Z.ai GLM 5.3 is een grootschalig tekstueel redeneermodel voor complexe softwareontwikkeling en langlopende agenttaken. De fabrikant stelt dat het hetzelfde basismodel gebruikt als GLM 5.2, waarbij de verbeteringen uit natraining voortkomen. De uitgave richt zich op sterker programmeerwerk, terminalhandelingen en bredere taken met meerdere afhankelijke stappen. Het accepteert tekst en produceert tekst, waaronder code, uitleg, plannen en verzoeken om toolaanroepen in een toepassing die met tools is verbonden.
De gedocumenteerde redeneermodus is altijd ingeschakeld. GLM 5.3 biedt drie inspanningsniveaus: low, high en max, met max als standaard. De maker beveelt max aan voor complex programmeerwerk; low biedt een lichtere redeneeroptie voor eenvoudigere stappen. Gebruik het gekozen niveau samen met een duidelijk eindproduct en afrondingscriteria. Bijvoorbeeld: “Onderzoek deze bestanden en mislukte resultaten, volg de oorzaak door de betrokken modules heen, stel een correctie voor die de publieke interface behoudt en leg uit welke controles aantonen dat de regressie is verholpen.”
De maker specificeert een contextvenster van 1M tokens en een maximale uitvoerlengte van 128K tokens. Orden lang materiaal rond het verband dat het model moet onderzoeken. Behoud bestandsnamen, relevante definities, bronlabels en de volgorde van waarnemingen en laat binnen de toepasselijke werkcontext ruimte voor de redenering en het eindantwoord. Een groot venster is nuttig voor afhankelijkheden tussen modules of een lange reeks agentwaarnemingen; het maakt van een ongericht archief met losstaand materiaal geen goed afgebakende taak.
Lever voor repositorywerk het verwachte gedrag, de relevante brontekst, versies van afhankelijkheden en de werkelijke foutuitvoer aan. Vraag het model het betrokken gedrag te benoemen voordat het een patch voorstelt. Benoem bij een refactor de interface en invarianten die intact moeten blijven. Een bruikbaar antwoord bevat de herziene code, waarom de wijziging het waargenomen probleem aanpakt en de gevallen die nodig zijn om het resultaat te controleren. Voer werkelijke resultaten terug in een werkstroom met tools, zodat de volgende stap op de gewijzigde toestand is gebaseerd in plaats van op het eerdere voorstel.
Lever voor prestatiewerk een werklast, een uitgangsmeting en metingen zoals doorlooptijden, profielen of allocatiegegevens aan. Z.ai beschrijft trainingstaken voor het opsporen van knelpunten, optimalisatie, experimenten en resultaten die de correctheid behouden. Een praktisch verzoek is: “Gebruik dit profiel om het belangrijkste knelpunt te identificeren, stel één meetbare wijziging voor en leg uit welk resultaat behoud ervan zou rechtvaardigen.” Onderscheid een prestatiehypothese van een vastgelegde verbetering. Behoud dezelfde werklast en relevante omstandigheden wanneer je een resultaat onderzoekt.
De uitgave ontwikkelt ook mogelijkheden voor kwetsbaarheidsanalyse. Lever bij een defensieve broncodebeoordeling de relevante code, de bedoelde vertrouwensgrenzen en de uitvoeringsomstandigheden aan. Vraag om een bevinding die een vermoed probleem verbindt met de betrokken invoer, het gedrag en een gerichte oplossing. Scheid een mogelijke zwakte van een gereproduceerde fout en bewaar de waarneming waarmee deze is gevalideerd. Een verslag is nuttiger wanneer het concreet bewijs en voorgestelde correcties prioriteit geeft in plaats van elk verdacht patroon als een bevestigde kwetsbaarheid te behandelen.
Via functieaanroepen kan een omringende toepassing externe handelingen aan het model beschikbaar stellen. Definieer het doel, de argumenten en het verwachte resultaat van elke tool en geef vervolgens de werkelijke toolwaarneming terug voor de volgende stap. Het model kan over dat resultaat redeneren en bepalen hoe het de taak verandert. Houd voorgestelde handelingen, uitgevoerde bewerkingen en onopgeloste controles herkenbaar gescheiden. De maker documenteert ook gestreamde antwoorden, waarbij redeneer- en antwoordfragmenten afzonderlijk worden teruggestuurd; voeg het afgeronde antwoord samen voordat je het als eindverslag of code-uitleg behandelt.
De lokale modelkaart geeft een specifiek detail over de geschiedenisinstellingen: het chatsjabloon bewaart het denkproces standaard, terwijl de maker aanbeveelt oude denkprocessen uitdrukkelijk te wissen bij gewone chatscenario's. Pas de gespreksstructuur toe die bij het gebruik past en behoud de werkelijk afgeronde antwoorden en toolresultaten die voor voortzetting nodig zijn. Behandel redeneerinstellingen van GLM 5.2 of de afzonderlijke GLM 5.3 Flash-edities niet als uitwisselbaar met de low/high/max-instellingen van dit model.
Specificeer voor gestructureerde resultaten de verwachte velden, typen en bronregels. Een bruikbaar eindproduct kan een foutentabel, een wijzigingsplan of een JSON-object met samengevatte waarnemingen zijn. Valideer zowel de structuur als de waarden voordat een toepassing ze gebruikt. Het eindresultaat moet het antwoord of herziene eindproduct, het ondersteunende bewijs en de resterende aannames benoemen. Meer redeneerinspanning bewijst niet dat een tool is uitgevoerd, dat een voorgestelde patch de controles heeft doorstaan of dat een feitelijke bewering steun heeft buiten het aangeleverde materiaal.
", "aboutText": "Z.ai GLM 5.3 is een grootschalig tekstueel redeneermodel voor complexe softwareontwikkeling en langlopende agenttaken. De fabrikant stelt dat het hetzelfde basismodel gebruikt als GLM 5.2, waarbij de verbeteringen uit natraining voortkomen. De uitgave richt zich op sterker programmeerwerk, terminalhandelingen en bredere taken met meerdere afhankelijke stappen. Het accepteert tekst en produceert tekst, waaronder code, uitleg, plannen en verzoeken om toolaanroepen in een toepassing die met tools is verbonden.\n\nDe gedocumenteerde redeneermodus is altijd ingeschakeld. GLM 5.3 biedt drie inspanningsniveaus: low, high en max, met max als standaard. De maker beveelt max aan voor complex programmeerwerk; low biedt een lichtere redeneeroptie voor eenvoudigere stappen. Gebruik het gekozen niveau samen met een duidelijk eindproduct en afrondingscriteria. Bijvoorbeeld: “Onderzoek deze bestanden en mislukte resultaten, volg de oorzaak door de betrokken modules heen, stel een correctie voor die de publieke interface behoudt en leg uit welke controles aantonen dat de regressie is verholpen.”\n\nDe maker specificeert een contextvenster van 1M tokens en een maximale uitvoerlengte van 128K tokens. Orden lang materiaal rond het verband dat het model moet onderzoeken. Behoud bestandsnamen, relevante definities, bronlabels en de volgorde van waarnemingen en laat binnen de toepasselijke werkcontext ruimte voor de redenering en het eindantwoord. Een groot venster is nuttig voor afhankelijkheden tussen modules of een lange reeks agentwaarnemingen; het maakt van een ongericht archief met losstaand materiaal geen goed afgebakende taak.\n\nLever voor repositorywerk het verwachte gedrag, de relevante brontekst, versies van afhankelijkheden en de werkelijke foutuitvoer aan. Vraag het model het betrokken gedrag te benoemen voordat het een patch voorstelt. Benoem bij een refactor de interface en invarianten die intact moeten blijven. Een bruikbaar antwoord bevat de herziene code, waarom de wijziging het waargenomen probleem aanpakt en de gevallen die nodig zijn om het resultaat te controleren. Voer werkelijke resultaten terug in een werkstroom met tools, zodat de volgende stap op de gewijzigde toestand is gebaseerd in plaats van op het eerdere voorstel.\n\nLever voor prestatiewerk een werklast, een uitgangsmeting en metingen zoals doorlooptijden, profielen of allocatiegegevens aan. Z.ai beschrijft trainingstaken voor het opsporen van knelpunten, optimalisatie, experimenten en resultaten die de correctheid behouden. Een praktisch verzoek is: “Gebruik dit profiel om het belangrijkste knelpunt te identificeren, stel één meetbare wijziging voor en leg uit welk resultaat behoud ervan zou rechtvaardigen.” Onderscheid een prestatiehypothese van een vastgelegde verbetering. Behoud dezelfde werklast en relevante omstandigheden wanneer je een resultaat onderzoekt.\n\nDe uitgave ontwikkelt ook mogelijkheden voor kwetsbaarheidsanalyse. Lever bij een defensieve broncodebeoordeling de relevante code, de bedoelde vertrouwensgrenzen en de uitvoeringsomstandigheden aan. Vraag om een bevinding die een vermoed probleem verbindt met de betrokken invoer, het gedrag en een gerichte oplossing. Scheid een mogelijke zwakte van een gereproduceerde fout en bewaar de waarneming waarmee deze is gevalideerd. Een verslag is nuttiger wanneer het concreet bewijs en voorgestelde correcties prioriteit geeft in plaats van elk verdacht patroon als een bevestigde kwetsbaarheid te behandelen.\n\nVia functieaanroepen kan een omringende toepassing externe handelingen aan het model beschikbaar stellen. Definieer het doel, de argumenten en het verwachte resultaat van elke tool en geef vervolgens de werkelijke toolwaarneming terug voor de volgende stap. Het model kan over dat resultaat redeneren en bepalen hoe het de taak verandert. Houd voorgestelde handelingen, uitgevoerde bewerkingen en onopgeloste controles herkenbaar gescheiden. De maker documenteert ook gestreamde antwoorden, waarbij redeneer- en antwoordfragmenten afzonderlijk worden teruggestuurd; voeg het afgeronde antwoord samen voordat je het als eindverslag of code-uitleg behandelt.\n\nDe lokale modelkaart geeft een specifiek detail over de geschiedenisinstellingen: het chatsjabloon bewaart het denkproces standaard, terwijl de maker aanbeveelt oude denkprocessen uitdrukkelijk te wissen bij gewone chatscenario's. Pas de gespreksstructuur toe die bij het gebruik past en behoud de werkelijk afgeronde antwoorden en toolresultaten die voor voortzetting nodig zijn. Behandel redeneerinstellingen van GLM 5.2 of de afzonderlijke GLM 5.3 Flash-edities niet als uitwisselbaar met de low/high/max-instellingen van dit model.\n\nSpecificeer voor gestructureerde resultaten de verwachte velden, typen en bronregels. Een bruikbaar eindproduct kan een foutentabel, een wijzigingsplan of een JSON-object met samengevatte waarnemingen zijn. Valideer zowel de structuur als de waarden voordat een toepassing ze gebruikt. Het eindresultaat moet het antwoord of herziene eindproduct, het ondersteunende bewijs en de resterende aannames benoemen. Meer redeneerinspanning bewijst niet dat een tool is uitgevoerd, dat een voorgestelde patch de controles heeft doorstaan of dat een feitelijke bewering steun heeft buiten het aangeleverde materiaal.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "d887498edd7560128a36a11d795d52b2c1fa08923eb3d16fbc9e558b5b095a55", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "nl", "methods": [ { "html": "z-ai/glm-5.3:batchZ.ai GLM 5.3 is een tekstueel redeneermodel voor complexe softwareontwikkeling, terminalwerk en agents met langlopende taken. Het ondersteunt een door de maker gedocumenteerde context van 1M tokens, maximaal 128K uitvoertokens, functieaanroepen en de redeneerniveaus low/high/max, waarbij redeneren steeds is ingeschakeld.
Deze beschrijving gaat over de mogelijkheden van het model. De via Ailoot beschikbare invoer, uitvoer en opties staan hieronder voor de geselecteerde methode.
Z.ai GLM 5.3 is een grootschalig tekstueel redeneermodel voor complexe softwareontwikkeling en langlopende agenttaken. De fabrikant stelt dat het hetzelfde basismodel gebruikt als GLM 5.2, waarbij de verbeteringen uit natraining voortkomen. De uitgave richt zich op sterker programmeerwerk, terminalhandelingen en bredere taken met meerdere afhankelijke stappen. Het accepteert tekst en produceert tekst, waaronder code, uitleg, plannen en verzoeken om toolaanroepen in een toepassing die met tools is verbonden.
De gedocumenteerde redeneermodus is altijd ingeschakeld. GLM 5.3 biedt drie inspanningsniveaus: low, high en max, met max als standaard. De maker beveelt max aan voor complex programmeerwerk; low biedt een lichtere redeneeroptie voor eenvoudigere stappen. Gebruik het gekozen niveau samen met een duidelijk eindproduct en afrondingscriteria. Bijvoorbeeld: “Onderzoek deze bestanden en mislukte resultaten, volg de oorzaak door de betrokken modules heen, stel een correctie voor die de publieke interface behoudt en leg uit welke controles aantonen dat de regressie is verholpen.”
De maker specificeert een contextvenster van 1M tokens en een maximale uitvoerlengte van 128K tokens. Orden lang materiaal rond het verband dat het model moet onderzoeken. Behoud bestandsnamen, relevante definities, bronlabels en de volgorde van waarnemingen en laat binnen de toepasselijke werkcontext ruimte voor de redenering en het eindantwoord. Een groot venster is nuttig voor afhankelijkheden tussen modules of een lange reeks agentwaarnemingen; het maakt van een ongericht archief met losstaand materiaal geen goed afgebakende taak.
Lever voor repositorywerk het verwachte gedrag, de relevante brontekst, versies van afhankelijkheden en de werkelijke foutuitvoer aan. Vraag het model het betrokken gedrag te benoemen voordat het een patch voorstelt. Benoem bij een refactor de interface en invarianten die intact moeten blijven. Een bruikbaar antwoord bevat de herziene code, waarom de wijziging het waargenomen probleem aanpakt en de gevallen die nodig zijn om het resultaat te controleren. Voer werkelijke resultaten terug in een werkstroom met tools, zodat de volgende stap op de gewijzigde toestand is gebaseerd in plaats van op het eerdere voorstel.
Lever voor prestatiewerk een werklast, een uitgangsmeting en metingen zoals doorlooptijden, profielen of allocatiegegevens aan. Z.ai beschrijft trainingstaken voor het opsporen van knelpunten, optimalisatie, experimenten en resultaten die de correctheid behouden. Een praktisch verzoek is: “Gebruik dit profiel om het belangrijkste knelpunt te identificeren, stel één meetbare wijziging voor en leg uit welk resultaat behoud ervan zou rechtvaardigen.” Onderscheid een prestatiehypothese van een vastgelegde verbetering. Behoud dezelfde werklast en relevante omstandigheden wanneer je een resultaat onderzoekt.
De uitgave ontwikkelt ook mogelijkheden voor kwetsbaarheidsanalyse. Lever bij een defensieve broncodebeoordeling de relevante code, de bedoelde vertrouwensgrenzen en de uitvoeringsomstandigheden aan. Vraag om een bevinding die een vermoed probleem verbindt met de betrokken invoer, het gedrag en een gerichte oplossing. Scheid een mogelijke zwakte van een gereproduceerde fout en bewaar de waarneming waarmee deze is gevalideerd. Een verslag is nuttiger wanneer het concreet bewijs en voorgestelde correcties prioriteit geeft in plaats van elk verdacht patroon als een bevestigde kwetsbaarheid te behandelen.
Via functieaanroepen kan een omringende toepassing externe handelingen aan het model beschikbaar stellen. Definieer het doel, de argumenten en het verwachte resultaat van elke tool en geef vervolgens de werkelijke toolwaarneming terug voor de volgende stap. Het model kan over dat resultaat redeneren en bepalen hoe het de taak verandert. Houd voorgestelde handelingen, uitgevoerde bewerkingen en onopgeloste controles herkenbaar gescheiden. De maker documenteert ook gestreamde antwoorden, waarbij redeneer- en antwoordfragmenten afzonderlijk worden teruggestuurd; voeg het afgeronde antwoord samen voordat je het als eindverslag of code-uitleg behandelt.
De lokale modelkaart geeft een specifiek detail over de geschiedenisinstellingen: het chatsjabloon bewaart het denkproces standaard, terwijl de maker aanbeveelt oude denkprocessen uitdrukkelijk te wissen bij gewone chatscenario's. Pas de gespreksstructuur toe die bij het gebruik past en behoud de werkelijk afgeronde antwoorden en toolresultaten die voor voortzetting nodig zijn. Behandel redeneerinstellingen van GLM 5.2 of de afzonderlijke GLM 5.3 Flash-edities niet als uitwisselbaar met de low/high/max-instellingen van dit model.
Specificeer voor gestructureerde resultaten de verwachte velden, typen en bronregels. Een bruikbaar eindproduct kan een foutentabel, een wijzigingsplan of een JSON-object met samengevatte waarnemingen zijn. Valideer zowel de structuur als de waarden voordat een toepassing ze gebruikt. Het eindresultaat moet het antwoord of herziene eindproduct, het ondersteunende bewijs en de resterende aannames benoemen. Meer redeneerinspanning bewijst niet dat een tool is uitgevoerd, dat een voorgestelde patch de controles heeft doorstaan of dat een feitelijke bewering steun heeft buiten het aangeleverde materiaal.
POST /v1/batchestexttext| Veld | Type | Vereiste | Waarden en limieten | Standaard |
|---|---|---|---|---|
Veldendpoint | Typestring | VereisteVereist | Waarden en limieten /v1/chat/completions | Standaard— |
Veldmodel | Typestring | VereisteVereist | Waarden en limieten z-ai/glm-5.3:batch | Standaard— |
Veldrequests | Typebatch_item[] | VereisteVereist | Waarden en limieten Minimumaantal items: 1 | Standaard— |
Veldrequests[].custom_id | Typestring | VereisteVereist | Waarden en limieten | Standaard— |
Veldrequests[].body.messages | Typemessage[] | VereisteVereist | Waarden en limieten | Standaard— |
Veldcompletion_window | Typestring | VereisteOptioneel | Waarden en limieten 24h | Standaard— |
Veldprovider | Typeobject|null | VereisteOptioneel | Waarden en limieten | Standaard— |
Veldrequests[].body.model | Typestring | VereisteOptioneel | Waarden en limieten z-ai/glm-5.3:batch, z-ai/glm-5.3 | Standaard— |
Veldprovider.only | Typestring[] | VereisteOptioneel | Waarden en limieten deepinfra/fp4 | Standaard— |
Veldprovider.allow_fallbacks | Typeboolean|null | VereisteOptioneel | Waarden en limieten false, null | Standaard— |
| Parameter | Contract |
|---|---|
Parametercontent_type | Contractapplication/json |
Parameterrequired | Contractendpoint, model, requests |
Parametermaterial_types | Contracttext |
Parameterrepresentation | Contractinline requests[]; elk item bevat custom_id en body |
Parameterrequest_endpoint_profile | Contract/v1/chat/completions |
Parameterfile_material | ContractDe aanroeper mag daadwerkelijke JSONL-inhoud in UTF-8 lokaal in requests[] inlezen. Er wordt geen uploaddoel (purpose), input_file_id of bestandsverwijzing gebruikt. Ontbrekend of leeg klantmateriaal stopt de voorbereiding vóór POST. |
Parameterserialization_order | Contractendpoint, model, provider (indien opgegeven), completion_window (indien opgegeven), requests als laatste |
Parameteroptional_controls | Contractprovider.only, provider.allow_fallbacks, completion_window |
Parameterschema_scope | ContractBody’s voor tekstaanvragen via Chat Completions in de gedocumenteerde inline Batch-envelop. |
Levenscyclus: asynchronous
GET /v1/batches/{operation_id} · de daadwerkelijke response.id uit het oorspronkelijke aanmaakantwoord; dezelfde gebruiker/sleutel/groep
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 $0.0009 / 1K tokens Uitvoer · Uitvoertokens $0.004 / 1K tokens Invoer · Cache lezen $0.0002 / 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 $0.0009 / 1K tokens Uitvoer · Uitvoertokens $0.004 / 1K tokens Invoer · Cache lezen $0.0002 / 1K tokens Invoer · Cache schrijven — / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
Ailoot reserveert vóór een verzoek een geschat bedrag. Na het resultaat worden de uiteindelijke kosten afgerekend op basis van het gemeten verbruik. Bij streaming gebeurt de afrekening op basis van de definitieve verbruiksregistratie. Zo werken reservering en afrekening →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json\nfrom pathlib import Path\nbody=json.loads('{"endpoint":"/v1/chat/completions","model":"z-ai/glm-5.3:batch","requests":[{"custom_id":"req-0001","body":{"messages":[{"role":"user","content":"Hello!"}],"max_tokens":16}}]}')\nPath("batch-request.json").write_text(json.dumps(body,ensure_ascii=False),encoding="utf-8")\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/batches \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @batch-request.json -D batch-response-headers.txt -o batch-create-response.json\nimport json, os\nfrom pathlib import Path\nfrom urllib.request import Request, urlopen\n\ndef prepare_requests(customer_path):\n path = Path(customer_path)\n if not path.is_file(): raise ValueError("Customer JSONL file is missing")\n items = [json.loads(line) for line in path.read_text(encoding="utf-8").splitlines() if line.strip()]\n if not items: raise ValueError("Customer JSONL contains no requests")\n ids = set()\n for item in items:\n if set(item) != {"custom_id", "body"}: raise ValueError("Each item needs custom_id and body")\n cid = item["custom_id"]\n if not isinstance(cid, str) or not cid.strip() or cid in ids: raise ValueError("custom_id must be nonempty and unique")\n ids.add(cid)\n if not isinstance(item["body"], dict) or not item["body"].get("messages"): raise ValueError("Supply actual text messages")\n supplied_model = item["body"].get("model")\n if supplied_model is not None and supplied_model not in ['z-ai/glm-5.3:batch', 'z-ai/glm-5.3']: raise ValueError("body.model must be an exact documented caller or wire ID")\n return {"endpoint":"/v1/chat/completions", "model":"z-ai/glm-5.3:batch", "requests":items}\n\nif __name__ == "__main__":\n material = os.environ.get("AILOOT_BATCH_REQUESTS_JSONL", "")\n if not material: raise SystemExit("Set AILOOT_BATCH_REQUESTS_JSONL to your actual customer file")\n body = prepare_requests(material)\n key = os.environ.get("AILOOT_API_KEY", "")\n if not key: raise SystemExit("Set AILOOT_API_KEY")\n request = Request("https://api.ailoot.ai/v1/batches", data=json.dumps(body, ensure_ascii=False).encode("utf-8"), headers={"Authorization":"Bearer " + key, "Content-Type":"application/json"}, method="POST")\n with urlopen(request) as response:\n raw = response.read()\n Path("batch-create-response.json").write_bytes(raw)\n print(raw.decode("utf-8"))\nimport json\nfrom pathlib import Path\nraw = Path("batch-status-response.json").read_bytes()\nresponse = json.loads(raw)\nif response.get("status") != "completed":\n raise SystemExit("Keep the original operation; read its status without resubmitting")\nresults = response.get("results")\nif not isinstance(results, list) or not results:\n raise SystemExit("Preserve the original response; completed results are missing")\nPath("batch-results.jsonl").write_text("".join(json.dumps(item, ensure_ascii=False) + "\\n" for item in results), encoding="utf-8")\n# Preserve batch-status-response.json with aggregate usage and every result/error.\ninline results[].response.body JSON
GET /v1/batches/{operation_id}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\nBATCH_OPERATION_ID="$(python3 - <<'PY_ID'\nimport json\nfrom pathlib import Path\nfrom urllib.parse import quote\nresponse = json.loads(Path("batch-create-response.json").read_text(encoding="utf-8"))\noperation = response.get("id")\nif not isinstance(operation, str) or not operation: raise SystemExit("No actual original operation ID; preserve the response and do not resubmit")\nprint(quote(operation, safe=""))\nPY_ID\n)"\ncurl --fail-with-body --silent --show-error "https://api.ailoot.ai/v1/batches/$BATCH_OPERATION_ID" \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -o batch-status-response.json\nBewaar elk volledig teruggegeven antwoord, bestand en inhoudsonderdeel.
Bewaar de volledige oorspronkelijke status-JSON, elk resultaat/custom_id en de volledige antwoord- of foutbody. Sla voltooide results[] zonder filtering op als JSONL.
Bewaar de oorspronkelijke bewerkings-ID. Bij 503 result_pending_check hoort X-Should-Retry:false; dien een oorspronkelijke batch met onbekende uitkomst nooit opnieuw in.
| Veld | Type |
|---|---|
Veldresults[].custom_id | Typestring |
Veldresults[].response.body.choices[].message.content | Typestring|null |
Veldresults[].error | Typeobject|null |
Veldusage | Typeobject|null |
Veldid | Typestring |
Veldmodel | Typestring |
Veldendpoint | Typestring |
Veldstatus | Typestring |
Veldrequest_counts | Typeobject |
Veldresults[].id | Typestring |
Veldresults[].response.status_code | Typeinteger |
Veldresults[].response.request_id | Typestring |
| Antwoord | Voorwaarde | Volgende stap |
|---|---|---|
Antwoord400 · invalid_request_error | VoorwaardeOngeldige gedocumenteerde inline envelop, dubbele sleutels, ongeldige itemidentiteit of een conflict met de geconfigureerde modelmogelijkheden. | Volgende stapCorrigeer de aangegeven velden voordat u een nieuwe aanvraag indient. |
Antwoord401 · authentication_error | VoorwaardeOngeldige API-sleutel. | Volgende stapGebruik de geautoriseerde Ailoot-sleutel. |
Antwoord403 · permission_error | VoorwaardeBatch-groep niet beschikbaar. | Volgende stapControleer de toegangsrechten van de sleutel/groep. |
Antwoord422 · invalid_request_error | VoorwaardeBij Batch worden kosten van het saldo afgeschreven; aanmaken via een abonnement wordt geweigerd. | Volgende stapGebruik de geautoriseerde groep waarvoor kosten van het saldo worden afgeschreven. |
Antwoord422 · price_unavailable | VoorwaardeVoor de Batch-invoer kan geen prijsopgave worden berekend. | Volgende stapBewaar het antwoord; gebruik de gedocumenteerde invoer voor deze familie. |
Antwoord402 · billing_error | VoorwaardeBatch-reservering niet beschikbaar. | Volgende stapLos het toelatingsprobleem op voordat u een nieuwe aanvraag indient. |
Antwoord503 · price_unavailable | VoorwaardePrijs voor de Batch-methode/native tarieven niet beschikbaar. | Volgende stapBewaar het antwoord; vervang de prijzen niet. |
Antwoord503 · api_error | VoorwaardeDe exacte leveranciersroute is niet beschikbaar. | Volgende stapBewaar het antwoord voor herstel van de route. |
Antwoord503 · result_pending_check | VoorwaardeHet oorspronkelijke resultaat moet worden gecontroleerd; X-Should-Retry:false. | Volgende stapBewaar de oorspronkelijke operation_id/id en lees de status ervan uit; herhaal de oorspronkelijke POST nooit. |
Antwoord404 · not_found | VoorwaardeDe bewerking voor de Batch-status ontbreekt of is eigendom van een andere identiteit. | Volgende stapGebruik exact de oorspronkelijke id en dezelfde gebruiker/sleutel/groep. |
Ailoot Ultra z-ai/glm-5.3:batch
Gebruik de hierboven getoonde methodepaden.