GLM-4-AirX is de snelle variant binnen de GLM-4 Air-reeks van Z.ai. De fabrikant positioneert het voor lage latentie en gelijktijdige toepassingstaken, met bijzondere aandacht voor het volgen van instructies, technische code en functieaanroepen. Het model accepteert tekst en geeft tekst terug. Het eigen profiel noemt een contextvenster van 8K tokens en maximaal 4K tokens uitvoer. Dat verschilt van de grotere context die voor GLM-4-Air-250414 wordt geadverteerd; AirX behoudt het eigen gepubliceerde profiel.
Voor een interactieve assistent betekent dit gerichte verzoeken: leg een functie uit, classificeer een bericht, extraheer de velden uit een aangeleverde alinea of zet een technische instructie om in een beknopt antwoord. Geef het relevante fragment, de huidige vraag en het gewenste resultaat samen. Houd het volledige gesprek en eventuele toolwaarnemingen binnen de actieve context in plaats van aan te nemen dat een groot achtergrondcorpus past.
De GLM-4-beschrijving vermeldt gestreamde tekst, functieaanroepen, contextcaching, gestructureerde formaten zoals JSON en integratie met MCP-tools en gegevensbronnen. Streaming toont het antwoord terwijl het wordt gegenereerd, zodat een toepassing al bruikbare tekst kan weergeven voordat het volledige antwoord aankomt. Het verandert de levering, niet de invoer- of uitvoermodaliteit van het model.
Functieaanroepen laten het model een actie voorstellen uit de functies die de toepassing beschrijft. De toepassing voert die actie uit en geeft de waarneming terug. Een geschikte cyclus is een kleine opzoekactie gevolgd door een beknopte uitleg van de teruggegeven gegevens. Ook MCP-integratie hangt af van de tools en gegevens die de toepassing aanbiedt. Contextcaching betreft hergebruik van herhaalde invoer; het betekent niet dat elk herhaald gesprek een cachetreffer heeft opgeleverd.
Geef voor een JSON-resultaat de velden en hun betekenis op voordat u het materiaal aanbiedt. Lever bijvoorbeeld een technisch verzoek aan en vraag om de categorie, de vereiste actie en de onbeantwoorde vragen. De resulterende structuur is bruikbaar voor de volgende toepassingsstap, terwijl de waarden nog steeds tegen de aangeleverde tekst moeten worden gecontroleerd.
De fabrikant noemt vertaling, semantische classificatie, extractie van documentvelden, marketingteksten, analytische rapporten en reisplanning als GLM-4-toepassingen. Het kortere profiel van AirX bevordert de directe stap binnen zo'n workflow. Een vertaalverzoek kan een korte passage, doelgroep en terminologie geven; de uitvoer is een herschreven passage die de vereiste namen behoudt. Een classificatieverzoek kan toegestane labels en definities bevatten, in plaats van om een onbepaald oordeel te vragen.
Definieer bij extractie de gevraagde identificatoren en overige velden en neem alleen de relevante bronpassage op. Geef bij schrijfwerk de productfeiten en één resultaat, zoals een productalinea of campagneregel. Geef voor een rapport of reisplan de relevante feiten en beperkingen voor de huidige stap door. Als actuele informatie nodig is, levert de zoek- of gegevenstool van de toepassing die aan; het model werkt daarna met dat teruggegeven materiaal.
AirX wordt beschreven als voorgetraind op 15 biljoen tokens, waaronder veel synthetisch redeneermateriaal. De natraining gebruikt afstemming op dialoogvoorkeuren, rejection sampling en versterkend leren om instructieopvolging, technische code en functiegebruik te versterken. De fabrikant presenteert het als een snellere variant van GLM-4-Air-250414, met wijzigingen in onderliggende componenten voor prompt-prefilling en autoregressieve decodering. Dit beschrijft het ontwerp van de fabrikant en is geen gemeten latentie- of gelijktijdigheidsgarantie voor een specifieke implementatie.
Geef AirX één afgebakende taak en een compact verwacht resultaat. Neem voor code de functie, relevante invoerwaarden en het vereiste gedrag op en vraag dan om een gecorrigeerd fragment met uitleg. Zet bij gestructureerde extractie de velddefinities vóór de passage en vraag om ontbrekende informatie expliciet te markeren. Plan het resultaat binnen het gepubliceerde uitvoerprofiel van 4K; verdeel een groot rapport in gerichte taken in plaats van een onbeperkt document uit één antwoord te verwachten.
", "aboutText": "### Overzicht en modelprofiel\n\nGLM-4-AirX is de snelle variant binnen de GLM-4 Air-reeks van Z.ai. De fabrikant positioneert het voor lage latentie en gelijktijdige toepassingstaken, met bijzondere aandacht voor het volgen van instructies, technische code en functieaanroepen. Het model accepteert tekst en geeft tekst terug. Het eigen profiel noemt een contextvenster van 8K tokens en maximaal 4K tokens uitvoer. Dat verschilt van de grotere context die voor GLM-4-Air-250414 wordt geadverteerd; AirX behoudt het eigen gepubliceerde profiel.\n\nVoor een interactieve assistent betekent dit gerichte verzoeken: leg een functie uit, classificeer een bericht, extraheer de velden uit een aangeleverde alinea of zet een technische instructie om in een beknopt antwoord. Geef het relevante fragment, de huidige vraag en het gewenste resultaat samen. Houd het volledige gesprek en eventuele toolwaarnemingen binnen de actieve context in plaats van aan te nemen dat een groot achtergrondcorpus past.\n\n### Ondersteunde mogelijkheden\n\nDe GLM-4-beschrijving vermeldt gestreamde tekst, functieaanroepen, contextcaching, gestructureerde formaten zoals JSON en integratie met MCP-tools en gegevensbronnen. Streaming toont het antwoord terwijl het wordt gegenereerd, zodat een toepassing al bruikbare tekst kan weergeven voordat het volledige antwoord aankomt. Het verandert de levering, niet de invoer- of uitvoermodaliteit van het model.\n\nFunctieaanroepen laten het model een actie voorstellen uit de functies die de toepassing beschrijft. De toepassing voert die actie uit en geeft de waarneming terug. Een geschikte cyclus is een kleine opzoekactie gevolgd door een beknopte uitleg van de teruggegeven gegevens. Ook MCP-integratie hangt af van de tools en gegevens die de toepassing aanbiedt. Contextcaching betreft hergebruik van herhaalde invoer; het betekent niet dat elk herhaald gesprek een cachetreffer heeft opgeleverd.\n\nGeef voor een JSON-resultaat de velden en hun betekenis op voordat u het materiaal aanbiedt. Lever bijvoorbeeld een technisch verzoek aan en vraag om de categorie, de vereiste actie en de onbeantwoorde vragen. De resulterende structuur is bruikbaar voor de volgende toepassingsstap, terwijl de waarden nog steeds tegen de aangeleverde tekst moeten worden gecontroleerd.\n\n### Aanbevolen toepassingen\n\nDe fabrikant noemt vertaling, semantische classificatie, extractie van documentvelden, marketingteksten, analytische rapporten en reisplanning als GLM-4-toepassingen. Het kortere profiel van AirX bevordert de directe stap binnen zo'n workflow. Een vertaalverzoek kan een korte passage, doelgroep en terminologie geven; de uitvoer is een herschreven passage die de vereiste namen behoudt. Een classificatieverzoek kan toegestane labels en definities bevatten, in plaats van om een onbepaald oordeel te vragen.\n\nDefinieer bij extractie de gevraagde identificatoren en overige velden en neem alleen de relevante bronpassage op. Geef bij schrijfwerk de productfeiten en één resultaat, zoals een productalinea of campagneregel. Geef voor een rapport of reisplan de relevante feiten en beperkingen voor de huidige stap door. Als actuele informatie nodig is, levert de zoek- of gegevenstool van de toepassing die aan; het model werkt daarna met dat teruggegeven materiaal.\n\n### Gedetailleerde voorbereiding en snelheidsfocus\n\nAirX wordt beschreven als voorgetraind op 15 biljoen tokens, waaronder veel synthetisch redeneermateriaal. De natraining gebruikt afstemming op dialoogvoorkeuren, rejection sampling en versterkend leren om instructieopvolging, technische code en functiegebruik te versterken. De fabrikant presenteert het als een snellere variant van GLM-4-Air-250414, met wijzigingen in onderliggende componenten voor prompt-prefilling en autoregressieve decodering. Dit beschrijft het ontwerp van de fabrikant en is geen gemeten latentie- of gelijktijdigheidsgarantie voor een specifieke implementatie.\n\n### Bereid een bruikbaar verzoek voor\n\nGeef AirX één afgebakende taak en een compact verwacht resultaat. Neem voor code de functie, relevante invoerwaarden en het vereiste gedrag op en vraag dan om een gecorrigeerd fragment met uitleg. Zet bij gestructureerde extractie de velddefinities vóór de passage en vraag om ontbrekende informatie expliciet te markeren. Plan het resultaat binnen het gepubliceerde uitvoerprofiel van 4K; verdeel een groot rapport in gerichte taken in plaats van een onbeperkt document uit één antwoord te verwachten.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "88790578ffa325aca0a97e167a5f44ba6dba005c6900fe08656999298afe4939", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "nl", "methods": [ { "html": "glm-4-airxGLM-4-AirX is het op snelheid gerichte tekstmodel van Z.ai voor gesprekken met lage latentie, programmeren en workflows met tools. Het gepubliceerde profiel specificeert 8K context en maximaal 4K uitvoer, geschikt voor gerichte taken met beknopte, gestructureerde resultaten.
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-AirX is de snelle variant binnen de GLM-4 Air-reeks van Z.ai. De fabrikant positioneert het voor lage latentie en gelijktijdige toepassingstaken, met bijzondere aandacht voor het volgen van instructies, technische code en functieaanroepen. Het model accepteert tekst en geeft tekst terug. Het eigen profiel noemt een contextvenster van 8K tokens en maximaal 4K tokens uitvoer. Dat verschilt van de grotere context die voor GLM-4-Air-250414 wordt geadverteerd; AirX behoudt het eigen gepubliceerde profiel.
Voor een interactieve assistent betekent dit gerichte verzoeken: leg een functie uit, classificeer een bericht, extraheer de velden uit een aangeleverde alinea of zet een technische instructie om in een beknopt antwoord. Geef het relevante fragment, de huidige vraag en het gewenste resultaat samen. Houd het volledige gesprek en eventuele toolwaarnemingen binnen de actieve context in plaats van aan te nemen dat een groot achtergrondcorpus past.
De GLM-4-beschrijving vermeldt gestreamde tekst, functieaanroepen, contextcaching, gestructureerde formaten zoals JSON en integratie met MCP-tools en gegevensbronnen. Streaming toont het antwoord terwijl het wordt gegenereerd, zodat een toepassing al bruikbare tekst kan weergeven voordat het volledige antwoord aankomt. Het verandert de levering, niet de invoer- of uitvoermodaliteit van het model.
Functieaanroepen laten het model een actie voorstellen uit de functies die de toepassing beschrijft. De toepassing voert die actie uit en geeft de waarneming terug. Een geschikte cyclus is een kleine opzoekactie gevolgd door een beknopte uitleg van de teruggegeven gegevens. Ook MCP-integratie hangt af van de tools en gegevens die de toepassing aanbiedt. Contextcaching betreft hergebruik van herhaalde invoer; het betekent niet dat elk herhaald gesprek een cachetreffer heeft opgeleverd.
Geef voor een JSON-resultaat de velden en hun betekenis op voordat u het materiaal aanbiedt. Lever bijvoorbeeld een technisch verzoek aan en vraag om de categorie, de vereiste actie en de onbeantwoorde vragen. De resulterende structuur is bruikbaar voor de volgende toepassingsstap, terwijl de waarden nog steeds tegen de aangeleverde tekst moeten worden gecontroleerd.
De fabrikant noemt vertaling, semantische classificatie, extractie van documentvelden, marketingteksten, analytische rapporten en reisplanning als GLM-4-toepassingen. Het kortere profiel van AirX bevordert de directe stap binnen zo'n workflow. Een vertaalverzoek kan een korte passage, doelgroep en terminologie geven; de uitvoer is een herschreven passage die de vereiste namen behoudt. Een classificatieverzoek kan toegestane labels en definities bevatten, in plaats van om een onbepaald oordeel te vragen.
Definieer bij extractie de gevraagde identificatoren en overige velden en neem alleen de relevante bronpassage op. Geef bij schrijfwerk de productfeiten en één resultaat, zoals een productalinea of campagneregel. Geef voor een rapport of reisplan de relevante feiten en beperkingen voor de huidige stap door. Als actuele informatie nodig is, levert de zoek- of gegevenstool van de toepassing die aan; het model werkt daarna met dat teruggegeven materiaal.
AirX wordt beschreven als voorgetraind op 15 biljoen tokens, waaronder veel synthetisch redeneermateriaal. De natraining gebruikt afstemming op dialoogvoorkeuren, rejection sampling en versterkend leren om instructieopvolging, technische code en functiegebruik te versterken. De fabrikant presenteert het als een snellere variant van GLM-4-Air-250414, met wijzigingen in onderliggende componenten voor prompt-prefilling en autoregressieve decodering. Dit beschrijft het ontwerp van de fabrikant en is geen gemeten latentie- of gelijktijdigheidsgarantie voor een specifieke implementatie.
Geef AirX één afgebakende taak en een compact verwacht resultaat. Neem voor code de functie, relevante invoerwaarden en het vereiste gedrag op en vraag dan om een gecorrigeerd fragment met uitleg. Zet bij gestructureerde extractie de velddefinities vóór de passage en vraag om ontbrekende informatie expliciet te markeren. Plan het resultaat binnen het gepubliceerde uitvoerprofiel van 4K; verdeel een groot rapport in gerichte taken in plaats van een onbeperkt document uit één antwoord te verwachten.
POST /v1/chat/completionstexttext| Veld | Type | Vereiste | Waarden en limieten | Standaard |
|---|---|---|---|---|
Veldmodel | Typestring | VereisteVereist | Waarden en limieten glm-4-airx | 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 $0.0028 / 1K tokens Invoer · Cache lezen — / 1K tokens Invoer · Cache schrijven — / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
| ConfiguratieNiveau 1 voor aanvraaglengte | Tariefstaffel— | Contexttokens, meer dan0 | Contexttokens, tot en metGeen bovengrens | Kosten Invoer · Invoertokens $0.0028 / 1K tokens Uitvoer · Uitvoertokens $0.0028 / 1K tokens Invoer · Cache lezen — / 1K tokens Invoer · Cache schrijven — / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
Ailoot reserveert vóór een verzoek een geschat bedrag. Na het resultaat worden de uiteindelijke kosten afgerekend op basis van het gemeten verbruik. Bij streaming gebeurt de afrekening op basis van de definitieve verbruiksregistratie. Zo werken reservering en afrekening →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model":"glm-4-airx","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-4-airx", 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 Ultra glm-4-airx
/chat/completions
glm-4-airxGLM-4-AirX is het op snelheid gerichte tekstmodel van Z.ai voor gesprekken met lage latentie, programmeren en workflows met tools. Het gepubliceerde profiel specificeert 8K context en maximaal 4K uitvoer, geschikt voor gerichte taken met beknopte, gestructureerde resultaten.
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-AirX is de snelle variant binnen de GLM-4 Air-reeks van Z.ai. De fabrikant positioneert het voor lage latentie en gelijktijdige toepassingstaken, met bijzondere aandacht voor het volgen van instructies, technische code en functieaanroepen. Het model accepteert tekst en geeft tekst terug. Het eigen profiel noemt een contextvenster van 8K tokens en maximaal 4K tokens uitvoer. Dat verschilt van de grotere context die voor GLM-4-Air-250414 wordt geadverteerd; AirX behoudt het eigen gepubliceerde profiel.
Voor een interactieve assistent betekent dit gerichte verzoeken: leg een functie uit, classificeer een bericht, extraheer de velden uit een aangeleverde alinea of zet een technische instructie om in een beknopt antwoord. Geef het relevante fragment, de huidige vraag en het gewenste resultaat samen. Houd het volledige gesprek en eventuele toolwaarnemingen binnen de actieve context in plaats van aan te nemen dat een groot achtergrondcorpus past.
De GLM-4-beschrijving vermeldt gestreamde tekst, functieaanroepen, contextcaching, gestructureerde formaten zoals JSON en integratie met MCP-tools en gegevensbronnen. Streaming toont het antwoord terwijl het wordt gegenereerd, zodat een toepassing al bruikbare tekst kan weergeven voordat het volledige antwoord aankomt. Het verandert de levering, niet de invoer- of uitvoermodaliteit van het model.
Functieaanroepen laten het model een actie voorstellen uit de functies die de toepassing beschrijft. De toepassing voert die actie uit en geeft de waarneming terug. Een geschikte cyclus is een kleine opzoekactie gevolgd door een beknopte uitleg van de teruggegeven gegevens. Ook MCP-integratie hangt af van de tools en gegevens die de toepassing aanbiedt. Contextcaching betreft hergebruik van herhaalde invoer; het betekent niet dat elk herhaald gesprek een cachetreffer heeft opgeleverd.
Geef voor een JSON-resultaat de velden en hun betekenis op voordat u het materiaal aanbiedt. Lever bijvoorbeeld een technisch verzoek aan en vraag om de categorie, de vereiste actie en de onbeantwoorde vragen. De resulterende structuur is bruikbaar voor de volgende toepassingsstap, terwijl de waarden nog steeds tegen de aangeleverde tekst moeten worden gecontroleerd.
De fabrikant noemt vertaling, semantische classificatie, extractie van documentvelden, marketingteksten, analytische rapporten en reisplanning als GLM-4-toepassingen. Het kortere profiel van AirX bevordert de directe stap binnen zo'n workflow. Een vertaalverzoek kan een korte passage, doelgroep en terminologie geven; de uitvoer is een herschreven passage die de vereiste namen behoudt. Een classificatieverzoek kan toegestane labels en definities bevatten, in plaats van om een onbepaald oordeel te vragen.
Definieer bij extractie de gevraagde identificatoren en overige velden en neem alleen de relevante bronpassage op. Geef bij schrijfwerk de productfeiten en één resultaat, zoals een productalinea of campagneregel. Geef voor een rapport of reisplan de relevante feiten en beperkingen voor de huidige stap door. Als actuele informatie nodig is, levert de zoek- of gegevenstool van de toepassing die aan; het model werkt daarna met dat teruggegeven materiaal.
AirX wordt beschreven als voorgetraind op 15 biljoen tokens, waaronder veel synthetisch redeneermateriaal. De natraining gebruikt afstemming op dialoogvoorkeuren, rejection sampling en versterkend leren om instructieopvolging, technische code en functiegebruik te versterken. De fabrikant presenteert het als een snellere variant van GLM-4-Air-250414, met wijzigingen in onderliggende componenten voor prompt-prefilling en autoregressieve decodering. Dit beschrijft het ontwerp van de fabrikant en is geen gemeten latentie- of gelijktijdigheidsgarantie voor een specifieke implementatie.
Geef AirX één afgebakende taak en een compact verwacht resultaat. Neem voor code de functie, relevante invoerwaarden en het vereiste gedrag op en vraag dan om een gecorrigeerd fragment met uitleg. Zet bij gestructureerde extractie de velddefinities vóór de passage en vraag om ontbrekende informatie expliciet te markeren. Plan het resultaat binnen het gepubliceerde uitvoerprofiel van 4K; verdeel een groot rapport in gerichte taken in plaats van een onbeperkt document uit één antwoord te verwachten.
POST /v1/messagestextjson, sse| Veld | Type | Vereiste | Waarden en limieten | Standaard |
|---|---|---|---|---|
Veldmodel | Typestring | VereisteVereist | Waarden en limieten glm-4-airx | 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 $0.0028 / 1K tokens Invoer · Cache lezen — / 1K tokens Invoer · Cache schrijven — / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
| ConfiguratieNiveau 1 voor aanvraaglengte | Tariefstaffel— | Contexttokens, meer dan0 | Contexttokens, tot en metGeen bovengrens | Kosten Invoer · Invoertokens $0.0028 / 1K tokens Uitvoer · Uitvoertokens $0.0028 / 1K tokens Invoer · Cache lezen — / 1K tokens Invoer · Cache schrijven — / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
Ailoot reserveert vóór een verzoek een geschat bedrag. Na het resultaat worden de uiteindelijke kosten afgerekend op basis van het gemeten verbruik. Bij streaming gebeurt de afrekening op basis van de definitieve verbruiksregistratie. Zo werken reservering en afrekening →
{\n "model": "glm-4-airx",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'glm-4-airx', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'glm-4-airx', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON of SSE
Bewaar elk volledig teruggegeven antwoord, bestand en inhoudsonderdeel.
Bewaar alle inhoudsblokken, handtekeningen van redeneringen en werkelijke toolgebruik-ID’s. Voeg alle SSE-blokdelta’s samen; het eerste tekstblok is niet de volledige uitvoer.
Bewaar aanvraag-/antwoord-ID’s en headers. Er wordt geen algemene URL meegeleverd om teksttaken op te halen.
| Veld | Type |
|---|---|
Veldid | Typestring |
Veldmodel | Typestring |
Veldcontent[] | Typetext|thinking|tool_use|other content block |
Veldstop_reason | Typestring|null |
Veldusage | Typeobject |
| Antwoord | Voorwaarde | Volgende stap |
|---|---|---|
Antwoord400 · invalid_request_error | VoorwaardeVerplichte velden, de materiaalrepresentatie of een parameterwaarde zijn ongeldig | Volgende stapCorrigeer de aangegeven velden vóór een nieuwe aanmaakaanvraag. |
Ailoot Ultra glm-4-airx
/chat/completions