GLM-4-AirX är höghastighetsmedlemmen i Z.ai:s GLM-4 Air-serie. Tillverkaren positionerar den för låg fördröjning och samtidiga applikationsuppgifter med särskild uppmärksamhet på instruktionsföljande, teknisk kod och funktionsanrop. Modellen tar emot text och returnerar text. Den egna profilen anger ett kontextfönster på 8K token och högst 4K token utdata. Detta skiljer sig från den större kontext som anges för GLM-4-Air-250414; AirX behåller sin egen publicerade profil.
För en interaktiv assistent pekar detta mot fokuserade begäranden: förklara en funktion, klassificera ett meddelande, extrahera fält ur ett tillhandahållet stycke eller omvandla en teknisk instruktion till ett kort svar. Tillhandahåll relevant utdrag, aktuell fråga och önskat resultat tillsammans. Håll hela samtalet och eventuella verktygsobservationer inom den aktiva kontexten i stället för att anta att en stor bakgrundskorpus ryms.
GLM-4-beskrivningen anger strömmande text, funktionsanrop, kontextcache, strukturerade format som JSON och integration med MCP-verktyg och datakällor. Strömning presenterar svaret medan det genereras så att en applikation kan visa användbar text innan hela svaret kommer. Det ändrar leveransen, inte modellens indata- eller utdatamodalitet.
Funktionsanrop låter modellen föreslå en åtgärd från funktionerna som applikationen beskriver. Applikationen utför åtgärden och returnerar observationen. En lämplig cykel är en liten uppslagning följd av en kort förklaring av returnerade data. MCP-integration beror likaså på de verktyg och data applikationen tillhandahåller. Kontextcache gäller återanvändning av upprepad indata; den innebär inte att varje upprepad konversation har gett en cacheträff.
För ett JSON-resultat anger du fälten och deras betydelse innan materialet ges. Tillhandahåll exempelvis en teknisk begäran och be om dess kategori, nödvändig åtgärd och obesvarade frågor. Den resulterande strukturen är användbar för nästa applikationssteg, medan värdena fortfarande behöver kontrolleras mot den tillhandahållna texten.
Tillverkaren inkluderar översättning, semantisk klassificering, dokumentfältextraktion, marknadsföringstext, analytiska rapporter och reseplanering bland GLM-4-tillämpningarna. AirX:s kortare profil gynnar det omedelbara steget i ett sådant arbetsflöde. En översättningsbegäran kan ge ett kort avsnitt, målgrupp och terminologi; utdatan är ett omarbetat avsnitt som behåller nödvändiga namn. En klassificeringsbegäran kan ge tillåtna etiketter och definitioner i stället för att efterfråga en ospecificerad bedömning.
För extraktion definierar du begärda identifierare och övriga fält och inkluderar endast relevant källavsnitt. För skrivande tillhandahåller du produktfakta och en leverans, exempelvis ett produktstycke eller en kampanjrad. För en rapport eller resplan förmedlar du relevanta fakta och begränsningar för det aktuella steget. Om färsk information behövs tillhandahåller applikationens sök- eller dataverktyg den; modellen arbetar sedan med det returnerade materialet.
AirX beskrivs som förtränad på 15 biljoner token, inklusive omfattande syntetiskt resonemangsmaterial. Efterträningen använder anpassning till dialogpreferenser, avvisningssampling och förstärkningsinlärning för att stärka instruktioner, teknisk kod och funktionsanvändning. Tillverkaren presenterar den som en snabbare variant av GLM-4-Air-250414 med förändringar i underliggande komponenter för promptförifyllning och autoregressiv avkodning. Detta beskriver tillverkarens konstruktion snarare än en uppmätt fördröjning eller samtidighetsgaranti för en viss driftsättning.
Ge AirX en avgränsad uppgift och en kompakt förväntad leverans. För kod inkluderar du funktionen, relevanta indatavärden och nödvändigt beteende och begär sedan ett korrigerat fragment med förklaring. För strukturerad extraktion lägger du fältdefinitionerna före avsnittet och ber modellen markera frånvarande information uttryckligen. Budgetera resultatet inom den publicerade utdataprofilen på 4K; dela en stor rapport i fokuserade uppgifter i stället för att förvänta dig ett obegränsat dokument i ett svar.
", "aboutText": "### Översikt och modellprofil\n\nGLM-4-AirX är höghastighetsmedlemmen i Z.ai:s GLM-4 Air-serie. Tillverkaren positionerar den för låg fördröjning och samtidiga applikationsuppgifter med särskild uppmärksamhet på instruktionsföljande, teknisk kod och funktionsanrop. Modellen tar emot text och returnerar text. Den egna profilen anger ett kontextfönster på 8K token och högst 4K token utdata. Detta skiljer sig från den större kontext som anges för GLM-4-Air-250414; AirX behåller sin egen publicerade profil.\n\nFör en interaktiv assistent pekar detta mot fokuserade begäranden: förklara en funktion, klassificera ett meddelande, extrahera fält ur ett tillhandahållet stycke eller omvandla en teknisk instruktion till ett kort svar. Tillhandahåll relevant utdrag, aktuell fråga och önskat resultat tillsammans. Håll hela samtalet och eventuella verktygsobservationer inom den aktiva kontexten i stället för att anta att en stor bakgrundskorpus ryms.\n\n### Funktionsstöd\n\nGLM-4-beskrivningen anger strömmande text, funktionsanrop, kontextcache, strukturerade format som JSON och integration med MCP-verktyg och datakällor. Strömning presenterar svaret medan det genereras så att en applikation kan visa användbar text innan hela svaret kommer. Det ändrar leveransen, inte modellens indata- eller utdatamodalitet.\n\nFunktionsanrop låter modellen föreslå en åtgärd från funktionerna som applikationen beskriver. Applikationen utför åtgärden och returnerar observationen. En lämplig cykel är en liten uppslagning följd av en kort förklaring av returnerade data. MCP-integration beror likaså på de verktyg och data applikationen tillhandahåller. Kontextcache gäller återanvändning av upprepad indata; den innebär inte att varje upprepad konversation har gett en cacheträff.\n\nFör ett JSON-resultat anger du fälten och deras betydelse innan materialet ges. Tillhandahåll exempelvis en teknisk begäran och be om dess kategori, nödvändig åtgärd och obesvarade frågor. Den resulterande strukturen är användbar för nästa applikationssteg, medan värdena fortfarande behöver kontrolleras mot den tillhandahållna texten.\n\n### Rekommenderade scenarier\n\nTillverkaren inkluderar översättning, semantisk klassificering, dokumentfältextraktion, marknadsföringstext, analytiska rapporter och reseplanering bland GLM-4-tillämpningarna. AirX:s kortare profil gynnar det omedelbara steget i ett sådant arbetsflöde. En översättningsbegäran kan ge ett kort avsnitt, målgrupp och terminologi; utdatan är ett omarbetat avsnitt som behåller nödvändiga namn. En klassificeringsbegäran kan ge tillåtna etiketter och definitioner i stället för att efterfråga en ospecificerad bedömning.\n\nFör extraktion definierar du begärda identifierare och övriga fält och inkluderar endast relevant källavsnitt. För skrivande tillhandahåller du produktfakta och en leverans, exempelvis ett produktstycke eller en kampanjrad. För en rapport eller resplan förmedlar du relevanta fakta och begränsningar för det aktuella steget. Om färsk information behövs tillhandahåller applikationens sök- eller dataverktyg den; modellen arbetar sedan med det returnerade materialet.\n\n### Detaljerad förberedelse och hastighetsfokus\n\nAirX beskrivs som förtränad på 15 biljoner token, inklusive omfattande syntetiskt resonemangsmaterial. Efterträningen använder anpassning till dialogpreferenser, avvisningssampling och förstärkningsinlärning för att stärka instruktioner, teknisk kod och funktionsanvändning. Tillverkaren presenterar den som en snabbare variant av GLM-4-Air-250414 med förändringar i underliggande komponenter för promptförifyllning och autoregressiv avkodning. Detta beskriver tillverkarens konstruktion snarare än en uppmätt fördröjning eller samtidighetsgaranti för en viss driftsättning.\n\n### Förbereda en användbar begäran\n\nGe AirX en avgränsad uppgift och en kompakt förväntad leverans. För kod inkluderar du funktionen, relevanta indatavärden och nödvändigt beteende och begär sedan ett korrigerat fragment med förklaring. För strukturerad extraktion lägger du fältdefinitionerna före avsnittet och ber modellen markera frånvarande information uttryckligen. Budgetera resultatet inom den publicerade utdataprofilen på 4K; dela en stor rapport i fokuserade uppgifter i stället för att förvänta dig ett obegränsat dokument i ett svar.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "a88053f56add7766c60ec18a95ae75d190f4e6013984120adcdbdbc1399fcde7", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "sv", "methods": [ { "html": "glm-4-airxGLM-4-AirX är Z.ai:s hastighetsinriktade textmodell för dialog med låg fördröjning, kodning och verktygsstödda arbetsflöden. Den publicerade profilen anger en kontext på 8K och upp till 4K utdata, vilket passar fokuserade uppgifter med korta, strukturerade resultat.
Den här beskrivningen omfattar modellens förmågor. Tillgängliga indata, utdata och alternativ i Ailoot anges nedan för den valda metoden.
GLM-4-AirX är höghastighetsmedlemmen i Z.ai:s GLM-4 Air-serie. Tillverkaren positionerar den för låg fördröjning och samtidiga applikationsuppgifter med särskild uppmärksamhet på instruktionsföljande, teknisk kod och funktionsanrop. Modellen tar emot text och returnerar text. Den egna profilen anger ett kontextfönster på 8K token och högst 4K token utdata. Detta skiljer sig från den större kontext som anges för GLM-4-Air-250414; AirX behåller sin egen publicerade profil.
För en interaktiv assistent pekar detta mot fokuserade begäranden: förklara en funktion, klassificera ett meddelande, extrahera fält ur ett tillhandahållet stycke eller omvandla en teknisk instruktion till ett kort svar. Tillhandahåll relevant utdrag, aktuell fråga och önskat resultat tillsammans. Håll hela samtalet och eventuella verktygsobservationer inom den aktiva kontexten i stället för att anta att en stor bakgrundskorpus ryms.
GLM-4-beskrivningen anger strömmande text, funktionsanrop, kontextcache, strukturerade format som JSON och integration med MCP-verktyg och datakällor. Strömning presenterar svaret medan det genereras så att en applikation kan visa användbar text innan hela svaret kommer. Det ändrar leveransen, inte modellens indata- eller utdatamodalitet.
Funktionsanrop låter modellen föreslå en åtgärd från funktionerna som applikationen beskriver. Applikationen utför åtgärden och returnerar observationen. En lämplig cykel är en liten uppslagning följd av en kort förklaring av returnerade data. MCP-integration beror likaså på de verktyg och data applikationen tillhandahåller. Kontextcache gäller återanvändning av upprepad indata; den innebär inte att varje upprepad konversation har gett en cacheträff.
För ett JSON-resultat anger du fälten och deras betydelse innan materialet ges. Tillhandahåll exempelvis en teknisk begäran och be om dess kategori, nödvändig åtgärd och obesvarade frågor. Den resulterande strukturen är användbar för nästa applikationssteg, medan värdena fortfarande behöver kontrolleras mot den tillhandahållna texten.
Tillverkaren inkluderar översättning, semantisk klassificering, dokumentfältextraktion, marknadsföringstext, analytiska rapporter och reseplanering bland GLM-4-tillämpningarna. AirX:s kortare profil gynnar det omedelbara steget i ett sådant arbetsflöde. En översättningsbegäran kan ge ett kort avsnitt, målgrupp och terminologi; utdatan är ett omarbetat avsnitt som behåller nödvändiga namn. En klassificeringsbegäran kan ge tillåtna etiketter och definitioner i stället för att efterfråga en ospecificerad bedömning.
För extraktion definierar du begärda identifierare och övriga fält och inkluderar endast relevant källavsnitt. För skrivande tillhandahåller du produktfakta och en leverans, exempelvis ett produktstycke eller en kampanjrad. För en rapport eller resplan förmedlar du relevanta fakta och begränsningar för det aktuella steget. Om färsk information behövs tillhandahåller applikationens sök- eller dataverktyg den; modellen arbetar sedan med det returnerade materialet.
AirX beskrivs som förtränad på 15 biljoner token, inklusive omfattande syntetiskt resonemangsmaterial. Efterträningen använder anpassning till dialogpreferenser, avvisningssampling och förstärkningsinlärning för att stärka instruktioner, teknisk kod och funktionsanvändning. Tillverkaren presenterar den som en snabbare variant av GLM-4-Air-250414 med förändringar i underliggande komponenter för promptförifyllning och autoregressiv avkodning. Detta beskriver tillverkarens konstruktion snarare än en uppmätt fördröjning eller samtidighetsgaranti för en viss driftsättning.
Ge AirX en avgränsad uppgift och en kompakt förväntad leverans. För kod inkluderar du funktionen, relevanta indatavärden och nödvändigt beteende och begär sedan ett korrigerat fragment med förklaring. För strukturerad extraktion lägger du fältdefinitionerna före avsnittet och ber modellen markera frånvarande information uttryckligen. Budgetera resultatet inom den publicerade utdataprofilen på 4K; dela en stor rapport i fokuserade uppgifter i stället för att förvänta dig ett obegränsat dokument i ett svar.
POST /v1/chat/completionstexttext| Fält | Typ | Krav | Värden & gränser | Standard |
|---|---|---|---|---|
Fältmodel | Typstring | KravObligatoriskt | Värden & gränser glm-4-airx | Standard— |
Fältmessages | Typmessage[] | KravObligatoriskt | Värden & gränser Minsta antal objekt: 1 | Standard— |
Fältmessages[].role | Typstring | KravObligatoriskt | Värden & gränser Beror på modellen | Standard— |
Fältmessages[].content | Typstring | KravValfritt | Värden & gränser Gäller när: Textsamtal | Standard— |
Fältstream | Typboolean | KravValfritt | Värden & gränser | Standardfalse |
Text · UTF8-text
messages[].content
| Parameter | Avtal |
|---|---|
Parametercontent_type | Avtalapplication/json |
Parameterrequired | Avtalmodel, messages |
Parametermaterial_types | Avtaltext |
Parametermessages | Avtalmeddelandearray med strukturen role/content |
Parameterfile_material | Avtaldet faktiska UTF-8-dokumentet infogat som bokstavlig text; inget fil-ID härleds |
Parameteroptional_controls | Avtalstream |
Parametercontrol_scope | AvtalTextsamtal; stream är ett booleskt värde och har false som standard. |
Parameteroutput_modalities | Avtaltext |
Parameterhosted_operations | Avtalfalse |
Parametermultimodal_input_binding | Avtalnull |
Metodalias: /chat/completions
Livscykel: synchronous_or_streamed
Skicka det exakta modell-ID:t tillsammans med messages.
Kontextlängden är inte en utdatagräns.
En textfil kan tillhandahålla bokstavlig text; bild-/ljud-/filobjektsindata kräver exakt bindning.
Tariffuppgifter lägger inte till begäransalternativ. Parametrar som stöds anges för den valda metoden.
Matcha varje avgift mot de visade villkoren. Använd ett pris för varje uppsättning alternativa konfigurationer.
| Konfiguration | Prislista | Kontexttoken, fler än | Kontexttoken, upp till och med | Avgift |
|---|---|---|---|---|
| KonfigurationGrundpriser för token | PrislistaGrundpris | Kontexttoken, fler än— | Kontexttoken, upp till och medIngen övre gräns | Avgift Indata · Indatatoken $0.0028 / 1K token Utdata · Utdatatoken $0.0028 / 1K token Indata · Cacheläsning — / 1K token Indata · Skrivning till cache — / 1K token Indata · Skrivning till cache, 1 tim — / 1K token |
| KonfigurationNivå 1 för förfrågans längd | Prislista— | Kontexttoken, fler än0 | Kontexttoken, upp till och medIngen övre gräns | Avgift Indata · Indatatoken $0.0028 / 1K token Utdata · Utdatatoken $0.0028 / 1K token Indata · Cacheläsning — / 1K token Indata · Skrivning till cache — / 1K token Indata · Skrivning till cache, 1 tim — / 1K token |
Ailoot reserverar ett uppskattat belopp före en begäran. Efter resultatet slutregleras avgiften utifrån uppmätt förbrukning. Slutreglering för strömning använder den slutliga förbrukningsposten. Så fungerar reservation och slutreglering →
set -eu\n: "${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 eller SSE
Behåll varje fullständigt returnerat svar, fil och innehållsdel.
Behåll varje svarsalternativ och dess innehåll/verktygsanrop/resonemang. Sätt i SSE samman deltauppdateringar efter svarsalternativets/verktygets index och behåll den slutliga avslutsorsaken och användningsuppgifterna.
Behåll begärans/svarets ID:n och huvuden. Ingen generell URL för hämtning av textjobb tillhandahålls.
| Fält | Typ |
|---|---|
Fältchoices[].index | Typinteger |
Fältchoices[].message.content | Typstring|null |
Fältchoices[].message.tool_calls | Typtool_call[] |
Fältchoices[].message.reasoning_content | Typstring |
Fältchoices[].message.reasoning_details | Typobject|array |
Fältchoices[].finish_reason | Typstring|null |
Fältusage | Typobject |
| Svar | Villkor | Nästa steg |
|---|---|---|
Svar400 · invalid_request_error | VillkorOgiltiga obligatoriska fält, ogiltig representation av underlaget eller ogiltigt parametervärde | Nästa stegKorrigera de angivna fälten före en ny begäran om att skapa. |
Ailoot Ultra glm-4-airx
/chat/completions
glm-4-airxGLM-4-AirX är Z.ai:s hastighetsinriktade textmodell för dialog med låg fördröjning, kodning och verktygsstödda arbetsflöden. Den publicerade profilen anger en kontext på 8K och upp till 4K utdata, vilket passar fokuserade uppgifter med korta, strukturerade resultat.
Den här beskrivningen omfattar modellens förmågor. Tillgängliga indata, utdata och alternativ i Ailoot anges nedan för den valda metoden.
GLM-4-AirX är höghastighetsmedlemmen i Z.ai:s GLM-4 Air-serie. Tillverkaren positionerar den för låg fördröjning och samtidiga applikationsuppgifter med särskild uppmärksamhet på instruktionsföljande, teknisk kod och funktionsanrop. Modellen tar emot text och returnerar text. Den egna profilen anger ett kontextfönster på 8K token och högst 4K token utdata. Detta skiljer sig från den större kontext som anges för GLM-4-Air-250414; AirX behåller sin egen publicerade profil.
För en interaktiv assistent pekar detta mot fokuserade begäranden: förklara en funktion, klassificera ett meddelande, extrahera fält ur ett tillhandahållet stycke eller omvandla en teknisk instruktion till ett kort svar. Tillhandahåll relevant utdrag, aktuell fråga och önskat resultat tillsammans. Håll hela samtalet och eventuella verktygsobservationer inom den aktiva kontexten i stället för att anta att en stor bakgrundskorpus ryms.
GLM-4-beskrivningen anger strömmande text, funktionsanrop, kontextcache, strukturerade format som JSON och integration med MCP-verktyg och datakällor. Strömning presenterar svaret medan det genereras så att en applikation kan visa användbar text innan hela svaret kommer. Det ändrar leveransen, inte modellens indata- eller utdatamodalitet.
Funktionsanrop låter modellen föreslå en åtgärd från funktionerna som applikationen beskriver. Applikationen utför åtgärden och returnerar observationen. En lämplig cykel är en liten uppslagning följd av en kort förklaring av returnerade data. MCP-integration beror likaså på de verktyg och data applikationen tillhandahåller. Kontextcache gäller återanvändning av upprepad indata; den innebär inte att varje upprepad konversation har gett en cacheträff.
För ett JSON-resultat anger du fälten och deras betydelse innan materialet ges. Tillhandahåll exempelvis en teknisk begäran och be om dess kategori, nödvändig åtgärd och obesvarade frågor. Den resulterande strukturen är användbar för nästa applikationssteg, medan värdena fortfarande behöver kontrolleras mot den tillhandahållna texten.
Tillverkaren inkluderar översättning, semantisk klassificering, dokumentfältextraktion, marknadsföringstext, analytiska rapporter och reseplanering bland GLM-4-tillämpningarna. AirX:s kortare profil gynnar det omedelbara steget i ett sådant arbetsflöde. En översättningsbegäran kan ge ett kort avsnitt, målgrupp och terminologi; utdatan är ett omarbetat avsnitt som behåller nödvändiga namn. En klassificeringsbegäran kan ge tillåtna etiketter och definitioner i stället för att efterfråga en ospecificerad bedömning.
För extraktion definierar du begärda identifierare och övriga fält och inkluderar endast relevant källavsnitt. För skrivande tillhandahåller du produktfakta och en leverans, exempelvis ett produktstycke eller en kampanjrad. För en rapport eller resplan förmedlar du relevanta fakta och begränsningar för det aktuella steget. Om färsk information behövs tillhandahåller applikationens sök- eller dataverktyg den; modellen arbetar sedan med det returnerade materialet.
AirX beskrivs som förtränad på 15 biljoner token, inklusive omfattande syntetiskt resonemangsmaterial. Efterträningen använder anpassning till dialogpreferenser, avvisningssampling och förstärkningsinlärning för att stärka instruktioner, teknisk kod och funktionsanvändning. Tillverkaren presenterar den som en snabbare variant av GLM-4-Air-250414 med förändringar i underliggande komponenter för promptförifyllning och autoregressiv avkodning. Detta beskriver tillverkarens konstruktion snarare än en uppmätt fördröjning eller samtidighetsgaranti för en viss driftsättning.
Ge AirX en avgränsad uppgift och en kompakt förväntad leverans. För kod inkluderar du funktionen, relevanta indatavärden och nödvändigt beteende och begär sedan ett korrigerat fragment med förklaring. För strukturerad extraktion lägger du fältdefinitionerna före avsnittet och ber modellen markera frånvarande information uttryckligen. Budgetera resultatet inom den publicerade utdataprofilen på 4K; dela en stor rapport i fokuserade uppgifter i stället för att förvänta dig ett obegränsat dokument i ett svar.
POST /v1/messagestextjson, sse| Fält | Typ | Krav | Värden & gränser | Standard |
|---|---|---|---|---|
Fältmodel | Typstring | KravObligatoriskt | Värden & gränser glm-4-airx | Standard— |
Fältmessages | Typmessage[] | KravObligatoriskt | Värden & gränser | Standard— |
Fältmessages[].role | Typstring | KravObligatoriskt | Värden & gränser user, assistant | Standard— |
Fältmessages[].content | Typstring | KravObligatoriskt | Värden & gränser | Standard— |
Fältmax_tokens | Typinteger | KravObligatoriskt | Värden & gränser | Standard— |
Fältstream | Typboolean | KravValfritt | Värden & gränser | Standardfalse |
Text · UTF-8-text
sträng i messages[].content
| Parameter | Avtal |
|---|---|
Parametercontent_type | Avtalapplication/json |
Parameterrequired | Avtalmodel, messages, max_tokens |
Parameteroptional_controls | Avtalstream |
Parametermaterial_types | Avtaltext |
Parametertext_file_material | AvtalLäs det faktiska UTF-8-dokumentet och placera texten i det angivna input-fältet eller i strängen för meddelandets innehåll. |
Livscykel: synchronous_or_streamed
Tariffuppgifter lägger inte till begäransalternativ. Parametrar som stöds anges för den valda metoden.
Matcha varje avgift mot de visade villkoren. Använd ett pris för varje uppsättning alternativa konfigurationer.
| Konfiguration | Prislista | Kontexttoken, fler än | Kontexttoken, upp till och med | Avgift |
|---|---|---|---|---|
| KonfigurationGrundpriser för token | PrislistaGrundpris | Kontexttoken, fler än— | Kontexttoken, upp till och medIngen övre gräns | Avgift Indata · Indatatoken $0.0028 / 1K token Utdata · Utdatatoken $0.0028 / 1K token Indata · Cacheläsning — / 1K token Indata · Skrivning till cache — / 1K token Indata · Skrivning till cache, 1 tim — / 1K token |
| KonfigurationNivå 1 för förfrågans längd | Prislista— | Kontexttoken, fler än0 | Kontexttoken, upp till och medIngen övre gräns | Avgift Indata · Indatatoken $0.0028 / 1K token Utdata · Utdatatoken $0.0028 / 1K token Indata · Cacheläsning — / 1K token Indata · Skrivning till cache — / 1K token Indata · Skrivning till cache, 1 tim — / 1K token |
Ailoot reserverar ett uppskattat belopp före en begäran. Efter resultatet slutregleras avgiften utifrån uppmätt förbrukning. Slutreglering för strömning använder den slutliga förbrukningsposten. Så fungerar reservation och slutreglering →
{\n "model": "glm-4-airx",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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 eller SSE
Behåll varje fullständigt returnerat svar, fil och innehållsdel.
Behåll alla innehållsblock, resonemangssignaturer och faktiska ID:n för verktygsanvändning. Sätt samman alla SSE-deltauppdateringar för blocken; ett första textblock är inte hela utdata.
Behåll begärans/svarets ID:n och huvuden. Ingen generell URL för hämtning av textjobb tillhandahålls.
| Fält | Typ |
|---|---|
Fältid | Typstring |
Fältmodel | Typstring |
Fältcontent[] | Typtext|thinking|tool_use|other content block |
Fältstop_reason | Typstring|null |
Fältusage | Typobject |
| Svar | Villkor | Nästa steg |
|---|---|---|
Svar400 · invalid_request_error | VillkorOgiltiga obligatoriska fält, ogiltig representation av underlaget eller ogiltigt parametervärde | Nästa stegKorrigera de angivna fälten före en ny begäran om att skapa. |
Ailoot Ultra glm-4-airx
/chat/completions