GLM-4-Long är Zhipu AI:s språkmodell för mycket långa texter och minnesinriktade samtalsuppgifter. Producenten anger textindata och textutdata, ett kontextfönster på 1M och högst 4K token utdata. Tonvikten ligger på att läsa, översätta och analysera omfattande material och sedan producera ett fokuserat svar baserat på det tillhandahållna innehållet.
Tillhandahåll dokumenttexten tillsammans med frågan den ska besvara. Håll avsnittsrubriker, sid- eller kapitelidentifierare, datum och tabellenheter knutna till innehållet. Ett långt indatafönster är användbart när ett svar beror på relationer mellan många avsnitt, exempelvis ett uttalat mål, underlaget som stöder det och ett undantag på en annan plats i dokumentet.
Tillverkaren beskriver hur kontexten gradvis utökas från 2K till 1M genom fortsatt förträning, övervakad finjustering och förstärkningsinlärning från mänsklig återkoppling. För praktiskt arbete definierar du sambandet som ska undersökas innan du begär en bred sammanfattning. En illustrativ instruktion är: ”Jämför den föreslagna arkitekturen med implementationsavsnitten och identifiera varje skillnad med dess källavsnitt.” Resultatet kan vara en kort jämförelse som håller originalunderlaget tillgängligt för granskning.
Producenten rekommenderar analys av årsrapporter, extraktion av intäktsstruktur, riskupplysningar och ledningens kommentarer samt jämförelser av finansiella data mellan perioder. Förbered rapporter med rapporteringsdatum och konsekventa beteckningar för enheter och valutor. Be om en tabell med de valda siffrorna, avsnittet bakom varje värde och en separat förklaring av förändringen. Det bevarar skillnaden mellan ett rapporterat tal och en tolkning av dess utveckling.
För vetenskapligt material kan GLM-4-Long organisera forskningsbakgrund, experimentmetoder och slutsatser efter ämne. Tillhandahåll de fullständiga avsnitt som behövs för jämförelsen, inklusive definitioner och förbehåll i ett annat kapitel. En användbar utdata är en karta över påståenden, metoder och stödjande avsnitt, följd av frågor som förblir olösta i den tillhandahållna texten. Håll citat och modellens analys i separata fält när en forskningsanteckning förbereds.
Tillverkarens scenario för juridiska dokument omfattar lagar, rättsfall och avtal, inklusive rättigheter, skyldigheter och ansvarsklausuler. Namnge parterna och frågan som ska jämföras och be sedan om relevanta klausuler med avsnittshänvisningar. En fokuserad extraktion kan bli ett arbetsdokument för senare professionell granskning, med källformuleringen bredvid förklaringen.
Det skönlitterära scenariot gäller personrelationer, intrigstruktur, riktade sammanfattningar och fortsättning utifrån en lång berättelses stil. Ange kapitlen och den punkt i kronologin som är relevanta. Begär exempelvis en karta över personrelationer med händelserna som stöder varje koppling eller en fortsättningsbrief som bevarar etablerade namn och olösta berättelsetrådar.
Den dokumenterade maximala utdatan på 4K är mycket mindre än indatakontexten. Välj önskad leverans: en ledningssammanfattning, en klausuljämförelse, en forskningsöversikt eller en kapitelspecifik analys. För en stor granskning delar du upp den begärda utdatan i tydligt namngivna uppgifter och håller relevant källmaterial knutet till varje svar.
För ett fortlöpande dokumentsamtal behåller du den tidigare frågan, svaret och avsnitten som behövs för nästa fråga. Producenten beskriver minnesinriktad chatt som ett användningsområde för lång kontext; organisera kontexten så att följdfrågan hänvisar till samma dokument, rapporteringsperiod eller kapitel. Spara den färdiga analysen med dessa källidentifierare och kontrollera sedan extraherade namn, siffror och citat mot grundtexten innan de tas in i nästa rapport.
", "aboutText": "GLM-4-Long är Zhipu AI:s språkmodell för mycket långa texter och minnesinriktade samtalsuppgifter. Producenten anger textindata och textutdata, ett kontextfönster på 1M och högst 4K token utdata. Tonvikten ligger på att läsa, översätta och analysera omfattande material och sedan producera ett fokuserat svar baserat på det tillhandahållna innehållet.\n\n### Förbered materialet för en övergripande analys\n\nTillhandahåll dokumenttexten tillsammans med frågan den ska besvara. Håll avsnittsrubriker, sid- eller kapitelidentifierare, datum och tabellenheter knutna till innehållet. Ett långt indatafönster är användbart när ett svar beror på relationer mellan många avsnitt, exempelvis ett uttalat mål, underlaget som stöder det och ett undantag på en annan plats i dokumentet.\n\nTillverkaren beskriver hur kontexten gradvis utökas från 2K till 1M genom fortsatt förträning, övervakad finjustering och förstärkningsinlärning från mänsklig återkoppling. För praktiskt arbete definierar du sambandet som ska undersökas innan du begär en bred sammanfattning. En illustrativ instruktion är: ”Jämför den föreslagna arkitekturen med implementationsavsnitten och identifiera varje skillnad med dess källavsnitt.” Resultatet kan vara en kort jämförelse som håller originalunderlaget tillgängligt för granskning.\n\n### Läs finansiella rapporter och vetenskapliga artiklar\n\nProducenten rekommenderar analys av årsrapporter, extraktion av intäktsstruktur, riskupplysningar och ledningens kommentarer samt jämförelser av finansiella data mellan perioder. Förbered rapporter med rapporteringsdatum och konsekventa beteckningar för enheter och valutor. Be om en tabell med de valda siffrorna, avsnittet bakom varje värde och en separat förklaring av förändringen. Det bevarar skillnaden mellan ett rapporterat tal och en tolkning av dess utveckling.\n\nFör vetenskapligt material kan GLM-4-Long organisera forskningsbakgrund, experimentmetoder och slutsatser efter ämne. Tillhandahåll de fullständiga avsnitt som behövs för jämförelsen, inklusive definitioner och förbehåll i ett annat kapitel. En användbar utdata är en karta över påståenden, metoder och stödjande avsnitt, följd av frågor som förblir olösta i den tillhandahållna texten. Håll citat och modellens analys i separata fält när en forskningsanteckning förbereds.\n\n### Följ klausuler, personer och händelser genom en lång text\n\nTillverkarens scenario för juridiska dokument omfattar lagar, rättsfall och avtal, inklusive rättigheter, skyldigheter och ansvarsklausuler. Namnge parterna och frågan som ska jämföras och be sedan om relevanta klausuler med avsnittshänvisningar. En fokuserad extraktion kan bli ett arbetsdokument för senare professionell granskning, med källformuleringen bredvid förklaringen.\n\nDet skönlitterära scenariot gäller personrelationer, intrigstruktur, riktade sammanfattningar och fortsättning utifrån en lång berättelses stil. Ange kapitlen och den punkt i kronologin som är relevanta. Begär exempelvis en karta över personrelationer med händelserna som stöder varje koppling eller en fortsättningsbrief som bevarar etablerade namn och olösta berättelsetrådar.\n\n### Använd lång indata med ett avgränsat svar\n\nDen dokumenterade maximala utdatan på 4K är mycket mindre än indatakontexten. Välj önskad leverans: en ledningssammanfattning, en klausuljämförelse, en forskningsöversikt eller en kapitelspecifik analys. För en stor granskning delar du upp den begärda utdatan i tydligt namngivna uppgifter och håller relevant källmaterial knutet till varje svar.\n\nFör ett fortlöpande dokumentsamtal behåller du den tidigare frågan, svaret och avsnitten som behövs för nästa fråga. Producenten beskriver minnesinriktad chatt som ett användningsområde för lång kontext; organisera kontexten så att följdfrågan hänvisar till samma dokument, rapporteringsperiod eller kapitel. Spara den färdiga analysen med dessa källidentifierare och kontrollera sedan extraherade namn, siffror och citat mot grundtexten innan de tas in i nästa rapport.", "editorialOverlay": { "copy_fields": { "practical_html": "Tekniskt exempel på engelska
Reconcile architecture and implementation notes\n\nCompare labeled excerpts. Architecture §2: every export job is resumable and stores its cursor after each completed page. Implementation §7: the exporter stores its cursor only when the entire job completes. Operations §4: interrupted jobs restart from page one. Return a concise discrepancy map with source references and a focused requirement for the next code review.A source-linked discrepancy table and one review requirement tied to the resumability objective.The answer connects all three excerpts and does not invent additional implementation details.glm-4-longGLM-4-Long är Zhipu AI:s modell för att läsa mycket långa texter och behålla dokumentkontext genom ett samtal. Den dokumenterade kontexten på 1M och högst 4K utdata stöder fokuserade analyser av rapporter, artiklar, avtal och lång skönlitteratur.
Den här beskrivningen omfattar modellens förmågor. Tillgängliga indata, utdata och alternativ i Ailoot anges nedan för den valda metoden.
GLM-4-Long är Zhipu AI:s språkmodell för mycket långa texter och minnesinriktade samtalsuppgifter. Producenten anger textindata och textutdata, ett kontextfönster på 1M och högst 4K token utdata. Tonvikten ligger på att läsa, översätta och analysera omfattande material och sedan producera ett fokuserat svar baserat på det tillhandahållna innehållet.
Tillhandahåll dokumenttexten tillsammans med frågan den ska besvara. Håll avsnittsrubriker, sid- eller kapitelidentifierare, datum och tabellenheter knutna till innehållet. Ett långt indatafönster är användbart när ett svar beror på relationer mellan många avsnitt, exempelvis ett uttalat mål, underlaget som stöder det och ett undantag på en annan plats i dokumentet.
Tillverkaren beskriver hur kontexten gradvis utökas från 2K till 1M genom fortsatt förträning, övervakad finjustering och förstärkningsinlärning från mänsklig återkoppling. För praktiskt arbete definierar du sambandet som ska undersökas innan du begär en bred sammanfattning. En illustrativ instruktion är: ”Jämför den föreslagna arkitekturen med implementationsavsnitten och identifiera varje skillnad med dess källavsnitt.” Resultatet kan vara en kort jämförelse som håller originalunderlaget tillgängligt för granskning.
Producenten rekommenderar analys av årsrapporter, extraktion av intäktsstruktur, riskupplysningar och ledningens kommentarer samt jämförelser av finansiella data mellan perioder. Förbered rapporter med rapporteringsdatum och konsekventa beteckningar för enheter och valutor. Be om en tabell med de valda siffrorna, avsnittet bakom varje värde och en separat förklaring av förändringen. Det bevarar skillnaden mellan ett rapporterat tal och en tolkning av dess utveckling.
För vetenskapligt material kan GLM-4-Long organisera forskningsbakgrund, experimentmetoder och slutsatser efter ämne. Tillhandahåll de fullständiga avsnitt som behövs för jämförelsen, inklusive definitioner och förbehåll i ett annat kapitel. En användbar utdata är en karta över påståenden, metoder och stödjande avsnitt, följd av frågor som förblir olösta i den tillhandahållna texten. Håll citat och modellens analys i separata fält när en forskningsanteckning förbereds.
Tillverkarens scenario för juridiska dokument omfattar lagar, rättsfall och avtal, inklusive rättigheter, skyldigheter och ansvarsklausuler. Namnge parterna och frågan som ska jämföras och be sedan om relevanta klausuler med avsnittshänvisningar. En fokuserad extraktion kan bli ett arbetsdokument för senare professionell granskning, med källformuleringen bredvid förklaringen.
Det skönlitterära scenariot gäller personrelationer, intrigstruktur, riktade sammanfattningar och fortsättning utifrån en lång berättelses stil. Ange kapitlen och den punkt i kronologin som är relevanta. Begär exempelvis en karta över personrelationer med händelserna som stöder varje koppling eller en fortsättningsbrief som bevarar etablerade namn och olösta berättelsetrådar.
Den dokumenterade maximala utdatan på 4K är mycket mindre än indatakontexten. Välj önskad leverans: en ledningssammanfattning, en klausuljämförelse, en forskningsöversikt eller en kapitelspecifik analys. För en stor granskning delar du upp den begärda utdatan i tydligt namngivna uppgifter och håller relevant källmaterial knutet till varje svar.
För ett fortlöpande dokumentsamtal behåller du den tidigare frågan, svaret och avsnitten som behövs för nästa fråga. Producenten beskriver minnesinriktad chatt som ett användningsområde för lång kontext; organisera kontexten så att följdfrågan hänvisar till samma dokument, rapporteringsperiod eller kapitel. Spara den färdiga analysen med dessa källidentifierare och kontrollera sedan extraherade namn, siffror och citat mot grundtexten innan de tas in i nästa rapport.
POST /v1/chat/completionstexttext| Fält | Typ | Krav | Värden & gränser | Standard |
|---|---|---|---|---|
Fältmodel | Typstring | KravObligatoriskt | Värden & gränser glm-4-long | Standard— |
Fältmessages | Typmessage[] | KravObligatoriskt | Värden & gränser Minsta antal objekt: 1 | Standard— |
Fältmessages[].role | Typstring | KravObligatoriskt | Värden & gränser Exempel: system, user, assistant, tool, function Villkor: Dessa roller representeras uttryckligen av källkodens kompatibilitetstyper; den exakta rolluppsättningen är fortfarande modellspecifik. Beror på modellen | Standard— |
Fältmessages[].content | Typstring|content_part[]|null | KravValfritt | Värden & gränser | Standard— |
Fältmessages[].tool_calls | Typtool_call[] | KravValfritt | Värden & gränser | Standard— |
Fältmessages[].tool_call_id | Typstring | KravValfritt | Värden & gränser Gäller när: role=tool; använd det faktiska returnerade ID:t | Standard— |
Fältmessages[].name | Typstring | KravValfritt | Värden & gränser | Standard— |
Fältmessages[].reasoning_content | Typstring | KravValfritt | Värden & gränser Gäller när: Skicka tillbaka det faktiska returnerade resonemanget när modellen använder det | Standard— |
Fältmessages[].reasoning_details | Typobject|array | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältmax_tokens | Typinteger | KravValfritt | Värden & gränser Minimum: 1 Beror på modellen | Standard— |
Fältmax_completion_tokens | Typinteger | KravValfritt | Värden & gränser Minimum: 1 Beror på modellen | Standard— |
Fältstream | Typboolean | KravValfritt | Värden & gränser | Standardfalse |
Fältstream_options.include_usage | Typboolean | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fälttemperature | Typnumber | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fälttop_p | Typnumber | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältstop | Typstring|string[] | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fälttools | Typfunction_tool[] | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fälttools[].type | Typstring | KravValfritt | Värden & gränser function Beror på modellen | Standard— |
Fälttools[].function.name | Typstring | KravObligatoriskt | Värden & gränser Gäller när: verktyg av typen funktion har tillhandahållits | Standard— |
Fälttools[].function.description | Typstring | KravValfritt | Värden & gränser | Standard— |
Fälttools[].function.parameters | TypJSON_schema | KravValfritt | Värden & gränser | Standard— |
Fälttool_choice | Typstring|object | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältparallel_tool_calls | Typboolean | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältresponse_format | Typobject | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältreasoning_effort | Typstring | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältreasoning | Typobject | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältservice_tier | Typstring | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältinstructions | Typstring | KravValfritt | Värden & gränser Kompatibilitetsfält | Standard— |
Fältfunctions | Typfunction[] | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältfunction_call | Typstring|object | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältprompt_cache_options | Typobject | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältmodalities | Typstring[] | KravValfritt | Värden & gränser text | Standard— |
Fältprovider | Typobject | KravValfritt | Värden & gränser Villkor: provider.options avvisas på denna Ultra-textrutt | Standard— |
Fältcache_control.ttl | Typstring | KravValfritt | Värden & gränser Villkor: 1h avvisas på de faktiska platserna för promptcache | Standard— |
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, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametercontrol_scope | Avtalmodellspecifikt; användarens funktionsverktyg skiljer sig från värdbaserade verktyg |
Parameteroutput_modalities | Avtaltext |
Parameterhosted_operations | Avtalfalse |
Parametermultimodal_input_binding | Avtalnull |
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.
| Konfiguration | Prislista | Avgift |
|---|---|---|
| KonfigurationGrundpriser för token | PrislistaGrundpris | Avgift Indata · Indatatoken $0.00028 / 1K token Utdata · Utdatatoken $0.00028 / 1K token Indata · Cacheläsning $0 / 1K token Indata · Skrivning till cache $0 / 1K token Indata · Skrivning till cache, 1 tim — / 1K token |
Ailoot reserverar ett uppskattat belopp före en begäran. Efter resultatet slutregleras avgiften utifrån uppmätt förbrukning. Slutreglering för strömning använder den slutliga förbrukningsposten. Så fungerar reservation och slutreglering →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "glm-4-long", "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='glm-4-long',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='glm-4-long',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 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-long
Använd metodsökvägarna som visas ovan.
glm-4-longGLM-4-Long är Zhipu AI:s modell för att läsa mycket långa texter och behålla dokumentkontext genom ett samtal. Den dokumenterade kontexten på 1M och högst 4K utdata stöder fokuserade analyser av rapporter, artiklar, avtal och lång skönlitteratur.
Den här beskrivningen omfattar modellens förmågor. Tillgängliga indata, utdata och alternativ i Ailoot anges nedan för den valda metoden.
GLM-4-Long är Zhipu AI:s språkmodell för mycket långa texter och minnesinriktade samtalsuppgifter. Producenten anger textindata och textutdata, ett kontextfönster på 1M och högst 4K token utdata. Tonvikten ligger på att läsa, översätta och analysera omfattande material och sedan producera ett fokuserat svar baserat på det tillhandahållna innehållet.
Tillhandahåll dokumenttexten tillsammans med frågan den ska besvara. Håll avsnittsrubriker, sid- eller kapitelidentifierare, datum och tabellenheter knutna till innehållet. Ett långt indatafönster är användbart när ett svar beror på relationer mellan många avsnitt, exempelvis ett uttalat mål, underlaget som stöder det och ett undantag på en annan plats i dokumentet.
Tillverkaren beskriver hur kontexten gradvis utökas från 2K till 1M genom fortsatt förträning, övervakad finjustering och förstärkningsinlärning från mänsklig återkoppling. För praktiskt arbete definierar du sambandet som ska undersökas innan du begär en bred sammanfattning. En illustrativ instruktion är: ”Jämför den föreslagna arkitekturen med implementationsavsnitten och identifiera varje skillnad med dess källavsnitt.” Resultatet kan vara en kort jämförelse som håller originalunderlaget tillgängligt för granskning.
Producenten rekommenderar analys av årsrapporter, extraktion av intäktsstruktur, riskupplysningar och ledningens kommentarer samt jämförelser av finansiella data mellan perioder. Förbered rapporter med rapporteringsdatum och konsekventa beteckningar för enheter och valutor. Be om en tabell med de valda siffrorna, avsnittet bakom varje värde och en separat förklaring av förändringen. Det bevarar skillnaden mellan ett rapporterat tal och en tolkning av dess utveckling.
För vetenskapligt material kan GLM-4-Long organisera forskningsbakgrund, experimentmetoder och slutsatser efter ämne. Tillhandahåll de fullständiga avsnitt som behövs för jämförelsen, inklusive definitioner och förbehåll i ett annat kapitel. En användbar utdata är en karta över påståenden, metoder och stödjande avsnitt, följd av frågor som förblir olösta i den tillhandahållna texten. Håll citat och modellens analys i separata fält när en forskningsanteckning förbereds.
Tillverkarens scenario för juridiska dokument omfattar lagar, rättsfall och avtal, inklusive rättigheter, skyldigheter och ansvarsklausuler. Namnge parterna och frågan som ska jämföras och be sedan om relevanta klausuler med avsnittshänvisningar. En fokuserad extraktion kan bli ett arbetsdokument för senare professionell granskning, med källformuleringen bredvid förklaringen.
Det skönlitterära scenariot gäller personrelationer, intrigstruktur, riktade sammanfattningar och fortsättning utifrån en lång berättelses stil. Ange kapitlen och den punkt i kronologin som är relevanta. Begär exempelvis en karta över personrelationer med händelserna som stöder varje koppling eller en fortsättningsbrief som bevarar etablerade namn och olösta berättelsetrådar.
Den dokumenterade maximala utdatan på 4K är mycket mindre än indatakontexten. Välj önskad leverans: en ledningssammanfattning, en klausuljämförelse, en forskningsöversikt eller en kapitelspecifik analys. För en stor granskning delar du upp den begärda utdatan i tydligt namngivna uppgifter och håller relevant källmaterial knutet till varje svar.
För ett fortlöpande dokumentsamtal behåller du den tidigare frågan, svaret och avsnitten som behövs för nästa fråga. Producenten beskriver minnesinriktad chatt som ett användningsområde för lång kontext; organisera kontexten så att följdfrågan hänvisar till samma dokument, rapporteringsperiod eller kapitel. Spara den färdiga analysen med dessa källidentifierare och kontrollera sedan extraherade namn, siffror och citat mot grundtexten innan de tas in i nästa rapport.
POST /v1/messagestextjson, sse| Fält | Typ | Krav | Värden & gränser | Standard |
|---|---|---|---|---|
Fältmodel | Typstring | KravObligatoriskt | Värden & gränser glm-4-long | 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.
| Konfiguration | Prislista | Avgift |
|---|---|---|
| KonfigurationGrundpriser för token | PrislistaGrundpris | Avgift Indata · Indatatoken $0.00028 / 1K token Utdata · Utdatatoken $0.00028 / 1K token Indata · Cacheläsning $0 / 1K token Indata · Skrivning till cache $0 / 1K token Indata · Skrivning till cache, 1 tim — / 1K token |
Ailoot reserverar ett uppskattat belopp före en begäran. Efter resultatet slutregleras avgiften utifrån uppmätt förbrukning. Slutreglering för strömning använder den slutliga förbrukningsposten. Så fungerar reservation och slutreglering →
{\n "model": "glm-4-long",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-long', '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-long', '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-long
Använd metodsökvägarna som visas ovan.
Tekniskt exempel på engelska
Reconcile architecture and implementation notes\n\nCompare labeled excerpts. Architecture §2: every export job is resumable and stores its cursor after each completed page. Implementation §7: the exporter stores its cursor only when the entire job completes. Operations §4: interrupted jobs restart from page one. Return a concise discrepancy map with source references and a focused requirement for the next code review.A source-linked discrepancy table and one review requirement tied to the resumability objective.The answer connects all three excerpts and does not invent additional implementation details.