | Waarden en limieten | Standaard— |
Veldcache_control | Typeobject | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Tekst · UTF8-tekst
messages[].content of een blok met type=text
| Parameter | Contract |
|---|---|
Parametermaterial_types | Contracttext |
Parameterrequired | Contractmodel, messages, max_tokens |
Parameteroptional_controls | Contractnull |
Parametercontent_type | Contractapplication/json |
Parametertext_file_material | Contractwerkelijke UTF-8-inhoud ingevoegd als tekst; bestands-ID’s/URLs vereisen afzonderlijke exacte ondersteuning |
Levenscyclus: exact retained published method
De methodestructuren en ID’s zijn exact; de mogelijkheden van de leverancier staan los van toelating.
POST /v1/messagesAiloot 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 →
Referentiestaffels op modelniveau veranderen de methodeselectie, kostenramingen of afschrijvingen niet. Voor de actieve kostenberekening gelden de tarieven van de geselecteerde Ailoot-methode.
Koppel elke kostenpost aan de getoonde voorwaarden. Gebruik één tarief voor elke groep alternatieve configuraties.
| Configuratie | Tariefstaffel | Contexttokens, meer dan | Contexttokens, tot en met | Kosten |
|---|---|---|---|---|
| ConfiguratieOpenAI Chat · Basistarieven per token | TariefstaffelBasistarief | Contexttokens, meer dan— | Contexttokens, tot en metGeen bovengrens | Kosten Invoer · Invoertokens $0.0028 / 1K tokens Uitvoer · Uitvoertokens $0.0088 / 1K tokens Invoer · Cache lezen $0.00052 / 1K tokens Invoer · Cache schrijven — / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
| ConfiguratieOpenAI Chat · Tariefniveau 1 op basis van aanvraaglengte | Tariefstaffel— | Contexttokens, meer dan0 | Contexttokens, tot en metGeen bovengrens | Kosten Invoer · Invoertokens $0.0028 / 1K tokens Uitvoer · Uitvoertokens $0.0088 / 1K tokens Invoer · Cache lezen $0.00052 / 1K tokens Invoer · Cache schrijven — / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
| ConfiguratieAnthropic Messages · Basistarieven per token | TariefstaffelBasistarief | Contexttokens, meer dan— | Contexttokens, tot en metGeen bovengrens | Kosten Invoer · Invoertokens $0.0028 / 1K tokens Uitvoer · Uitvoertokens $0.0088 / 1K tokens Invoer · Cache lezen $0.00052 / 1K tokens Invoer · Cache schrijven — / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
| ConfiguratieAnthropic Messages · Tariefniveau 1 op basis van aanvraaglengte | Tariefstaffel— | Contexttokens, meer dan0 | Contexttokens, tot en metGeen bovengrens | Kosten Invoer · Invoertokens $0.0028 / 1K tokens Uitvoer · Uitvoertokens $0.0088 / 1K tokens Invoer · Cache lezen $0.00052 / 1K tokens Invoer · Cache schrijven — / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 source-material file}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "glm-5", "max_tokens": 1024, "messages": []}')\nf=Path(os.environ["AILOOT_TEXT_FILE"])\nif not f.is_file():raise SystemExit("Choose your actual UTF-8 source material")\ntext=f.read_text(encoding="utf-8")\nif not text.strip():raise SystemExit("Source material must contain text")\np["messages"]=[{"role":"user","content":"Summarize this material and quote supporting source passages.\\n\\n"+text}]\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/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\nprint(json.dumps(json.loads(Path("result.json").read_text()),ensure_ascii=False,indent=2))\nPY_RESULT\nimport anthropic\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient = anthropic.Anthropic(base_url="https://api.ailoot.ai", api_key=os.environ["AILOOT_API_KEY"], max_retries=0)\nmsg = client.messages.create(\n model="glm-5",\n max_tokens=1024,\n messages=[{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}],\n)\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(msg.to_dict(mode="json"))\nimport Anthropic from "@anthropic-ai/sdk";\n\nif (!process.env.AILOOT_API_KEY?.trim()) throw new Error("Set AILOOT_API_KEY before making a request");\nconst client = new Anthropic({ baseURL: "https://api.ailoot.ai", apiKey: process.env.AILOOT_API_KEY, maxRetries: 0 });\nconst msg = await client.messages.create({\n model: "glm-5",\n max_tokens: 1024,\n messages: [{ role: "user", content: "Explain the difference between an observation and a hypothesis in three sentences." }],\n});\nimport { writeFileSync } from "node:fs";\n\nfunction saveResult(data, stem = "result") {\n writeFileSync(stem + ".json", JSON.stringify(data, null, 2));\n console.log(JSON.stringify(data, null, 2));\n const saveBlob = (encoded, suffix, label) => {\n const raw = Buffer.from(encoded, "base64");\n const ext = raw.subarray(0,8).equals(Buffer.from([137,80,78,71,13,10,26,10])) ? "png" : raw[0]===255 && raw[1]===216 ? "jpg" : raw.subarray(0,4).toString()==="RIFF" && raw.subarray(8,12).toString()==="WEBP" ? "webp" : suffix;\n const file = `${stem}-${label}.${ext}`;\n writeFileSync(file, raw); console.log("Saved", file);\n };\n for (const [i, block] of (data.content || []).entries()) console.log("Content", i, JSON.stringify(block));\n for (const choice of data.choices || []) console.log("Choice", choice.index, JSON.stringify(choice.message || choice.delta || {}));\n for (const [i, item] of (data.output || []).entries()) {\n console.log("Output", i, JSON.stringify(item));\n if (item.type === "image_generation_call" && item.result) saveBlob(item.result, item.output_format || "bin", `output-${i}`);\n }\n for (const [ci, candidate] of (data.candidates || []).entries()) {\n for (const [pi, part] of (candidate.content?.parts || []).entries()) {\n console.log("Candidate/part", ci, pi, JSON.stringify(part));\n const blob = part.inlineData || part.inline_data;\n if (blob?.data) {\n const mime = blob.mimeType || blob.mime_type;\n const suffix = ({"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"})[mime] || "bin";\n saveBlob(blob.data, suffix, `candidate-${ci}-part-${pi}`);\n }\n }\n }\n}\n\nsaveResult(msg);\nimport anthropic,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=anthropic.Anthropic(base_url="https://api.ailoot.ai",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.messages.stream(model='glm-5',max_tokens=1024,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_message()\n save_result(final.to_dict(mode="json"),"stream-result")\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 glm-5.3, glm, glm-5, glm-5.1, glm-5.2, glm-latest
Ailoot Ultra glm-5.3, z-ai/glm-5.3, ~z-ai/glm-latest
/chat/completions
z-ai/glm-5.3, glm, glm-5, glm-5.1, glm-5.2, glm-latest, ~z-ai/glm-latest, glm-5.3, glm-5.3
glm-5Z.ai GLM 5.3 is een tekstredeneermodel voor complexe software-engineering, terminalwerk en agents die langdurige taken uitvoeren. Het ondersteunt een door de maker gedocumenteerde context van 1M tokens, maximaal 128K uitvoertokens, function calling en redeneerinspanning low/high/max, waarbij redeneren voortdurend ingeschakeld blijft.
Deze beschrijving gaat over de mogelijkheden van het model. De via Ailoot beschikbare invoer, uitvoer en opties staan hieronder voor de geselecteerde methode.
Z.ai GLM 5.3 is een grootschalig tekstredeneermodel dat ontworpen is voor complexe software-engineering en langdurig agentwerk. De fabrikant stelt dat het hetzelfde basismodel gebruikt als GLM 5.2 en dat de nieuwe verbeteringen uit natraining komen. De release richt zich op sterker programmeren, terminalbewerkingen en bredere taken met meerdere afhankelijke stappen. Het aanvaardt tekst en produceert tekst, waaronder code, uitleg, plannen en verzoeken om toolaanroepen in een toepassing met gekoppelde tools.
De gedocumenteerde redeneermodus is altijd ingeschakeld. GLM 5.3 biedt drie inspanningsniveaus: low, high en max, met max als standaard. De maker raadt max aan voor complex programmeerwerk; low biedt een lichtere redeneeroptie voor eenvoudigere stappen. Gebruik het gekozen niveau samen met een duidelijk eindresultaat en voltooiingscriteria. Bijvoorbeeld: “Onderzoek deze bestanden en falende resultaten, achterhaal de oorzaak in de betrokken modules, stel een correctie voor die de publieke interface behoudt en leg uit welke controles aantonen dat de regressie is opgelost.”
De maker specificeert een contextvenster van 1M tokens en een maximale uitvoerlengte van 128K tokens. Orden lang materiaal rond de relatie die het model moet onderzoeken. Behoud bestandsnamen, relevante definities, bronlabels en de volgorde van waarnemingen en laat binnen de toepasselijke werkcontext ruimte voor de redenering en het eindantwoord. Een groot venster is bruikbaar voor afhankelijkheden tussen modules of een lange reeks agentwaarnemingen; het maakt een ongericht archief van losstaand materiaal niet tot een duidelijk omschreven taak.
Geef bij werk in een repository het verwachte gedrag, de relevante brontekst, afhankelijkheidsversies en werkelijke foutuitvoer mee. Vraag het model het betrokken gedrag te identificeren voordat het een patch voorstelt. Benoem bij een refactoring de interface en invarianten die intact moeten blijven. Een bruikbaar antwoord bevat de herziene code, waarom de wijziging het waargenomen probleem aanpakt en de gevallen die nodig zijn om het resultaat te controleren. Voer werkelijke resultaten terug in een werkwijze met gekoppelde tools, zodat de volgende stap op de gewijzigde toestand berust in plaats van op het eerdere voorstel.
Geef bij prestatiewerk een werklast, een uitgangsmeting en metingen zoals tijdsmetingen, profielen of allocatieregistraties mee. Z.ai beschrijft trainingstaken rond het vaststellen van knelpunten, optimalisatie, experimenten en resultaten die de correctheid behouden. Een praktisch verzoek is: “Gebruik dit profiel om het knelpunt met de grootste impact te identificeren, stel één meetbare wijziging voor en leg uit welk resultaat het behoud ervan zou rechtvaardigen.” Onderscheid een prestatiehypothese van een vastgelegde verbetering. Behoud dezelfde werklast en relevante omstandigheden wanneer u een resultaat onderzoekt.
De release ontwikkelt ook mogelijkheden voor kwetsbaarheidsanalyse. Geef voor defensieve broncodecontrole de relevante code, de bedoelde vertrouwensgrenzen en de omstandigheden waarin ze draait mee. Vraag om een bevinding die een vermoedelijk probleem verbindt met de betrokken invoer, het gedrag en een gerichte oplossing. Onderscheid een mogelijke zwakte van een gereproduceerde fout en bewaar de waarneming die gebruikt is om die te valideren. Een verslag is bruikbaarder wanneer het concreet bewijs en voorgestelde correcties voorrang geeft, in plaats van elk verdacht patroon als een bevestigde kwetsbaarheid te behandelen.
Function calling laat een omringende toepassing externe bewerkingen aan het model beschikbaar stellen. Definieer het doel, de argumenten en het verwachte resultaat van elke tool en geef vervolgens de werkelijke toolwaarneming terug voor de volgende stap. Het model kan over dat resultaat redeneren en bepalen hoe het de taak verandert. Zorg dat voorgestelde acties, uitgevoerde bewerkingen en onopgeloste controles van elkaar te onderscheiden blijven. De maker documenteert ook streamingantwoorden, die redeneer- en antwoordfragmenten afzonderlijk teruggeven; voeg het voltooide antwoord samen voordat u het als eindverslag of code-uitleg behandelt.
De lokale modelkaart geeft een specifiek detail over de geschiedenisinstelling: de chatsjabloon behoudt standaard eerdere redeneringen, terwijl de maker voor gewone chatscenario's aanbeveelt oude redeneringen expliciet te wissen. Pas de geschikte gespreksstructuur toe voor het gebruiksdoel, met behoud van de werkelijk voltooide antwoorden en toolresultaten die voor voortzetting nodig zijn. Behandel redeneerinstellingen uit GLM 5.2 of de afzonderlijke GLM 5.3 Flash-edities niet als uitwisselbaar met de instellingen low/high/max van dit model.
Specificeer voor gestructureerde resultaten de verwachte velden, typen en bronregels. Een bruikbaar resultaat kan een defectentabel, wijzigingsplan of JSON-object met een samenvatting van waarnemingen zijn. Valideer zowel de structuur als de waarden voordat een toepassing ze gebruikt. Het eindresultaat moet het antwoord of herziene resultaat, het ondersteunende bewijsmateriaal en de resterende aannames benoemen. Meer redeneerinspanning bewijst niet dat een tool is uitgevoerd, dat een voorgestelde patch de controles heeft doorstaan of dat een feitelijke bewering onderbouwing heeft buiten het aangeleverde materiaal.
POST /v1/responsestexttext| Veld | Type | Vereiste | Waarden en limieten | Standaard |
|---|---|---|---|---|
Veldmodel | Typestring | VereisteVereist | Waarden en limieten glm-5 | Standaard— |
Veldinput | Typestring|input_item[] | VereisteVereist | Waarden en limieten | Standaard— |
Veldinstructions | Typestring | VereisteOptioneel | Waarden en limieten | Standaard— |
Veldinput[].type | Typestring | VereisteOptioneel | Waarden en limieten message, reasoning, function_call, function_call_output | Standaard— |
Veldinput[].content | Typestring|content_part[] | VereisteOptioneel | Waarden en limieten | Standaard— |
Veldinput[].call_id | Typestring | VereisteOptioneel | Waarden en limieten Geldt wanneer: function_call_output; bewaar de werkelijk teruggegeven call_id | Standaard— |
Veldinput[].output | Typestring|content_part[] | VereisteOptioneel | Waarden en limieten Geldt wanneer: function_call_output | Standaard— |
Veldmax_output_tokens | Typeinteger | VereisteOptioneel | Waarden en limieten Minimum: 1 Afhankelijk van het model | Standaard— |
Veldstream | Typeboolean | VereisteOptioneel | Waarden en limieten | Standaardfalse |
Veldtemperature | Typenumber | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldtop_p | Typenumber | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldtools | Typetool[] | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | 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— |
Veldreasoning.effort | Typestring | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldreasoning.summary | Typestring | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldtext.format | Typeobject | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldtext.verbosity | Typestring | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldinclude | Typestring[] | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldstore | Typeboolean | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldprevious_response_id | Typestring | VereisteOptioneel | Waarden en limieten ID-vereiste: Alleen een werkelijk antwoord-ID van een ondersteunde voortzetting Afhankelijk van het model | Standaard— |
Veldservice_tier | Typestring | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldprompt_cache_key | Typestring | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldprompt_cache_options | Typeobject | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Tekst · UTF8-tekst
invoertekst of een input_text-onderdeel
| Parameter | Contract |
|---|---|
Parametermaterial_types | Contracttext |
Parameterrequired | Contractmodel, input |
Parameteroptional_controls | Contractnull |
Parametercontent_type | Contractapplication/json |
Parametertext_file_material | Contractwerkelijke UTF-8-inhoud ingevoegd als tekst; bestands-ID’s/URLs vereisen afzonderlijke exacte ondersteuning |
Levenscyclus: exact retained published method
De methodestructuren en ID’s zijn exact; de mogelijkheden van de leverancier staan los van toelating.
POST /v1/responsesAiloot 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 →
Referentiestaffels op modelniveau veranderen de methodeselectie, kostenramingen of afschrijvingen niet. Voor de actieve kostenberekening gelden de tarieven van de geselecteerde Ailoot-methode.
Koppel elke kostenpost aan de getoonde voorwaarden. Gebruik één tarief voor elke groep alternatieve configuraties.
| Configuratie | Tariefstaffel | Contexttokens, meer dan | Contexttokens, tot en met | Kosten |
|---|---|---|---|---|
| ConfiguratieOpenAI Chat · Basistarieven per token | TariefstaffelBasistarief | Contexttokens, meer dan— | Contexttokens, tot en metGeen bovengrens | Kosten Invoer · Invoertokens $0.0028 / 1K tokens Uitvoer · Uitvoertokens $0.0088 / 1K tokens Invoer · Cache lezen $0.00052 / 1K tokens Invoer · Cache schrijven — / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
| ConfiguratieOpenAI Chat · Tariefniveau 1 op basis van aanvraaglengte | Tariefstaffel— | Contexttokens, meer dan0 | Contexttokens, tot en metGeen bovengrens | Kosten Invoer · Invoertokens $0.0028 / 1K tokens Uitvoer · Uitvoertokens $0.0088 / 1K tokens Invoer · Cache lezen $0.00052 / 1K tokens Invoer · Cache schrijven — / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
| ConfiguratieAnthropic Messages · Basistarieven per token | TariefstaffelBasistarief | Contexttokens, meer dan— | Contexttokens, tot en metGeen bovengrens | Kosten Invoer · Invoertokens $0.0028 / 1K tokens Uitvoer · Uitvoertokens $0.0088 / 1K tokens Invoer · Cache lezen $0.00052 / 1K tokens Invoer · Cache schrijven — / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
| ConfiguratieAnthropic Messages · Tariefniveau 1 op basis van aanvraaglengte | Tariefstaffel— | Contexttokens, meer dan0 | Contexttokens, tot en metGeen bovengrens | Kosten Invoer · Invoertokens $0.0028 / 1K tokens Uitvoer · Uitvoertokens $0.0088 / 1K tokens Invoer · Cache lezen $0.00052 / 1K tokens Invoer · Cache schrijven — / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 source-material file}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "glm-5", "input": ""}')\nf=Path(os.environ["AILOOT_TEXT_FILE"])\nif not f.is_file():raise SystemExit("Choose your actual UTF-8 source material")\ntext=f.read_text(encoding="utf-8")\nif not text.strip():raise SystemExit("Source material must contain text")\np["input"]="Summarize this material and quote supporting source passages.\\n\\n"+text\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/responses \\\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 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(json.loads(Path("result.json").read_text(encoding="utf-8")))\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)\nresp = client.responses.create(model="glm-5", input="Explain the difference between an observation and a hypothesis 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(resp.to_dict(mode="json"))\nimport OpenAI from "openai";\n\nif (!process.env.AILOOT_API_KEY?.trim()) throw new Error("Set AILOOT_API_KEY before making a request");\nconst client = new OpenAI({ baseURL: "https://api.ailoot.ai/v1", apiKey: process.env.AILOOT_API_KEY, maxRetries: 0 });\nconst resp = await client.responses.create({ model: "glm-5", input: "Explain the difference between an observation and a hypothesis in three sentences." });\nimport { writeFileSync } from "node:fs";\n\nfunction saveResult(data, stem = "result") {\n writeFileSync(stem + ".json", JSON.stringify(data, null, 2));\n console.log(JSON.stringify(data, null, 2));\n const saveBlob = (encoded, suffix, label) => {\n const raw = Buffer.from(encoded, "base64");\n const ext = raw.subarray(0,8).equals(Buffer.from([137,80,78,71,13,10,26,10])) ? "png" : raw[0]===255 && raw[1]===216 ? "jpg" : raw.subarray(0,4).toString()==="RIFF" && raw.subarray(8,12).toString()==="WEBP" ? "webp" : suffix;\n const file = `${stem}-${label}.${ext}`;\n writeFileSync(file, raw); console.log("Saved", file);\n };\n for (const [i, block] of (data.content || []).entries()) console.log("Content", i, JSON.stringify(block));\n for (const choice of data.choices || []) console.log("Choice", choice.index, JSON.stringify(choice.message || choice.delta || {}));\n for (const [i, item] of (data.output || []).entries()) {\n console.log("Output", i, JSON.stringify(item));\n if (item.type === "image_generation_call" && item.result) saveBlob(item.result, item.output_format || "bin", `output-${i}`);\n }\n for (const [ci, candidate] of (data.candidates || []).entries()) {\n for (const [pi, part] of (candidate.content?.parts || []).entries()) {\n console.log("Candidate/part", ci, pi, JSON.stringify(part));\n const blob = part.inlineData || part.inline_data;\n if (blob?.data) {\n const mime = blob.mimeType || blob.mime_type;\n const suffix = ({"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"})[mime] || "bin";\n saveBlob(blob.data, suffix, `candidate-${ci}-part-${pi}`);\n }\n }\n }\n}\n\nsaveResult(resp);\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\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\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)\nwith client.responses.stream(model="glm-5", input="Explain the difference between an observation and a hypothesis 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_response()\n save_result(final.to_dict(mode="json"),"stream-result")\njson of SSE
Bewaar elk volledig teruggegeven antwoord, bestand en inhoudsonderdeel.
Bewaar elk uitvoeritem en inhoudsonderdeel, de werkelijke call_id van functies, versleutelde redeneringen en verbruiksgegevens. Behoud bij streaming de volledige identiteit van gebeurtenissen en items.
Bewaar aanvraag-/antwoord-ID’s en headers. Er wordt geen algemene URL meegeleverd om teksttaken op te halen.
| Veld | Type |
|---|---|
Veldid | Typestring |
Veldstatus | Typestring |
Veldoutput[] | Typemessage|reasoning|function_call|other item |
Veldoutput[].content[] | Typecontent part |
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 glm-5.3, glm, glm-5, glm-5.1, glm-5.2, glm-latest
Ailoot Ultra glm-5.3, z-ai/glm-5.3, ~z-ai/glm-latest
/chat/completions
z-ai/glm-5.3, glm, glm-5, glm-5.1, glm-5.2, glm-latest, ~z-ai/glm-latest, glm-5.3, glm-5.3
glm-5Z.ai GLM 5.3 is een tekstredeneermodel voor complexe software-engineering, terminalwerk en agents die langdurige taken uitvoeren. Het ondersteunt een door de maker gedocumenteerde context van 1M tokens, maximaal 128K uitvoertokens, function calling en redeneerinspanning low/high/max, waarbij redeneren voortdurend ingeschakeld blijft.
Deze beschrijving gaat over de mogelijkheden van het model. De via Ailoot beschikbare invoer, uitvoer en opties staan hieronder voor de geselecteerde methode.
Z.ai GLM 5.3 is een grootschalig tekstredeneermodel dat ontworpen is voor complexe software-engineering en langdurig agentwerk. De fabrikant stelt dat het hetzelfde basismodel gebruikt als GLM 5.2 en dat de nieuwe verbeteringen uit natraining komen. De release richt zich op sterker programmeren, terminalbewerkingen en bredere taken met meerdere afhankelijke stappen. Het aanvaardt tekst en produceert tekst, waaronder code, uitleg, plannen en verzoeken om toolaanroepen in een toepassing met gekoppelde tools.
De gedocumenteerde redeneermodus is altijd ingeschakeld. GLM 5.3 biedt drie inspanningsniveaus: low, high en max, met max als standaard. De maker raadt max aan voor complex programmeerwerk; low biedt een lichtere redeneeroptie voor eenvoudigere stappen. Gebruik het gekozen niveau samen met een duidelijk eindresultaat en voltooiingscriteria. Bijvoorbeeld: “Onderzoek deze bestanden en falende resultaten, achterhaal de oorzaak in de betrokken modules, stel een correctie voor die de publieke interface behoudt en leg uit welke controles aantonen dat de regressie is opgelost.”
De maker specificeert een contextvenster van 1M tokens en een maximale uitvoerlengte van 128K tokens. Orden lang materiaal rond de relatie die het model moet onderzoeken. Behoud bestandsnamen, relevante definities, bronlabels en de volgorde van waarnemingen en laat binnen de toepasselijke werkcontext ruimte voor de redenering en het eindantwoord. Een groot venster is bruikbaar voor afhankelijkheden tussen modules of een lange reeks agentwaarnemingen; het maakt een ongericht archief van losstaand materiaal niet tot een duidelijk omschreven taak.
Geef bij werk in een repository het verwachte gedrag, de relevante brontekst, afhankelijkheidsversies en werkelijke foutuitvoer mee. Vraag het model het betrokken gedrag te identificeren voordat het een patch voorstelt. Benoem bij een refactoring de interface en invarianten die intact moeten blijven. Een bruikbaar antwoord bevat de herziene code, waarom de wijziging het waargenomen probleem aanpakt en de gevallen die nodig zijn om het resultaat te controleren. Voer werkelijke resultaten terug in een werkwijze met gekoppelde tools, zodat de volgende stap op de gewijzigde toestand berust in plaats van op het eerdere voorstel.
Geef bij prestatiewerk een werklast, een uitgangsmeting en metingen zoals tijdsmetingen, profielen of allocatieregistraties mee. Z.ai beschrijft trainingstaken rond het vaststellen van knelpunten, optimalisatie, experimenten en resultaten die de correctheid behouden. Een praktisch verzoek is: “Gebruik dit profiel om het knelpunt met de grootste impact te identificeren, stel één meetbare wijziging voor en leg uit welk resultaat het behoud ervan zou rechtvaardigen.” Onderscheid een prestatiehypothese van een vastgelegde verbetering. Behoud dezelfde werklast en relevante omstandigheden wanneer u een resultaat onderzoekt.
De release ontwikkelt ook mogelijkheden voor kwetsbaarheidsanalyse. Geef voor defensieve broncodecontrole de relevante code, de bedoelde vertrouwensgrenzen en de omstandigheden waarin ze draait mee. Vraag om een bevinding die een vermoedelijk probleem verbindt met de betrokken invoer, het gedrag en een gerichte oplossing. Onderscheid een mogelijke zwakte van een gereproduceerde fout en bewaar de waarneming die gebruikt is om die te valideren. Een verslag is bruikbaarder wanneer het concreet bewijs en voorgestelde correcties voorrang geeft, in plaats van elk verdacht patroon als een bevestigde kwetsbaarheid te behandelen.
Function calling laat een omringende toepassing externe bewerkingen aan het model beschikbaar stellen. Definieer het doel, de argumenten en het verwachte resultaat van elke tool en geef vervolgens de werkelijke toolwaarneming terug voor de volgende stap. Het model kan over dat resultaat redeneren en bepalen hoe het de taak verandert. Zorg dat voorgestelde acties, uitgevoerde bewerkingen en onopgeloste controles van elkaar te onderscheiden blijven. De maker documenteert ook streamingantwoorden, die redeneer- en antwoordfragmenten afzonderlijk teruggeven; voeg het voltooide antwoord samen voordat u het als eindverslag of code-uitleg behandelt.
De lokale modelkaart geeft een specifiek detail over de geschiedenisinstelling: de chatsjabloon behoudt standaard eerdere redeneringen, terwijl de maker voor gewone chatscenario's aanbeveelt oude redeneringen expliciet te wissen. Pas de geschikte gespreksstructuur toe voor het gebruiksdoel, met behoud van de werkelijk voltooide antwoorden en toolresultaten die voor voortzetting nodig zijn. Behandel redeneerinstellingen uit GLM 5.2 of de afzonderlijke GLM 5.3 Flash-edities niet als uitwisselbaar met de instellingen low/high/max van dit model.
Specificeer voor gestructureerde resultaten de verwachte velden, typen en bronregels. Een bruikbaar resultaat kan een defectentabel, wijzigingsplan of JSON-object met een samenvatting van waarnemingen zijn. Valideer zowel de structuur als de waarden voordat een toepassing ze gebruikt. Het eindresultaat moet het antwoord of herziene resultaat, het ondersteunende bewijsmateriaal en de resterende aannames benoemen. Meer redeneerinspanning bewijst niet dat een tool is uitgevoerd, dat een voorgestelde patch de controles heeft doorstaan of dat een feitelijke bewering onderbouwing heeft buiten het aangeleverde materiaal.
POST /v1/chat/completionstexttext| Veld | Type | Vereiste | Waarden en limieten | Standaard |
|---|---|---|---|---|
Veldmodel | Typestring | VereisteVereist | Waarden en limieten glm-5 | 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 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— |
Tekst · UTF8-tekst
messages[].content
| Parameter | Contract |
|---|---|
Parametermaterial_types | Contracttext |
Parameterrequired | Contractmodel, messages |
Parameteroptional_controls | Contractnull |
Parametercontent_type | Contractapplication/json |
Parametertext_file_material | Contractwerkelijke UTF-8-inhoud ingevoegd als tekst; bestands-ID’s/URLs vereisen afzonderlijke exacte ondersteuning |
Levenscyclus: exact retained published method
De methodestructuren en ID’s zijn exact; de mogelijkheden van de leverancier staan los van toelating.
POST /v1/chat/completionsAiloot 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 →
Referentiestaffels op modelniveau veranderen de methodeselectie, kostenramingen of afschrijvingen niet. Voor de actieve kostenberekening gelden de tarieven van de geselecteerde Ailoot-methode.
Koppel elke kostenpost aan de getoonde voorwaarden. Gebruik één tarief voor elke groep alternatieve configuraties.
| Configuratie | Tariefstaffel | Contexttokens, meer dan | Contexttokens, tot en met | Kosten |
|---|---|---|---|---|
| ConfiguratieOpenAI Chat · Basistarieven per token | TariefstaffelBasistarief | Contexttokens, meer dan— | Contexttokens, tot en metGeen bovengrens | Kosten Invoer · Invoertokens $0.0028 / 1K tokens Uitvoer · Uitvoertokens $0.0088 / 1K tokens Invoer · Cache lezen $0.00052 / 1K tokens Invoer · Cache schrijven — / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
| ConfiguratieOpenAI Chat · Tariefniveau 1 op basis van aanvraaglengte | Tariefstaffel— | Contexttokens, meer dan0 | Contexttokens, tot en metGeen bovengrens | Kosten Invoer · Invoertokens $0.0028 / 1K tokens Uitvoer · Uitvoertokens $0.0088 / 1K tokens Invoer · Cache lezen $0.00052 / 1K tokens Invoer · Cache schrijven — / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
| ConfiguratieAnthropic Messages · Basistarieven per token | TariefstaffelBasistarief | Contexttokens, meer dan— | Contexttokens, tot en metGeen bovengrens | Kosten Invoer · Invoertokens $0.0028 / 1K tokens Uitvoer · Uitvoertokens $0.0088 / 1K tokens Invoer · Cache lezen $0.00052 / 1K tokens Invoer · Cache schrijven — / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
| ConfiguratieAnthropic Messages · Tariefniveau 1 op basis van aanvraaglengte | Tariefstaffel— | Contexttokens, meer dan0 | Contexttokens, tot en metGeen bovengrens | Kosten Invoer · Invoertokens $0.0028 / 1K tokens Uitvoer · Uitvoertokens $0.0088 / 1K tokens Invoer · Cache lezen $0.00052 / 1K tokens Invoer · Cache schrijven — / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 source-material file}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "glm-5", "messages": []}')\nf=Path(os.environ["AILOOT_TEXT_FILE"])\nif not f.is_file():raise SystemExit("Choose your actual UTF-8 source material")\ntext=f.read_text(encoding="utf-8")\nif not text.strip():raise SystemExit("Source material must contain text")\np["messages"]=[{"role":"user","content":"Summarize this material and quote supporting source passages.\\n\\n"+text}]\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\nprint(json.dumps(json.loads(Path("result.json").read_text()),ensure_ascii=False,indent=2))\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)\nresp = client.chat.completions.create(\n model="glm-5",\n messages=[{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}],\n)\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(resp.to_dict(mode="json"))\nimport OpenAI from "openai";\n\nif (!process.env.AILOOT_API_KEY?.trim()) throw new Error("Set AILOOT_API_KEY before making a request");\nconst client = new OpenAI({ baseURL: "https://api.ailoot.ai/v1", apiKey: process.env.AILOOT_API_KEY, maxRetries: 0 });\nconst resp = await client.chat.completions.create({\n model: "glm-5",\n messages: [{ role: "user", content: "Explain the difference between an observation and a hypothesis in three sentences." }],\n});\nimport { writeFileSync } from "node:fs";\n\nfunction saveResult(data, stem = "result") {\n writeFileSync(stem + ".json", JSON.stringify(data, null, 2));\n console.log(JSON.stringify(data, null, 2));\n const saveBlob = (encoded, suffix, label) => {\n const raw = Buffer.from(encoded, "base64");\n const ext = raw.subarray(0,8).equals(Buffer.from([137,80,78,71,13,10,26,10])) ? "png" : raw[0]===255 && raw[1]===216 ? "jpg" : raw.subarray(0,4).toString()==="RIFF" && raw.subarray(8,12).toString()==="WEBP" ? "webp" : suffix;\n const file = `${stem}-${label}.${ext}`;\n writeFileSync(file, raw); console.log("Saved", file);\n };\n for (const [i, block] of (data.content || []).entries()) console.log("Content", i, JSON.stringify(block));\n for (const choice of data.choices || []) console.log("Choice", choice.index, JSON.stringify(choice.message || choice.delta || {}));\n for (const [i, item] of (data.output || []).entries()) {\n console.log("Output", i, JSON.stringify(item));\n if (item.type === "image_generation_call" && item.result) saveBlob(item.result, item.output_format || "bin", `output-${i}`);\n }\n for (const [ci, candidate] of (data.candidates || []).entries()) {\n for (const [pi, part] of (candidate.content?.parts || []).entries()) {\n console.log("Candidate/part", ci, pi, JSON.stringify(part));\n const blob = part.inlineData || part.inline_data;\n if (blob?.data) {\n const mime = blob.mimeType || blob.mime_type;\n const suffix = ({"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"})[mime] || "bin";\n saveBlob(blob.data, suffix, `candidate-${ci}-part-${pi}`);\n }\n }\n }\n}\n\nsaveResult(resp);\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-5',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 glm-5.3, glm, glm-5, glm-5.1, glm-5.2, glm-latest
Ailoot Ultra glm-5.3, z-ai/glm-5.3, ~z-ai/glm-latest
/chat/completions
z-ai/glm-5.3, glm, glm-5, glm-5.1, glm-5.2, glm-latest, ~z-ai/glm-latest, glm-5.3, glm-5.3
glm-5.1Z.ai GLM 5.3 is een tekstredeneermodel voor complexe software-engineering, terminalwerk en agents die langdurige taken uitvoeren. Het ondersteunt een door de maker gedocumenteerde context van 1M tokens, maximaal 128K uitvoertokens, function calling en redeneerinspanning low/high/max, waarbij redeneren voortdurend ingeschakeld blijft.
Deze beschrijving gaat over de mogelijkheden van het model. De via Ailoot beschikbare invoer, uitvoer en opties staan hieronder voor de geselecteerde methode.
Z.ai GLM 5.3 is een grootschalig tekstredeneermodel dat ontworpen is voor complexe software-engineering en langdurig agentwerk. De fabrikant stelt dat het hetzelfde basismodel gebruikt als GLM 5.2 en dat de nieuwe verbeteringen uit natraining komen. De release richt zich op sterker programmeren, terminalbewerkingen en bredere taken met meerdere afhankelijke stappen. Het aanvaardt tekst en produceert tekst, waaronder code, uitleg, plannen en verzoeken om toolaanroepen in een toepassing met gekoppelde tools.
De gedocumenteerde redeneermodus is altijd ingeschakeld. GLM 5.3 biedt drie inspanningsniveaus: low, high en max, met max als standaard. De maker raadt max aan voor complex programmeerwerk; low biedt een lichtere redeneeroptie voor eenvoudigere stappen. Gebruik het gekozen niveau samen met een duidelijk eindresultaat en voltooiingscriteria. Bijvoorbeeld: “Onderzoek deze bestanden en falende resultaten, achterhaal de oorzaak in de betrokken modules, stel een correctie voor die de publieke interface behoudt en leg uit welke controles aantonen dat de regressie is opgelost.”
De maker specificeert een contextvenster van 1M tokens en een maximale uitvoerlengte van 128K tokens. Orden lang materiaal rond de relatie die het model moet onderzoeken. Behoud bestandsnamen, relevante definities, bronlabels en de volgorde van waarnemingen en laat binnen de toepasselijke werkcontext ruimte voor de redenering en het eindantwoord. Een groot venster is bruikbaar voor afhankelijkheden tussen modules of een lange reeks agentwaarnemingen; het maakt een ongericht archief van losstaand materiaal niet tot een duidelijk omschreven taak.
Geef bij werk in een repository het verwachte gedrag, de relevante brontekst, afhankelijkheidsversies en werkelijke foutuitvoer mee. Vraag het model het betrokken gedrag te identificeren voordat het een patch voorstelt. Benoem bij een refactoring de interface en invarianten die intact moeten blijven. Een bruikbaar antwoord bevat de herziene code, waarom de wijziging het waargenomen probleem aanpakt en de gevallen die nodig zijn om het resultaat te controleren. Voer werkelijke resultaten terug in een werkwijze met gekoppelde tools, zodat de volgende stap op de gewijzigde toestand berust in plaats van op het eerdere voorstel.
Geef bij prestatiewerk een werklast, een uitgangsmeting en metingen zoals tijdsmetingen, profielen of allocatieregistraties mee. Z.ai beschrijft trainingstaken rond het vaststellen van knelpunten, optimalisatie, experimenten en resultaten die de correctheid behouden. Een praktisch verzoek is: “Gebruik dit profiel om het knelpunt met de grootste impact te identificeren, stel één meetbare wijziging voor en leg uit welk resultaat het behoud ervan zou rechtvaardigen.” Onderscheid een prestatiehypothese van een vastgelegde verbetering. Behoud dezelfde werklast en relevante omstandigheden wanneer u een resultaat onderzoekt.
De release ontwikkelt ook mogelijkheden voor kwetsbaarheidsanalyse. Geef voor defensieve broncodecontrole de relevante code, de bedoelde vertrouwensgrenzen en de omstandigheden waarin ze draait mee. Vraag om een bevinding die een vermoedelijk probleem verbindt met de betrokken invoer, het gedrag en een gerichte oplossing. Onderscheid een mogelijke zwakte van een gereproduceerde fout en bewaar de waarneming die gebruikt is om die te valideren. Een verslag is bruikbaarder wanneer het concreet bewijs en voorgestelde correcties voorrang geeft, in plaats van elk verdacht patroon als een bevestigde kwetsbaarheid te behandelen.
Function calling laat een omringende toepassing externe bewerkingen aan het model beschikbaar stellen. Definieer het doel, de argumenten en het verwachte resultaat van elke tool en geef vervolgens de werkelijke toolwaarneming terug voor de volgende stap. Het model kan over dat resultaat redeneren en bepalen hoe het de taak verandert. Zorg dat voorgestelde acties, uitgevoerde bewerkingen en onopgeloste controles van elkaar te onderscheiden blijven. De maker documenteert ook streamingantwoorden, die redeneer- en antwoordfragmenten afzonderlijk teruggeven; voeg het voltooide antwoord samen voordat u het als eindverslag of code-uitleg behandelt.
De lokale modelkaart geeft een specifiek detail over de geschiedenisinstelling: de chatsjabloon behoudt standaard eerdere redeneringen, terwijl de maker voor gewone chatscenario's aanbeveelt oude redeneringen expliciet te wissen. Pas de geschikte gespreksstructuur toe voor het gebruiksdoel, met behoud van de werkelijk voltooide antwoorden en toolresultaten die voor voortzetting nodig zijn. Behandel redeneerinstellingen uit GLM 5.2 of de afzonderlijke GLM 5.3 Flash-edities niet als uitwisselbaar met de instellingen low/high/max van dit model.
Specificeer voor gestructureerde resultaten de verwachte velden, typen en bronregels. Een bruikbaar resultaat kan een defectentabel, wijzigingsplan of JSON-object met een samenvatting van waarnemingen zijn. Valideer zowel de structuur als de waarden voordat een toepassing ze gebruikt. Het eindresultaat moet het antwoord of herziene resultaat, het ondersteunende bewijsmateriaal en de resterende aannames benoemen. Meer redeneerinspanning bewijst niet dat een tool is uitgevoerd, dat een voorgestelde patch de controles heeft doorstaan of dat een feitelijke bewering onderbouwing heeft buiten het aangeleverde materiaal.
POST /v1/messagestexttext| Veld | Type | Vereiste | Waarden en limieten | Standaard |
|---|---|---|---|---|
Veldmodel | Typestring | VereisteVereist | Waarden en limieten glm-5.1 | Standaard— |
Veldmessages | Typemessage[] | VereisteVereist | Waarden en limieten Minimumaantal items: 1 | Standaard— |
Veldmessages[].role | Typestring | VereisteVereist | Waarden en limieten user, assistant | Standaard— |
Veldmessages[].content | Typestring|content_block[] | VereisteVereist | Waarden en limieten | Standaard— |
Veldsystem | Typestring|content_block[] | VereisteOptioneel | Waarden en limieten | Standaard— |
Veldmax_tokens | Typeinteger | VereisteVereist | Waarden en limieten Minimum: 1 Limiet geldt voor: exacte bovengrens van het gekozen model/de gekozen modelkaart | Standaard— |
Veldstream | Typeboolean | VereisteOptioneel | Waarden en limieten | Standaardfalse |
Veldtemperature | Typenumber | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldtop_p | Typenumber | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldstop_sequences | Typestring[] | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldtools | Typetool[] | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldtools[].name | Typestring | VereisteOptioneel | Waarden en limieten Geldt wanneer: tool opgegeven | Standaard— |
Veldtools[].description | Typestring | VereisteOptioneel | Waarden en limieten | Standaard— |
Veldtools[].input_schema | TypeJSON_schema | VereisteOptioneel | Waarden en limieten | Standaard— |
Veldtool_choice | Typeobject | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldthinking.type | Typestring | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldthinking.budget_tokens | Typeinteger | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldoutput_config.effort | Typestring | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldmetadata | Typeobject | VereisteOptioneel | Waarden en limieten | Standaard— |
Veldcache_control | Typeobject | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Tekst · UTF8-tekst
messages[].content of een blok met type=text
| Parameter | Contract |
|---|---|
Parametermaterial_types | Contracttext |
Parameterrequired | Contractmodel, messages, max_tokens |
Parameteroptional_controls | Contractnull |
Parametercontent_type | Contractapplication/json |
Parametertext_file_material | Contractwerkelijke UTF-8-inhoud ingevoegd als tekst; bestands-ID’s/URLs vereisen afzonderlijke exacte ondersteuning |
Levenscyclus: exact retained published method
De methodestructuren en ID’s zijn exact; de mogelijkheden van de leverancier staan los van toelating.
POST /v1/messagesAiloot 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 →
Referentiestaffels op modelniveau veranderen de methodeselectie, kostenramingen of afschrijvingen niet. Voor de actieve kostenberekening gelden de tarieven van de geselecteerde Ailoot-methode.
Koppel elke kostenpost aan de getoonde voorwaarden. Gebruik één tarief voor elke groep alternatieve configuraties.
| Configuratie | Tariefstaffel | Contexttokens, meer dan | Contexttokens, tot en met | Kosten |
|---|---|---|---|---|
| ConfiguratieOpenAI Chat · Basistarieven per token | TariefstaffelBasistarief | Contexttokens, meer dan— | Contexttokens, tot en metGeen bovengrens | Kosten Invoer · Invoertokens $0.0028 / 1K tokens Uitvoer · Uitvoertokens $0.0088 / 1K tokens Invoer · Cache lezen $0.00052 / 1K tokens Invoer · Cache schrijven — / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
| ConfiguratieOpenAI Chat · Tariefniveau 1 op basis van aanvraaglengte | Tariefstaffel— | Contexttokens, meer dan0 | Contexttokens, tot en metGeen bovengrens | Kosten Invoer · Invoertokens $0.0028 / 1K tokens Uitvoer · Uitvoertokens $0.0088 / 1K tokens Invoer · Cache lezen $0.00052 / 1K tokens Invoer · Cache schrijven — / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
| ConfiguratieAnthropic Messages · Basistarieven per token | TariefstaffelBasistarief | Contexttokens, meer dan— | Contexttokens, tot en metGeen bovengrens | Kosten Invoer · Invoertokens $0.0028 / 1K tokens Uitvoer · Uitvoertokens $0.0088 / 1K tokens Invoer · Cache lezen $0.00052 / 1K tokens Invoer · Cache schrijven — / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
| ConfiguratieAnthropic Messages · Tariefniveau 1 op basis van aanvraaglengte | Tariefstaffel— | Contexttokens, meer dan0 | Contexttokens, tot en metGeen bovengrens | Kosten Invoer · Invoertokens $0.0028 / 1K tokens Uitvoer · Uitvoertokens $0.0088 / 1K tokens Invoer · Cache lezen $0.00052 / 1K tokens Invoer · Cache schrijven — / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 source-material file}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "glm-5.1", "max_tokens": 1024, "messages": []}')\nf=Path(os.environ["AILOOT_TEXT_FILE"])\nif not f.is_file():raise SystemExit("Choose your actual UTF-8 source material")\ntext=f.read_text(encoding="utf-8")\nif not text.strip():raise SystemExit("Source material must contain text")\np["messages"]=[{"role":"user","content":"Summarize this material and quote supporting source passages.\\n\\n"+text}]\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/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\nprint(json.dumps(json.loads(Path("result.json").read_text()),ensure_ascii=False,indent=2))\nPY_RESULT\nimport anthropic\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient = anthropic.Anthropic(base_url="https://api.ailoot.ai", api_key=os.environ["AILOOT_API_KEY"], max_retries=0)\nmsg = client.messages.create(\n model="glm-5.1",\n max_tokens=1024,\n messages=[{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}],\n)\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(msg.to_dict(mode="json"))\nimport Anthropic from "@anthropic-ai/sdk";\n\nif (!process.env.AILOOT_API_KEY?.trim()) throw new Error("Set AILOOT_API_KEY before making a request");\nconst client = new Anthropic({ baseURL: "https://api.ailoot.ai", apiKey: process.env.AILOOT_API_KEY, maxRetries: 0 });\nconst msg = await client.messages.create({\n model: "glm-5.1",\n max_tokens: 1024,\n messages: [{ role: "user", content: "Explain the difference between an observation and a hypothesis in three sentences." }],\n});\nimport { writeFileSync } from "node:fs";\n\nfunction saveResult(data, stem = "result") {\n writeFileSync(stem + ".json", JSON.stringify(data, null, 2));\n console.log(JSON.stringify(data, null, 2));\n const saveBlob = (encoded, suffix, label) => {\n const raw = Buffer.from(encoded, "base64");\n const ext = raw.subarray(0,8).equals(Buffer.from([137,80,78,71,13,10,26,10])) ? "png" : raw[0]===255 && raw[1]===216 ? "jpg" : raw.subarray(0,4).toString()==="RIFF" && raw.subarray(8,12).toString()==="WEBP" ? "webp" : suffix;\n const file = `${stem}-${label}.${ext}`;\n writeFileSync(file, raw); console.log("Saved", file);\n };\n for (const [i, block] of (data.content || []).entries()) console.log("Content", i, JSON.stringify(block));\n for (const choice of data.choices || []) console.log("Choice", choice.index, JSON.stringify(choice.message || choice.delta || {}));\n for (const [i, item] of (data.output || []).entries()) {\n console.log("Output", i, JSON.stringify(item));\n if (item.type === "image_generation_call" && item.result) saveBlob(item.result, item.output_format || "bin", `output-${i}`);\n }\n for (const [ci, candidate] of (data.candidates || []).entries()) {\n for (const [pi, part] of (candidate.content?.parts || []).entries()) {\n console.log("Candidate/part", ci, pi, JSON.stringify(part));\n const blob = part.inlineData || part.inline_data;\n if (blob?.data) {\n const mime = blob.mimeType || blob.mime_type;\n const suffix = ({"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"})[mime] || "bin";\n saveBlob(blob.data, suffix, `candidate-${ci}-part-${pi}`);\n }\n }\n }\n}\n\nsaveResult(msg);\nimport anthropic,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=anthropic.Anthropic(base_url="https://api.ailoot.ai",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.messages.stream(model='glm-5.1',max_tokens=1024,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_message()\n save_result(final.to_dict(mode="json"),"stream-result")\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 glm-5.3, glm, glm-5, glm-5.1, glm-5.2, glm-latest
Ailoot Ultra glm-5.3, z-ai/glm-5.3, ~z-ai/glm-latest
/chat/completions
z-ai/glm-5.3, glm, glm-5, glm-5.1, glm-5.2, glm-latest, ~z-ai/glm-latest, glm-5.3, glm-5.3
glm-5.1Z.ai GLM 5.3 is een tekstredeneermodel voor complexe software-engineering, terminalwerk en agents die langdurige taken uitvoeren. Het ondersteunt een door de maker gedocumenteerde context van 1M tokens, maximaal 128K uitvoertokens, function calling en redeneerinspanning low/high/max, waarbij redeneren voortdurend ingeschakeld blijft.
Deze beschrijving gaat over de mogelijkheden van het model. De via Ailoot beschikbare invoer, uitvoer en opties staan hieronder voor de geselecteerde methode.
Z.ai GLM 5.3 is een grootschalig tekstredeneermodel dat ontworpen is voor complexe software-engineering en langdurig agentwerk. De fabrikant stelt dat het hetzelfde basismodel gebruikt als GLM 5.2 en dat de nieuwe verbeteringen uit natraining komen. De release richt zich op sterker programmeren, terminalbewerkingen en bredere taken met meerdere afhankelijke stappen. Het aanvaardt tekst en produceert tekst, waaronder code, uitleg, plannen en verzoeken om toolaanroepen in een toepassing met gekoppelde tools.
De gedocumenteerde redeneermodus is altijd ingeschakeld. GLM 5.3 biedt drie inspanningsniveaus: low, high en max, met max als standaard. De maker raadt max aan voor complex programmeerwerk; low biedt een lichtere redeneeroptie voor eenvoudigere stappen. Gebruik het gekozen niveau samen met een duidelijk eindresultaat en voltooiingscriteria. Bijvoorbeeld: “Onderzoek deze bestanden en falende resultaten, achterhaal de oorzaak in de betrokken modules, stel een correctie voor die de publieke interface behoudt en leg uit welke controles aantonen dat de regressie is opgelost.”
De maker specificeert een contextvenster van 1M tokens en een maximale uitvoerlengte van 128K tokens. Orden lang materiaal rond de relatie die het model moet onderzoeken. Behoud bestandsnamen, relevante definities, bronlabels en de volgorde van waarnemingen en laat binnen de toepasselijke werkcontext ruimte voor de redenering en het eindantwoord. Een groot venster is bruikbaar voor afhankelijkheden tussen modules of een lange reeks agentwaarnemingen; het maakt een ongericht archief van losstaand materiaal niet tot een duidelijk omschreven taak.
Geef bij werk in een repository het verwachte gedrag, de relevante brontekst, afhankelijkheidsversies en werkelijke foutuitvoer mee. Vraag het model het betrokken gedrag te identificeren voordat het een patch voorstelt. Benoem bij een refactoring de interface en invarianten die intact moeten blijven. Een bruikbaar antwoord bevat de herziene code, waarom de wijziging het waargenomen probleem aanpakt en de gevallen die nodig zijn om het resultaat te controleren. Voer werkelijke resultaten terug in een werkwijze met gekoppelde tools, zodat de volgende stap op de gewijzigde toestand berust in plaats van op het eerdere voorstel.
Geef bij prestatiewerk een werklast, een uitgangsmeting en metingen zoals tijdsmetingen, profielen of allocatieregistraties mee. Z.ai beschrijft trainingstaken rond het vaststellen van knelpunten, optimalisatie, experimenten en resultaten die de correctheid behouden. Een praktisch verzoek is: “Gebruik dit profiel om het knelpunt met de grootste impact te identificeren, stel één meetbare wijziging voor en leg uit welk resultaat het behoud ervan zou rechtvaardigen.” Onderscheid een prestatiehypothese van een vastgelegde verbetering. Behoud dezelfde werklast en relevante omstandigheden wanneer u een resultaat onderzoekt.
De release ontwikkelt ook mogelijkheden voor kwetsbaarheidsanalyse. Geef voor defensieve broncodecontrole de relevante code, de bedoelde vertrouwensgrenzen en de omstandigheden waarin ze draait mee. Vraag om een bevinding die een vermoedelijk probleem verbindt met de betrokken invoer, het gedrag en een gerichte oplossing. Onderscheid een mogelijke zwakte van een gereproduceerde fout en bewaar de waarneming die gebruikt is om die te valideren. Een verslag is bruikbaarder wanneer het concreet bewijs en voorgestelde correcties voorrang geeft, in plaats van elk verdacht patroon als een bevestigde kwetsbaarheid te behandelen.
Function calling laat een omringende toepassing externe bewerkingen aan het model beschikbaar stellen. Definieer het doel, de argumenten en het verwachte resultaat van elke tool en geef vervolgens de werkelijke toolwaarneming terug voor de volgende stap. Het model kan over dat resultaat redeneren en bepalen hoe het de taak verandert. Zorg dat voorgestelde acties, uitgevoerde bewerkingen en onopgeloste controles van elkaar te onderscheiden blijven. De maker documenteert ook streamingantwoorden, die redeneer- en antwoordfragmenten afzonderlijk teruggeven; voeg het voltooide antwoord samen voordat u het als eindverslag of code-uitleg behandelt.
De lokale modelkaart geeft een specifiek detail over de geschiedenisinstelling: de chatsjabloon behoudt standaard eerdere redeneringen, terwijl de maker voor gewone chatscenario's aanbeveelt oude redeneringen expliciet te wissen. Pas de geschikte gespreksstructuur toe voor het gebruiksdoel, met behoud van de werkelijk voltooide antwoorden en toolresultaten die voor voortzetting nodig zijn. Behandel redeneerinstellingen uit GLM 5.2 of de afzonderlijke GLM 5.3 Flash-edities niet als uitwisselbaar met de instellingen low/high/max van dit model.
Specificeer voor gestructureerde resultaten de verwachte velden, typen en bronregels. Een bruikbaar resultaat kan een defectentabel, wijzigingsplan of JSON-object met een samenvatting van waarnemingen zijn. Valideer zowel de structuur als de waarden voordat een toepassing ze gebruikt. Het eindresultaat moet het antwoord of herziene resultaat, het ondersteunende bewijsmateriaal en de resterende aannames benoemen. Meer redeneerinspanning bewijst niet dat een tool is uitgevoerd, dat een voorgestelde patch de controles heeft doorstaan of dat een feitelijke bewering onderbouwing heeft buiten het aangeleverde materiaal.
POST /v1/responsestexttext| Veld | Type | Vereiste | Waarden en limieten | Standaard |
|---|---|---|---|---|
Veldmodel | Typestring | VereisteVereist | Waarden en limieten glm-5.1 | Standaard— |
Veldinput | Typestring|input_item[] | VereisteVereist | Waarden en limieten | Standaard— |
Veldinstructions | Typestring | VereisteOptioneel | Waarden en limieten | Standaard— |
Veldinput[].type | Typestring | VereisteOptioneel | Waarden en limieten message, reasoning, function_call, function_call_output | Standaard— |
Veldinput[].content | Typestring|content_part[] | VereisteOptioneel | Waarden en limieten | Standaard— |
Veldinput[].call_id | Typestring | VereisteOptioneel | Waarden en limieten Geldt wanneer: function_call_output; bewaar de werkelijk teruggegeven call_id | Standaard— |
Veldinput[].output | Typestring|content_part[] | VereisteOptioneel | Waarden en limieten Geldt wanneer: function_call_output | Standaard— |
Veldmax_output_tokens | Typeinteger | VereisteOptioneel | Waarden en limieten Minimum: 1 Afhankelijk van het model | Standaard— |
Veldstream | Typeboolean | VereisteOptioneel | Waarden en limieten | Standaardfalse |
Veldtemperature | Typenumber | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldtop_p | Typenumber | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldtools | Typetool[] | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | 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— |
Veldreasoning.effort | Typestring | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldreasoning.summary | Typestring | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldtext.format | Typeobject | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldtext.verbosity | Typestring | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldinclude | Typestring[] | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldstore | Typeboolean | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldprevious_response_id | Typestring | VereisteOptioneel | Waarden en limieten ID-vereiste: Alleen een werkelijk antwoord-ID van een ondersteunde voortzetting Afhankelijk van het model | Standaard— |
Veldservice_tier | Typestring | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldprompt_cache_key | Typestring | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldprompt_cache_options | Typeobject | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Tekst · UTF8-tekst
invoertekst of een input_text-onderdeel
| Parameter | Contract |
|---|---|
Parametermaterial_types | Contracttext |
Parameterrequired | Contractmodel, input |
Parameteroptional_controls | Contractnull |
Parametercontent_type | Contractapplication/json |
Parametertext_file_material | Contractwerkelijke UTF-8-inhoud ingevoegd als tekst; bestands-ID’s/URLs vereisen afzonderlijke exacte ondersteuning |
Levenscyclus: exact retained published method
De methodestructuren en ID’s zijn exact; de mogelijkheden van de leverancier staan los van toelating.
POST /v1/responsesAiloot 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 →
Referentiestaffels op modelniveau veranderen de methodeselectie, kostenramingen of afschrijvingen niet. Voor de actieve kostenberekening gelden de tarieven van de geselecteerde Ailoot-methode.
Koppel elke kostenpost aan de getoonde voorwaarden. Gebruik één tarief voor elke groep alternatieve configuraties.
| Configuratie | Tariefstaffel | Contexttokens, meer dan | Contexttokens, tot en met | Kosten |
|---|---|---|---|---|
| ConfiguratieOpenAI Chat · Basistarieven per token | TariefstaffelBasistarief | Contexttokens, meer dan— | Contexttokens, tot en metGeen bovengrens | Kosten Invoer · Invoertokens $0.0028 / 1K tokens Uitvoer · Uitvoertokens $0.0088 / 1K tokens Invoer · Cache lezen $0.00052 / 1K tokens Invoer · Cache schrijven — / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
| ConfiguratieOpenAI Chat · Tariefniveau 1 op basis van aanvraaglengte | Tariefstaffel— | Contexttokens, meer dan0 | Contexttokens, tot en metGeen bovengrens | Kosten Invoer · Invoertokens $0.0028 / 1K tokens Uitvoer · Uitvoertokens $0.0088 / 1K tokens Invoer · Cache lezen $0.00052 / 1K tokens Invoer · Cache schrijven — / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
| ConfiguratieAnthropic Messages · Basistarieven per token | TariefstaffelBasistarief | Contexttokens, meer dan— | Contexttokens, tot en metGeen bovengrens | Kosten Invoer · Invoertokens $0.0028 / 1K tokens Uitvoer · Uitvoertokens $0.0088 / 1K tokens Invoer · Cache lezen $0.00052 / 1K tokens Invoer · Cache schrijven — / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
| ConfiguratieAnthropic Messages · Tariefniveau 1 op basis van aanvraaglengte | Tariefstaffel— | Contexttokens, meer dan0 | Contexttokens, tot en metGeen bovengrens | Kosten Invoer · Invoertokens $0.0028 / 1K tokens Uitvoer · Uitvoertokens $0.0088 / 1K tokens Invoer · Cache lezen $0.00052 / 1K tokens Invoer · Cache schrijven — / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 source-material file}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "glm-5.1", "input": ""}')\nf=Path(os.environ["AILOOT_TEXT_FILE"])\nif not f.is_file():raise SystemExit("Choose your actual UTF-8 source material")\ntext=f.read_text(encoding="utf-8")\nif not text.strip():raise SystemExit("Source material must contain text")\np["input"]="Summarize this material and quote supporting source passages.\\n\\n"+text\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/responses \\\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 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(json.loads(Path("result.json").read_text(encoding="utf-8")))\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)\nresp = client.responses.create(model="glm-5.1", input="Explain the difference between an observation and a hypothesis 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(resp.to_dict(mode="json"))\nimport OpenAI from "openai";\n\nif (!process.env.AILOOT_API_KEY?.trim()) throw new Error("Set AILOOT_API_KEY before making a request");\nconst client = new OpenAI({ baseURL: "https://api.ailoot.ai/v1", apiKey: process.env.AILOOT_API_KEY, maxRetries: 0 });\nconst resp = await client.responses.create({ model: "glm-5.1", input: "Explain the difference between an observation and a hypothesis in three sentences." });\nimport { writeFileSync } from "node:fs";\n\nfunction saveResult(data, stem = "result") {\n writeFileSync(stem + ".json", JSON.stringify(data, null, 2));\n console.log(JSON.stringify(data, null, 2));\n const saveBlob = (encoded, suffix, label) => {\n const raw = Buffer.from(encoded, "base64");\n const ext = raw.subarray(0,8).equals(Buffer.from([137,80,78,71,13,10,26,10])) ? "png" : raw[0]===255 && raw[1]===216 ? "jpg" : raw.subarray(0,4).toString()==="RIFF" && raw.subarray(8,12).toString()==="WEBP" ? "webp" : suffix;\n const file = `${stem}-${label}.${ext}`;\n writeFileSync(file, raw); console.log("Saved", file);\n };\n for (const [i, block] of (data.content || []).entries()) console.log("Content", i, JSON.stringify(block));\n for (const choice of data.choices || []) console.log("Choice", choice.index, JSON.stringify(choice.message || choice.delta || {}));\n for (const [i, item] of (data.output || []).entries()) {\n console.log("Output", i, JSON.stringify(item));\n if (item.type === "image_generation_call" && item.result) saveBlob(item.result, item.output_format || "bin", `output-${i}`);\n }\n for (const [ci, candidate] of (data.candidates || []).entries()) {\n for (const [pi, part] of (candidate.content?.parts || []).entries()) {\n console.log("Candidate/part", ci, pi, JSON.stringify(part));\n const blob = part.inlineData || part.inline_data;\n if (blob?.data) {\n const mime = blob.mimeType || blob.mime_type;\n const suffix = ({"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"})[mime] || "bin";\n saveBlob(blob.data, suffix, `candidate-${ci}-part-${pi}`);\n }\n }\n }\n}\n\nsaveResult(resp);\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\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\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)\nwith client.responses.stream(model="glm-5.1", input="Explain the difference between an observation and a hypothesis 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_response()\n save_result(final.to_dict(mode="json"),"stream-result")\njson of SSE
Bewaar elk volledig teruggegeven antwoord, bestand en inhoudsonderdeel.
Bewaar elk uitvoeritem en inhoudsonderdeel, de werkelijke call_id van functies, versleutelde redeneringen en verbruiksgegevens. Behoud bij streaming de volledige identiteit van gebeurtenissen en items.
Bewaar aanvraag-/antwoord-ID’s en headers. Er wordt geen algemene URL meegeleverd om teksttaken op te halen.
| Veld | Type |
|---|---|
Veldid | Typestring |
Veldstatus | Typestring |
Veldoutput[] | Typemessage|reasoning|function_call|other item |
Veldoutput[].content[] | Typecontent part |
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 glm-5.3, glm, glm-5, glm-5.1, glm-5.2, glm-latest
Ailoot Ultra glm-5.3, z-ai/glm-5.3, ~z-ai/glm-latest
/chat/completions
z-ai/glm-5.3, glm, glm-5, glm-5.1, glm-5.2, glm-latest, ~z-ai/glm-latest, glm-5.3, glm-5.3
glm-5.1Z.ai GLM 5.3 is een tekstredeneermodel voor complexe software-engineering, terminalwerk en agents die langdurige taken uitvoeren. Het ondersteunt een door de maker gedocumenteerde context van 1M tokens, maximaal 128K uitvoertokens, function calling en redeneerinspanning low/high/max, waarbij redeneren voortdurend ingeschakeld blijft.
Deze beschrijving gaat over de mogelijkheden van het model. De via Ailoot beschikbare invoer, uitvoer en opties staan hieronder voor de geselecteerde methode.
Z.ai GLM 5.3 is een grootschalig tekstredeneermodel dat ontworpen is voor complexe software-engineering en langdurig agentwerk. De fabrikant stelt dat het hetzelfde basismodel gebruikt als GLM 5.2 en dat de nieuwe verbeteringen uit natraining komen. De release richt zich op sterker programmeren, terminalbewerkingen en bredere taken met meerdere afhankelijke stappen. Het aanvaardt tekst en produceert tekst, waaronder code, uitleg, plannen en verzoeken om toolaanroepen in een toepassing met gekoppelde tools.
De gedocumenteerde redeneermodus is altijd ingeschakeld. GLM 5.3 biedt drie inspanningsniveaus: low, high en max, met max als standaard. De maker raadt max aan voor complex programmeerwerk; low biedt een lichtere redeneeroptie voor eenvoudigere stappen. Gebruik het gekozen niveau samen met een duidelijk eindresultaat en voltooiingscriteria. Bijvoorbeeld: “Onderzoek deze bestanden en falende resultaten, achterhaal de oorzaak in de betrokken modules, stel een correctie voor die de publieke interface behoudt en leg uit welke controles aantonen dat de regressie is opgelost.”
De maker specificeert een contextvenster van 1M tokens en een maximale uitvoerlengte van 128K tokens. Orden lang materiaal rond de relatie die het model moet onderzoeken. Behoud bestandsnamen, relevante definities, bronlabels en de volgorde van waarnemingen en laat binnen de toepasselijke werkcontext ruimte voor de redenering en het eindantwoord. Een groot venster is bruikbaar voor afhankelijkheden tussen modules of een lange reeks agentwaarnemingen; het maakt een ongericht archief van losstaand materiaal niet tot een duidelijk omschreven taak.
Geef bij werk in een repository het verwachte gedrag, de relevante brontekst, afhankelijkheidsversies en werkelijke foutuitvoer mee. Vraag het model het betrokken gedrag te identificeren voordat het een patch voorstelt. Benoem bij een refactoring de interface en invarianten die intact moeten blijven. Een bruikbaar antwoord bevat de herziene code, waarom de wijziging het waargenomen probleem aanpakt en de gevallen die nodig zijn om het resultaat te controleren. Voer werkelijke resultaten terug in een werkwijze met gekoppelde tools, zodat de volgende stap op de gewijzigde toestand berust in plaats van op het eerdere voorstel.
Geef bij prestatiewerk een werklast, een uitgangsmeting en metingen zoals tijdsmetingen, profielen of allocatieregistraties mee. Z.ai beschrijft trainingstaken rond het vaststellen van knelpunten, optimalisatie, experimenten en resultaten die de correctheid behouden. Een praktisch verzoek is: “Gebruik dit profiel om het knelpunt met de grootste impact te identificeren, stel één meetbare wijziging voor en leg uit welk resultaat het behoud ervan zou rechtvaardigen.” Onderscheid een prestatiehypothese van een vastgelegde verbetering. Behoud dezelfde werklast en relevante omstandigheden wanneer u een resultaat onderzoekt.
De release ontwikkelt ook mogelijkheden voor kwetsbaarheidsanalyse. Geef voor defensieve broncodecontrole de relevante code, de bedoelde vertrouwensgrenzen en de omstandigheden waarin ze draait mee. Vraag om een bevinding die een vermoedelijk probleem verbindt met de betrokken invoer, het gedrag en een gerichte oplossing. Onderscheid een mogelijke zwakte van een gereproduceerde fout en bewaar de waarneming die gebruikt is om die te valideren. Een verslag is bruikbaarder wanneer het concreet bewijs en voorgestelde correcties voorrang geeft, in plaats van elk verdacht patroon als een bevestigde kwetsbaarheid te behandelen.
Function calling laat een omringende toepassing externe bewerkingen aan het model beschikbaar stellen. Definieer het doel, de argumenten en het verwachte resultaat van elke tool en geef vervolgens de werkelijke toolwaarneming terug voor de volgende stap. Het model kan over dat resultaat redeneren en bepalen hoe het de taak verandert. Zorg dat voorgestelde acties, uitgevoerde bewerkingen en onopgeloste controles van elkaar te onderscheiden blijven. De maker documenteert ook streamingantwoorden, die redeneer- en antwoordfragmenten afzonderlijk teruggeven; voeg het voltooide antwoord samen voordat u het als eindverslag of code-uitleg behandelt.
De lokale modelkaart geeft een specifiek detail over de geschiedenisinstelling: de chatsjabloon behoudt standaard eerdere redeneringen, terwijl de maker voor gewone chatscenario's aanbeveelt oude redeneringen expliciet te wissen. Pas de geschikte gespreksstructuur toe voor het gebruiksdoel, met behoud van de werkelijk voltooide antwoorden en toolresultaten die voor voortzetting nodig zijn. Behandel redeneerinstellingen uit GLM 5.2 of de afzonderlijke GLM 5.3 Flash-edities niet als uitwisselbaar met de instellingen low/high/max van dit model.
Specificeer voor gestructureerde resultaten de verwachte velden, typen en bronregels. Een bruikbaar resultaat kan een defectentabel, wijzigingsplan of JSON-object met een samenvatting van waarnemingen zijn. Valideer zowel de structuur als de waarden voordat een toepassing ze gebruikt. Het eindresultaat moet het antwoord of herziene resultaat, het ondersteunende bewijsmateriaal en de resterende aannames benoemen. Meer redeneerinspanning bewijst niet dat een tool is uitgevoerd, dat een voorgestelde patch de controles heeft doorstaan of dat een feitelijke bewering onderbouwing heeft buiten het aangeleverde materiaal.
POST /v1/chat/completionstexttext| Veld | Type | Vereiste | Waarden en limieten | Standaard |
|---|---|---|---|---|
Veldmodel | Typestring | VereisteVereist | Waarden en limieten glm-5.1 | 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 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— |
Tekst · UTF8-tekst
messages[].content
| Parameter | Contract |
|---|---|
Parametermaterial_types | Contracttext |
Parameterrequired | Contractmodel, messages |
Parameteroptional_controls | Contractnull |
Parametercontent_type | Contractapplication/json |
Parametertext_file_material | Contractwerkelijke UTF-8-inhoud ingevoegd als tekst; bestands-ID’s/URLs vereisen afzonderlijke exacte ondersteuning |
Levenscyclus: exact retained published method
De methodestructuren en ID’s zijn exact; de mogelijkheden van de leverancier staan los van toelating.
POST /v1/chat/completionsAiloot 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 →
Referentiestaffels op modelniveau veranderen de methodeselectie, kostenramingen of afschrijvingen niet. Voor de actieve kostenberekening gelden de tarieven van de geselecteerde Ailoot-methode.
Koppel elke kostenpost aan de getoonde voorwaarden. Gebruik één tarief voor elke groep alternatieve configuraties.
| Configuratie | Tariefstaffel | Contexttokens, meer dan | Contexttokens, tot en met | Kosten |
|---|---|---|---|---|
| ConfiguratieOpenAI Chat · Basistarieven per token | TariefstaffelBasistarief | Contexttokens, meer dan— | Contexttokens, tot en metGeen bovengrens | Kosten Invoer · Invoertokens $0.0028 / 1K tokens Uitvoer · Uitvoertokens $0.0088 / 1K tokens Invoer · Cache lezen $0.00052 / 1K tokens Invoer · Cache schrijven — / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
| ConfiguratieOpenAI Chat · Tariefniveau 1 op basis van aanvraaglengte | Tariefstaffel— | Contexttokens, meer dan0 | Contexttokens, tot en metGeen bovengrens | Kosten Invoer · Invoertokens $0.0028 / 1K tokens Uitvoer · Uitvoertokens $0.0088 / 1K tokens Invoer · Cache lezen $0.00052 / 1K tokens Invoer · Cache schrijven — / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
| ConfiguratieAnthropic Messages · Basistarieven per token | TariefstaffelBasistarief | Contexttokens, meer dan— | Contexttokens, tot en metGeen bovengrens | Kosten Invoer · Invoertokens $0.0028 / 1K tokens Uitvoer · Uitvoertokens $0.0088 / 1K tokens Invoer · Cache lezen $0.00052 / 1K tokens Invoer · Cache schrijven — / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
| ConfiguratieAnthropic Messages · Tariefniveau 1 op basis van aanvraaglengte | Tariefstaffel— | Contexttokens, meer dan0 | Contexttokens, tot en metGeen bovengrens | Kosten Invoer · Invoertokens $0.0028 / 1K tokens Uitvoer · Uitvoertokens $0.0088 / 1K tokens Invoer · Cache lezen $0.00052 / 1K tokens Invoer · Cache schrijven — / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 source-material file}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "glm-5.1", "messages": []}')\nf=Path(os.environ["AILOOT_TEXT_FILE"])\nif not f.is_file():raise SystemExit("Choose your actual UTF-8 source material")\ntext=f.read_text(encoding="utf-8")\nif not text.strip():raise SystemExit("Source material must contain text")\np["messages"]=[{"role":"user","content":"Summarize this material and quote supporting source passages.\\n\\n"+text}]\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\nprint(json.dumps(json.loads(Path("result.json").read_text()),ensure_ascii=False,indent=2))\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)\nresp = client.chat.completions.create(\n model="glm-5.1",\n messages=[{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}],\n)\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(resp.to_dict(mode="json"))\nimport OpenAI from "openai";\n\nif (!process.env.AILOOT_API_KEY?.trim()) throw new Error("Set AILOOT_API_KEY before making a request");\nconst client = new OpenAI({ baseURL: "https://api.ailoot.ai/v1", apiKey: process.env.AILOOT_API_KEY, maxRetries: 0 });\nconst resp = await client.chat.completions.create({\n model: "glm-5.1",\n messages: [{ role: "user", content: "Explain the difference between an observation and a hypothesis in three sentences." }],\n});\nimport { writeFileSync } from "node:fs";\n\nfunction saveResult(data, stem = "result") {\n writeFileSync(stem + ".json", JSON.stringify(data, null, 2));\n console.log(JSON.stringify(data, null, 2));\n const saveBlob = (encoded, suffix, label) => {\n const raw = Buffer.from(encoded, "base64");\n const ext = raw.subarray(0,8).equals(Buffer.from([137,80,78,71,13,10,26,10])) ? "png" : raw[0]===255 && raw[1]===216 ? "jpg" : raw.subarray(0,4).toString()==="RIFF" && raw.subarray(8,12).toString()==="WEBP" ? "webp" : suffix;\n const file = `${stem}-${label}.${ext}`;\n writeFileSync(file, raw); console.log("Saved", file);\n };\n for (const [i, block] of (data.content || []).entries()) console.log("Content", i, JSON.stringify(block));\n for (const choice of data.choices || []) console.log("Choice", choice.index, JSON.stringify(choice.message || choice.delta || {}));\n for (const [i, item] of (data.output || []).entries()) {\n console.log("Output", i, JSON.stringify(item));\n if (item.type === "image_generation_call" && item.result) saveBlob(item.result, item.output_format || "bin", `output-${i}`);\n }\n for (const [ci, candidate] of (data.candidates || []).entries()) {\n for (const [pi, part] of (candidate.content?.parts || []).entries()) {\n console.log("Candidate/part", ci, pi, JSON.stringify(part));\n const blob = part.inlineData || part.inline_data;\n if (blob?.data) {\n const mime = blob.mimeType || blob.mime_type;\n const suffix = ({"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"})[mime] || "bin";\n saveBlob(blob.data, suffix, `candidate-${ci}-part-${pi}`);\n }\n }\n }\n}\n\nsaveResult(resp);\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-5.1',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 glm-5.3, glm, glm-5, glm-5.1, glm-5.2, glm-latest
Ailoot Ultra glm-5.3, z-ai/glm-5.3, ~z-ai/glm-latest
/chat/completions
z-ai/glm-5.3, glm, glm-5, glm-5.1, glm-5.2, glm-latest, ~z-ai/glm-latest, glm-5.3, glm-5.3
glm-5.2Z.ai GLM 5.3 is een tekstredeneermodel voor complexe software-engineering, terminalwerk en agents die langdurige taken uitvoeren. Het ondersteunt een door de maker gedocumenteerde context van 1M tokens, maximaal 128K uitvoertokens, function calling en redeneerinspanning low/high/max, waarbij redeneren voortdurend ingeschakeld blijft.
Deze beschrijving gaat over de mogelijkheden van het model. De via Ailoot beschikbare invoer, uitvoer en opties staan hieronder voor de geselecteerde methode.
Z.ai GLM 5.3 is een grootschalig tekstredeneermodel dat ontworpen is voor complexe software-engineering en langdurig agentwerk. De fabrikant stelt dat het hetzelfde basismodel gebruikt als GLM 5.2 en dat de nieuwe verbeteringen uit natraining komen. De release richt zich op sterker programmeren, terminalbewerkingen en bredere taken met meerdere afhankelijke stappen. Het aanvaardt tekst en produceert tekst, waaronder code, uitleg, plannen en verzoeken om toolaanroepen in een toepassing met gekoppelde tools.
De gedocumenteerde redeneermodus is altijd ingeschakeld. GLM 5.3 biedt drie inspanningsniveaus: low, high en max, met max als standaard. De maker raadt max aan voor complex programmeerwerk; low biedt een lichtere redeneeroptie voor eenvoudigere stappen. Gebruik het gekozen niveau samen met een duidelijk eindresultaat en voltooiingscriteria. Bijvoorbeeld: “Onderzoek deze bestanden en falende resultaten, achterhaal de oorzaak in de betrokken modules, stel een correctie voor die de publieke interface behoudt en leg uit welke controles aantonen dat de regressie is opgelost.”
De maker specificeert een contextvenster van 1M tokens en een maximale uitvoerlengte van 128K tokens. Orden lang materiaal rond de relatie die het model moet onderzoeken. Behoud bestandsnamen, relevante definities, bronlabels en de volgorde van waarnemingen en laat binnen de toepasselijke werkcontext ruimte voor de redenering en het eindantwoord. Een groot venster is bruikbaar voor afhankelijkheden tussen modules of een lange reeks agentwaarnemingen; het maakt een ongericht archief van losstaand materiaal niet tot een duidelijk omschreven taak.
Geef bij werk in een repository het verwachte gedrag, de relevante brontekst, afhankelijkheidsversies en werkelijke foutuitvoer mee. Vraag het model het betrokken gedrag te identificeren voordat het een patch voorstelt. Benoem bij een refactoring de interface en invarianten die intact moeten blijven. Een bruikbaar antwoord bevat de herziene code, waarom de wijziging het waargenomen probleem aanpakt en de gevallen die nodig zijn om het resultaat te controleren. Voer werkelijke resultaten terug in een werkwijze met gekoppelde tools, zodat de volgende stap op de gewijzigde toestand berust in plaats van op het eerdere voorstel.
Geef bij prestatiewerk een werklast, een uitgangsmeting en metingen zoals tijdsmetingen, profielen of allocatieregistraties mee. Z.ai beschrijft trainingstaken rond het vaststellen van knelpunten, optimalisatie, experimenten en resultaten die de correctheid behouden. Een praktisch verzoek is: “Gebruik dit profiel om het knelpunt met de grootste impact te identificeren, stel één meetbare wijziging voor en leg uit welk resultaat het behoud ervan zou rechtvaardigen.” Onderscheid een prestatiehypothese van een vastgelegde verbetering. Behoud dezelfde werklast en relevante omstandigheden wanneer u een resultaat onderzoekt.
De release ontwikkelt ook mogelijkheden voor kwetsbaarheidsanalyse. Geef voor defensieve broncodecontrole de relevante code, de bedoelde vertrouwensgrenzen en de omstandigheden waarin ze draait mee. Vraag om een bevinding die een vermoedelijk probleem verbindt met de betrokken invoer, het gedrag en een gerichte oplossing. Onderscheid een mogelijke zwakte van een gereproduceerde fout en bewaar de waarneming die gebruikt is om die te valideren. Een verslag is bruikbaarder wanneer het concreet bewijs en voorgestelde correcties voorrang geeft, in plaats van elk verdacht patroon als een bevestigde kwetsbaarheid te behandelen.
Function calling laat een omringende toepassing externe bewerkingen aan het model beschikbaar stellen. Definieer het doel, de argumenten en het verwachte resultaat van elke tool en geef vervolgens de werkelijke toolwaarneming terug voor de volgende stap. Het model kan over dat resultaat redeneren en bepalen hoe het de taak verandert. Zorg dat voorgestelde acties, uitgevoerde bewerkingen en onopgeloste controles van elkaar te onderscheiden blijven. De maker documenteert ook streamingantwoorden, die redeneer- en antwoordfragmenten afzonderlijk teruggeven; voeg het voltooide antwoord samen voordat u het als eindverslag of code-uitleg behandelt.
De lokale modelkaart geeft een specifiek detail over de geschiedenisinstelling: de chatsjabloon behoudt standaard eerdere redeneringen, terwijl de maker voor gewone chatscenario's aanbeveelt oude redeneringen expliciet te wissen. Pas de geschikte gespreksstructuur toe voor het gebruiksdoel, met behoud van de werkelijk voltooide antwoorden en toolresultaten die voor voortzetting nodig zijn. Behandel redeneerinstellingen uit GLM 5.2 of de afzonderlijke GLM 5.3 Flash-edities niet als uitwisselbaar met de instellingen low/high/max van dit model.
Specificeer voor gestructureerde resultaten de verwachte velden, typen en bronregels. Een bruikbaar resultaat kan een defectentabel, wijzigingsplan of JSON-object met een samenvatting van waarnemingen zijn. Valideer zowel de structuur als de waarden voordat een toepassing ze gebruikt. Het eindresultaat moet het antwoord of herziene resultaat, het ondersteunende bewijsmateriaal en de resterende aannames benoemen. Meer redeneerinspanning bewijst niet dat een tool is uitgevoerd, dat een voorgestelde patch de controles heeft doorstaan of dat een feitelijke bewering onderbouwing heeft buiten het aangeleverde materiaal.
POST /v1/messagestexttext| Veld | Type | Vereiste | Waarden en limieten | Standaard |
|---|---|---|---|---|
Veldmodel | Typestring | VereisteVereist | Waarden en limieten glm-5.2 | Standaard— |
Veldmessages | Typemessage[] | VereisteVereist | Waarden en limieten Minimumaantal items: 1 | Standaard— |
Veldmessages[].role | Typestring | VereisteVereist | Waarden en limieten user, assistant | Standaard— |
Veldmessages[].content | Typestring|content_block[] | VereisteVereist | Waarden en limieten | Standaard— |
Veldsystem | Typestring|content_block[] | VereisteOptioneel | Waarden en limieten | Standaard— |
Veldmax_tokens | Typeinteger | VereisteVereist | Waarden en limieten Minimum: 1 Limiet geldt voor: exacte bovengrens van het gekozen model/de gekozen modelkaart | Standaard— |
Veldstream | Typeboolean | VereisteOptioneel | Waarden en limieten | Standaardfalse |
Veldtemperature | Typenumber | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldtop_p | Typenumber | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldstop_sequences | Typestring[] | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldtools | Typetool[] | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldtools[].name | Typestring | VereisteOptioneel | Waarden en limieten Geldt wanneer: tool opgegeven | Standaard— |
Veldtools[].description | Typestring | VereisteOptioneel | Waarden en limieten | Standaard— |
Veldtools[].input_schema | TypeJSON_schema | VereisteOptioneel | Waarden en limieten | Standaard— |
Veldtool_choice | Typeobject | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldthinking.type | Typestring | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldthinking.budget_tokens | Typeinteger | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldoutput_config.effort | Typestring | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldmetadata | Typeobject | VereisteOptioneel | Waarden en limieten | Standaard— |
Veldcache_control | Typeobject | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Tekst · UTF8-tekst
messages[].content of een blok met type=text
| Parameter | Contract |
|---|---|
Parametermaterial_types | Contracttext |
Parameterrequired | Contractmodel, messages, max_tokens |
Parameteroptional_controls | Contractnull |
Parametercontent_type | Contractapplication/json |
Parametertext_file_material | Contractwerkelijke UTF-8-inhoud ingevoegd als tekst; bestands-ID’s/URLs vereisen afzonderlijke exacte ondersteuning |
Levenscyclus: exact retained published method
De methodestructuren en ID’s zijn exact; de mogelijkheden van de leverancier staan los van toelating.
POST /v1/messagesAiloot 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 →
Referentiestaffels op modelniveau veranderen de methodeselectie, kostenramingen of afschrijvingen niet. Voor de actieve kostenberekening gelden de tarieven van de geselecteerde Ailoot-methode.
Koppel elke kostenpost aan de getoonde voorwaarden. Gebruik één tarief voor elke groep alternatieve configuraties.
| Configuratie | Tariefstaffel | Contexttokens, meer dan | Contexttokens, tot en met | Kosten |
|---|---|---|---|---|
| ConfiguratieOpenAI Chat · Basistarieven per token | TariefstaffelBasistarief | Contexttokens, meer dan— | Contexttokens, tot en metGeen bovengrens | Kosten Invoer · Invoertokens $0.0028 / 1K tokens Uitvoer · Uitvoertokens $0.0088 / 1K tokens Invoer · Cache lezen $0.00052 / 1K tokens Invoer · Cache schrijven — / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
| ConfiguratieOpenAI Chat · Tariefniveau 1 op basis van aanvraaglengte | Tariefstaffel— | Contexttokens, meer dan0 | Contexttokens, tot en metGeen bovengrens | Kosten Invoer · Invoertokens $0.0028 / 1K tokens Uitvoer · Uitvoertokens $0.0088 / 1K tokens Invoer · Cache lezen $0.00052 / 1K tokens Invoer · Cache schrijven — / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
| ConfiguratieAnthropic Messages · Basistarieven per token | TariefstaffelBasistarief | Contexttokens, meer dan— | Contexttokens, tot en metGeen bovengrens | Kosten Invoer · Invoertokens $0.0028 / 1K tokens Uitvoer · Uitvoertokens $0.0088 / 1K tokens Invoer · Cache lezen $0.00052 / 1K tokens Invoer · Cache schrijven — / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
| ConfiguratieAnthropic Messages · Tariefniveau 1 op basis van aanvraaglengte | Tariefstaffel— | Contexttokens, meer dan0 | Contexttokens, tot en metGeen bovengrens | Kosten Invoer · Invoertokens $0.0028 / 1K tokens Uitvoer · Uitvoertokens $0.0088 / 1K tokens Invoer · Cache lezen $0.00052 / 1K tokens Invoer · Cache schrijven — / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 source-material file}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "glm-5.2", "max_tokens": 1024, "messages": []}')\nf=Path(os.environ["AILOOT_TEXT_FILE"])\nif not f.is_file():raise SystemExit("Choose your actual UTF-8 source material")\ntext=f.read_text(encoding="utf-8")\nif not text.strip():raise SystemExit("Source material must contain text")\np["messages"]=[{"role":"user","content":"Summarize this material and quote supporting source passages.\\n\\n"+text}]\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/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\nprint(json.dumps(json.loads(Path("result.json").read_text()),ensure_ascii=False,indent=2))\nPY_RESULT\nimport anthropic\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient = anthropic.Anthropic(base_url="https://api.ailoot.ai", api_key=os.environ["AILOOT_API_KEY"], max_retries=0)\nmsg = client.messages.create(\n model="glm-5.2",\n max_tokens=1024,\n messages=[{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}],\n)\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(msg.to_dict(mode="json"))\nimport Anthropic from "@anthropic-ai/sdk";\n\nif (!process.env.AILOOT_API_KEY?.trim()) throw new Error("Set AILOOT_API_KEY before making a request");\nconst client = new Anthropic({ baseURL: "https://api.ailoot.ai", apiKey: process.env.AILOOT_API_KEY, maxRetries: 0 });\nconst msg = await client.messages.create({\n model: "glm-5.2",\n max_tokens: 1024,\n messages: [{ role: "user", content: "Explain the difference between an observation and a hypothesis in three sentences." }],\n});\nimport { writeFileSync } from "node:fs";\n\nfunction saveResult(data, stem = "result") {\n writeFileSync(stem + ".json", JSON.stringify(data, null, 2));\n console.log(JSON.stringify(data, null, 2));\n const saveBlob = (encoded, suffix, label) => {\n const raw = Buffer.from(encoded, "base64");\n const ext = raw.subarray(0,8).equals(Buffer.from([137,80,78,71,13,10,26,10])) ? "png" : raw[0]===255 && raw[1]===216 ? "jpg" : raw.subarray(0,4).toString()==="RIFF" && raw.subarray(8,12).toString()==="WEBP" ? "webp" : suffix;\n const file = `${stem}-${label}.${ext}`;\n writeFileSync(file, raw); console.log("Saved", file);\n };\n for (const [i, block] of (data.content || []).entries()) console.log("Content", i, JSON.stringify(block));\n for (const choice of data.choices || []) console.log("Choice", choice.index, JSON.stringify(choice.message || choice.delta || {}));\n for (const [i, item] of (data.output || []).entries()) {\n console.log("Output", i, JSON.stringify(item));\n if (item.type === "image_generation_call" && item.result) saveBlob(item.result, item.output_format || "bin", `output-${i}`);\n }\n for (const [ci, candidate] of (data.candidates || []).entries()) {\n for (const [pi, part] of (candidate.content?.parts || []).entries()) {\n console.log("Candidate/part", ci, pi, JSON.stringify(part));\n const blob = part.inlineData || part.inline_data;\n if (blob?.data) {\n const mime = blob.mimeType || blob.mime_type;\n const suffix = ({"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"})[mime] || "bin";\n saveBlob(blob.data, suffix, `candidate-${ci}-part-${pi}`);\n }\n }\n }\n}\n\nsaveResult(msg);\nimport anthropic,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=anthropic.Anthropic(base_url="https://api.ailoot.ai",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.messages.stream(model='glm-5.2',max_tokens=1024,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_message()\n save_result(final.to_dict(mode="json"),"stream-result")\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 glm-5.3, glm, glm-5, glm-5.1, glm-5.2, glm-latest
Ailoot Ultra glm-5.3, z-ai/glm-5.3, ~z-ai/glm-latest
/chat/completions
z-ai/glm-5.3, glm, glm-5, glm-5.1, glm-5.2, glm-latest, ~z-ai/glm-latest, glm-5.3, glm-5.3
glm-5.2Z.ai GLM 5.3 is een tekstredeneermodel voor complexe software-engineering, terminalwerk en agents die langdurige taken uitvoeren. Het ondersteunt een door de maker gedocumenteerde context van 1M tokens, maximaal 128K uitvoertokens, function calling en redeneerinspanning low/high/max, waarbij redeneren voortdurend ingeschakeld blijft.
Deze beschrijving gaat over de mogelijkheden van het model. De via Ailoot beschikbare invoer, uitvoer en opties staan hieronder voor de geselecteerde methode.
Z.ai GLM 5.3 is een grootschalig tekstredeneermodel dat ontworpen is voor complexe software-engineering en langdurig agentwerk. De fabrikant stelt dat het hetzelfde basismodel gebruikt als GLM 5.2 en dat de nieuwe verbeteringen uit natraining komen. De release richt zich op sterker programmeren, terminalbewerkingen en bredere taken met meerdere afhankelijke stappen. Het aanvaardt tekst en produceert tekst, waaronder code, uitleg, plannen en verzoeken om toolaanroepen in een toepassing met gekoppelde tools.
De gedocumenteerde redeneermodus is altijd ingeschakeld. GLM 5.3 biedt drie inspanningsniveaus: low, high en max, met max als standaard. De maker raadt max aan voor complex programmeerwerk; low biedt een lichtere redeneeroptie voor eenvoudigere stappen. Gebruik het gekozen niveau samen met een duidelijk eindresultaat en voltooiingscriteria. Bijvoorbeeld: “Onderzoek deze bestanden en falende resultaten, achterhaal de oorzaak in de betrokken modules, stel een correctie voor die de publieke interface behoudt en leg uit welke controles aantonen dat de regressie is opgelost.”
De maker specificeert een contextvenster van 1M tokens en een maximale uitvoerlengte van 128K tokens. Orden lang materiaal rond de relatie die het model moet onderzoeken. Behoud bestandsnamen, relevante definities, bronlabels en de volgorde van waarnemingen en laat binnen de toepasselijke werkcontext ruimte voor de redenering en het eindantwoord. Een groot venster is bruikbaar voor afhankelijkheden tussen modules of een lange reeks agentwaarnemingen; het maakt een ongericht archief van losstaand materiaal niet tot een duidelijk omschreven taak.
Geef bij werk in een repository het verwachte gedrag, de relevante brontekst, afhankelijkheidsversies en werkelijke foutuitvoer mee. Vraag het model het betrokken gedrag te identificeren voordat het een patch voorstelt. Benoem bij een refactoring de interface en invarianten die intact moeten blijven. Een bruikbaar antwoord bevat de herziene code, waarom de wijziging het waargenomen probleem aanpakt en de gevallen die nodig zijn om het resultaat te controleren. Voer werkelijke resultaten terug in een werkwijze met gekoppelde tools, zodat de volgende stap op de gewijzigde toestand berust in plaats van op het eerdere voorstel.
Geef bij prestatiewerk een werklast, een uitgangsmeting en metingen zoals tijdsmetingen, profielen of allocatieregistraties mee. Z.ai beschrijft trainingstaken rond het vaststellen van knelpunten, optimalisatie, experimenten en resultaten die de correctheid behouden. Een praktisch verzoek is: “Gebruik dit profiel om het knelpunt met de grootste impact te identificeren, stel één meetbare wijziging voor en leg uit welk resultaat het behoud ervan zou rechtvaardigen.” Onderscheid een prestatiehypothese van een vastgelegde verbetering. Behoud dezelfde werklast en relevante omstandigheden wanneer u een resultaat onderzoekt.
De release ontwikkelt ook mogelijkheden voor kwetsbaarheidsanalyse. Geef voor defensieve broncodecontrole de relevante code, de bedoelde vertrouwensgrenzen en de omstandigheden waarin ze draait mee. Vraag om een bevinding die een vermoedelijk probleem verbindt met de betrokken invoer, het gedrag en een gerichte oplossing. Onderscheid een mogelijke zwakte van een gereproduceerde fout en bewaar de waarneming die gebruikt is om die te valideren. Een verslag is bruikbaarder wanneer het concreet bewijs en voorgestelde correcties voorrang geeft, in plaats van elk verdacht patroon als een bevestigde kwetsbaarheid te behandelen.
Function calling laat een omringende toepassing externe bewerkingen aan het model beschikbaar stellen. Definieer het doel, de argumenten en het verwachte resultaat van elke tool en geef vervolgens de werkelijke toolwaarneming terug voor de volgende stap. Het model kan over dat resultaat redeneren en bepalen hoe het de taak verandert. Zorg dat voorgestelde acties, uitgevoerde bewerkingen en onopgeloste controles van elkaar te onderscheiden blijven. De maker documenteert ook streamingantwoorden, die redeneer- en antwoordfragmenten afzonderlijk teruggeven; voeg het voltooide antwoord samen voordat u het als eindverslag of code-uitleg behandelt.
De lokale modelkaart geeft een specifiek detail over de geschiedenisinstelling: de chatsjabloon behoudt standaard eerdere redeneringen, terwijl de maker voor gewone chatscenario's aanbeveelt oude redeneringen expliciet te wissen. Pas de geschikte gespreksstructuur toe voor het gebruiksdoel, met behoud van de werkelijk voltooide antwoorden en toolresultaten die voor voortzetting nodig zijn. Behandel redeneerinstellingen uit GLM 5.2 of de afzonderlijke GLM 5.3 Flash-edities niet als uitwisselbaar met de instellingen low/high/max van dit model.
Specificeer voor gestructureerde resultaten de verwachte velden, typen en bronregels. Een bruikbaar resultaat kan een defectentabel, wijzigingsplan of JSON-object met een samenvatting van waarnemingen zijn. Valideer zowel de structuur als de waarden voordat een toepassing ze gebruikt. Het eindresultaat moet het antwoord of herziene resultaat, het ondersteunende bewijsmateriaal en de resterende aannames benoemen. Meer redeneerinspanning bewijst niet dat een tool is uitgevoerd, dat een voorgestelde patch de controles heeft doorstaan of dat een feitelijke bewering onderbouwing heeft buiten het aangeleverde materiaal.
POST /v1/responsestexttext| Veld | Type | Vereiste | Waarden en limieten | Standaard |
|---|---|---|---|---|
Veldmodel | Typestring | VereisteVereist | Waarden en limieten glm-5.2 | Standaard— |
Veldinput | Typestring|input_item[] | VereisteVereist | Waarden en limieten | Standaard— |
Veldinstructions | Typestring | VereisteOptioneel | Waarden en limieten | Standaard— |
Veldinput[].type | Typestring | VereisteOptioneel | Waarden en limieten message, reasoning, function_call, function_call_output | Standaard— |
Veldinput[].content | Typestring|content_part[] | VereisteOptioneel | Waarden en limieten | Standaard— |
Veldinput[].call_id | Typestring | VereisteOptioneel | Waarden en limieten Geldt wanneer: function_call_output; bewaar de werkelijk teruggegeven call_id | Standaard— |
Veldinput[].output | Typestring|content_part[] | VereisteOptioneel | Waarden en limieten Geldt wanneer: function_call_output | Standaard— |
Veldmax_output_tokens | Typeinteger | VereisteOptioneel | Waarden en limieten Minimum: 1 Afhankelijk van het model | Standaard— |
Veldstream | Typeboolean | VereisteOptioneel | Waarden en limieten | Standaardfalse |
Veldtemperature | Typenumber | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldtop_p | Typenumber | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldtools | Typetool[] | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | 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— |
Veldreasoning.effort | Typestring | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldreasoning.summary | Typestring | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldtext.format | Typeobject | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldtext.verbosity | Typestring | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldinclude | Typestring[] | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldstore | Typeboolean | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldprevious_response_id | Typestring | VereisteOptioneel | Waarden en limieten ID-vereiste: Alleen een werkelijk antwoord-ID van een ondersteunde voortzetting Afhankelijk van het model | Standaard— |
Veldservice_tier | Typestring | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldprompt_cache_key | Typestring | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldprompt_cache_options | Typeobject | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Tekst · UTF8-tekst
invoertekst of een input_text-onderdeel
| Parameter | Contract |
|---|---|
Parametermaterial_types | Contracttext |
Parameterrequired | Contractmodel, input |
Parameteroptional_controls | Contractnull |
Parametercontent_type | Contractapplication/json |
Parametertext_file_material | Contractwerkelijke UTF-8-inhoud ingevoegd als tekst; bestands-ID’s/URLs vereisen afzonderlijke exacte ondersteuning |
Levenscyclus: exact retained published method
De methodestructuren en ID’s zijn exact; de mogelijkheden van de leverancier staan los van toelating.
POST /v1/responsesAiloot 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 →
Referentiestaffels op modelniveau veranderen de methodeselectie, kostenramingen of afschrijvingen niet. Voor de actieve kostenberekening gelden de tarieven van de geselecteerde Ailoot-methode.
Koppel elke kostenpost aan de getoonde voorwaarden. Gebruik één tarief voor elke groep alternatieve configuraties.
| Configuratie | Tariefstaffel | Contexttokens, meer dan | Contexttokens, tot en met | Kosten |
|---|---|---|---|---|
| ConfiguratieOpenAI Chat · Basistarieven per token | TariefstaffelBasistarief | Contexttokens, meer dan— | Contexttokens, tot en metGeen bovengrens | Kosten Invoer · Invoertokens $0.0028 / 1K tokens Uitvoer · Uitvoertokens $0.0088 / 1K tokens Invoer · Cache lezen $0.00052 / 1K tokens Invoer · Cache schrijven — / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
| ConfiguratieOpenAI Chat · Tariefniveau 1 op basis van aanvraaglengte | Tariefstaffel— | Contexttokens, meer dan0 | Contexttokens, tot en metGeen bovengrens | Kosten Invoer · Invoertokens $0.0028 / 1K tokens Uitvoer · Uitvoertokens $0.0088 / 1K tokens Invoer · Cache lezen $0.00052 / 1K tokens Invoer · Cache schrijven — / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
| ConfiguratieAnthropic Messages · Basistarieven per token | TariefstaffelBasistarief | Contexttokens, meer dan— | Contexttokens, tot en metGeen bovengrens | Kosten Invoer · Invoertokens $0.0028 / 1K tokens Uitvoer · Uitvoertokens $0.0088 / 1K tokens Invoer · Cache lezen $0.00052 / 1K tokens Invoer · Cache schrijven — / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
| ConfiguratieAnthropic Messages · Tariefniveau 1 op basis van aanvraaglengte | Tariefstaffel— | Contexttokens, meer dan0 | Contexttokens, tot en metGeen bovengrens | Kosten Invoer · Invoertokens $0.0028 / 1K tokens Uitvoer · Uitvoertokens $0.0088 / 1K tokens Invoer · Cache lezen $0.00052 / 1K tokens Invoer · Cache schrijven — / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 source-material file}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "glm-5.2", "input": ""}')\nf=Path(os.environ["AILOOT_TEXT_FILE"])\nif not f.is_file():raise SystemExit("Choose your actual UTF-8 source material")\ntext=f.read_text(encoding="utf-8")\nif not text.strip():raise SystemExit("Source material must contain text")\np["input"]="Summarize this material and quote supporting source passages.\\n\\n"+text\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/responses \\\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 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(json.loads(Path("result.json").read_text(encoding="utf-8")))\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)\nresp = client.responses.create(model="glm-5.2", input="Explain the difference between an observation and a hypothesis 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(resp.to_dict(mode="json"))\nimport OpenAI from "openai";\n\nif (!process.env.AILOOT_API_KEY?.trim()) throw new Error("Set AILOOT_API_KEY before making a request");\nconst client = new OpenAI({ baseURL: "https://api.ailoot.ai/v1", apiKey: process.env.AILOOT_API_KEY, maxRetries: 0 });\nconst resp = await client.responses.create({ model: "glm-5.2", input: "Explain the difference between an observation and a hypothesis in three sentences." });\nimport { writeFileSync } from "node:fs";\n\nfunction saveResult(data, stem = "result") {\n writeFileSync(stem + ".json", JSON.stringify(data, null, 2));\n console.log(JSON.stringify(data, null, 2));\n const saveBlob = (encoded, suffix, label) => {\n const raw = Buffer.from(encoded, "base64");\n const ext = raw.subarray(0,8).equals(Buffer.from([137,80,78,71,13,10,26,10])) ? "png" : raw[0]===255 && raw[1]===216 ? "jpg" : raw.subarray(0,4).toString()==="RIFF" && raw.subarray(8,12).toString()==="WEBP" ? "webp" : suffix;\n const file = `${stem}-${label}.${ext}`;\n writeFileSync(file, raw); console.log("Saved", file);\n };\n for (const [i, block] of (data.content || []).entries()) console.log("Content", i, JSON.stringify(block));\n for (const choice of data.choices || []) console.log("Choice", choice.index, JSON.stringify(choice.message || choice.delta || {}));\n for (const [i, item] of (data.output || []).entries()) {\n console.log("Output", i, JSON.stringify(item));\n if (item.type === "image_generation_call" && item.result) saveBlob(item.result, item.output_format || "bin", `output-${i}`);\n }\n for (const [ci, candidate] of (data.candidates || []).entries()) {\n for (const [pi, part] of (candidate.content?.parts || []).entries()) {\n console.log("Candidate/part", ci, pi, JSON.stringify(part));\n const blob = part.inlineData || part.inline_data;\n if (blob?.data) {\n const mime = blob.mimeType || blob.mime_type;\n const suffix = ({"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"})[mime] || "bin";\n saveBlob(blob.data, suffix, `candidate-${ci}-part-${pi}`);\n }\n }\n }\n}\n\nsaveResult(resp);\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\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\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)\nwith client.responses.stream(model="glm-5.2", input="Explain the difference between an observation and a hypothesis 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_response()\n save_result(final.to_dict(mode="json"),"stream-result")\njson of SSE
Bewaar elk volledig teruggegeven antwoord, bestand en inhoudsonderdeel.
Bewaar elk uitvoeritem en inhoudsonderdeel, de werkelijke call_id van functies, versleutelde redeneringen en verbruiksgegevens. Behoud bij streaming de volledige identiteit van gebeurtenissen en items.
Bewaar aanvraag-/antwoord-ID’s en headers. Er wordt geen algemene URL meegeleverd om teksttaken op te halen.
| Veld | Type |
|---|---|
Veldid | Typestring |
Veldstatus | Typestring |
Veldoutput[] | Typemessage|reasoning|function_call|other item |
Veldoutput[].content[] | Typecontent part |
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 glm-5.3, glm, glm-5, glm-5.1, glm-5.2, glm-latest
Ailoot Ultra glm-5.3, z-ai/glm-5.3, ~z-ai/glm-latest
/chat/completions
z-ai/glm-5.3, glm, glm-5, glm-5.1, glm-5.2, glm-latest, ~z-ai/glm-latest, glm-5.3, glm-5.3
glm-5.2Z.ai GLM 5.3 is een tekstredeneermodel voor complexe software-engineering, terminalwerk en agents die langdurige taken uitvoeren. Het ondersteunt een door de maker gedocumenteerde context van 1M tokens, maximaal 128K uitvoertokens, function calling en redeneerinspanning low/high/max, waarbij redeneren voortdurend ingeschakeld blijft.
Deze beschrijving gaat over de mogelijkheden van het model. De via Ailoot beschikbare invoer, uitvoer en opties staan hieronder voor de geselecteerde methode.
Z.ai GLM 5.3 is een grootschalig tekstredeneermodel dat ontworpen is voor complexe software-engineering en langdurig agentwerk. De fabrikant stelt dat het hetzelfde basismodel gebruikt als GLM 5.2 en dat de nieuwe verbeteringen uit natraining komen. De release richt zich op sterker programmeren, terminalbewerkingen en bredere taken met meerdere afhankelijke stappen. Het aanvaardt tekst en produceert tekst, waaronder code, uitleg, plannen en verzoeken om toolaanroepen in een toepassing met gekoppelde tools.
De gedocumenteerde redeneermodus is altijd ingeschakeld. GLM 5.3 biedt drie inspanningsniveaus: low, high en max, met max als standaard. De maker raadt max aan voor complex programmeerwerk; low biedt een lichtere redeneeroptie voor eenvoudigere stappen. Gebruik het gekozen niveau samen met een duidelijk eindresultaat en voltooiingscriteria. Bijvoorbeeld: “Onderzoek deze bestanden en falende resultaten, achterhaal de oorzaak in de betrokken modules, stel een correctie voor die de publieke interface behoudt en leg uit welke controles aantonen dat de regressie is opgelost.”
De maker specificeert een contextvenster van 1M tokens en een maximale uitvoerlengte van 128K tokens. Orden lang materiaal rond de relatie die het model moet onderzoeken. Behoud bestandsnamen, relevante definities, bronlabels en de volgorde van waarnemingen en laat binnen de toepasselijke werkcontext ruimte voor de redenering en het eindantwoord. Een groot venster is bruikbaar voor afhankelijkheden tussen modules of een lange reeks agentwaarnemingen; het maakt een ongericht archief van losstaand materiaal niet tot een duidelijk omschreven taak.
Geef bij werk in een repository het verwachte gedrag, de relevante brontekst, afhankelijkheidsversies en werkelijke foutuitvoer mee. Vraag het model het betrokken gedrag te identificeren voordat het een patch voorstelt. Benoem bij een refactoring de interface en invarianten die intact moeten blijven. Een bruikbaar antwoord bevat de herziene code, waarom de wijziging het waargenomen probleem aanpakt en de gevallen die nodig zijn om het resultaat te controleren. Voer werkelijke resultaten terug in een werkwijze met gekoppelde tools, zodat de volgende stap op de gewijzigde toestand berust in plaats van op het eerdere voorstel.
Geef bij prestatiewerk een werklast, een uitgangsmeting en metingen zoals tijdsmetingen, profielen of allocatieregistraties mee. Z.ai beschrijft trainingstaken rond het vaststellen van knelpunten, optimalisatie, experimenten en resultaten die de correctheid behouden. Een praktisch verzoek is: “Gebruik dit profiel om het knelpunt met de grootste impact te identificeren, stel één meetbare wijziging voor en leg uit welk resultaat het behoud ervan zou rechtvaardigen.” Onderscheid een prestatiehypothese van een vastgelegde verbetering. Behoud dezelfde werklast en relevante omstandigheden wanneer u een resultaat onderzoekt.
De release ontwikkelt ook mogelijkheden voor kwetsbaarheidsanalyse. Geef voor defensieve broncodecontrole de relevante code, de bedoelde vertrouwensgrenzen en de omstandigheden waarin ze draait mee. Vraag om een bevinding die een vermoedelijk probleem verbindt met de betrokken invoer, het gedrag en een gerichte oplossing. Onderscheid een mogelijke zwakte van een gereproduceerde fout en bewaar de waarneming die gebruikt is om die te valideren. Een verslag is bruikbaarder wanneer het concreet bewijs en voorgestelde correcties voorrang geeft, in plaats van elk verdacht patroon als een bevestigde kwetsbaarheid te behandelen.
Function calling laat een omringende toepassing externe bewerkingen aan het model beschikbaar stellen. Definieer het doel, de argumenten en het verwachte resultaat van elke tool en geef vervolgens de werkelijke toolwaarneming terug voor de volgende stap. Het model kan over dat resultaat redeneren en bepalen hoe het de taak verandert. Zorg dat voorgestelde acties, uitgevoerde bewerkingen en onopgeloste controles van elkaar te onderscheiden blijven. De maker documenteert ook streamingantwoorden, die redeneer- en antwoordfragmenten afzonderlijk teruggeven; voeg het voltooide antwoord samen voordat u het als eindverslag of code-uitleg behandelt.
De lokale modelkaart geeft een specifiek detail over de geschiedenisinstelling: de chatsjabloon behoudt standaard eerdere redeneringen, terwijl de maker voor gewone chatscenario's aanbeveelt oude redeneringen expliciet te wissen. Pas de geschikte gespreksstructuur toe voor het gebruiksdoel, met behoud van de werkelijk voltooide antwoorden en toolresultaten die voor voortzetting nodig zijn. Behandel redeneerinstellingen uit GLM 5.2 of de afzonderlijke GLM 5.3 Flash-edities niet als uitwisselbaar met de instellingen low/high/max van dit model.
Specificeer voor gestructureerde resultaten de verwachte velden, typen en bronregels. Een bruikbaar resultaat kan een defectentabel, wijzigingsplan of JSON-object met een samenvatting van waarnemingen zijn. Valideer zowel de structuur als de waarden voordat een toepassing ze gebruikt. Het eindresultaat moet het antwoord of herziene resultaat, het ondersteunende bewijsmateriaal en de resterende aannames benoemen. Meer redeneerinspanning bewijst niet dat een tool is uitgevoerd, dat een voorgestelde patch de controles heeft doorstaan of dat een feitelijke bewering onderbouwing heeft buiten het aangeleverde materiaal.
POST /v1/chat/completionstexttext| Veld | Type | Vereiste | Waarden en limieten | Standaard |
|---|---|---|---|---|
Veldmodel | Typestring | VereisteVereist | Waarden en limieten glm-5.2 | 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 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— |
Tekst · UTF8-tekst
messages[].content
| Parameter | Contract |
|---|---|
Parametermaterial_types | Contracttext |
Parameterrequired | Contractmodel, messages |
Parameteroptional_controls | Contractnull |
Parametercontent_type | Contractapplication/json |
Parametertext_file_material | Contractwerkelijke UTF-8-inhoud ingevoegd als tekst; bestands-ID’s/URLs vereisen afzonderlijke exacte ondersteuning |
Levenscyclus: exact retained published method
De methodestructuren en ID’s zijn exact; de mogelijkheden van de leverancier staan los van toelating.
POST /v1/chat/completionsAiloot 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 →
Referentiestaffels op modelniveau veranderen de methodeselectie, kostenramingen of afschrijvingen niet. Voor de actieve kostenberekening gelden de tarieven van de geselecteerde Ailoot-methode.
Koppel elke kostenpost aan de getoonde voorwaarden. Gebruik één tarief voor elke groep alternatieve configuraties.
| Configuratie | Tariefstaffel | Contexttokens, meer dan | Contexttokens, tot en met | Kosten |
|---|---|---|---|---|
| ConfiguratieOpenAI Chat · Basistarieven per token | TariefstaffelBasistarief | Contexttokens, meer dan— | Contexttokens, tot en metGeen bovengrens | Kosten Invoer · Invoertokens $0.0028 / 1K tokens Uitvoer · Uitvoertokens $0.0088 / 1K tokens Invoer · Cache lezen $0.00052 / 1K tokens Invoer · Cache schrijven — / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
| ConfiguratieOpenAI Chat · Tariefniveau 1 op basis van aanvraaglengte | Tariefstaffel— | Contexttokens, meer dan0 | Contexttokens, tot en metGeen bovengrens | Kosten Invoer · Invoertokens $0.0028 / 1K tokens Uitvoer · Uitvoertokens $0.0088 / 1K tokens Invoer · Cache lezen $0.00052 / 1K tokens Invoer · Cache schrijven — / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
| ConfiguratieAnthropic Messages · Basistarieven per token | TariefstaffelBasistarief | Contexttokens, meer dan— | Contexttokens, tot en metGeen bovengrens | Kosten Invoer · Invoertokens $0.0028 / 1K tokens Uitvoer · Uitvoertokens $0.0088 / 1K tokens Invoer · Cache lezen $0.00052 / 1K tokens Invoer · Cache schrijven — / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
| ConfiguratieAnthropic Messages · Tariefniveau 1 op basis van aanvraaglengte | Tariefstaffel— | Contexttokens, meer dan0 | Contexttokens, tot en metGeen bovengrens | Kosten Invoer · Invoertokens $0.0028 / 1K tokens Uitvoer · Uitvoertokens $0.0088 / 1K tokens Invoer · Cache lezen $0.00052 / 1K tokens Invoer · Cache schrijven — / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 source-material file}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "glm-5.2", "messages": []}')\nf=Path(os.environ["AILOOT_TEXT_FILE"])\nif not f.is_file():raise SystemExit("Choose your actual UTF-8 source material")\ntext=f.read_text(encoding="utf-8")\nif not text.strip():raise SystemExit("Source material must contain text")\np["messages"]=[{"role":"user","content":"Summarize this material and quote supporting source passages.\\n\\n"+text}]\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\nprint(json.dumps(json.loads(Path("result.json").read_text()),ensure_ascii=False,indent=2))\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)\nresp = client.chat.completions.create(\n model="glm-5.2",\n messages=[{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}],\n)\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(resp.to_dict(mode="json"))\nimport OpenAI from "openai";\n\nif (!process.env.AILOOT_API_KEY?.trim()) throw new Error("Set AILOOT_API_KEY before making a request");\nconst client = new OpenAI({ baseURL: "https://api.ailoot.ai/v1", apiKey: process.env.AILOOT_API_KEY, maxRetries: 0 });\nconst resp = await client.chat.completions.create({\n model: "glm-5.2",\n messages: [{ role: "user", content: "Explain the difference between an observation and a hypothesis in three sentences." }],\n});\nimport { writeFileSync } from "node:fs";\n\nfunction saveResult(data, stem = "result") {\n writeFileSync(stem + ".json", JSON.stringify(data, null, 2));\n console.log(JSON.stringify(data, null, 2));\n const saveBlob = (encoded, suffix, label) => {\n const raw = Buffer.from(encoded, "base64");\n const ext = raw.subarray(0,8).equals(Buffer.from([137,80,78,71,13,10,26,10])) ? "png" : raw[0]===255 && raw[1]===216 ? "jpg" : raw.subarray(0,4).toString()==="RIFF" && raw.subarray(8,12).toString()==="WEBP" ? "webp" : suffix;\n const file = `${stem}-${label}.${ext}`;\n writeFileSync(file, raw); console.log("Saved", file);\n };\n for (const [i, block] of (data.content || []).entries()) console.log("Content", i, JSON.stringify(block));\n for (const choice of data.choices || []) console.log("Choice", choice.index, JSON.stringify(choice.message || choice.delta || {}));\n for (const [i, item] of (data.output || []).entries()) {\n console.log("Output", i, JSON.stringify(item));\n if (item.type === "image_generation_call" && item.result) saveBlob(item.result, item.output_format || "bin", `output-${i}`);\n }\n for (const [ci, candidate] of (data.candidates || []).entries()) {\n for (const [pi, part] of (candidate.content?.parts || []).entries()) {\n console.log("Candidate/part", ci, pi, JSON.stringify(part));\n const blob = part.inlineData || part.inline_data;\n if (blob?.data) {\n const mime = blob.mimeType || blob.mime_type;\n const suffix = ({"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"})[mime] || "bin";\n saveBlob(blob.data, suffix, `candidate-${ci}-part-${pi}`);\n }\n }\n }\n}\n\nsaveResult(resp);\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-5.2',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 glm-5.3, glm, glm-5, glm-5.1, glm-5.2, glm-latest
Ailoot Ultra glm-5.3, z-ai/glm-5.3, ~z-ai/glm-latest
/chat/completions
z-ai/glm-5.3, glm, glm-5, glm-5.1, glm-5.2, glm-latest, ~z-ai/glm-latest, glm-5.3, glm-5.3
glm-latestZ.ai GLM 5.3 is een tekstredeneermodel voor complexe software-engineering, terminalwerk en agents die langdurige taken uitvoeren. Het ondersteunt een door de maker gedocumenteerde context van 1M tokens, maximaal 128K uitvoertokens, function calling en redeneerinspanning low/high/max, waarbij redeneren voortdurend ingeschakeld blijft.
Deze beschrijving gaat over de mogelijkheden van het model. De via Ailoot beschikbare invoer, uitvoer en opties staan hieronder voor de geselecteerde methode.
Z.ai GLM 5.3 is een grootschalig tekstredeneermodel dat ontworpen is voor complexe software-engineering en langdurig agentwerk. De fabrikant stelt dat het hetzelfde basismodel gebruikt als GLM 5.2 en dat de nieuwe verbeteringen uit natraining komen. De release richt zich op sterker programmeren, terminalbewerkingen en bredere taken met meerdere afhankelijke stappen. Het aanvaardt tekst en produceert tekst, waaronder code, uitleg, plannen en verzoeken om toolaanroepen in een toepassing met gekoppelde tools.
De gedocumenteerde redeneermodus is altijd ingeschakeld. GLM 5.3 biedt drie inspanningsniveaus: low, high en max, met max als standaard. De maker raadt max aan voor complex programmeerwerk; low biedt een lichtere redeneeroptie voor eenvoudigere stappen. Gebruik het gekozen niveau samen met een duidelijk eindresultaat en voltooiingscriteria. Bijvoorbeeld: “Onderzoek deze bestanden en falende resultaten, achterhaal de oorzaak in de betrokken modules, stel een correctie voor die de publieke interface behoudt en leg uit welke controles aantonen dat de regressie is opgelost.”
De maker specificeert een contextvenster van 1M tokens en een maximale uitvoerlengte van 128K tokens. Orden lang materiaal rond de relatie die het model moet onderzoeken. Behoud bestandsnamen, relevante definities, bronlabels en de volgorde van waarnemingen en laat binnen de toepasselijke werkcontext ruimte voor de redenering en het eindantwoord. Een groot venster is bruikbaar voor afhankelijkheden tussen modules of een lange reeks agentwaarnemingen; het maakt een ongericht archief van losstaand materiaal niet tot een duidelijk omschreven taak.
Geef bij werk in een repository het verwachte gedrag, de relevante brontekst, afhankelijkheidsversies en werkelijke foutuitvoer mee. Vraag het model het betrokken gedrag te identificeren voordat het een patch voorstelt. Benoem bij een refactoring de interface en invarianten die intact moeten blijven. Een bruikbaar antwoord bevat de herziene code, waarom de wijziging het waargenomen probleem aanpakt en de gevallen die nodig zijn om het resultaat te controleren. Voer werkelijke resultaten terug in een werkwijze met gekoppelde tools, zodat de volgende stap op de gewijzigde toestand berust in plaats van op het eerdere voorstel.
Geef bij prestatiewerk een werklast, een uitgangsmeting en metingen zoals tijdsmetingen, profielen of allocatieregistraties mee. Z.ai beschrijft trainingstaken rond het vaststellen van knelpunten, optimalisatie, experimenten en resultaten die de correctheid behouden. Een praktisch verzoek is: “Gebruik dit profiel om het knelpunt met de grootste impact te identificeren, stel één meetbare wijziging voor en leg uit welk resultaat het behoud ervan zou rechtvaardigen.” Onderscheid een prestatiehypothese van een vastgelegde verbetering. Behoud dezelfde werklast en relevante omstandigheden wanneer u een resultaat onderzoekt.
De release ontwikkelt ook mogelijkheden voor kwetsbaarheidsanalyse. Geef voor defensieve broncodecontrole de relevante code, de bedoelde vertrouwensgrenzen en de omstandigheden waarin ze draait mee. Vraag om een bevinding die een vermoedelijk probleem verbindt met de betrokken invoer, het gedrag en een gerichte oplossing. Onderscheid een mogelijke zwakte van een gereproduceerde fout en bewaar de waarneming die gebruikt is om die te valideren. Een verslag is bruikbaarder wanneer het concreet bewijs en voorgestelde correcties voorrang geeft, in plaats van elk verdacht patroon als een bevestigde kwetsbaarheid te behandelen.
Function calling laat een omringende toepassing externe bewerkingen aan het model beschikbaar stellen. Definieer het doel, de argumenten en het verwachte resultaat van elke tool en geef vervolgens de werkelijke toolwaarneming terug voor de volgende stap. Het model kan over dat resultaat redeneren en bepalen hoe het de taak verandert. Zorg dat voorgestelde acties, uitgevoerde bewerkingen en onopgeloste controles van elkaar te onderscheiden blijven. De maker documenteert ook streamingantwoorden, die redeneer- en antwoordfragmenten afzonderlijk teruggeven; voeg het voltooide antwoord samen voordat u het als eindverslag of code-uitleg behandelt.
De lokale modelkaart geeft een specifiek detail over de geschiedenisinstelling: de chatsjabloon behoudt standaard eerdere redeneringen, terwijl de maker voor gewone chatscenario's aanbeveelt oude redeneringen expliciet te wissen. Pas de geschikte gespreksstructuur toe voor het gebruiksdoel, met behoud van de werkelijk voltooide antwoorden en toolresultaten die voor voortzetting nodig zijn. Behandel redeneerinstellingen uit GLM 5.2 of de afzonderlijke GLM 5.3 Flash-edities niet als uitwisselbaar met de instellingen low/high/max van dit model.
Specificeer voor gestructureerde resultaten de verwachte velden, typen en bronregels. Een bruikbaar resultaat kan een defectentabel, wijzigingsplan of JSON-object met een samenvatting van waarnemingen zijn. Valideer zowel de structuur als de waarden voordat een toepassing ze gebruikt. Het eindresultaat moet het antwoord of herziene resultaat, het ondersteunende bewijsmateriaal en de resterende aannames benoemen. Meer redeneerinspanning bewijst niet dat een tool is uitgevoerd, dat een voorgestelde patch de controles heeft doorstaan of dat een feitelijke bewering onderbouwing heeft buiten het aangeleverde materiaal.
POST /v1/messagestexttext| Veld | Type | Vereiste | Waarden en limieten | Standaard |
|---|---|---|---|---|
Veldmodel | Typestring | VereisteVereist | Waarden en limieten glm-latest | Standaard— |
Veldmessages | Typemessage[] | VereisteVereist | Waarden en limieten Minimumaantal items: 1 | Standaard— |
Veldmessages[].role | Typestring | VereisteVereist | Waarden en limieten user, assistant | Standaard— |
Veldmessages[].content | Typestring|content_block[] | VereisteVereist | Waarden en limieten | Standaard— |
Veldsystem | Typestring|content_block[] | VereisteOptioneel | Waarden en limieten | Standaard— |
Veldmax_tokens | Typeinteger | VereisteVereist | Waarden en limieten Minimum: 1 Limiet geldt voor: exacte bovengrens van het gekozen model/de gekozen modelkaart | Standaard— |
Veldstream | Typeboolean | VereisteOptioneel | Waarden en limieten | Standaardfalse |
Veldtemperature | Typenumber | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldtop_p | Typenumber | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldstop_sequences | Typestring[] | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldtools | Typetool[] | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldtools[].name | Typestring | VereisteOptioneel | Waarden en limieten Geldt wanneer: tool opgegeven | Standaard— |
Veldtools[].description | Typestring | VereisteOptioneel | Waarden en limieten | Standaard— |
Veldtools[].input_schema | TypeJSON_schema | VereisteOptioneel | Waarden en limieten | Standaard— |
Veldtool_choice | Typeobject | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldthinking.type | Typestring | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldthinking.budget_tokens | Typeinteger | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldoutput_config.effort | Typestring | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldmetadata | Typeobject | VereisteOptioneel | Waarden en limieten | Standaard— |
Veldcache_control | Typeobject | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Tekst · UTF8-tekst
messages[].content of een blok met type=text
| Parameter | Contract |
|---|---|
Parametermaterial_types | Contracttext |
Parameterrequired | Contractmodel, messages, max_tokens |
Parameteroptional_controls | Contractnull |
Parametercontent_type | Contractapplication/json |
Parametertext_file_material | Contractwerkelijke UTF-8-inhoud ingevoegd als tekst; bestands-ID’s/URLs vereisen afzonderlijke exacte ondersteuning |
Levenscyclus: exact retained published method
De methodestructuren en ID’s zijn exact; de mogelijkheden van de leverancier staan los van toelating.
POST /v1/messagesAiloot 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 →
Referentiestaffels op modelniveau veranderen de methodeselectie, kostenramingen of afschrijvingen niet. Voor de actieve kostenberekening gelden de tarieven van de geselecteerde Ailoot-methode.
Koppel elke kostenpost aan de getoonde voorwaarden. Gebruik één tarief voor elke groep alternatieve configuraties.
| Configuratie | Tariefstaffel | Contexttokens, meer dan | Contexttokens, tot en met | Kosten |
|---|---|---|---|---|
| ConfiguratieOpenAI Chat · Basistarieven per token | TariefstaffelBasistarief | Contexttokens, meer dan— | Contexttokens, tot en metGeen bovengrens | Kosten Invoer · Invoertokens $0.0028 / 1K tokens Uitvoer · Uitvoertokens $0.0088 / 1K tokens Invoer · Cache lezen $0.00052 / 1K tokens Invoer · Cache schrijven — / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
| ConfiguratieOpenAI Chat · Tariefniveau 1 op basis van aanvraaglengte | Tariefstaffel— | Contexttokens, meer dan0 | Contexttokens, tot en metGeen bovengrens | Kosten Invoer · Invoertokens $0.0028 / 1K tokens Uitvoer · Uitvoertokens $0.0088 / 1K tokens Invoer · Cache lezen $0.00052 / 1K tokens Invoer · Cache schrijven — / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
| ConfiguratieAnthropic Messages · Basistarieven per token | TariefstaffelBasistarief | Contexttokens, meer dan— | Contexttokens, tot en metGeen bovengrens | Kosten Invoer · Invoertokens $0.0028 / 1K tokens Uitvoer · Uitvoertokens $0.0088 / 1K tokens Invoer · Cache lezen $0.00052 / 1K tokens Invoer · Cache schrijven — / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
| ConfiguratieAnthropic Messages · Tariefniveau 1 op basis van aanvraaglengte | Tariefstaffel— | Contexttokens, meer dan0 | Contexttokens, tot en metGeen bovengrens | Kosten Invoer · Invoertokens $0.0028 / 1K tokens Uitvoer · Uitvoertokens $0.0088 / 1K tokens Invoer · Cache lezen $0.00052 / 1K tokens Invoer · Cache schrijven — / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 source-material file}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "glm-latest", "max_tokens": 1024, "messages": []}')\nf=Path(os.environ["AILOOT_TEXT_FILE"])\nif not f.is_file():raise SystemExit("Choose your actual UTF-8 source material")\ntext=f.read_text(encoding="utf-8")\nif not text.strip():raise SystemExit("Source material must contain text")\np["messages"]=[{"role":"user","content":"Summarize this material and quote supporting source passages.\\n\\n"+text}]\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/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\nprint(json.dumps(json.loads(Path("result.json").read_text()),ensure_ascii=False,indent=2))\nPY_RESULT\nimport anthropic\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient = anthropic.Anthropic(base_url="https://api.ailoot.ai", api_key=os.environ["AILOOT_API_KEY"], max_retries=0)\nmsg = client.messages.create(\n model="glm-latest",\n max_tokens=1024,\n messages=[{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}],\n)\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(msg.to_dict(mode="json"))\nimport Anthropic from "@anthropic-ai/sdk";\n\nif (!process.env.AILOOT_API_KEY?.trim()) throw new Error("Set AILOOT_API_KEY before making a request");\nconst client = new Anthropic({ baseURL: "https://api.ailoot.ai", apiKey: process.env.AILOOT_API_KEY, maxRetries: 0 });\nconst msg = await client.messages.create({\n model: "glm-latest",\n max_tokens: 1024,\n messages: [{ role: "user", content: "Explain the difference between an observation and a hypothesis in three sentences." }],\n});\nimport { writeFileSync } from "node:fs";\n\nfunction saveResult(data, stem = "result") {\n writeFileSync(stem + ".json", JSON.stringify(data, null, 2));\n console.log(JSON.stringify(data, null, 2));\n const saveBlob = (encoded, suffix, label) => {\n const raw = Buffer.from(encoded, "base64");\n const ext = raw.subarray(0,8).equals(Buffer.from([137,80,78,71,13,10,26,10])) ? "png" : raw[0]===255 && raw[1]===216 ? "jpg" : raw.subarray(0,4).toString()==="RIFF" && raw.subarray(8,12).toString()==="WEBP" ? "webp" : suffix;\n const file = `${stem}-${label}.${ext}`;\n writeFileSync(file, raw); console.log("Saved", file);\n };\n for (const [i, block] of (data.content || []).entries()) console.log("Content", i, JSON.stringify(block));\n for (const choice of data.choices || []) console.log("Choice", choice.index, JSON.stringify(choice.message || choice.delta || {}));\n for (const [i, item] of (data.output || []).entries()) {\n console.log("Output", i, JSON.stringify(item));\n if (item.type === "image_generation_call" && item.result) saveBlob(item.result, item.output_format || "bin", `output-${i}`);\n }\n for (const [ci, candidate] of (data.candidates || []).entries()) {\n for (const [pi, part] of (candidate.content?.parts || []).entries()) {\n console.log("Candidate/part", ci, pi, JSON.stringify(part));\n const blob = part.inlineData || part.inline_data;\n if (blob?.data) {\n const mime = blob.mimeType || blob.mime_type;\n const suffix = ({"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"})[mime] || "bin";\n saveBlob(blob.data, suffix, `candidate-${ci}-part-${pi}`);\n }\n }\n }\n}\n\nsaveResult(msg);\nimport anthropic,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=anthropic.Anthropic(base_url="https://api.ailoot.ai",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.messages.stream(model='glm-latest',max_tokens=1024,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_message()\n save_result(final.to_dict(mode="json"),"stream-result")\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 glm-5.3, glm, glm-5, glm-5.1, glm-5.2, glm-latest
Ailoot Ultra glm-5.3, z-ai/glm-5.3, ~z-ai/glm-latest
/chat/completions
z-ai/glm-5.3, glm, glm-5, glm-5.1, glm-5.2, glm-latest, ~z-ai/glm-latest, glm-5.3, glm-5.3
glm-latestZ.ai GLM 5.3 is een tekstredeneermodel voor complexe software-engineering, terminalwerk en agents die langdurige taken uitvoeren. Het ondersteunt een door de maker gedocumenteerde context van 1M tokens, maximaal 128K uitvoertokens, function calling en redeneerinspanning low/high/max, waarbij redeneren voortdurend ingeschakeld blijft.
Deze beschrijving gaat over de mogelijkheden van het model. De via Ailoot beschikbare invoer, uitvoer en opties staan hieronder voor de geselecteerde methode.
Z.ai GLM 5.3 is een grootschalig tekstredeneermodel dat ontworpen is voor complexe software-engineering en langdurig agentwerk. De fabrikant stelt dat het hetzelfde basismodel gebruikt als GLM 5.2 en dat de nieuwe verbeteringen uit natraining komen. De release richt zich op sterker programmeren, terminalbewerkingen en bredere taken met meerdere afhankelijke stappen. Het aanvaardt tekst en produceert tekst, waaronder code, uitleg, plannen en verzoeken om toolaanroepen in een toepassing met gekoppelde tools.
De gedocumenteerde redeneermodus is altijd ingeschakeld. GLM 5.3 biedt drie inspanningsniveaus: low, high en max, met max als standaard. De maker raadt max aan voor complex programmeerwerk; low biedt een lichtere redeneeroptie voor eenvoudigere stappen. Gebruik het gekozen niveau samen met een duidelijk eindresultaat en voltooiingscriteria. Bijvoorbeeld: “Onderzoek deze bestanden en falende resultaten, achterhaal de oorzaak in de betrokken modules, stel een correctie voor die de publieke interface behoudt en leg uit welke controles aantonen dat de regressie is opgelost.”
De maker specificeert een contextvenster van 1M tokens en een maximale uitvoerlengte van 128K tokens. Orden lang materiaal rond de relatie die het model moet onderzoeken. Behoud bestandsnamen, relevante definities, bronlabels en de volgorde van waarnemingen en laat binnen de toepasselijke werkcontext ruimte voor de redenering en het eindantwoord. Een groot venster is bruikbaar voor afhankelijkheden tussen modules of een lange reeks agentwaarnemingen; het maakt een ongericht archief van losstaand materiaal niet tot een duidelijk omschreven taak.
Geef bij werk in een repository het verwachte gedrag, de relevante brontekst, afhankelijkheidsversies en werkelijke foutuitvoer mee. Vraag het model het betrokken gedrag te identificeren voordat het een patch voorstelt. Benoem bij een refactoring de interface en invarianten die intact moeten blijven. Een bruikbaar antwoord bevat de herziene code, waarom de wijziging het waargenomen probleem aanpakt en de gevallen die nodig zijn om het resultaat te controleren. Voer werkelijke resultaten terug in een werkwijze met gekoppelde tools, zodat de volgende stap op de gewijzigde toestand berust in plaats van op het eerdere voorstel.
Geef bij prestatiewerk een werklast, een uitgangsmeting en metingen zoals tijdsmetingen, profielen of allocatieregistraties mee. Z.ai beschrijft trainingstaken rond het vaststellen van knelpunten, optimalisatie, experimenten en resultaten die de correctheid behouden. Een praktisch verzoek is: “Gebruik dit profiel om het knelpunt met de grootste impact te identificeren, stel één meetbare wijziging voor en leg uit welk resultaat het behoud ervan zou rechtvaardigen.” Onderscheid een prestatiehypothese van een vastgelegde verbetering. Behoud dezelfde werklast en relevante omstandigheden wanneer u een resultaat onderzoekt.
De release ontwikkelt ook mogelijkheden voor kwetsbaarheidsanalyse. Geef voor defensieve broncodecontrole de relevante code, de bedoelde vertrouwensgrenzen en de omstandigheden waarin ze draait mee. Vraag om een bevinding die een vermoedelijk probleem verbindt met de betrokken invoer, het gedrag en een gerichte oplossing. Onderscheid een mogelijke zwakte van een gereproduceerde fout en bewaar de waarneming die gebruikt is om die te valideren. Een verslag is bruikbaarder wanneer het concreet bewijs en voorgestelde correcties voorrang geeft, in plaats van elk verdacht patroon als een bevestigde kwetsbaarheid te behandelen.
Function calling laat een omringende toepassing externe bewerkingen aan het model beschikbaar stellen. Definieer het doel, de argumenten en het verwachte resultaat van elke tool en geef vervolgens de werkelijke toolwaarneming terug voor de volgende stap. Het model kan over dat resultaat redeneren en bepalen hoe het de taak verandert. Zorg dat voorgestelde acties, uitgevoerde bewerkingen en onopgeloste controles van elkaar te onderscheiden blijven. De maker documenteert ook streamingantwoorden, die redeneer- en antwoordfragmenten afzonderlijk teruggeven; voeg het voltooide antwoord samen voordat u het als eindverslag of code-uitleg behandelt.
De lokale modelkaart geeft een specifiek detail over de geschiedenisinstelling: de chatsjabloon behoudt standaard eerdere redeneringen, terwijl de maker voor gewone chatscenario's aanbeveelt oude redeneringen expliciet te wissen. Pas de geschikte gespreksstructuur toe voor het gebruiksdoel, met behoud van de werkelijk voltooide antwoorden en toolresultaten die voor voortzetting nodig zijn. Behandel redeneerinstellingen uit GLM 5.2 of de afzonderlijke GLM 5.3 Flash-edities niet als uitwisselbaar met de instellingen low/high/max van dit model.
Specificeer voor gestructureerde resultaten de verwachte velden, typen en bronregels. Een bruikbaar resultaat kan een defectentabel, wijzigingsplan of JSON-object met een samenvatting van waarnemingen zijn. Valideer zowel de structuur als de waarden voordat een toepassing ze gebruikt. Het eindresultaat moet het antwoord of herziene resultaat, het ondersteunende bewijsmateriaal en de resterende aannames benoemen. Meer redeneerinspanning bewijst niet dat een tool is uitgevoerd, dat een voorgestelde patch de controles heeft doorstaan of dat een feitelijke bewering onderbouwing heeft buiten het aangeleverde materiaal.
POST /v1/responsestexttext| Veld | Type | Vereiste | Waarden en limieten | Standaard |
|---|---|---|---|---|
Veldmodel | Typestring | VereisteVereist | Waarden en limieten glm-latest | Standaard— |
Veldinput | Typestring|input_item[] | VereisteVereist | Waarden en limieten | Standaard— |
Veldinstructions | Typestring | VereisteOptioneel | Waarden en limieten | Standaard— |
Veldinput[].type | Typestring | VereisteOptioneel | Waarden en limieten message, reasoning, function_call, function_call_output | Standaard— |
Veldinput[].content | Typestring|content_part[] | VereisteOptioneel | Waarden en limieten | Standaard— |
Veldinput[].call_id | Typestring | VereisteOptioneel | Waarden en limieten Geldt wanneer: function_call_output; bewaar de werkelijk teruggegeven call_id | Standaard— |
Veldinput[].output | Typestring|content_part[] | VereisteOptioneel | Waarden en limieten Geldt wanneer: function_call_output | Standaard— |
Veldmax_output_tokens | Typeinteger | VereisteOptioneel | Waarden en limieten Minimum: 1 Afhankelijk van het model | Standaard— |
Veldstream | Typeboolean | VereisteOptioneel | Waarden en limieten | Standaardfalse |
Veldtemperature | Typenumber | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldtop_p | Typenumber | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldtools | Typetool[] | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | 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— |
Veldreasoning.effort | Typestring | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldreasoning.summary | Typestring | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldtext.format | Typeobject | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldtext.verbosity | Typestring | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldinclude | Typestring[] | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldstore | Typeboolean | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldprevious_response_id | Typestring | VereisteOptioneel | Waarden en limieten ID-vereiste: Alleen een werkelijk antwoord-ID van een ondersteunde voortzetting Afhankelijk van het model | Standaard— |
Veldservice_tier | Typestring | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldprompt_cache_key | Typestring | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldprompt_cache_options | Typeobject | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Tekst · UTF8-tekst
invoertekst of een input_text-onderdeel
| Parameter | Contract |
|---|---|
Parametermaterial_types | Contracttext |
Parameterrequired | Contractmodel, input |
Parameteroptional_controls | Contractnull |
Parametercontent_type | Contractapplication/json |
Parametertext_file_material | Contractwerkelijke UTF-8-inhoud ingevoegd als tekst; bestands-ID’s/URLs vereisen afzonderlijke exacte ondersteuning |
Levenscyclus: exact retained published method
De methodestructuren en ID’s zijn exact; de mogelijkheden van de leverancier staan los van toelating.
POST /v1/responsesAiloot 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 →
Referentiestaffels op modelniveau veranderen de methodeselectie, kostenramingen of afschrijvingen niet. Voor de actieve kostenberekening gelden de tarieven van de geselecteerde Ailoot-methode.
Koppel elke kostenpost aan de getoonde voorwaarden. Gebruik één tarief voor elke groep alternatieve configuraties.
| Configuratie | Tariefstaffel | Contexttokens, meer dan | Contexttokens, tot en met | Kosten |
|---|---|---|---|---|
| ConfiguratieOpenAI Chat · Basistarieven per token | TariefstaffelBasistarief | Contexttokens, meer dan— | Contexttokens, tot en metGeen bovengrens | Kosten Invoer · Invoertokens $0.0028 / 1K tokens Uitvoer · Uitvoertokens $0.0088 / 1K tokens Invoer · Cache lezen $0.00052 / 1K tokens Invoer · Cache schrijven — / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
| ConfiguratieOpenAI Chat · Tariefniveau 1 op basis van aanvraaglengte | Tariefstaffel— | Contexttokens, meer dan0 | Contexttokens, tot en metGeen bovengrens | Kosten Invoer · Invoertokens $0.0028 / 1K tokens Uitvoer · Uitvoertokens $0.0088 / 1K tokens Invoer · Cache lezen $0.00052 / 1K tokens Invoer · Cache schrijven — / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
| ConfiguratieAnthropic Messages · Basistarieven per token | TariefstaffelBasistarief | Contexttokens, meer dan— | Contexttokens, tot en metGeen bovengrens | Kosten Invoer · Invoertokens $0.0028 / 1K tokens Uitvoer · Uitvoertokens $0.0088 / 1K tokens Invoer · Cache lezen $0.00052 / 1K tokens Invoer · Cache schrijven — / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
| ConfiguratieAnthropic Messages · Tariefniveau 1 op basis van aanvraaglengte | Tariefstaffel— | Contexttokens, meer dan0 | Contexttokens, tot en metGeen bovengrens | Kosten Invoer · Invoertokens $0.0028 / 1K tokens Uitvoer · Uitvoertokens $0.0088 / 1K tokens Invoer · Cache lezen $0.00052 / 1K tokens Invoer · Cache schrijven — / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 source-material file}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "glm-latest", "input": ""}')\nf=Path(os.environ["AILOOT_TEXT_FILE"])\nif not f.is_file():raise SystemExit("Choose your actual UTF-8 source material")\ntext=f.read_text(encoding="utf-8")\nif not text.strip():raise SystemExit("Source material must contain text")\np["input"]="Summarize this material and quote supporting source passages.\\n\\n"+text\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/responses \\\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 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(json.loads(Path("result.json").read_text(encoding="utf-8")))\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)\nresp = client.responses.create(model="glm-latest", input="Explain the difference between an observation and a hypothesis 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(resp.to_dict(mode="json"))\nimport OpenAI from "openai";\n\nif (!process.env.AILOOT_API_KEY?.trim()) throw new Error("Set AILOOT_API_KEY before making a request");\nconst client = new OpenAI({ baseURL: "https://api.ailoot.ai/v1", apiKey: process.env.AILOOT_API_KEY, maxRetries: 0 });\nconst resp = await client.responses.create({ model: "glm-latest", input: "Explain the difference between an observation and a hypothesis in three sentences." });\nimport { writeFileSync } from "node:fs";\n\nfunction saveResult(data, stem = "result") {\n writeFileSync(stem + ".json", JSON.stringify(data, null, 2));\n console.log(JSON.stringify(data, null, 2));\n const saveBlob = (encoded, suffix, label) => {\n const raw = Buffer.from(encoded, "base64");\n const ext = raw.subarray(0,8).equals(Buffer.from([137,80,78,71,13,10,26,10])) ? "png" : raw[0]===255 && raw[1]===216 ? "jpg" : raw.subarray(0,4).toString()==="RIFF" && raw.subarray(8,12).toString()==="WEBP" ? "webp" : suffix;\n const file = `${stem}-${label}.${ext}`;\n writeFileSync(file, raw); console.log("Saved", file);\n };\n for (const [i, block] of (data.content || []).entries()) console.log("Content", i, JSON.stringify(block));\n for (const choice of data.choices || []) console.log("Choice", choice.index, JSON.stringify(choice.message || choice.delta || {}));\n for (const [i, item] of (data.output || []).entries()) {\n console.log("Output", i, JSON.stringify(item));\n if (item.type === "image_generation_call" && item.result) saveBlob(item.result, item.output_format || "bin", `output-${i}`);\n }\n for (const [ci, candidate] of (data.candidates || []).entries()) {\n for (const [pi, part] of (candidate.content?.parts || []).entries()) {\n console.log("Candidate/part", ci, pi, JSON.stringify(part));\n const blob = part.inlineData || part.inline_data;\n if (blob?.data) {\n const mime = blob.mimeType || blob.mime_type;\n const suffix = ({"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"})[mime] || "bin";\n saveBlob(blob.data, suffix, `candidate-${ci}-part-${pi}`);\n }\n }\n }\n}\n\nsaveResult(resp);\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\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\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)\nwith client.responses.stream(model="glm-latest", input="Explain the difference between an observation and a hypothesis 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_response()\n save_result(final.to_dict(mode="json"),"stream-result")\njson of SSE
Bewaar elk volledig teruggegeven antwoord, bestand en inhoudsonderdeel.
Bewaar elk uitvoeritem en inhoudsonderdeel, de werkelijke call_id van functies, versleutelde redeneringen en verbruiksgegevens. Behoud bij streaming de volledige identiteit van gebeurtenissen en items.
Bewaar aanvraag-/antwoord-ID’s en headers. Er wordt geen algemene URL meegeleverd om teksttaken op te halen.
| Veld | Type |
|---|---|
Veldid | Typestring |
Veldstatus | Typestring |
Veldoutput[] | Typemessage|reasoning|function_call|other item |
Veldoutput[].content[] | Typecontent part |
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 glm-5.3, glm, glm-5, glm-5.1, glm-5.2, glm-latest
Ailoot Ultra glm-5.3, z-ai/glm-5.3, ~z-ai/glm-latest
/chat/completions
z-ai/glm-5.3, glm, glm-5, glm-5.1, glm-5.2, glm-latest, ~z-ai/glm-latest, glm-5.3, glm-5.3
glm-latestZ.ai GLM 5.3 is een tekstredeneermodel voor complexe software-engineering, terminalwerk en agents die langdurige taken uitvoeren. Het ondersteunt een door de maker gedocumenteerde context van 1M tokens, maximaal 128K uitvoertokens, function calling en redeneerinspanning low/high/max, waarbij redeneren voortdurend ingeschakeld blijft.
Deze beschrijving gaat over de mogelijkheden van het model. De via Ailoot beschikbare invoer, uitvoer en opties staan hieronder voor de geselecteerde methode.
Z.ai GLM 5.3 is een grootschalig tekstredeneermodel dat ontworpen is voor complexe software-engineering en langdurig agentwerk. De fabrikant stelt dat het hetzelfde basismodel gebruikt als GLM 5.2 en dat de nieuwe verbeteringen uit natraining komen. De release richt zich op sterker programmeren, terminalbewerkingen en bredere taken met meerdere afhankelijke stappen. Het aanvaardt tekst en produceert tekst, waaronder code, uitleg, plannen en verzoeken om toolaanroepen in een toepassing met gekoppelde tools.
De gedocumenteerde redeneermodus is altijd ingeschakeld. GLM 5.3 biedt drie inspanningsniveaus: low, high en max, met max als standaard. De maker raadt max aan voor complex programmeerwerk; low biedt een lichtere redeneeroptie voor eenvoudigere stappen. Gebruik het gekozen niveau samen met een duidelijk eindresultaat en voltooiingscriteria. Bijvoorbeeld: “Onderzoek deze bestanden en falende resultaten, achterhaal de oorzaak in de betrokken modules, stel een correctie voor die de publieke interface behoudt en leg uit welke controles aantonen dat de regressie is opgelost.”
De maker specificeert een contextvenster van 1M tokens en een maximale uitvoerlengte van 128K tokens. Orden lang materiaal rond de relatie die het model moet onderzoeken. Behoud bestandsnamen, relevante definities, bronlabels en de volgorde van waarnemingen en laat binnen de toepasselijke werkcontext ruimte voor de redenering en het eindantwoord. Een groot venster is bruikbaar voor afhankelijkheden tussen modules of een lange reeks agentwaarnemingen; het maakt een ongericht archief van losstaand materiaal niet tot een duidelijk omschreven taak.
Geef bij werk in een repository het verwachte gedrag, de relevante brontekst, afhankelijkheidsversies en werkelijke foutuitvoer mee. Vraag het model het betrokken gedrag te identificeren voordat het een patch voorstelt. Benoem bij een refactoring de interface en invarianten die intact moeten blijven. Een bruikbaar antwoord bevat de herziene code, waarom de wijziging het waargenomen probleem aanpakt en de gevallen die nodig zijn om het resultaat te controleren. Voer werkelijke resultaten terug in een werkwijze met gekoppelde tools, zodat de volgende stap op de gewijzigde toestand berust in plaats van op het eerdere voorstel.
Geef bij prestatiewerk een werklast, een uitgangsmeting en metingen zoals tijdsmetingen, profielen of allocatieregistraties mee. Z.ai beschrijft trainingstaken rond het vaststellen van knelpunten, optimalisatie, experimenten en resultaten die de correctheid behouden. Een praktisch verzoek is: “Gebruik dit profiel om het knelpunt met de grootste impact te identificeren, stel één meetbare wijziging voor en leg uit welk resultaat het behoud ervan zou rechtvaardigen.” Onderscheid een prestatiehypothese van een vastgelegde verbetering. Behoud dezelfde werklast en relevante omstandigheden wanneer u een resultaat onderzoekt.
De release ontwikkelt ook mogelijkheden voor kwetsbaarheidsanalyse. Geef voor defensieve broncodecontrole de relevante code, de bedoelde vertrouwensgrenzen en de omstandigheden waarin ze draait mee. Vraag om een bevinding die een vermoedelijk probleem verbindt met de betrokken invoer, het gedrag en een gerichte oplossing. Onderscheid een mogelijke zwakte van een gereproduceerde fout en bewaar de waarneming die gebruikt is om die te valideren. Een verslag is bruikbaarder wanneer het concreet bewijs en voorgestelde correcties voorrang geeft, in plaats van elk verdacht patroon als een bevestigde kwetsbaarheid te behandelen.
Function calling laat een omringende toepassing externe bewerkingen aan het model beschikbaar stellen. Definieer het doel, de argumenten en het verwachte resultaat van elke tool en geef vervolgens de werkelijke toolwaarneming terug voor de volgende stap. Het model kan over dat resultaat redeneren en bepalen hoe het de taak verandert. Zorg dat voorgestelde acties, uitgevoerde bewerkingen en onopgeloste controles van elkaar te onderscheiden blijven. De maker documenteert ook streamingantwoorden, die redeneer- en antwoordfragmenten afzonderlijk teruggeven; voeg het voltooide antwoord samen voordat u het als eindverslag of code-uitleg behandelt.
De lokale modelkaart geeft een specifiek detail over de geschiedenisinstelling: de chatsjabloon behoudt standaard eerdere redeneringen, terwijl de maker voor gewone chatscenario's aanbeveelt oude redeneringen expliciet te wissen. Pas de geschikte gespreksstructuur toe voor het gebruiksdoel, met behoud van de werkelijk voltooide antwoorden en toolresultaten die voor voortzetting nodig zijn. Behandel redeneerinstellingen uit GLM 5.2 of de afzonderlijke GLM 5.3 Flash-edities niet als uitwisselbaar met de instellingen low/high/max van dit model.
Specificeer voor gestructureerde resultaten de verwachte velden, typen en bronregels. Een bruikbaar resultaat kan een defectentabel, wijzigingsplan of JSON-object met een samenvatting van waarnemingen zijn. Valideer zowel de structuur als de waarden voordat een toepassing ze gebruikt. Het eindresultaat moet het antwoord of herziene resultaat, het ondersteunende bewijsmateriaal en de resterende aannames benoemen. Meer redeneerinspanning bewijst niet dat een tool is uitgevoerd, dat een voorgestelde patch de controles heeft doorstaan of dat een feitelijke bewering onderbouwing heeft buiten het aangeleverde materiaal.
POST /v1/chat/completionstexttext| Veld | Type | Vereiste | Waarden en limieten | Standaard |
|---|---|---|---|---|
Veldmodel | Typestring | VereisteVereist | Waarden en limieten glm-latest | 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 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— |
Tekst · UTF8-tekst
messages[].content
| Parameter | Contract |
|---|---|
Parametermaterial_types | Contracttext |
Parameterrequired | Contractmodel, messages |
Parameteroptional_controls | Contractnull |
Parametercontent_type | Contractapplication/json |
Parametertext_file_material | Contractwerkelijke UTF-8-inhoud ingevoegd als tekst; bestands-ID’s/URLs vereisen afzonderlijke exacte ondersteuning |
Levenscyclus: exact retained published method
De methodestructuren en ID’s zijn exact; de mogelijkheden van de leverancier staan los van toelating.
POST /v1/chat/completionsAiloot 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 →
Referentiestaffels op modelniveau veranderen de methodeselectie, kostenramingen of afschrijvingen niet. Voor de actieve kostenberekening gelden de tarieven van de geselecteerde Ailoot-methode.
Koppel elke kostenpost aan de getoonde voorwaarden. Gebruik één tarief voor elke groep alternatieve configuraties.
| Configuratie | Tariefstaffel | Contexttokens, meer dan | Contexttokens, tot en met | Kosten |
|---|---|---|---|---|
| ConfiguratieOpenAI Chat · Basistarieven per token | TariefstaffelBasistarief | Contexttokens, meer dan— | Contexttokens, tot en metGeen bovengrens | Kosten Invoer · Invoertokens $0.0028 / 1K tokens Uitvoer · Uitvoertokens $0.0088 / 1K tokens Invoer · Cache lezen $0.00052 / 1K tokens Invoer · Cache schrijven — / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
| ConfiguratieOpenAI Chat · Tariefniveau 1 op basis van aanvraaglengte | Tariefstaffel— | Contexttokens, meer dan0 | Contexttokens, tot en metGeen bovengrens | Kosten Invoer · Invoertokens $0.0028 / 1K tokens Uitvoer · Uitvoertokens $0.0088 / 1K tokens Invoer · Cache lezen $0.00052 / 1K tokens Invoer · Cache schrijven — / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
| ConfiguratieAnthropic Messages · Basistarieven per token | TariefstaffelBasistarief | Contexttokens, meer dan— | Contexttokens, tot en metGeen bovengrens | Kosten Invoer · Invoertokens $0.0028 / 1K tokens Uitvoer · Uitvoertokens $0.0088 / 1K tokens Invoer · Cache lezen $0.00052 / 1K tokens Invoer · Cache schrijven — / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
| ConfiguratieAnthropic Messages · Tariefniveau 1 op basis van aanvraaglengte | Tariefstaffel— | Contexttokens, meer dan0 | Contexttokens, tot en metGeen bovengrens | Kosten Invoer · Invoertokens $0.0028 / 1K tokens Uitvoer · Uitvoertokens $0.0088 / 1K tokens Invoer · Cache lezen $0.00052 / 1K tokens Invoer · Cache schrijven — / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 source-material file}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "glm-latest", "messages": []}')\nf=Path(os.environ["AILOOT_TEXT_FILE"])\nif not f.is_file():raise SystemExit("Choose your actual UTF-8 source material")\ntext=f.read_text(encoding="utf-8")\nif not text.strip():raise SystemExit("Source material must contain text")\np["messages"]=[{"role":"user","content":"Summarize this material and quote supporting source passages.\\n\\n"+text}]\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\nprint(json.dumps(json.loads(Path("result.json").read_text()),ensure_ascii=False,indent=2))\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)\nresp = client.chat.completions.create(\n model="glm-latest",\n messages=[{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}],\n)\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(resp.to_dict(mode="json"))\nimport OpenAI from "openai";\n\nif (!process.env.AILOOT_API_KEY?.trim()) throw new Error("Set AILOOT_API_KEY before making a request");\nconst client = new OpenAI({ baseURL: "https://api.ailoot.ai/v1", apiKey: process.env.AILOOT_API_KEY, maxRetries: 0 });\nconst resp = await client.chat.completions.create({\n model: "glm-latest",\n messages: [{ role: "user", content: "Explain the difference between an observation and a hypothesis in three sentences." }],\n});\nimport { writeFileSync } from "node:fs";\n\nfunction saveResult(data, stem = "result") {\n writeFileSync(stem + ".json", JSON.stringify(data, null, 2));\n console.log(JSON.stringify(data, null, 2));\n const saveBlob = (encoded, suffix, label) => {\n const raw = Buffer.from(encoded, "base64");\n const ext = raw.subarray(0,8).equals(Buffer.from([137,80,78,71,13,10,26,10])) ? "png" : raw[0]===255 && raw[1]===216 ? "jpg" : raw.subarray(0,4).toString()==="RIFF" && raw.subarray(8,12).toString()==="WEBP" ? "webp" : suffix;\n const file = `${stem}-${label}.${ext}`;\n writeFileSync(file, raw); console.log("Saved", file);\n };\n for (const [i, block] of (data.content || []).entries()) console.log("Content", i, JSON.stringify(block));\n for (const choice of data.choices || []) console.log("Choice", choice.index, JSON.stringify(choice.message || choice.delta || {}));\n for (const [i, item] of (data.output || []).entries()) {\n console.log("Output", i, JSON.stringify(item));\n if (item.type === "image_generation_call" && item.result) saveBlob(item.result, item.output_format || "bin", `output-${i}`);\n }\n for (const [ci, candidate] of (data.candidates || []).entries()) {\n for (const [pi, part] of (candidate.content?.parts || []).entries()) {\n console.log("Candidate/part", ci, pi, JSON.stringify(part));\n const blob = part.inlineData || part.inline_data;\n if (blob?.data) {\n const mime = blob.mimeType || blob.mime_type;\n const suffix = ({"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"})[mime] || "bin";\n saveBlob(blob.data, suffix, `candidate-${ci}-part-${pi}`);\n }\n }\n }\n}\n\nsaveResult(resp);\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-latest',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 glm-5.3, glm, glm-5, glm-5.1, glm-5.2, glm-latest
Ailoot Ultra glm-5.3, z-ai/glm-5.3, ~z-ai/glm-latest
/chat/completions
z-ai/glm-5.3, glm, glm-5, glm-5.1, glm-5.2, glm-latest, ~z-ai/glm-latest, glm-5.3, glm-5.3
z-ai/glm-5.3Z.ai GLM 5.3 is een tekstredeneermodel voor complexe software-engineering, terminalwerk en agents die langdurige taken uitvoeren. Het ondersteunt een door de maker gedocumenteerde context van 1M tokens, maximaal 128K uitvoertokens, function calling en redeneerinspanning low/high/max, waarbij redeneren voortdurend ingeschakeld blijft.
Deze beschrijving gaat over de mogelijkheden van het model. De via Ailoot beschikbare invoer, uitvoer en opties staan hieronder voor de geselecteerde methode.
Z.ai GLM 5.3 is een grootschalig tekstredeneermodel dat ontworpen is voor complexe software-engineering en langdurig agentwerk. De fabrikant stelt dat het hetzelfde basismodel gebruikt als GLM 5.2 en dat de nieuwe verbeteringen uit natraining komen. De release richt zich op sterker programmeren, terminalbewerkingen en bredere taken met meerdere afhankelijke stappen. Het aanvaardt tekst en produceert tekst, waaronder code, uitleg, plannen en verzoeken om toolaanroepen in een toepassing met gekoppelde tools.
De gedocumenteerde redeneermodus is altijd ingeschakeld. GLM 5.3 biedt drie inspanningsniveaus: low, high en max, met max als standaard. De maker raadt max aan voor complex programmeerwerk; low biedt een lichtere redeneeroptie voor eenvoudigere stappen. Gebruik het gekozen niveau samen met een duidelijk eindresultaat en voltooiingscriteria. Bijvoorbeeld: “Onderzoek deze bestanden en falende resultaten, achterhaal de oorzaak in de betrokken modules, stel een correctie voor die de publieke interface behoudt en leg uit welke controles aantonen dat de regressie is opgelost.”
De maker specificeert een contextvenster van 1M tokens en een maximale uitvoerlengte van 128K tokens. Orden lang materiaal rond de relatie die het model moet onderzoeken. Behoud bestandsnamen, relevante definities, bronlabels en de volgorde van waarnemingen en laat binnen de toepasselijke werkcontext ruimte voor de redenering en het eindantwoord. Een groot venster is bruikbaar voor afhankelijkheden tussen modules of een lange reeks agentwaarnemingen; het maakt een ongericht archief van losstaand materiaal niet tot een duidelijk omschreven taak.
Geef bij werk in een repository het verwachte gedrag, de relevante brontekst, afhankelijkheidsversies en werkelijke foutuitvoer mee. Vraag het model het betrokken gedrag te identificeren voordat het een patch voorstelt. Benoem bij een refactoring de interface en invarianten die intact moeten blijven. Een bruikbaar antwoord bevat de herziene code, waarom de wijziging het waargenomen probleem aanpakt en de gevallen die nodig zijn om het resultaat te controleren. Voer werkelijke resultaten terug in een werkwijze met gekoppelde tools, zodat de volgende stap op de gewijzigde toestand berust in plaats van op het eerdere voorstel.
Geef bij prestatiewerk een werklast, een uitgangsmeting en metingen zoals tijdsmetingen, profielen of allocatieregistraties mee. Z.ai beschrijft trainingstaken rond het vaststellen van knelpunten, optimalisatie, experimenten en resultaten die de correctheid behouden. Een praktisch verzoek is: “Gebruik dit profiel om het knelpunt met de grootste impact te identificeren, stel één meetbare wijziging voor en leg uit welk resultaat het behoud ervan zou rechtvaardigen.” Onderscheid een prestatiehypothese van een vastgelegde verbetering. Behoud dezelfde werklast en relevante omstandigheden wanneer u een resultaat onderzoekt.
De release ontwikkelt ook mogelijkheden voor kwetsbaarheidsanalyse. Geef voor defensieve broncodecontrole de relevante code, de bedoelde vertrouwensgrenzen en de omstandigheden waarin ze draait mee. Vraag om een bevinding die een vermoedelijk probleem verbindt met de betrokken invoer, het gedrag en een gerichte oplossing. Onderscheid een mogelijke zwakte van een gereproduceerde fout en bewaar de waarneming die gebruikt is om die te valideren. Een verslag is bruikbaarder wanneer het concreet bewijs en voorgestelde correcties voorrang geeft, in plaats van elk verdacht patroon als een bevestigde kwetsbaarheid te behandelen.
Function calling laat een omringende toepassing externe bewerkingen aan het model beschikbaar stellen. Definieer het doel, de argumenten en het verwachte resultaat van elke tool en geef vervolgens de werkelijke toolwaarneming terug voor de volgende stap. Het model kan over dat resultaat redeneren en bepalen hoe het de taak verandert. Zorg dat voorgestelde acties, uitgevoerde bewerkingen en onopgeloste controles van elkaar te onderscheiden blijven. De maker documenteert ook streamingantwoorden, die redeneer- en antwoordfragmenten afzonderlijk teruggeven; voeg het voltooide antwoord samen voordat u het als eindverslag of code-uitleg behandelt.
De lokale modelkaart geeft een specifiek detail over de geschiedenisinstelling: de chatsjabloon behoudt standaard eerdere redeneringen, terwijl de maker voor gewone chatscenario's aanbeveelt oude redeneringen expliciet te wissen. Pas de geschikte gespreksstructuur toe voor het gebruiksdoel, met behoud van de werkelijk voltooide antwoorden en toolresultaten die voor voortzetting nodig zijn. Behandel redeneerinstellingen uit GLM 5.2 of de afzonderlijke GLM 5.3 Flash-edities niet als uitwisselbaar met de instellingen low/high/max van dit model.
Specificeer voor gestructureerde resultaten de verwachte velden, typen en bronregels. Een bruikbaar resultaat kan een defectentabel, wijzigingsplan of JSON-object met een samenvatting van waarnemingen zijn. Valideer zowel de structuur als de waarden voordat een toepassing ze gebruikt. Het eindresultaat moet het antwoord of herziene resultaat, het ondersteunende bewijsmateriaal en de resterende aannames benoemen. Meer redeneerinspanning bewijst niet dat een tool is uitgevoerd, dat een voorgestelde patch de controles heeft doorstaan of dat een feitelijke bewering onderbouwing heeft buiten het aangeleverde materiaal.
POST /v1/chat/completionstexttext| Veld | Type | Vereiste | Waarden en limieten | Standaard |
|---|---|---|---|---|
Veldmodel | Typestring | VereisteVereist | Waarden en limieten z-ai/glm-5.3 | 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.
Koppel elke kostenpost aan de getoonde voorwaarden. Gebruik één tarief voor elke groep alternatieve configuraties.
| Configuratie | Tariefstaffel | Contexttokens, meer dan | Contexttokens, tot en met | Kosten |
|---|---|---|---|---|
| ConfiguratieBasistarieven voor tokens | TariefstaffelBasistarief | Contexttokens, meer dan— | Contexttokens, tot en metGeen bovengrens | Kosten Invoer · Invoertokens $0.0028 / 1K tokens Uitvoer · Uitvoertokens $0.0088 / 1K tokens Invoer · Cache lezen $0.00052 / 1K tokens Invoer · Cache schrijven — / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
| ConfiguratieAanvraaglengte · niveau 1 | Tariefstaffel— | Contexttokens, meer dan0 | Contexttokens, tot en metGeen bovengrens | Kosten Invoer · Invoertokens $0.0028 / 1K tokens Uitvoer · Uitvoertokens $0.0088 / 1K tokens Invoer · Cache lezen $0.00052 / 1K tokens Invoer · Cache schrijven — / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
Ailoot reserveert vóór een verzoek een geschat bedrag. Na het resultaat worden de uiteindelijke kosten afgerekend op basis van het gemeten verbruik. Bij streaming gebeurt de afrekening op basis van de definitieve verbruiksregistratie. Zo werken reservering en afrekening →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "z-ai/glm-5.3", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='z-ai/glm-5.3',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='z-ai/glm-5.3',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 glm-5.3, glm, glm-5, glm-5.1, glm-5.2, glm-latest
Ailoot Ultra glm-5.3, z-ai/glm-5.3, ~z-ai/glm-latest
/chat/completions
z-ai/glm-5.3, glm, glm-5, glm-5.1, glm-5.2, glm-latest, ~z-ai/glm-latest, glm-5.3, glm-5.3
z-ai/glm-5.3Z.ai GLM 5.3 is een tekstredeneermodel voor complexe software-engineering, terminalwerk en agents die langdurige taken uitvoeren. Het ondersteunt een door de maker gedocumenteerde context van 1M tokens, maximaal 128K uitvoertokens, function calling en redeneerinspanning low/high/max, waarbij redeneren voortdurend ingeschakeld blijft.
Deze beschrijving gaat over de mogelijkheden van het model. De via Ailoot beschikbare invoer, uitvoer en opties staan hieronder voor de geselecteerde methode.
Z.ai GLM 5.3 is een grootschalig tekstredeneermodel dat ontworpen is voor complexe software-engineering en langdurig agentwerk. De fabrikant stelt dat het hetzelfde basismodel gebruikt als GLM 5.2 en dat de nieuwe verbeteringen uit natraining komen. De release richt zich op sterker programmeren, terminalbewerkingen en bredere taken met meerdere afhankelijke stappen. Het aanvaardt tekst en produceert tekst, waaronder code, uitleg, plannen en verzoeken om toolaanroepen in een toepassing met gekoppelde tools.
De gedocumenteerde redeneermodus is altijd ingeschakeld. GLM 5.3 biedt drie inspanningsniveaus: low, high en max, met max als standaard. De maker raadt max aan voor complex programmeerwerk; low biedt een lichtere redeneeroptie voor eenvoudigere stappen. Gebruik het gekozen niveau samen met een duidelijk eindresultaat en voltooiingscriteria. Bijvoorbeeld: “Onderzoek deze bestanden en falende resultaten, achterhaal de oorzaak in de betrokken modules, stel een correctie voor die de publieke interface behoudt en leg uit welke controles aantonen dat de regressie is opgelost.”
De maker specificeert een contextvenster van 1M tokens en een maximale uitvoerlengte van 128K tokens. Orden lang materiaal rond de relatie die het model moet onderzoeken. Behoud bestandsnamen, relevante definities, bronlabels en de volgorde van waarnemingen en laat binnen de toepasselijke werkcontext ruimte voor de redenering en het eindantwoord. Een groot venster is bruikbaar voor afhankelijkheden tussen modules of een lange reeks agentwaarnemingen; het maakt een ongericht archief van losstaand materiaal niet tot een duidelijk omschreven taak.
Geef bij werk in een repository het verwachte gedrag, de relevante brontekst, afhankelijkheidsversies en werkelijke foutuitvoer mee. Vraag het model het betrokken gedrag te identificeren voordat het een patch voorstelt. Benoem bij een refactoring de interface en invarianten die intact moeten blijven. Een bruikbaar antwoord bevat de herziene code, waarom de wijziging het waargenomen probleem aanpakt en de gevallen die nodig zijn om het resultaat te controleren. Voer werkelijke resultaten terug in een werkwijze met gekoppelde tools, zodat de volgende stap op de gewijzigde toestand berust in plaats van op het eerdere voorstel.
Geef bij prestatiewerk een werklast, een uitgangsmeting en metingen zoals tijdsmetingen, profielen of allocatieregistraties mee. Z.ai beschrijft trainingstaken rond het vaststellen van knelpunten, optimalisatie, experimenten en resultaten die de correctheid behouden. Een praktisch verzoek is: “Gebruik dit profiel om het knelpunt met de grootste impact te identificeren, stel één meetbare wijziging voor en leg uit welk resultaat het behoud ervan zou rechtvaardigen.” Onderscheid een prestatiehypothese van een vastgelegde verbetering. Behoud dezelfde werklast en relevante omstandigheden wanneer u een resultaat onderzoekt.
De release ontwikkelt ook mogelijkheden voor kwetsbaarheidsanalyse. Geef voor defensieve broncodecontrole de relevante code, de bedoelde vertrouwensgrenzen en de omstandigheden waarin ze draait mee. Vraag om een bevinding die een vermoedelijk probleem verbindt met de betrokken invoer, het gedrag en een gerichte oplossing. Onderscheid een mogelijke zwakte van een gereproduceerde fout en bewaar de waarneming die gebruikt is om die te valideren. Een verslag is bruikbaarder wanneer het concreet bewijs en voorgestelde correcties voorrang geeft, in plaats van elk verdacht patroon als een bevestigde kwetsbaarheid te behandelen.
Function calling laat een omringende toepassing externe bewerkingen aan het model beschikbaar stellen. Definieer het doel, de argumenten en het verwachte resultaat van elke tool en geef vervolgens de werkelijke toolwaarneming terug voor de volgende stap. Het model kan over dat resultaat redeneren en bepalen hoe het de taak verandert. Zorg dat voorgestelde acties, uitgevoerde bewerkingen en onopgeloste controles van elkaar te onderscheiden blijven. De maker documenteert ook streamingantwoorden, die redeneer- en antwoordfragmenten afzonderlijk teruggeven; voeg het voltooide antwoord samen voordat u het als eindverslag of code-uitleg behandelt.
De lokale modelkaart geeft een specifiek detail over de geschiedenisinstelling: de chatsjabloon behoudt standaard eerdere redeneringen, terwijl de maker voor gewone chatscenario's aanbeveelt oude redeneringen expliciet te wissen. Pas de geschikte gespreksstructuur toe voor het gebruiksdoel, met behoud van de werkelijk voltooide antwoorden en toolresultaten die voor voortzetting nodig zijn. Behandel redeneerinstellingen uit GLM 5.2 of de afzonderlijke GLM 5.3 Flash-edities niet als uitwisselbaar met de instellingen low/high/max van dit model.
Specificeer voor gestructureerde resultaten de verwachte velden, typen en bronregels. Een bruikbaar resultaat kan een defectentabel, wijzigingsplan of JSON-object met een samenvatting van waarnemingen zijn. Valideer zowel de structuur als de waarden voordat een toepassing ze gebruikt. Het eindresultaat moet het antwoord of herziene resultaat, het ondersteunende bewijsmateriaal en de resterende aannames benoemen. Meer redeneerinspanning bewijst niet dat een tool is uitgevoerd, dat een voorgestelde patch de controles heeft doorstaan of dat een feitelijke bewering onderbouwing heeft buiten het aangeleverde materiaal.
POST /v1/messagestextjson, sse| Veld | Type | Vereiste | Waarden en limieten | Standaard |
|---|---|---|---|---|
Veldmodel | Typestring | VereisteVereist | Waarden en limieten z-ai/glm-5.3 | 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.
Koppel elke kostenpost aan de getoonde voorwaarden. Gebruik één tarief voor elke groep alternatieve configuraties.
| Configuratie | Tariefstaffel | Contexttokens, meer dan | Contexttokens, tot en met | Kosten |
|---|---|---|---|---|
| ConfiguratieBasistarieven voor tokens | TariefstaffelBasistarief | Contexttokens, meer dan— | Contexttokens, tot en metGeen bovengrens | Kosten Invoer · Invoertokens $0.0028 / 1K tokens Uitvoer · Uitvoertokens $0.0088 / 1K tokens Invoer · Cache lezen $0.00052 / 1K tokens Invoer · Cache schrijven — / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
| ConfiguratieAanvraaglengte · niveau 1 | Tariefstaffel— | Contexttokens, meer dan0 | Contexttokens, tot en metGeen bovengrens | Kosten Invoer · Invoertokens $0.0028 / 1K tokens Uitvoer · Uitvoertokens $0.0088 / 1K tokens Invoer · Cache lezen $0.00052 / 1K tokens Invoer · Cache schrijven — / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
Ailoot reserveert vóór een verzoek een geschat bedrag. Na het resultaat worden de uiteindelijke kosten afgerekend op basis van het gemeten verbruik. Bij streaming gebeurt de afrekening op basis van de definitieve verbruiksregistratie. Zo werken reservering en afrekening →
{\n "model": "z-ai/glm-5.3",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'z-ai/glm-5.3', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'z-ai/glm-5.3', '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 glm-5.3, glm, glm-5, glm-5.1, glm-5.2, glm-latest
Ailoot Ultra glm-5.3, z-ai/glm-5.3, ~z-ai/glm-latest
/chat/completions
z-ai/glm-5.3, glm, glm-5, glm-5.1, glm-5.2, glm-latest, ~z-ai/glm-latest, glm-5.3, glm-5.3
~z-ai/glm-latestZ.ai GLM 5.3 is een tekstredeneermodel voor complexe software-engineering, terminalwerk en agents die langdurige taken uitvoeren. Het ondersteunt een door de maker gedocumenteerde context van 1M tokens, maximaal 128K uitvoertokens, function calling en redeneerinspanning low/high/max, waarbij redeneren voortdurend ingeschakeld blijft.
Deze beschrijving gaat over de mogelijkheden van het model. De via Ailoot beschikbare invoer, uitvoer en opties staan hieronder voor de geselecteerde methode.
Z.ai GLM 5.3 is een grootschalig tekstredeneermodel dat ontworpen is voor complexe software-engineering en langdurig agentwerk. De fabrikant stelt dat het hetzelfde basismodel gebruikt als GLM 5.2 en dat de nieuwe verbeteringen uit natraining komen. De release richt zich op sterker programmeren, terminalbewerkingen en bredere taken met meerdere afhankelijke stappen. Het aanvaardt tekst en produceert tekst, waaronder code, uitleg, plannen en verzoeken om toolaanroepen in een toepassing met gekoppelde tools.
De gedocumenteerde redeneermodus is altijd ingeschakeld. GLM 5.3 biedt drie inspanningsniveaus: low, high en max, met max als standaard. De maker raadt max aan voor complex programmeerwerk; low biedt een lichtere redeneeroptie voor eenvoudigere stappen. Gebruik het gekozen niveau samen met een duidelijk eindresultaat en voltooiingscriteria. Bijvoorbeeld: “Onderzoek deze bestanden en falende resultaten, achterhaal de oorzaak in de betrokken modules, stel een correctie voor die de publieke interface behoudt en leg uit welke controles aantonen dat de regressie is opgelost.”
De maker specificeert een contextvenster van 1M tokens en een maximale uitvoerlengte van 128K tokens. Orden lang materiaal rond de relatie die het model moet onderzoeken. Behoud bestandsnamen, relevante definities, bronlabels en de volgorde van waarnemingen en laat binnen de toepasselijke werkcontext ruimte voor de redenering en het eindantwoord. Een groot venster is bruikbaar voor afhankelijkheden tussen modules of een lange reeks agentwaarnemingen; het maakt een ongericht archief van losstaand materiaal niet tot een duidelijk omschreven taak.
Geef bij werk in een repository het verwachte gedrag, de relevante brontekst, afhankelijkheidsversies en werkelijke foutuitvoer mee. Vraag het model het betrokken gedrag te identificeren voordat het een patch voorstelt. Benoem bij een refactoring de interface en invarianten die intact moeten blijven. Een bruikbaar antwoord bevat de herziene code, waarom de wijziging het waargenomen probleem aanpakt en de gevallen die nodig zijn om het resultaat te controleren. Voer werkelijke resultaten terug in een werkwijze met gekoppelde tools, zodat de volgende stap op de gewijzigde toestand berust in plaats van op het eerdere voorstel.
Geef bij prestatiewerk een werklast, een uitgangsmeting en metingen zoals tijdsmetingen, profielen of allocatieregistraties mee. Z.ai beschrijft trainingstaken rond het vaststellen van knelpunten, optimalisatie, experimenten en resultaten die de correctheid behouden. Een praktisch verzoek is: “Gebruik dit profiel om het knelpunt met de grootste impact te identificeren, stel één meetbare wijziging voor en leg uit welk resultaat het behoud ervan zou rechtvaardigen.” Onderscheid een prestatiehypothese van een vastgelegde verbetering. Behoud dezelfde werklast en relevante omstandigheden wanneer u een resultaat onderzoekt.
De release ontwikkelt ook mogelijkheden voor kwetsbaarheidsanalyse. Geef voor defensieve broncodecontrole de relevante code, de bedoelde vertrouwensgrenzen en de omstandigheden waarin ze draait mee. Vraag om een bevinding die een vermoedelijk probleem verbindt met de betrokken invoer, het gedrag en een gerichte oplossing. Onderscheid een mogelijke zwakte van een gereproduceerde fout en bewaar de waarneming die gebruikt is om die te valideren. Een verslag is bruikbaarder wanneer het concreet bewijs en voorgestelde correcties voorrang geeft, in plaats van elk verdacht patroon als een bevestigde kwetsbaarheid te behandelen.
Function calling laat een omringende toepassing externe bewerkingen aan het model beschikbaar stellen. Definieer het doel, de argumenten en het verwachte resultaat van elke tool en geef vervolgens de werkelijke toolwaarneming terug voor de volgende stap. Het model kan over dat resultaat redeneren en bepalen hoe het de taak verandert. Zorg dat voorgestelde acties, uitgevoerde bewerkingen en onopgeloste controles van elkaar te onderscheiden blijven. De maker documenteert ook streamingantwoorden, die redeneer- en antwoordfragmenten afzonderlijk teruggeven; voeg het voltooide antwoord samen voordat u het als eindverslag of code-uitleg behandelt.
De lokale modelkaart geeft een specifiek detail over de geschiedenisinstelling: de chatsjabloon behoudt standaard eerdere redeneringen, terwijl de maker voor gewone chatscenario's aanbeveelt oude redeneringen expliciet te wissen. Pas de geschikte gespreksstructuur toe voor het gebruiksdoel, met behoud van de werkelijk voltooide antwoorden en toolresultaten die voor voortzetting nodig zijn. Behandel redeneerinstellingen uit GLM 5.2 of de afzonderlijke GLM 5.3 Flash-edities niet als uitwisselbaar met de instellingen low/high/max van dit model.
Specificeer voor gestructureerde resultaten de verwachte velden, typen en bronregels. Een bruikbaar resultaat kan een defectentabel, wijzigingsplan of JSON-object met een samenvatting van waarnemingen zijn. Valideer zowel de structuur als de waarden voordat een toepassing ze gebruikt. Het eindresultaat moet het antwoord of herziene resultaat, het ondersteunende bewijsmateriaal en de resterende aannames benoemen. Meer redeneerinspanning bewijst niet dat een tool is uitgevoerd, dat een voorgestelde patch de controles heeft doorstaan of dat een feitelijke bewering onderbouwing heeft buiten het aangeleverde materiaal.
POST /v1/chat/completionstexttext| Veld | Type | Vereiste | Waarden en limieten | Standaard |
|---|---|---|---|---|
Veldmodel | Typestring | VereisteVereist | Waarden en limieten ~z-ai/glm-latest | 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.
Koppel elke kostenpost aan de getoonde voorwaarden. Gebruik één tarief voor elke groep alternatieve configuraties.
| Configuratie | Tariefstaffel | Contexttokens, meer dan | Contexttokens, tot en met | Kosten |
|---|---|---|---|---|
| ConfiguratieBasistarieven voor tokens | TariefstaffelBasistarief | Contexttokens, meer dan— | Contexttokens, tot en metGeen bovengrens | Kosten Invoer · Invoertokens $0.0028 / 1K tokens Uitvoer · Uitvoertokens $0.0088 / 1K tokens Invoer · Cache lezen $0.00052 / 1K tokens Invoer · Cache schrijven — / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
| ConfiguratieAanvraaglengte · niveau 1 | Tariefstaffel— | Contexttokens, meer dan0 | Contexttokens, tot en metGeen bovengrens | Kosten Invoer · Invoertokens $0.0028 / 1K tokens Uitvoer · Uitvoertokens $0.0088 / 1K tokens Invoer · Cache lezen $0.00052 / 1K tokens Invoer · Cache schrijven — / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
Ailoot reserveert vóór een verzoek een geschat bedrag. Na het resultaat worden de uiteindelijke kosten afgerekend op basis van het gemeten verbruik. Bij streaming gebeurt de afrekening op basis van de definitieve verbruiksregistratie. Zo werken reservering en afrekening →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "~z-ai/glm-latest", "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-latest',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-latest',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 glm-5.3, glm, glm-5, glm-5.1, glm-5.2, glm-latest
Ailoot Ultra glm-5.3, z-ai/glm-5.3, ~z-ai/glm-latest
/chat/completions
z-ai/glm-5.3, glm, glm-5, glm-5.1, glm-5.2, glm-latest, ~z-ai/glm-latest, glm-5.3, glm-5.3
~z-ai/glm-latestZ.ai GLM 5.3 is een tekstredeneermodel voor complexe software-engineering, terminalwerk en agents die langdurige taken uitvoeren. Het ondersteunt een door de maker gedocumenteerde context van 1M tokens, maximaal 128K uitvoertokens, function calling en redeneerinspanning low/high/max, waarbij redeneren voortdurend ingeschakeld blijft.
Deze beschrijving gaat over de mogelijkheden van het model. De via Ailoot beschikbare invoer, uitvoer en opties staan hieronder voor de geselecteerde methode.
Z.ai GLM 5.3 is een grootschalig tekstredeneermodel dat ontworpen is voor complexe software-engineering en langdurig agentwerk. De fabrikant stelt dat het hetzelfde basismodel gebruikt als GLM 5.2 en dat de nieuwe verbeteringen uit natraining komen. De release richt zich op sterker programmeren, terminalbewerkingen en bredere taken met meerdere afhankelijke stappen. Het aanvaardt tekst en produceert tekst, waaronder code, uitleg, plannen en verzoeken om toolaanroepen in een toepassing met gekoppelde tools.
De gedocumenteerde redeneermodus is altijd ingeschakeld. GLM 5.3 biedt drie inspanningsniveaus: low, high en max, met max als standaard. De maker raadt max aan voor complex programmeerwerk; low biedt een lichtere redeneeroptie voor eenvoudigere stappen. Gebruik het gekozen niveau samen met een duidelijk eindresultaat en voltooiingscriteria. Bijvoorbeeld: “Onderzoek deze bestanden en falende resultaten, achterhaal de oorzaak in de betrokken modules, stel een correctie voor die de publieke interface behoudt en leg uit welke controles aantonen dat de regressie is opgelost.”
De maker specificeert een contextvenster van 1M tokens en een maximale uitvoerlengte van 128K tokens. Orden lang materiaal rond de relatie die het model moet onderzoeken. Behoud bestandsnamen, relevante definities, bronlabels en de volgorde van waarnemingen en laat binnen de toepasselijke werkcontext ruimte voor de redenering en het eindantwoord. Een groot venster is bruikbaar voor afhankelijkheden tussen modules of een lange reeks agentwaarnemingen; het maakt een ongericht archief van losstaand materiaal niet tot een duidelijk omschreven taak.
Geef bij werk in een repository het verwachte gedrag, de relevante brontekst, afhankelijkheidsversies en werkelijke foutuitvoer mee. Vraag het model het betrokken gedrag te identificeren voordat het een patch voorstelt. Benoem bij een refactoring de interface en invarianten die intact moeten blijven. Een bruikbaar antwoord bevat de herziene code, waarom de wijziging het waargenomen probleem aanpakt en de gevallen die nodig zijn om het resultaat te controleren. Voer werkelijke resultaten terug in een werkwijze met gekoppelde tools, zodat de volgende stap op de gewijzigde toestand berust in plaats van op het eerdere voorstel.
Geef bij prestatiewerk een werklast, een uitgangsmeting en metingen zoals tijdsmetingen, profielen of allocatieregistraties mee. Z.ai beschrijft trainingstaken rond het vaststellen van knelpunten, optimalisatie, experimenten en resultaten die de correctheid behouden. Een praktisch verzoek is: “Gebruik dit profiel om het knelpunt met de grootste impact te identificeren, stel één meetbare wijziging voor en leg uit welk resultaat het behoud ervan zou rechtvaardigen.” Onderscheid een prestatiehypothese van een vastgelegde verbetering. Behoud dezelfde werklast en relevante omstandigheden wanneer u een resultaat onderzoekt.
De release ontwikkelt ook mogelijkheden voor kwetsbaarheidsanalyse. Geef voor defensieve broncodecontrole de relevante code, de bedoelde vertrouwensgrenzen en de omstandigheden waarin ze draait mee. Vraag om een bevinding die een vermoedelijk probleem verbindt met de betrokken invoer, het gedrag en een gerichte oplossing. Onderscheid een mogelijke zwakte van een gereproduceerde fout en bewaar de waarneming die gebruikt is om die te valideren. Een verslag is bruikbaarder wanneer het concreet bewijs en voorgestelde correcties voorrang geeft, in plaats van elk verdacht patroon als een bevestigde kwetsbaarheid te behandelen.
Function calling laat een omringende toepassing externe bewerkingen aan het model beschikbaar stellen. Definieer het doel, de argumenten en het verwachte resultaat van elke tool en geef vervolgens de werkelijke toolwaarneming terug voor de volgende stap. Het model kan over dat resultaat redeneren en bepalen hoe het de taak verandert. Zorg dat voorgestelde acties, uitgevoerde bewerkingen en onopgeloste controles van elkaar te onderscheiden blijven. De maker documenteert ook streamingantwoorden, die redeneer- en antwoordfragmenten afzonderlijk teruggeven; voeg het voltooide antwoord samen voordat u het als eindverslag of code-uitleg behandelt.
De lokale modelkaart geeft een specifiek detail over de geschiedenisinstelling: de chatsjabloon behoudt standaard eerdere redeneringen, terwijl de maker voor gewone chatscenario's aanbeveelt oude redeneringen expliciet te wissen. Pas de geschikte gespreksstructuur toe voor het gebruiksdoel, met behoud van de werkelijk voltooide antwoorden en toolresultaten die voor voortzetting nodig zijn. Behandel redeneerinstellingen uit GLM 5.2 of de afzonderlijke GLM 5.3 Flash-edities niet als uitwisselbaar met de instellingen low/high/max van dit model.
Specificeer voor gestructureerde resultaten de verwachte velden, typen en bronregels. Een bruikbaar resultaat kan een defectentabel, wijzigingsplan of JSON-object met een samenvatting van waarnemingen zijn. Valideer zowel de structuur als de waarden voordat een toepassing ze gebruikt. Het eindresultaat moet het antwoord of herziene resultaat, het ondersteunende bewijsmateriaal en de resterende aannames benoemen. Meer redeneerinspanning bewijst niet dat een tool is uitgevoerd, dat een voorgestelde patch de controles heeft doorstaan of dat een feitelijke bewering onderbouwing heeft buiten het aangeleverde materiaal.
POST /v1/messagestextjson, sse| Veld | Type | Vereiste | Waarden en limieten | Standaard |
|---|---|---|---|---|
Veldmodel | Typestring | VereisteVereist | Waarden en limieten ~z-ai/glm-latest | 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.
Koppel elke kostenpost aan de getoonde voorwaarden. Gebruik één tarief voor elke groep alternatieve configuraties.
| Configuratie | Tariefstaffel | Contexttokens, meer dan | Contexttokens, tot en met | Kosten |
|---|---|---|---|---|
| ConfiguratieBasistarieven voor tokens | TariefstaffelBasistarief | Contexttokens, meer dan— | Contexttokens, tot en metGeen bovengrens | Kosten Invoer · Invoertokens $0.0028 / 1K tokens Uitvoer · Uitvoertokens $0.0088 / 1K tokens Invoer · Cache lezen $0.00052 / 1K tokens Invoer · Cache schrijven — / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
| ConfiguratieAanvraaglengte · niveau 1 | Tariefstaffel— | Contexttokens, meer dan0 | Contexttokens, tot en metGeen bovengrens | Kosten Invoer · Invoertokens $0.0028 / 1K tokens Uitvoer · Uitvoertokens $0.0088 / 1K tokens Invoer · Cache lezen $0.00052 / 1K tokens Invoer · Cache schrijven — / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
Ailoot reserveert vóór een verzoek een geschat bedrag. Na het resultaat worden de uiteindelijke kosten afgerekend op basis van het gemeten verbruik. Bij streaming gebeurt de afrekening op basis van de definitieve verbruiksregistratie. Zo werken reservering en afrekening →
{\n "model": "~z-ai/glm-latest",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-latest', '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-latest', '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 glm-5.3, glm, glm-5, glm-5.1, glm-5.2, glm-latest
Ailoot Ultra glm-5.3, z-ai/glm-5.3, ~z-ai/glm-latest
/chat/completions
z-ai/glm-5.3, glm, glm-5, glm-5.1, glm-5.2, glm-latest, ~z-ai/glm-latest, glm-5.3, glm-5.3
Technisch voorbeeld in het Engels
Target a measured bottleneck\n\nProfile P1 for one import: parsing 0.4 s, per-row database lookups 8.1 s, writing 0.8 s. The import handles 10,000 rows, including repeated customer IDs. Propose one correctness-preserving optimization, describe what lookup behavior must remain identical and define a same-workload check before claiming an improvement.A bottleneck hypothesis, one proposed change and a correctness plus timing comparison plan.The proposal must use P1 without inventing an observed speedup or losing missing-customer behavior.