GLM-4-9B-Chat is de op dialoog afgestemde editie van het open GLM-4-9B-taalmodel van Z.ai. De voorbereiding combineert een meertalige basis met afstemming op menselijke voorkeuren. Het model werkt met tekst: vragen, documenten, code en conversatiegeschiedenis vormen de invoer, en het zichtbare resultaat is tekst of een gevraagde toolactie. De genoemde domeinen omvatten taalbegrip, wiskunde, redeneren, programmeren en kennisvragen.
Het GLM-4-rapport beschrijft het 9B-model als vooraf getraind op ongeveer tien biljoen tokens meertalig materiaal, aanvankelijk met een context van 8K, en daarna verder getraind met de pijplijn en gegevens die voor GLM-4-0520 zijn gebruikt. Die oorspronkelijke trainingslengte is niet de contextlimiet van deze Chat-release: het gepubliceerde venster voor gebruikers is 128K. Dat onderscheid is van belang bij de keuze tussen een trainingsspecificatie en de werkelijke variant van het genoemde model.
Een bruikbare codeertaak levert een functie, het beoogde gedrag en invoer die een fout veroorzaakt aan en vraagt vervolgens om een uitleg gevolgd door een gecorrigeerd fragment. Geef een documentassistent de relevante delen en vraag vereisten te extraheren, passages te vergelijken of een onbekende term uit te leggen. Dit zijn toepassingen van de taal- en codeermogelijkheden van het model, geen afzonderlijk product of aparte modus voor bestandsgeneratie.
Deze Chat-editie ondersteunt een context van 128K tokens. Dankzij die capaciteit kan een assistent bronmateriaal en eerdere dialoog in dezelfde taak meenemen. Geef lange documenten duidelijke sectienamen en vermeld of het antwoord een samenvatting, vergelijking of uitleg van een specifieke passage moet zijn. Benoem in vervolgberichten de passage die wordt gewijzigd in plaats van stilzwijgend de taak te vervangen.
GLM-4-9B-Chat-1M is een afzonderlijk benoemde editie met lange context. De gewone Chat-vermelding krijgt daardoor niet het venster van een miljoen tokens. Ook het visuele GLM-4V-9B is een afzonderlijk model: de invoer van deze editie blijft tekst. De gepubliceerde generatievoorbeelden gebruiken lengtes die per aanvraag zijn ingesteld; ze stellen geen universele maximale antwoordlengte vast.
Het model ondersteunt 26 talen, met Japans, Koreaans en Duits als genoemde voorbeelden. Het GLM-4-trainingsrapport beschrijft Chinees en Engels als de voornaamste afstemmingstalen, naast een breder meertalig corpus. Vermeld voor vertaling of ondersteuningsgesprekken de doeltaal, terminologie en toon, en lever het materiaal aan dat ongewijzigd moet blijven. Een assistent kan bijvoorbeeld een passage in de gevraagde taal uitleggen met behoud van productnamen en code-identificaties.
GLM-4-9B-Chat is voorbereid op surfen op het web, code-uitvoering en aangepaste functieaanroepen. De all-tools-aanpak van GLM-4 verbindt taakplanning met externe acties en de waarnemingen die ze teruggeven. Een documentassistent kan een opzoeking vragen, het teruggegeven fragment gebruiken en de uitleg voortzetten; een numerieke taak kan een Python-tool gebruiken die de omringende toepassing aanbiedt.
De toepassing definieert en voert die tools uit. De tekst van het model surft niet op zichzelf naar een website, voert geen programma uit en maakt geen afbeelding. Als de toepassing een functie voor beeldgeneratie aanbiedt, produceert die externe functie de afbeelding; dit tekstmodel plant de aanroep en bespreekt het teruggegeven resultaat. Geef elke functie een duidelijk doel en argumentdefinitie en voer het resultaat terug in de dialoog voordat je het eindantwoord vraagt.
De editie gebruikt een chatsjabloon op basis van rollen. Behoud de instructies van de gebruiker, de relevante antwoorden van de assistent en toolresultaten als afzonderlijke beurten. Een praktisch verzoek is: “Gebruik deze genoemde documentsecties om de vereisten op te sommen, tegenstrijdigheden uit te leggen en de sectielabels te citeren die elke conclusie ondersteunen.” Een ander is: “Leg uit hoe deze functie de aangeleverde invoer verwerkt en stel vervolgens een wijziging voor die de vermelde interface behoudt.” Het gevraagde eindresultaat moet expliciet zijn, zodat het antwoord aan het bronmateriaal en het beoogde gedrag van het programma kan worden getoetst.
", "aboutText": "### Inleiding tot het model\n\nGLM-4-9B-Chat is de op dialoog afgestemde editie van het open GLM-4-9B-taalmodel van Z.ai. De voorbereiding combineert een meertalige basis met afstemming op menselijke voorkeuren. Het model werkt met tekst: vragen, documenten, code en conversatiegeschiedenis vormen de invoer, en het zichtbare resultaat is tekst of een gevraagde toolactie. De genoemde domeinen omvatten taalbegrip, wiskunde, redeneren, programmeren en kennisvragen.\n\nHet GLM-4-rapport beschrijft het 9B-model als vooraf getraind op ongeveer tien biljoen tokens meertalig materiaal, aanvankelijk met een context van 8K, en daarna verder getraind met de pijplijn en gegevens die voor GLM-4-0520 zijn gebruikt. Die oorspronkelijke trainingslengte is niet de contextlimiet van deze Chat-release: het gepubliceerde venster voor gebruikers is 128K. Dat onderscheid is van belang bij de keuze tussen een trainingsspecificatie en de werkelijke variant van het genoemde model.\n\nEen bruikbare codeertaak levert een functie, het beoogde gedrag en invoer die een fout veroorzaakt aan en vraagt vervolgens om een uitleg gevolgd door een gecorrigeerd fragment. Geef een documentassistent de relevante delen en vraag vereisten te extraheren, passages te vergelijken of een onbekende term uit te leggen. Dit zijn toepassingen van de taal- en codeermogelijkheden van het model, geen afzonderlijk product of aparte modus voor bestandsgeneratie.\n\n### Lange context\n\nDeze Chat-editie ondersteunt een context van 128K tokens. Dankzij die capaciteit kan een assistent bronmateriaal en eerdere dialoog in dezelfde taak meenemen. Geef lange documenten duidelijke sectienamen en vermeld of het antwoord een samenvatting, vergelijking of uitleg van een specifieke passage moet zijn. Benoem in vervolgberichten de passage die wordt gewijzigd in plaats van stilzwijgend de taak te vervangen.\n\nGLM-4-9B-Chat-1M is een afzonderlijk benoemde editie met lange context. De gewone Chat-vermelding krijgt daardoor niet het venster van een miljoen tokens. Ook het visuele GLM-4V-9B is een afzonderlijk model: de invoer van deze editie blijft tekst. De gepubliceerde generatievoorbeelden gebruiken lengtes die per aanvraag zijn ingesteld; ze stellen geen universele maximale antwoordlengte vast.\n\n### Meertalig werk\n\nHet model ondersteunt 26 talen, met Japans, Koreaans en Duits als genoemde voorbeelden. Het GLM-4-trainingsrapport beschrijft Chinees en Engels als de voornaamste afstemmingstalen, naast een breder meertalig corpus. Vermeld voor vertaling of ondersteuningsgesprekken de doeltaal, terminologie en toon, en lever het materiaal aan dat ongewijzigd moet blijven. Een assistent kan bijvoorbeeld een passage in de gevraagde taal uitleggen met behoud van productnamen en code-identificaties.\n\n### Functieaanroepen en toepassingstools\n\nGLM-4-9B-Chat is voorbereid op surfen op het web, code-uitvoering en aangepaste functieaanroepen. De all-tools-aanpak van GLM-4 verbindt taakplanning met externe acties en de waarnemingen die ze teruggeven. Een documentassistent kan een opzoeking vragen, het teruggegeven fragment gebruiken en de uitleg voortzetten; een numerieke taak kan een Python-tool gebruiken die de omringende toepassing aanbiedt.\n\nDe toepassing definieert en voert die tools uit. De tekst van het model surft niet op zichzelf naar een website, voert geen programma uit en maakt geen afbeelding. Als de toepassing een functie voor beeldgeneratie aanbiedt, produceert die externe functie de afbeelding; dit tekstmodel plant de aanroep en bespreekt het teruggegeven resultaat. Geef elke functie een duidelijk doel en argumentdefinitie en voer het resultaat terug in de dialoog voordat je het eindantwoord vraagt.\n\n### Een conversatie voorbereiden\n\nDe editie gebruikt een chatsjabloon op basis van rollen. Behoud de instructies van de gebruiker, de relevante antwoorden van de assistent en toolresultaten als afzonderlijke beurten. Een praktisch verzoek is: “Gebruik deze genoemde documentsecties om de vereisten op te sommen, tegenstrijdigheden uit te leggen en de sectielabels te citeren die elke conclusie ondersteunen.” Een ander is: “Leg uit hoe deze functie de aangeleverde invoer verwerkt en stel vervolgens een wijziging voor die de vermelde interface behoudt.” Het gevraagde eindresultaat moet expliciet zijn, zodat het antwoord aan het bronmateriaal en het beoogde gedrag van het programma kan worden getoetst.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisch voorbeeld in het Engels
Explain a conditional leave procedure\n\nExplain this procedure to a colleague. Section L1: 'Submit a leave request to the team lead.' L2: 'Trips over five working days also require department approval.' L3: 'A calendar invitation is sent only after approval.' The colleague requests eight working days. Return the required sequence and identify why an invitation alone does not demonstrate approval.A section-linked sequence and a short explanation of the invitation condition.The eight-day request must retain both the team-lead and department requirements.Pro/THUDM/glm-4-9b-chatGLM-4-9B-Chat is een meertalig tekstmodel voor langdurige dialoog, documentanalyse en codewerk, met een context van 128K. Het kan browseracties, code-uitvoering en aangepaste functieacties selecteren die een toepassing aanbiedt, en hun resultaten vervolgens in het antwoord gebruiken.
Deze beschrijving gaat over de mogelijkheden van het model. De via Ailoot beschikbare invoer, uitvoer en opties staan hieronder voor de geselecteerde methode.
GLM-4-9B-Chat is de op dialoog afgestemde editie van het open GLM-4-9B-taalmodel van Z.ai. De voorbereiding combineert een meertalige basis met afstemming op menselijke voorkeuren. Het model werkt met tekst: vragen, documenten, code en conversatiegeschiedenis vormen de invoer, en het zichtbare resultaat is tekst of een gevraagde toolactie. De genoemde domeinen omvatten taalbegrip, wiskunde, redeneren, programmeren en kennisvragen.
Het GLM-4-rapport beschrijft het 9B-model als vooraf getraind op ongeveer tien biljoen tokens meertalig materiaal, aanvankelijk met een context van 8K, en daarna verder getraind met de pijplijn en gegevens die voor GLM-4-0520 zijn gebruikt. Die oorspronkelijke trainingslengte is niet de contextlimiet van deze Chat-release: het gepubliceerde venster voor gebruikers is 128K. Dat onderscheid is van belang bij de keuze tussen een trainingsspecificatie en de werkelijke variant van het genoemde model.
Een bruikbare codeertaak levert een functie, het beoogde gedrag en invoer die een fout veroorzaakt aan en vraagt vervolgens om een uitleg gevolgd door een gecorrigeerd fragment. Geef een documentassistent de relevante delen en vraag vereisten te extraheren, passages te vergelijken of een onbekende term uit te leggen. Dit zijn toepassingen van de taal- en codeermogelijkheden van het model, geen afzonderlijk product of aparte modus voor bestandsgeneratie.
Deze Chat-editie ondersteunt een context van 128K tokens. Dankzij die capaciteit kan een assistent bronmateriaal en eerdere dialoog in dezelfde taak meenemen. Geef lange documenten duidelijke sectienamen en vermeld of het antwoord een samenvatting, vergelijking of uitleg van een specifieke passage moet zijn. Benoem in vervolgberichten de passage die wordt gewijzigd in plaats van stilzwijgend de taak te vervangen.
GLM-4-9B-Chat-1M is een afzonderlijk benoemde editie met lange context. De gewone Chat-vermelding krijgt daardoor niet het venster van een miljoen tokens. Ook het visuele GLM-4V-9B is een afzonderlijk model: de invoer van deze editie blijft tekst. De gepubliceerde generatievoorbeelden gebruiken lengtes die per aanvraag zijn ingesteld; ze stellen geen universele maximale antwoordlengte vast.
Het model ondersteunt 26 talen, met Japans, Koreaans en Duits als genoemde voorbeelden. Het GLM-4-trainingsrapport beschrijft Chinees en Engels als de voornaamste afstemmingstalen, naast een breder meertalig corpus. Vermeld voor vertaling of ondersteuningsgesprekken de doeltaal, terminologie en toon, en lever het materiaal aan dat ongewijzigd moet blijven. Een assistent kan bijvoorbeeld een passage in de gevraagde taal uitleggen met behoud van productnamen en code-identificaties.
GLM-4-9B-Chat is voorbereid op surfen op het web, code-uitvoering en aangepaste functieaanroepen. De all-tools-aanpak van GLM-4 verbindt taakplanning met externe acties en de waarnemingen die ze teruggeven. Een documentassistent kan een opzoeking vragen, het teruggegeven fragment gebruiken en de uitleg voortzetten; een numerieke taak kan een Python-tool gebruiken die de omringende toepassing aanbiedt.
De toepassing definieert en voert die tools uit. De tekst van het model surft niet op zichzelf naar een website, voert geen programma uit en maakt geen afbeelding. Als de toepassing een functie voor beeldgeneratie aanbiedt, produceert die externe functie de afbeelding; dit tekstmodel plant de aanroep en bespreekt het teruggegeven resultaat. Geef elke functie een duidelijk doel en argumentdefinitie en voer het resultaat terug in de dialoog voordat je het eindantwoord vraagt.
De editie gebruikt een chatsjabloon op basis van rollen. Behoud de instructies van de gebruiker, de relevante antwoorden van de assistent en toolresultaten als afzonderlijke beurten. Een praktisch verzoek is: “Gebruik deze genoemde documentsecties om de vereisten op te sommen, tegenstrijdigheden uit te leggen en de sectielabels te citeren die elke conclusie ondersteunen.” Een ander is: “Leg uit hoe deze functie de aangeleverde invoer verwerkt en stel vervolgens een wijziging voor die de vermelde interface behoudt.” Het gevraagde eindresultaat moet expliciet zijn, zodat het antwoord aan het bronmateriaal en het beoogde gedrag van het programma kan worden getoetst.
POST /v1/chat/completionstexttext| Veld | Type | Vereiste | Waarden en limieten | Standaard |
|---|---|---|---|---|
Veldmodel | Typestring | VereisteVereist | Waarden en limieten Pro/THUDM/glm-4-9b-chat | Standaard— |
Veldmessages | Typemessage[] | VereisteVereist | Waarden en limieten Minimumaantal items: 1 | Standaard— |
Veldmessages[].role | Typestring | VereisteVereist | Waarden en limieten Voorbeelden: system, user, assistant, tool, function Voorwaarden: Deze rollen worden expliciet weergegeven door compatibiliteitstypen in de broncode; de exacte rollenverzameling van het model blijft modelspecifiek. Afhankelijk van het model | Standaard— |
Veldmessages[].content | Typestring|content_part[]|null | VereisteOptioneel | Waarden en limieten | Standaard— |
Veldmessages[].tool_calls | Typetool_call[] | VereisteOptioneel | Waarden en limieten | Standaard— |
Veldmessages[].tool_call_id | Typestring | VereisteOptioneel | Waarden en limieten Geldt wanneer: role=tool; gebruik het werkelijk teruggegeven ID | Standaard— |
Veldmessages[].name | Typestring | VereisteOptioneel | Waarden en limieten | Standaard— |
Veldmessages[].reasoning_content | Typestring | VereisteOptioneel | Waarden en limieten Geldt wanneer: Stuur de werkelijk teruggegeven redeneringen terug wanneer dit model ze gebruikt | Standaard— |
Veldmessages[].reasoning_details | Typeobject|array | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldmax_tokens | Typeinteger | VereisteOptioneel | Waarden en limieten Minimum: 1 Afhankelijk van het model | Standaard— |
Veldmax_completion_tokens | Typeinteger | VereisteOptioneel | Waarden en limieten Minimum: 1 Afhankelijk van het model | Standaard— |
Veldstream | Typeboolean | VereisteOptioneel | Waarden en limieten | Standaardfalse |
Veldstream_options.include_usage | Typeboolean | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldtemperature | Typenumber | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldtop_p | Typenumber | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldstop | Typestring|string[] | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldtools | Typefunction_tool[] | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldtools[].type | Typestring | VereisteOptioneel | Waarden en limieten function Afhankelijk van het model | Standaard— |
Veldtools[].function.name | Typestring | VereisteVereist | Waarden en limieten Geldt wanneer: functietool opgegeven | Standaard— |
Veldtools[].function.description | Typestring | VereisteOptioneel | Waarden en limieten | Standaard— |
Veldtools[].function.parameters | TypeJSON_schema | VereisteOptioneel | Waarden en limieten | Standaard— |
Veldtool_choice | Typestring|object | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldparallel_tool_calls | Typeboolean | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldresponse_format | Typeobject | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldreasoning_effort | Typestring | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldreasoning | Typeobject | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldservice_tier | Typestring | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldinstructions | Typestring | VereisteOptioneel | Waarden en limieten Compatibiliteitsveld | Standaard— |
Veldfunctions | Typefunction[] | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldfunction_call | Typestring|object | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldprompt_cache_options | Typeobject | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldmodalities | Typestring[] | VereisteOptioneel | Waarden en limieten text | Standaard— |
Veldprovider | Typeobject | VereisteOptioneel | Waarden en limieten Voorwaarden: provider.options wordt op deze Ultra-tekstroute geweigerd | Standaard— |
Veldcache_control.ttl | Typestring | VereisteOptioneel | Waarden en limieten Voorwaarden: 1h wordt op de daadwerkelijke locaties voor promptcaching geweigerd | Standaard— |
Tekst · UTF8-tekst
messages[].content
| Parameter | Contract |
|---|---|
Parametercontent_type | Contractapplication/json |
Parameterrequired | Contractmodel, messages |
Parametermaterial_types | Contracttext |
Parametermessages | Contractberichtenarray met de structuur role/content |
Parameterfile_material | Contractwerkelijk UTF-8-document ingevoegd als letterlijke tekst; er wordt geen bestands-ID afgeleid |
Parameteroptional_controls | Contractstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametercontrol_scope | Contractmodelspecifiek; functietools van de gebruiker verschillen van gehoste tools |
Parameteroutput_modalities | Contracttext |
Parameterhosted_operations | Contractfalse |
Parametermultimodal_input_binding | Contractnull |
Levenscyclus: synchronous_or_streamed
Stuur het exacte model-ID mee met messages.
Contextlengte is geen uitvoerlimiet.
Een tekstbestand kan letterlijke tekst aanleveren; beeld-, audio- en bestandsobjectinvoer vereisen een exacte koppeling.
Tariefverwijzingen voegen geen verzoekopties toe. Ondersteunde parameters staan bij de geselecteerde methode.
| Configuratie | Tariefstaffel | Kosten |
|---|---|---|
| ConfiguratieBasistarieven voor tokens | TariefstaffelBasistarief | Kosten Invoer · Invoertokens $0.000172 / 1K tokens Uitvoer · Uitvoertokens $0.000172 / 1K tokens Invoer · Cache lezen $0 / 1K tokens Invoer · Cache schrijven $0 / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
Ailoot reserveert vóór een verzoek een geschat bedrag. Na het resultaat worden de uiteindelijke kosten afgerekend op basis van het gemeten verbruik. Bij streaming gebeurt de afrekening op basis van de definitieve verbruiksregistratie. Zo werken reservering en afrekening →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "Pro/THUDM/glm-4-9b-chat", "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='Pro/THUDM/glm-4-9b-chat',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='Pro/THUDM/glm-4-9b-chat',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson of SSE
Bewaar elk volledig teruggegeven antwoord, bestand en inhoudsonderdeel.
Bewaar elke keuze en de bijbehorende inhoud, toolaanroepen en redeneringen. Voeg in SSE delta’s samen per keuze-/toolindex en bewaar de uiteindelijke reden van beëindiging en de verbruiksgegevens.
Bewaar aanvraag-/antwoord-ID’s en headers. Er wordt geen algemene URL meegeleverd om teksttaken op te halen.
| Veld | Type |
|---|---|
Veldchoices[].index | Typeinteger |
Veldchoices[].message.content | Typestring|null |
Veldchoices[].message.tool_calls | Typetool_call[] |
Veldchoices[].message.reasoning_content | Typestring |
Veldchoices[].message.reasoning_details | Typeobject|array |
Veldchoices[].finish_reason | Typestring|null |
Veldusage | Typeobject |
| Antwoord | Voorwaarde | Volgende stap |
|---|---|---|
Antwoord400 · invalid_request_error | VoorwaardeVerplichte velden, de materiaalrepresentatie of een parameterwaarde zijn ongeldig | Volgende stapCorrigeer de aangegeven velden vóór een nieuwe aanmaakaanvraag. |
Ailoot Ultra Pro/THUDM/glm-4-9b-chat
Gebruik de hierboven getoonde methodepaden.
Pro/THUDM/glm-4-9b-chatGLM-4-9B-Chat is een meertalig tekstmodel voor langdurige dialoog, documentanalyse en codewerk, met een context van 128K. Het kan browseracties, code-uitvoering en aangepaste functieacties selecteren die een toepassing aanbiedt, en hun resultaten vervolgens in het antwoord gebruiken.
Deze beschrijving gaat over de mogelijkheden van het model. De via Ailoot beschikbare invoer, uitvoer en opties staan hieronder voor de geselecteerde methode.
GLM-4-9B-Chat is de op dialoog afgestemde editie van het open GLM-4-9B-taalmodel van Z.ai. De voorbereiding combineert een meertalige basis met afstemming op menselijke voorkeuren. Het model werkt met tekst: vragen, documenten, code en conversatiegeschiedenis vormen de invoer, en het zichtbare resultaat is tekst of een gevraagde toolactie. De genoemde domeinen omvatten taalbegrip, wiskunde, redeneren, programmeren en kennisvragen.
Het GLM-4-rapport beschrijft het 9B-model als vooraf getraind op ongeveer tien biljoen tokens meertalig materiaal, aanvankelijk met een context van 8K, en daarna verder getraind met de pijplijn en gegevens die voor GLM-4-0520 zijn gebruikt. Die oorspronkelijke trainingslengte is niet de contextlimiet van deze Chat-release: het gepubliceerde venster voor gebruikers is 128K. Dat onderscheid is van belang bij de keuze tussen een trainingsspecificatie en de werkelijke variant van het genoemde model.
Een bruikbare codeertaak levert een functie, het beoogde gedrag en invoer die een fout veroorzaakt aan en vraagt vervolgens om een uitleg gevolgd door een gecorrigeerd fragment. Geef een documentassistent de relevante delen en vraag vereisten te extraheren, passages te vergelijken of een onbekende term uit te leggen. Dit zijn toepassingen van de taal- en codeermogelijkheden van het model, geen afzonderlijk product of aparte modus voor bestandsgeneratie.
Deze Chat-editie ondersteunt een context van 128K tokens. Dankzij die capaciteit kan een assistent bronmateriaal en eerdere dialoog in dezelfde taak meenemen. Geef lange documenten duidelijke sectienamen en vermeld of het antwoord een samenvatting, vergelijking of uitleg van een specifieke passage moet zijn. Benoem in vervolgberichten de passage die wordt gewijzigd in plaats van stilzwijgend de taak te vervangen.
GLM-4-9B-Chat-1M is een afzonderlijk benoemde editie met lange context. De gewone Chat-vermelding krijgt daardoor niet het venster van een miljoen tokens. Ook het visuele GLM-4V-9B is een afzonderlijk model: de invoer van deze editie blijft tekst. De gepubliceerde generatievoorbeelden gebruiken lengtes die per aanvraag zijn ingesteld; ze stellen geen universele maximale antwoordlengte vast.
Het model ondersteunt 26 talen, met Japans, Koreaans en Duits als genoemde voorbeelden. Het GLM-4-trainingsrapport beschrijft Chinees en Engels als de voornaamste afstemmingstalen, naast een breder meertalig corpus. Vermeld voor vertaling of ondersteuningsgesprekken de doeltaal, terminologie en toon, en lever het materiaal aan dat ongewijzigd moet blijven. Een assistent kan bijvoorbeeld een passage in de gevraagde taal uitleggen met behoud van productnamen en code-identificaties.
GLM-4-9B-Chat is voorbereid op surfen op het web, code-uitvoering en aangepaste functieaanroepen. De all-tools-aanpak van GLM-4 verbindt taakplanning met externe acties en de waarnemingen die ze teruggeven. Een documentassistent kan een opzoeking vragen, het teruggegeven fragment gebruiken en de uitleg voortzetten; een numerieke taak kan een Python-tool gebruiken die de omringende toepassing aanbiedt.
De toepassing definieert en voert die tools uit. De tekst van het model surft niet op zichzelf naar een website, voert geen programma uit en maakt geen afbeelding. Als de toepassing een functie voor beeldgeneratie aanbiedt, produceert die externe functie de afbeelding; dit tekstmodel plant de aanroep en bespreekt het teruggegeven resultaat. Geef elke functie een duidelijk doel en argumentdefinitie en voer het resultaat terug in de dialoog voordat je het eindantwoord vraagt.
De editie gebruikt een chatsjabloon op basis van rollen. Behoud de instructies van de gebruiker, de relevante antwoorden van de assistent en toolresultaten als afzonderlijke beurten. Een praktisch verzoek is: “Gebruik deze genoemde documentsecties om de vereisten op te sommen, tegenstrijdigheden uit te leggen en de sectielabels te citeren die elke conclusie ondersteunen.” Een ander is: “Leg uit hoe deze functie de aangeleverde invoer verwerkt en stel vervolgens een wijziging voor die de vermelde interface behoudt.” Het gevraagde eindresultaat moet expliciet zijn, zodat het antwoord aan het bronmateriaal en het beoogde gedrag van het programma kan worden getoetst.
POST /v1/messagestextjson, sse| Veld | Type | Vereiste | Waarden en limieten | Standaard |
|---|---|---|---|---|
Veldmodel | Typestring | VereisteVereist | Waarden en limieten Pro/THUDM/glm-4-9b-chat | Standaard— |
Veldmessages | Typemessage[] | VereisteVereist | Waarden en limieten | Standaard— |
Veldmessages[].role | Typestring | VereisteVereist | Waarden en limieten user, assistant | Standaard— |
Veldmessages[].content | Typestring | VereisteVereist | Waarden en limieten | Standaard— |
Veldmax_tokens | Typeinteger | VereisteVereist | Waarden en limieten | Standaard— |
Veldstream | Typeboolean | VereisteOptioneel | Waarden en limieten | Standaardfalse |
Tekst · UTF-8-tekst
messages[].content als tekenreeks
| Parameter | Contract |
|---|---|
Parametercontent_type | Contractapplication/json |
Parameterrequired | Contractmodel, messages, max_tokens |
Parameteroptional_controls | Contractstream |
Parametermaterial_types | Contracttext |
Parametertext_file_material | ContractLees het werkelijke UTF-8-document en plaats de tekst ervan in de aangegeven invoer of in de inhoudstekenreeks van een bericht. |
Levenscyclus: synchronous_or_streamed
Tariefverwijzingen voegen geen verzoekopties toe. Ondersteunde parameters staan bij de geselecteerde methode.
| Configuratie | Tariefstaffel | Kosten |
|---|---|---|
| ConfiguratieBasistarieven voor tokens | TariefstaffelBasistarief | Kosten Invoer · Invoertokens $0.000172 / 1K tokens Uitvoer · Uitvoertokens $0.000172 / 1K tokens Invoer · Cache lezen $0 / 1K tokens Invoer · Cache schrijven $0 / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
Ailoot reserveert vóór een verzoek een geschat bedrag. Na het resultaat worden de uiteindelijke kosten afgerekend op basis van het gemeten verbruik. Bij streaming gebeurt de afrekening op basis van de definitieve verbruiksregistratie. Zo werken reservering en afrekening →
{\n "model": "Pro/THUDM/glm-4-9b-chat",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'Pro/THUDM/glm-4-9b-chat', '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': 'Pro/THUDM/glm-4-9b-chat', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON of SSE
Bewaar elk volledig teruggegeven antwoord, bestand en inhoudsonderdeel.
Bewaar alle inhoudsblokken, handtekeningen van redeneringen en werkelijke toolgebruik-ID’s. Voeg alle SSE-blokdelta’s samen; het eerste tekstblok is niet de volledige uitvoer.
Bewaar aanvraag-/antwoord-ID’s en headers. Er wordt geen algemene URL meegeleverd om teksttaken op te halen.
| Veld | Type |
|---|---|
Veldid | Typestring |
Veldmodel | Typestring |
Veldcontent[] | Typetext|thinking|tool_use|other content block |
Veldstop_reason | Typestring|null |
Veldusage | Typeobject |
| Antwoord | Voorwaarde | Volgende stap |
|---|---|---|
Antwoord400 · invalid_request_error | VoorwaardeVerplichte velden, de materiaalrepresentatie of een parameterwaarde zijn ongeldig | Volgende stapCorrigeer de aangegeven velden vóór een nieuwe aanmaakaanvraag. |
Ailoot Ultra Pro/THUDM/glm-4-9b-chat
Gebruik de hierboven getoonde methodepaden.
Technisch voorbeeld in het Engels
Explain a conditional leave procedure\n\nExplain this procedure to a colleague. Section L1: 'Submit a leave request to the team lead.' L2: 'Trips over five working days also require department approval.' L3: 'A calendar invitation is sent only after approval.' The colleague requests eight working days. Return the required sequence and identify why an invitation alone does not demonstrate approval.A section-linked sequence and a short explanation of the invitation condition.The eight-day request must retain both the team-lead and department requirements.