GLM-Z1-32B-0414 is het op redenering gerichte model in de GLM-4-0414-reeks van Z.ai. Het is ontwikkeld vanuit GLM-4-32B-0414 via cold-start-voorbereiding en uitgebreide reinforcement learning, met verdere aandacht voor wiskunde, code en logica. Feedback op basis van paarsgewijze rangschikking wordt eveneens gebruikt om de algemene mogelijkheden te versterken. De invoer is tekst en het zichtbare resultaat is een tekstoplossing, uitleg of programmafragment.
Het is bedoeld voor een taak die samenhangende tussenconclusies vereist in plaats van een onmiddellijke zin. Geef alle aannames mee en bepaal het vereiste eindpunt: een formule afleiden, een algoritme uitleggen, een grens onderbouwen of een codewijziging voorbereiden. Het wiskundige voorbeeld van de maker gaat over positieve variabelen die via een vergelijking verbonden zijn en het mogelijke bereik van hun som. Een bruikbaar antwoord moet de voorwaarden benoemen, de relevante overgangen tonen en het eindresultaat duidelijk apart zetten.
GLM-Z1-Rumination-32B-0414 is een afzonderlijke editie voor meer open onderzoeksvragen met zoektools; GLM-Z1-9B-0414 heeft een andere omvang. Deze vermelding behoudt de benoemde Z1 32B-release zonder extra workflow- of groottekenmerken van die edities over te nemen.
De fabrikant beveelt temperature 0.6, top_p 0.95 en top_k 40 aan. Hij beveelt ook een max_new_tokens-budget van 30.000 aan om ruimte voor nadenken te laten. Dit zijn aanbevolen generatie-instellingen, geen garantie dat elk antwoord die lengte nodig heeft of een gedocumenteerd universeel hard uitvoerplafond. Het afzonderlijke inferentievoorbeeld op de fiche gebruikt een kleiner, aanvraagspecifiek generatiebudget.
Laat bij een redeneertaak genoeg ruimte voor de analyse en het uiteindelijke antwoord samen en bepaal de vorm van het eindantwoord in de prompt. Een wiskundige vraag kan het bereik of de waarde afzonderlijk van de uitleg vragen; een programmeervraag kan om één implementatie vragen, gevolgd door de relevante aannames. Houd het gewenste resultaat specifiek genoeg om het aan de aangeleverde voorwaarden te toetsen.
Het sjabloon van de maker begint de generatie met de denkmarkering <think>. Het gepubliceerde chatsjabloon voegt die markering toe. Een implementatie moet dus het werkelijke sjabloon van de release gebruiken in plaats van een ongerelateerd gespreksformaat te veronderstellen.
Voor volgende beurten behoudt de gebruiksgids het uiteindelijke antwoord dat de gebruiker ziet en verwijdert het interne denkmateriaal uit de opgeslagen gespreksgeschiedenis. Dit is een voorbereidingsregel voor het eigen gesprekssjabloon van het model. Een vervolgvraag moet de huidige vraag, het noodzakelijke bronmateriaal en het relevante eerdere antwoord bevatten, geen ongefilterde opeenstapeling van alle eerdere interne analyse.
De gepubliceerde configuratie stelt max_position_embeddings in op 32.768 en bevat geen rope_scaling-vermelding. De gebruiksgids beveelt aan YaRN te overwegen wanneer de invoer meer dan 8.192 tokens bevat. De voorbeeldconfiguratie voor schaling gebruikt factor 4.0 met original_max_position_embeddings op 32.768. De aanbevolen drempel, de basisconfiguratie en de optionele uitbreiding zijn verschillende feiten; het zijn geen onderling uitwisselbare antwoordlimieten.
Statische YaRN beïnvloedt alle tekst en kan de prestaties bij korte invoer licht verminderen. Daarom beveelt de fabrikant aan het in te schakelen wanneer dat nodig is. Geef bij lang materiaal de relevante definities en passages in een duidelijk gescheiden invoer mee en laat een geschikt generatiebudget binnen de actieve context. De configuratie moet aansluiten bij de ondersteuning van de geselecteerde implementatie voor de schalingsprocedure van de maker, in plaats van een rekenkundig veelvoud als een automatisch beschikbaar contextvenster te beschouwen.
Het inferentievoorbeeld van het model gebruikt een gebruikersvraag en het releasespecifieke chatsjabloon. Behoud bij wiskunde de definities van de variabelen en vermeld de te bewijzen stelling. Geef bij code het relevante fragment, het vereiste gedrag en het besproken geval mee. Vraag om een afzonderlijk eindresultaat — bewijs, formule, implementatie of uitleg — zodat de redenering via het taakresultaat geëvalueerd kan worden. De specifieke Z1-gids legt tekstredenering en de voorbereiding ervan vast; hij stelt geen extra native toolcontract of beeldinvoer voor deze editie vast.
", "aboutText": "### Inleiding\n\nGLM-Z1-32B-0414 is het op redenering gerichte model in de GLM-4-0414-reeks van Z.ai. Het is ontwikkeld vanuit GLM-4-32B-0414 via cold-start-voorbereiding en uitgebreide reinforcement learning, met verdere aandacht voor wiskunde, code en logica. Feedback op basis van paarsgewijze rangschikking wordt eveneens gebruikt om de algemene mogelijkheden te versterken. De invoer is tekst en het zichtbare resultaat is een tekstoplossing, uitleg of programmafragment.\n\nHet is bedoeld voor een taak die samenhangende tussenconclusies vereist in plaats van een onmiddellijke zin. Geef alle aannames mee en bepaal het vereiste eindpunt: een formule afleiden, een algoritme uitleggen, een grens onderbouwen of een codewijziging voorbereiden. Het wiskundige voorbeeld van de maker gaat over positieve variabelen die via een vergelijking verbonden zijn en het mogelijke bereik van hun som. Een bruikbaar antwoord moet de voorwaarden benoemen, de relevante overgangen tonen en het eindresultaat duidelijk apart zetten.\n\nGLM-Z1-Rumination-32B-0414 is een afzonderlijke editie voor meer open onderzoeksvragen met zoektools; GLM-Z1-9B-0414 heeft een andere omvang. Deze vermelding behoudt de benoemde Z1 32B-release zonder extra workflow- of groottekenmerken van die edities over te nemen.\n\n### Gebruiksrichtlijnen: sampling\n\nDe fabrikant beveelt temperature 0.6, top_p 0.95 en top_k 40 aan. Hij beveelt ook een max_new_tokens-budget van 30.000 aan om ruimte voor nadenken te laten. Dit zijn aanbevolen generatie-instellingen, geen garantie dat elk antwoord die lengte nodig heeft of een gedocumenteerd universeel hard uitvoerplafond. Het afzonderlijke inferentievoorbeeld op de fiche gebruikt een kleiner, aanvraagspecifiek generatiebudget.\n\nLaat bij een redeneertaak genoeg ruimte voor de analyse en het uiteindelijke antwoord samen en bepaal de vorm van het eindantwoord in de prompt. Een wiskundige vraag kan het bereik of de waarde afzonderlijk van de uitleg vragen; een programmeervraag kan om één implementatie vragen, gevolgd door de relevante aannames. Houd het gewenste resultaat specifiek genoeg om het aan de aangeleverde voorwaarden te toetsen.\n\n### Gebruiksrichtlijnen: nadenken en gespreksgeschiedenis\n\nHet sjabloon van de maker begint de generatie met de denkmarkering `Technisch voorbeeld in het Engels
Derive a safe batch bound\n\nA buffer holds at most 96 records. Every batch adds b records, where b is a positive integer, and 12 records must remain free. Derive the largest number of complete batches that fit as a formula in b. Explain the rounding and calculate the result for b = 10, keeping the reserved space separate from usable capacity.A formula using a floor, an explanation of usable capacity and a checked numeric example.Verify the formula reserves 12 records and a further full batch would exceed usable capacity in the example.THUDM/GLM-Z1-32B-0414GLM-Z1-32B-0414 is de vaste tekstredeneereditie van Z.ai voor wiskunde, programmeren en logica. De maker biedt expliciete richtlijnen voor nadenken, gespreksgeschiedenis, sampling en optionele uitbreiding van lange context, zodat complexe taken voor deze specifieke release voorbereid kunnen worden.
Deze beschrijving gaat over de mogelijkheden van het model. De via Ailoot beschikbare invoer, uitvoer en opties staan hieronder voor de geselecteerde methode.
GLM-Z1-32B-0414 is het op redenering gerichte model in de GLM-4-0414-reeks van Z.ai. Het is ontwikkeld vanuit GLM-4-32B-0414 via cold-start-voorbereiding en uitgebreide reinforcement learning, met verdere aandacht voor wiskunde, code en logica. Feedback op basis van paarsgewijze rangschikking wordt eveneens gebruikt om de algemene mogelijkheden te versterken. De invoer is tekst en het zichtbare resultaat is een tekstoplossing, uitleg of programmafragment.
Het is bedoeld voor een taak die samenhangende tussenconclusies vereist in plaats van een onmiddellijke zin. Geef alle aannames mee en bepaal het vereiste eindpunt: een formule afleiden, een algoritme uitleggen, een grens onderbouwen of een codewijziging voorbereiden. Het wiskundige voorbeeld van de maker gaat over positieve variabelen die via een vergelijking verbonden zijn en het mogelijke bereik van hun som. Een bruikbaar antwoord moet de voorwaarden benoemen, de relevante overgangen tonen en het eindresultaat duidelijk apart zetten.
GLM-Z1-Rumination-32B-0414 is een afzonderlijke editie voor meer open onderzoeksvragen met zoektools; GLM-Z1-9B-0414 heeft een andere omvang. Deze vermelding behoudt de benoemde Z1 32B-release zonder extra workflow- of groottekenmerken van die edities over te nemen.
De fabrikant beveelt temperature 0.6, top_p 0.95 en top_k 40 aan. Hij beveelt ook een max_new_tokens-budget van 30.000 aan om ruimte voor nadenken te laten. Dit zijn aanbevolen generatie-instellingen, geen garantie dat elk antwoord die lengte nodig heeft of een gedocumenteerd universeel hard uitvoerplafond. Het afzonderlijke inferentievoorbeeld op de fiche gebruikt een kleiner, aanvraagspecifiek generatiebudget.
Laat bij een redeneertaak genoeg ruimte voor de analyse en het uiteindelijke antwoord samen en bepaal de vorm van het eindantwoord in de prompt. Een wiskundige vraag kan het bereik of de waarde afzonderlijk van de uitleg vragen; een programmeervraag kan om één implementatie vragen, gevolgd door de relevante aannames. Houd het gewenste resultaat specifiek genoeg om het aan de aangeleverde voorwaarden te toetsen.
Het sjabloon van de maker begint de generatie met de denkmarkering <think>. Het gepubliceerde chatsjabloon voegt die markering toe. Een implementatie moet dus het werkelijke sjabloon van de release gebruiken in plaats van een ongerelateerd gespreksformaat te veronderstellen.
Voor volgende beurten behoudt de gebruiksgids het uiteindelijke antwoord dat de gebruiker ziet en verwijdert het interne denkmateriaal uit de opgeslagen gespreksgeschiedenis. Dit is een voorbereidingsregel voor het eigen gesprekssjabloon van het model. Een vervolgvraag moet de huidige vraag, het noodzakelijke bronmateriaal en het relevante eerdere antwoord bevatten, geen ongefilterde opeenstapeling van alle eerdere interne analyse.
De gepubliceerde configuratie stelt max_position_embeddings in op 32.768 en bevat geen rope_scaling-vermelding. De gebruiksgids beveelt aan YaRN te overwegen wanneer de invoer meer dan 8.192 tokens bevat. De voorbeeldconfiguratie voor schaling gebruikt factor 4.0 met original_max_position_embeddings op 32.768. De aanbevolen drempel, de basisconfiguratie en de optionele uitbreiding zijn verschillende feiten; het zijn geen onderling uitwisselbare antwoordlimieten.
Statische YaRN beïnvloedt alle tekst en kan de prestaties bij korte invoer licht verminderen. Daarom beveelt de fabrikant aan het in te schakelen wanneer dat nodig is. Geef bij lang materiaal de relevante definities en passages in een duidelijk gescheiden invoer mee en laat een geschikt generatiebudget binnen de actieve context. De configuratie moet aansluiten bij de ondersteuning van de geselecteerde implementatie voor de schalingsprocedure van de maker, in plaats van een rekenkundig veelvoud als een automatisch beschikbaar contextvenster te beschouwen.
Het inferentievoorbeeld van het model gebruikt een gebruikersvraag en het releasespecifieke chatsjabloon. Behoud bij wiskunde de definities van de variabelen en vermeld de te bewijzen stelling. Geef bij code het relevante fragment, het vereiste gedrag en het besproken geval mee. Vraag om een afzonderlijk eindresultaat — bewijs, formule, implementatie of uitleg — zodat de redenering via het taakresultaat geëvalueerd kan worden. De specifieke Z1-gids legt tekstredenering en de voorbereiding ervan vast; hij stelt geen extra native toolcontract of beeldinvoer voor deze editie vast.
POST /v1/chat/completionstexttext| Veld | Type | Vereiste | Waarden en limieten | Standaard |
|---|---|---|---|---|
Veldmodel | Typestring | VereisteVereist | Waarden en limieten THUDM/GLM-Z1-32B-0414 | 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 $0.00014 / 1K tokens Uitvoer · Uitvoertokens $0.00014 / 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": "THUDM/GLM-Z1-32B-0414", "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='THUDM/GLM-Z1-32B-0414',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='THUDM/GLM-Z1-32B-0414',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 THUDM/GLM-Z1-32B-0414
Gebruik de hierboven getoonde methodepaden.
THUDM/GLM-Z1-32B-0414GLM-Z1-32B-0414 is de vaste tekstredeneereditie van Z.ai voor wiskunde, programmeren en logica. De maker biedt expliciete richtlijnen voor nadenken, gespreksgeschiedenis, sampling en optionele uitbreiding van lange context, zodat complexe taken voor deze specifieke release voorbereid kunnen worden.
Deze beschrijving gaat over de mogelijkheden van het model. De via Ailoot beschikbare invoer, uitvoer en opties staan hieronder voor de geselecteerde methode.
GLM-Z1-32B-0414 is het op redenering gerichte model in de GLM-4-0414-reeks van Z.ai. Het is ontwikkeld vanuit GLM-4-32B-0414 via cold-start-voorbereiding en uitgebreide reinforcement learning, met verdere aandacht voor wiskunde, code en logica. Feedback op basis van paarsgewijze rangschikking wordt eveneens gebruikt om de algemene mogelijkheden te versterken. De invoer is tekst en het zichtbare resultaat is een tekstoplossing, uitleg of programmafragment.
Het is bedoeld voor een taak die samenhangende tussenconclusies vereist in plaats van een onmiddellijke zin. Geef alle aannames mee en bepaal het vereiste eindpunt: een formule afleiden, een algoritme uitleggen, een grens onderbouwen of een codewijziging voorbereiden. Het wiskundige voorbeeld van de maker gaat over positieve variabelen die via een vergelijking verbonden zijn en het mogelijke bereik van hun som. Een bruikbaar antwoord moet de voorwaarden benoemen, de relevante overgangen tonen en het eindresultaat duidelijk apart zetten.
GLM-Z1-Rumination-32B-0414 is een afzonderlijke editie voor meer open onderzoeksvragen met zoektools; GLM-Z1-9B-0414 heeft een andere omvang. Deze vermelding behoudt de benoemde Z1 32B-release zonder extra workflow- of groottekenmerken van die edities over te nemen.
De fabrikant beveelt temperature 0.6, top_p 0.95 en top_k 40 aan. Hij beveelt ook een max_new_tokens-budget van 30.000 aan om ruimte voor nadenken te laten. Dit zijn aanbevolen generatie-instellingen, geen garantie dat elk antwoord die lengte nodig heeft of een gedocumenteerd universeel hard uitvoerplafond. Het afzonderlijke inferentievoorbeeld op de fiche gebruikt een kleiner, aanvraagspecifiek generatiebudget.
Laat bij een redeneertaak genoeg ruimte voor de analyse en het uiteindelijke antwoord samen en bepaal de vorm van het eindantwoord in de prompt. Een wiskundige vraag kan het bereik of de waarde afzonderlijk van de uitleg vragen; een programmeervraag kan om één implementatie vragen, gevolgd door de relevante aannames. Houd het gewenste resultaat specifiek genoeg om het aan de aangeleverde voorwaarden te toetsen.
Het sjabloon van de maker begint de generatie met de denkmarkering <think>. Het gepubliceerde chatsjabloon voegt die markering toe. Een implementatie moet dus het werkelijke sjabloon van de release gebruiken in plaats van een ongerelateerd gespreksformaat te veronderstellen.
Voor volgende beurten behoudt de gebruiksgids het uiteindelijke antwoord dat de gebruiker ziet en verwijdert het interne denkmateriaal uit de opgeslagen gespreksgeschiedenis. Dit is een voorbereidingsregel voor het eigen gesprekssjabloon van het model. Een vervolgvraag moet de huidige vraag, het noodzakelijke bronmateriaal en het relevante eerdere antwoord bevatten, geen ongefilterde opeenstapeling van alle eerdere interne analyse.
De gepubliceerde configuratie stelt max_position_embeddings in op 32.768 en bevat geen rope_scaling-vermelding. De gebruiksgids beveelt aan YaRN te overwegen wanneer de invoer meer dan 8.192 tokens bevat. De voorbeeldconfiguratie voor schaling gebruikt factor 4.0 met original_max_position_embeddings op 32.768. De aanbevolen drempel, de basisconfiguratie en de optionele uitbreiding zijn verschillende feiten; het zijn geen onderling uitwisselbare antwoordlimieten.
Statische YaRN beïnvloedt alle tekst en kan de prestaties bij korte invoer licht verminderen. Daarom beveelt de fabrikant aan het in te schakelen wanneer dat nodig is. Geef bij lang materiaal de relevante definities en passages in een duidelijk gescheiden invoer mee en laat een geschikt generatiebudget binnen de actieve context. De configuratie moet aansluiten bij de ondersteuning van de geselecteerde implementatie voor de schalingsprocedure van de maker, in plaats van een rekenkundig veelvoud als een automatisch beschikbaar contextvenster te beschouwen.
Het inferentievoorbeeld van het model gebruikt een gebruikersvraag en het releasespecifieke chatsjabloon. Behoud bij wiskunde de definities van de variabelen en vermeld de te bewijzen stelling. Geef bij code het relevante fragment, het vereiste gedrag en het besproken geval mee. Vraag om een afzonderlijk eindresultaat — bewijs, formule, implementatie of uitleg — zodat de redenering via het taakresultaat geëvalueerd kan worden. De specifieke Z1-gids legt tekstredenering en de voorbereiding ervan vast; hij stelt geen extra native toolcontract of beeldinvoer voor deze editie vast.
POST /v1/messagestextjson, sse| Veld | Type | Vereiste | Waarden en limieten | Standaard |
|---|---|---|---|---|
Veldmodel | Typestring | VereisteVereist | Waarden en limieten THUDM/GLM-Z1-32B-0414 | 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 $0.00014 / 1K tokens Uitvoer · Uitvoertokens $0.00014 / 1K tokens Invoer · Cache lezen $0 / 1K tokens Invoer · Cache schrijven $0 / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
Ailoot reserveert vóór een verzoek een geschat bedrag. Na het resultaat worden de uiteindelijke kosten afgerekend op basis van het gemeten verbruik. Bij streaming gebeurt de afrekening op basis van de definitieve verbruiksregistratie. Zo werken reservering en afrekening →
{\n "model": "THUDM/GLM-Z1-32B-0414",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'THUDM/GLM-Z1-32B-0414', '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': 'THUDM/GLM-Z1-32B-0414', '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 THUDM/GLM-Z1-32B-0414
Gebruik de hierboven getoonde methodepaden.
Technisch voorbeeld in het Engels
Derive a safe batch bound\n\nA buffer holds at most 96 records. Every batch adds b records, where b is a positive integer, and 12 records must remain free. Derive the largest number of complete batches that fit as a formula in b. Explain the rounding and calculate the result for b = 10, keeping the reserved space separate from usable capacity.A formula using a floor, an explanation of usable capacity and a checked numeric example.Verify the formula reserves 12 records and a further full batch would exceed usable capacity in the example.