GLM-4-32B-0414 is de vaste teksteditie in de 32B-klasse binnen de GLM-4-0414-serie van Z.ai. De basis is voorgetraind op 15 biljoen tokens, inclusief synthetisch redeneermateriaal. De natraining combineert afstemming op gespreksvoorkeuren, rejection sampling en reinforcement learning om instructievolging, technische code en functieaanroepen te ontwikkelen. Het genoemde werk omvat softwaretaken, tekstproducten, zoekgestuurde vragen en rapporten. Invoer en uitvoer zijn tekst; gegenereerde code wordt een uitvoerbaar of gerenderd eindproduct wanneer de toepassing die opslaat en uitvoert.
De op redeneren gerichte GLM-Z1-32B-0414 en het onderzoeksgerichte Rumination-model zijn afzonderlijk benoemde edities. Deze vermelding volgt de eigen bredere code- en tooldemonstraties van het GLM-4-model en vervangt die niet door de denkregels van een andere release.
De maker demonstreert het programmeren van een bewegende bal in een draaiende zeshoek. Het GLM-4-32B-0414-voorbeeld gebruikt HTML en beschrijft de beweging, botsingen en fysieke aannames. Dit is code voor een simulatie, geen videogeneratiemodus. Geef om een vergelijkbare taak voor te bereiden de scène, bewegingsregels, het botsingsgedrag en de beoogde runtime en vraag vervolgens om een zelfstandige implementatie en uitleg van de aannames. De toepassing voert die code uit om het resultaat te inspecteren.
De voorbeelden omvatten een tekeninterface voor aangepaste functiegrafieken, met functies toevoegen en verwijderen en kleuren toewijzen. Een ander voorbeeld bouwt een mobiele machinelearninginterface met trainingstaken, opslagbeheer en persoonlijke statistieken, inclusief grafieken, in een HTML-pagina. Dit zijn concrete frontendtaken met gespecificeerde bedieningselementen en toestanden.
Beschrijf voor bruikbare uitvoer de acties die elk bedieningselement moet ondersteunen en de gegevens die de weergave moet tonen. Een interfaceverzoek kan vragen om de paginacode plus het verband tussen invoer, weergegeven toestand en resultaat. Een volgende beurt kan de waargenomen weergave aanleveren en om een gerichte wijziging vragen met behoud van het genoemde gedrag.
De maker demonstreert ook SVG-illustraties, waaronder een landschap en een uitleg van het trainingsproces van een taalmodel. SVG is gestructureerde tekst, dus de toepassing kan die opslaan als een bewerkbaar vectorbestand. Lever het onderwerp, de labels, indeling en vereiste visuele verbanden aan. Vraag om de SVG-markup als afzonderlijk eindproduct in plaats van de illustratiecode te vermengen met een lange, niet-gerelateerde uitleg.
Voor onderzoeksschrijven levert de modelkaart zoekresultaten aan als observaties en vraagt zij het model die te ordenen en interpreteren in plaats van te kopiëren. De instructies onderscheiden relevante van irrelevante resultaten, geven de voorkeur aan betekenisvolle details wanneer het bewijs dat toelaat, gebruiken een leesbare structuur en antwoorden in de taal van de gebruiker. Het voorbeeld produceert een analytisch rapport over kinderliteratuur, met vertelmethoden, thema's en hun effecten.
Een praktische taak kan benoemde fragmenten aanleveren en om een rapport rond expliciete vragen vragen, met elke conclusie verbonden aan het ondersteunende materiaal. Zoeken en retrieval gebeuren in de omringende toepassing; de teruggegeven passages worden het bewijsmateriaal van het model. Dit is ook nuttig voor het vergelijken van documenten of het voorbereiden van een uitleg uit een aangeleverde onderzoekscollectie.
GLM-4-32B-0414 ondersteunt externe toolaanroepen met JSON-argumenten. Het model identificeert een functie en haar argumenten, de toepassing voert die uit en het resultaat wordt als observatie teruggegeven. De demonstratie van de maker herhaalt die cyclus totdat een eindantwoord wordt geproduceerd. Beschrijf het doel en de vereiste velden van elke tool en onderscheid de observatie van de instructie van de gebruiker. Een opzoekactie kan zo gegevens leveren voor een latere vergelijking zonder te doen alsof het model zelfstandig actuele informatie heeft verkregen.
De gepubliceerde configuratie stelt max_position_embeddings in op 32.768 en bevat geen rope_scaling-vermelding. De uitgewerkte voorbeelden van de maker gebruiken verzoekspecifieke generatielengtes; de modelkaart geeft geen universeel hard uitvoermaximum. Houd relevante code, opgehaalde passages en gesprekken binnen de actieve context en vermeld of het eindresultaat HTML, SVG, een codefragment, JSON-argumenten of een rapport moet zijn. Dit zijn tekstrepresentaties die voor de beschreven taak worden geproduceerd; uitvoering, bestandscreatie en toegang tot externe gegevens blijven acties van de toepassing.
", "aboutText": "### Inleiding\n\nGLM-4-32B-0414 is de vaste teksteditie in de 32B-klasse binnen de GLM-4-0414-serie van Z.ai. De basis is voorgetraind op 15 biljoen tokens, inclusief synthetisch redeneermateriaal. De natraining combineert afstemming op gespreksvoorkeuren, rejection sampling en reinforcement learning om instructievolging, technische code en functieaanroepen te ontwikkelen. Het genoemde werk omvat softwaretaken, tekstproducten, zoekgestuurde vragen en rapporten. Invoer en uitvoer zijn tekst; gegenereerde code wordt een uitvoerbaar of gerenderd eindproduct wanneer de toepassing die opslaat en uitvoert.\n\nDe op redeneren gerichte GLM-Z1-32B-0414 en het onderzoeksgerichte Rumination-model zijn afzonderlijk benoemde edities. Deze vermelding volgt de eigen bredere code- en tooldemonstraties van het GLM-4-model en vervangt die niet door de denkregels van een andere release.\n\n### Demonstratie: animatie genereren\n\nDe maker demonstreert het programmeren van een bewegende bal in een draaiende zeshoek. Het GLM-4-32B-0414-voorbeeld gebruikt HTML en beschrijft de beweging, botsingen en fysieke aannames. Dit is code voor een simulatie, geen videogeneratiemodus. Geef om een vergelijkbare taak voor te bereiden de scène, bewegingsregels, het botsingsgedrag en de beoogde runtime en vraag vervolgens om een zelfstandige implementatie en uitleg van de aannames. De toepassing voert die code uit om het resultaat te inspecteren.\n\n### Demonstratie: webontwerp\n\nDe voorbeelden omvatten een tekeninterface voor aangepaste functiegrafieken, met functies toevoegen en verwijderen en kleuren toewijzen. Een ander voorbeeld bouwt een mobiele machinelearninginterface met trainingstaken, opslagbeheer en persoonlijke statistieken, inclusief grafieken, in een HTML-pagina. Dit zijn concrete frontendtaken met gespecificeerde bedieningselementen en toestanden.\n\nBeschrijf voor bruikbare uitvoer de acties die elk bedieningselement moet ondersteunen en de gegevens die de weergave moet tonen. Een interfaceverzoek kan vragen om de paginacode plus het verband tussen invoer, weergegeven toestand en resultaat. Een volgende beurt kan de waargenomen weergave aanleveren en om een gerichte wijziging vragen met behoud van het genoemde gedrag.\n\n### Demonstratie: SVG genereren\n\nDe maker demonstreert ook SVG-illustraties, waaronder een landschap en een uitleg van het trainingsproces van een taalmodel. SVG is gestructureerde tekst, dus de toepassing kan die opslaan als een bewerkbaar vectorbestand. Lever het onderwerp, de labels, indeling en vereiste visuele verbanden aan. Vraag om de SVG-markup als afzonderlijk eindproduct in plaats van de illustratiecode te vermengen met een lange, niet-gerelateerde uitleg.\n\n### Zoekgestuurd schrijven\n\nVoor onderzoeksschrijven levert de modelkaart zoekresultaten aan als observaties en vraagt zij het model die te ordenen en interpreteren in plaats van te kopiëren. De instructies onderscheiden relevante van irrelevante resultaten, geven de voorkeur aan betekenisvolle details wanneer het bewijs dat toelaat, gebruiken een leesbare structuur en antwoorden in de taal van de gebruiker. Het voorbeeld produceert een analytisch rapport over kinderliteratuur, met vertelmethoden, thema's en hun effecten.\n\nEen praktische taak kan benoemde fragmenten aanleveren en om een rapport rond expliciete vragen vragen, met elke conclusie verbonden aan het ondersteunende materiaal. Zoeken en retrieval gebeuren in de omringende toepassing; de teruggegeven passages worden het bewijsmateriaal van het model. Dit is ook nuttig voor het vergelijken van documenten of het voorbereiden van een uitleg uit een aangeleverde onderzoekscollectie.\n\n### Functieaanroepen\n\nGLM-4-32B-0414 ondersteunt externe toolaanroepen met JSON-argumenten. Het model identificeert een functie en haar argumenten, de toepassing voert die uit en het resultaat wordt als observatie teruggegeven. De demonstratie van de maker herhaalt die cyclus totdat een eindantwoord wordt geproduceerd. Beschrijf het doel en de vereiste velden van elke tool en onderscheid de observatie van de instructie van de gebruiker. Een opzoekactie kan zo gegevens leveren voor een latere vergelijking zonder te doen alsof het model zelfstandig actuele informatie heeft verkregen.\n\n### Context en resultaatplanning\n\nDe gepubliceerde configuratie stelt max_position_embeddings in op 32.768 en bevat geen rope_scaling-vermelding. De uitgewerkte voorbeelden van de maker gebruiken verzoekspecifieke generatielengtes; de modelkaart geeft geen universeel hard uitvoermaximum. Houd relevante code, opgehaalde passages en gesprekken binnen de actieve context en vermeld of het eindresultaat HTML, SVG, een codefragment, JSON-argumenten of een rapport moet zijn. Dit zijn tekstrepresentaties die voor de beschreven taak worden geproduceerd; uitvoering, bestandscreatie en toegang tot externe gegevens blijven acties van de toepassing.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisch voorbeeld in het Engels
Generate an editable process diagram\n\nCreate self-contained SVG markup for a left-to-right process: Receive -> Validate -> Store. Use three labelled rectangles and two arrows; all labels must remain readable in a 720 by 180 viewBox. Use no scripts, external fonts or external images. Return SVG code and a brief explanation of how the arrows encode the required order.A standalone editable SVG code block with three named nodes and two directional arrows, followed by a short order explanation.Render the SVG locally and check the exact labels, arrow direction and absence of clipped text or external dependencies.THUDM/GLM-4-32B-0414GLM-4-32B-0414 is de vaste teksteditie van Z.ai voor technische code, interactieve HTML/SVG-bestanden, zoekgestuurde rapporten en JSON-functieaanroepen. De modelkaart toont concrete ontwikkelworkflows en een door de toepassing bestuurde toolcyclus.
Deze beschrijving gaat over de mogelijkheden van het model. De via Ailoot beschikbare invoer, uitvoer en opties staan hieronder voor de geselecteerde methode.
GLM-4-32B-0414 is de vaste teksteditie in de 32B-klasse binnen de GLM-4-0414-serie van Z.ai. De basis is voorgetraind op 15 biljoen tokens, inclusief synthetisch redeneermateriaal. De natraining combineert afstemming op gespreksvoorkeuren, rejection sampling en reinforcement learning om instructievolging, technische code en functieaanroepen te ontwikkelen. Het genoemde werk omvat softwaretaken, tekstproducten, zoekgestuurde vragen en rapporten. Invoer en uitvoer zijn tekst; gegenereerde code wordt een uitvoerbaar of gerenderd eindproduct wanneer de toepassing die opslaat en uitvoert.
De op redeneren gerichte GLM-Z1-32B-0414 en het onderzoeksgerichte Rumination-model zijn afzonderlijk benoemde edities. Deze vermelding volgt de eigen bredere code- en tooldemonstraties van het GLM-4-model en vervangt die niet door de denkregels van een andere release.
De maker demonstreert het programmeren van een bewegende bal in een draaiende zeshoek. Het GLM-4-32B-0414-voorbeeld gebruikt HTML en beschrijft de beweging, botsingen en fysieke aannames. Dit is code voor een simulatie, geen videogeneratiemodus. Geef om een vergelijkbare taak voor te bereiden de scène, bewegingsregels, het botsingsgedrag en de beoogde runtime en vraag vervolgens om een zelfstandige implementatie en uitleg van de aannames. De toepassing voert die code uit om het resultaat te inspecteren.
De voorbeelden omvatten een tekeninterface voor aangepaste functiegrafieken, met functies toevoegen en verwijderen en kleuren toewijzen. Een ander voorbeeld bouwt een mobiele machinelearninginterface met trainingstaken, opslagbeheer en persoonlijke statistieken, inclusief grafieken, in een HTML-pagina. Dit zijn concrete frontendtaken met gespecificeerde bedieningselementen en toestanden.
Beschrijf voor bruikbare uitvoer de acties die elk bedieningselement moet ondersteunen en de gegevens die de weergave moet tonen. Een interfaceverzoek kan vragen om de paginacode plus het verband tussen invoer, weergegeven toestand en resultaat. Een volgende beurt kan de waargenomen weergave aanleveren en om een gerichte wijziging vragen met behoud van het genoemde gedrag.
De maker demonstreert ook SVG-illustraties, waaronder een landschap en een uitleg van het trainingsproces van een taalmodel. SVG is gestructureerde tekst, dus de toepassing kan die opslaan als een bewerkbaar vectorbestand. Lever het onderwerp, de labels, indeling en vereiste visuele verbanden aan. Vraag om de SVG-markup als afzonderlijk eindproduct in plaats van de illustratiecode te vermengen met een lange, niet-gerelateerde uitleg.
Voor onderzoeksschrijven levert de modelkaart zoekresultaten aan als observaties en vraagt zij het model die te ordenen en interpreteren in plaats van te kopiëren. De instructies onderscheiden relevante van irrelevante resultaten, geven de voorkeur aan betekenisvolle details wanneer het bewijs dat toelaat, gebruiken een leesbare structuur en antwoorden in de taal van de gebruiker. Het voorbeeld produceert een analytisch rapport over kinderliteratuur, met vertelmethoden, thema's en hun effecten.
Een praktische taak kan benoemde fragmenten aanleveren en om een rapport rond expliciete vragen vragen, met elke conclusie verbonden aan het ondersteunende materiaal. Zoeken en retrieval gebeuren in de omringende toepassing; de teruggegeven passages worden het bewijsmateriaal van het model. Dit is ook nuttig voor het vergelijken van documenten of het voorbereiden van een uitleg uit een aangeleverde onderzoekscollectie.
GLM-4-32B-0414 ondersteunt externe toolaanroepen met JSON-argumenten. Het model identificeert een functie en haar argumenten, de toepassing voert die uit en het resultaat wordt als observatie teruggegeven. De demonstratie van de maker herhaalt die cyclus totdat een eindantwoord wordt geproduceerd. Beschrijf het doel en de vereiste velden van elke tool en onderscheid de observatie van de instructie van de gebruiker. Een opzoekactie kan zo gegevens leveren voor een latere vergelijking zonder te doen alsof het model zelfstandig actuele informatie heeft verkregen.
De gepubliceerde configuratie stelt max_position_embeddings in op 32.768 en bevat geen rope_scaling-vermelding. De uitgewerkte voorbeelden van de maker gebruiken verzoekspecifieke generatielengtes; de modelkaart geeft geen universeel hard uitvoermaximum. Houd relevante code, opgehaalde passages en gesprekken binnen de actieve context en vermeld of het eindresultaat HTML, SVG, een codefragment, JSON-argumenten of een rapport moet zijn. Dit zijn tekstrepresentaties die voor de beschreven taak worden geproduceerd; uitvoering, bestandscreatie en toegang tot externe gegevens blijven acties van de toepassing.
POST /v1/chat/completionstexttext| Veld | Type | Vereiste | Waarden en limieten | Standaard |
|---|---|---|---|---|
Veldmodel | Typestring | VereisteVereist | Waarden en limieten THUDM/GLM-4-32B-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-4-32B-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-4-32B-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-4-32B-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-4-32B-0414
Gebruik de hierboven getoonde methodepaden.
THUDM/GLM-4-32B-0414GLM-4-32B-0414 is de vaste teksteditie van Z.ai voor technische code, interactieve HTML/SVG-bestanden, zoekgestuurde rapporten en JSON-functieaanroepen. De modelkaart toont concrete ontwikkelworkflows en een door de toepassing bestuurde toolcyclus.
Deze beschrijving gaat over de mogelijkheden van het model. De via Ailoot beschikbare invoer, uitvoer en opties staan hieronder voor de geselecteerde methode.
GLM-4-32B-0414 is de vaste teksteditie in de 32B-klasse binnen de GLM-4-0414-serie van Z.ai. De basis is voorgetraind op 15 biljoen tokens, inclusief synthetisch redeneermateriaal. De natraining combineert afstemming op gespreksvoorkeuren, rejection sampling en reinforcement learning om instructievolging, technische code en functieaanroepen te ontwikkelen. Het genoemde werk omvat softwaretaken, tekstproducten, zoekgestuurde vragen en rapporten. Invoer en uitvoer zijn tekst; gegenereerde code wordt een uitvoerbaar of gerenderd eindproduct wanneer de toepassing die opslaat en uitvoert.
De op redeneren gerichte GLM-Z1-32B-0414 en het onderzoeksgerichte Rumination-model zijn afzonderlijk benoemde edities. Deze vermelding volgt de eigen bredere code- en tooldemonstraties van het GLM-4-model en vervangt die niet door de denkregels van een andere release.
De maker demonstreert het programmeren van een bewegende bal in een draaiende zeshoek. Het GLM-4-32B-0414-voorbeeld gebruikt HTML en beschrijft de beweging, botsingen en fysieke aannames. Dit is code voor een simulatie, geen videogeneratiemodus. Geef om een vergelijkbare taak voor te bereiden de scène, bewegingsregels, het botsingsgedrag en de beoogde runtime en vraag vervolgens om een zelfstandige implementatie en uitleg van de aannames. De toepassing voert die code uit om het resultaat te inspecteren.
De voorbeelden omvatten een tekeninterface voor aangepaste functiegrafieken, met functies toevoegen en verwijderen en kleuren toewijzen. Een ander voorbeeld bouwt een mobiele machinelearninginterface met trainingstaken, opslagbeheer en persoonlijke statistieken, inclusief grafieken, in een HTML-pagina. Dit zijn concrete frontendtaken met gespecificeerde bedieningselementen en toestanden.
Beschrijf voor bruikbare uitvoer de acties die elk bedieningselement moet ondersteunen en de gegevens die de weergave moet tonen. Een interfaceverzoek kan vragen om de paginacode plus het verband tussen invoer, weergegeven toestand en resultaat. Een volgende beurt kan de waargenomen weergave aanleveren en om een gerichte wijziging vragen met behoud van het genoemde gedrag.
De maker demonstreert ook SVG-illustraties, waaronder een landschap en een uitleg van het trainingsproces van een taalmodel. SVG is gestructureerde tekst, dus de toepassing kan die opslaan als een bewerkbaar vectorbestand. Lever het onderwerp, de labels, indeling en vereiste visuele verbanden aan. Vraag om de SVG-markup als afzonderlijk eindproduct in plaats van de illustratiecode te vermengen met een lange, niet-gerelateerde uitleg.
Voor onderzoeksschrijven levert de modelkaart zoekresultaten aan als observaties en vraagt zij het model die te ordenen en interpreteren in plaats van te kopiëren. De instructies onderscheiden relevante van irrelevante resultaten, geven de voorkeur aan betekenisvolle details wanneer het bewijs dat toelaat, gebruiken een leesbare structuur en antwoorden in de taal van de gebruiker. Het voorbeeld produceert een analytisch rapport over kinderliteratuur, met vertelmethoden, thema's en hun effecten.
Een praktische taak kan benoemde fragmenten aanleveren en om een rapport rond expliciete vragen vragen, met elke conclusie verbonden aan het ondersteunende materiaal. Zoeken en retrieval gebeuren in de omringende toepassing; de teruggegeven passages worden het bewijsmateriaal van het model. Dit is ook nuttig voor het vergelijken van documenten of het voorbereiden van een uitleg uit een aangeleverde onderzoekscollectie.
GLM-4-32B-0414 ondersteunt externe toolaanroepen met JSON-argumenten. Het model identificeert een functie en haar argumenten, de toepassing voert die uit en het resultaat wordt als observatie teruggegeven. De demonstratie van de maker herhaalt die cyclus totdat een eindantwoord wordt geproduceerd. Beschrijf het doel en de vereiste velden van elke tool en onderscheid de observatie van de instructie van de gebruiker. Een opzoekactie kan zo gegevens leveren voor een latere vergelijking zonder te doen alsof het model zelfstandig actuele informatie heeft verkregen.
De gepubliceerde configuratie stelt max_position_embeddings in op 32.768 en bevat geen rope_scaling-vermelding. De uitgewerkte voorbeelden van de maker gebruiken verzoekspecifieke generatielengtes; de modelkaart geeft geen universeel hard uitvoermaximum. Houd relevante code, opgehaalde passages en gesprekken binnen de actieve context en vermeld of het eindresultaat HTML, SVG, een codefragment, JSON-argumenten of een rapport moet zijn. Dit zijn tekstrepresentaties die voor de beschreven taak worden geproduceerd; uitvoering, bestandscreatie en toegang tot externe gegevens blijven acties van de toepassing.
POST /v1/messagestextjson, sse| Veld | Type | Vereiste | Waarden en limieten | Standaard |
|---|---|---|---|---|
Veldmodel | Typestring | VereisteVereist | Waarden en limieten THUDM/GLM-4-32B-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 $0 / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
Ailoot reserveert vóór een verzoek een geschat bedrag. Na het resultaat worden de uiteindelijke kosten afgerekend op basis van het gemeten verbruik. Bij streaming gebeurt de afrekening op basis van de definitieve verbruiksregistratie. Zo werken reservering en afrekening →
{\n "model": "THUDM/GLM-4-32B-0414",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-4-32B-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-4-32B-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-4-32B-0414
Gebruik de hierboven getoonde methodepaden.
Technisch voorbeeld in het Engels
Generate an editable process diagram\n\nCreate self-contained SVG markup for a left-to-right process: Receive -> Validate -> Store. Use three labelled rectangles and two arrows; all labels must remain readable in a 720 by 180 viewBox. Use no scripts, external fonts or external images. Return SVG code and a brief explanation of how the arrows encode the required order.A standalone editable SVG code block with three named nodes and two directional arrows, followed by a short order explanation.Render the SVG locally and check the exact labels, arrow direction and absence of clipped text or external dependencies.