GLM-4-Plus är den högkapabla textmodellen i Z.ai:s GLM-4-serie. Fokus förenar språkförståelse, logiska resonemang, instruktionsföljande och bearbetning av långa texter. Tillverkaren anger text som både indata och utdata, ett kontextfönster på 128K token och högst 4K token utdata. Lång indata och ett kompakt resultat är därför separata delar av profilen: en stor dokumentmängd kan stödja en fokuserad sammanfattning, jämförelse eller extraktion.
En dokumentassistent kan ta emot namngivna avsnitt och en fråga och sedan producera en kort analys knuten till avsnitten. Definiera avsedd målgrupp och beslut innan svaret begärs: jämför exempelvis två förfaranden, lista villkoren som gäller för ett fall eller identifiera motstridiga krav. Håll källavsnitt åtskilda från instruktionerna så att svaret kan skilja underlag från den begärda analysen.
GLM-4-beskrivningen anger strömning, funktionsanrop, kontextcache, strukturerade format som JSON samt interaktion med MCP-verktyg och datakällor. Strömning gör genererad text tillgänglig stegvis. Strukturerad utdata hjälper när resultatet ska innehålla namngivna fält snarare än en fri uppsats: en sammanfattning, extraherade identifierare, källavsnittens beteckningar och olösta frågor.
Verktygsanvändning kopplar språkmodellen till åtgärder som applikationen tillhandahåller. Applikationen beskriver funktionerna, utför det valda anropet och returnerar resultatet inför nästa steg. Det kan stödja en uppslagning följd av en rapport eller ett sökresultat som blir underlag för ett svar. Modellens text är skild från utförandet av den externa åtgärden. Upprepade instruktioner eller dokumentprefix kan delta i tillverkarens mekanism för kontextcache; cacheåteranvändning är inte i sig bevis för att en specifik begäran träffade cachen.
Översättning beskrivs som mer än omvandling av isolerade ord: tillverkaren inkluderar flerspråkig text, ton, slang, emojier och facktermer med hänsyn till kulturella skillnader. Ange källavsnitt, målgrupp och terminologi som ska förbli oförändrad. För redigering begär du en viss leverans – ett omarbetat brev, en produktbeskrivning eller en kort förklaring – och anger vilka fakta som måste bevaras.
Semantisk klassificering och fältextraktion utgår från det tillhandahållna materialet. Definiera kategorier eller obligatoriska fält först och ge sedan dokumenten. En applikation kan exempelvis begära projektidentifierare och klausulkategorier tillsammans med relevanta avsnittsbeteckningar. En uttrycklig regel för saknade värden hindrar utdataschemat från att bli en anledning att hitta på frånvarande data.
Tillverkaren beskriver även marknadsmaterial, analytiska riskrapporter och reseplanering. För skrivande tillhandahåller du faktiska produkt- eller kampanjfakta och avsett format. För analys ger du relevanta rapporter och jämförelsekriterier; aktuell information bör komma genom ett sök- eller dataverktyg som applikationen tillhandahåller. För en resplan anger du preferenser och tidsbegränsningar så att utdatan blir en plan för den beskrivna situationen snarare än en allmän reseuppsats.
GLM-4-Plus använder modellstödda syntetiska data och PPO-baserad efterträning för att utveckla matematiska resonemang och kodresonemang samt bättre återspegla mänskliga preferenser. För långa texter anpassar förberedelsen blandningen av kort och långt material för att stärka resonemang över utökad indata. Detta är förberedelseval för just denna Plus-modell. De förvandlar inte dess rena textprofil till bildförståelsen hos en separat namngiven GLM-4V-version.
Använd den större kontexten för att tillhandahålla materialet som faktiskt stöder frågan, med stabila avsnittsnamn och ett tydligt utdatakontrakt. En praktisk begäran är att jämföra två dokument, lista överensstämmelser och konflikter samt identifiera avsnitten bakom varje slutsats. Håll slutleveransen inom utdataprofilen på 4K: be om en beslutsbrief eller strukturerad jämförelse och fortsätt sedan med en definierad följdfråga om ett avsnitt behöver utvecklas. Giltig JSON-struktur och faktamässigt korrekta fältvärden är separata kontroller.
", "aboutText": "### Översikt och modellprofil\n\nGLM-4-Plus är den högkapabla textmodellen i Z.ai:s GLM-4-serie. Fokus förenar språkförståelse, logiska resonemang, instruktionsföljande och bearbetning av långa texter. Tillverkaren anger text som både indata och utdata, ett kontextfönster på 128K token och högst 4K token utdata. Lång indata och ett kompakt resultat är därför separata delar av profilen: en stor dokumentmängd kan stödja en fokuserad sammanfattning, jämförelse eller extraktion.\n\nEn dokumentassistent kan ta emot namngivna avsnitt och en fråga och sedan producera en kort analys knuten till avsnitten. Definiera avsedd målgrupp och beslut innan svaret begärs: jämför exempelvis två förfaranden, lista villkoren som gäller för ett fall eller identifiera motstridiga krav. Håll källavsnitt åtskilda från instruktionerna så att svaret kan skilja underlag från den begärda analysen.\n\n### Funktionsstöd\n\nGLM-4-beskrivningen anger strömning, funktionsanrop, kontextcache, strukturerade format som JSON samt interaktion med MCP-verktyg och datakällor. Strömning gör genererad text tillgänglig stegvis. Strukturerad utdata hjälper när resultatet ska innehålla namngivna fält snarare än en fri uppsats: en sammanfattning, extraherade identifierare, källavsnittens beteckningar och olösta frågor.\n\nVerktygsanvändning kopplar språkmodellen till åtgärder som applikationen tillhandahåller. Applikationen beskriver funktionerna, utför det valda anropet och returnerar resultatet inför nästa steg. Det kan stödja en uppslagning följd av en rapport eller ett sökresultat som blir underlag för ett svar. Modellens text är skild från utförandet av den externa åtgärden. Upprepade instruktioner eller dokumentprefix kan delta i tillverkarens mekanism för kontextcache; cacheåteranvändning är inte i sig bevis för att en specifik begäran träffade cachen.\n\n### Rekommenderade scenarier\n\nÖversättning beskrivs som mer än omvandling av isolerade ord: tillverkaren inkluderar flerspråkig text, ton, slang, emojier och facktermer med hänsyn till kulturella skillnader. Ange källavsnitt, målgrupp och terminologi som ska förbli oförändrad. För redigering begär du en viss leverans – ett omarbetat brev, en produktbeskrivning eller en kort förklaring – och anger vilka fakta som måste bevaras.\n\nSemantisk klassificering och fältextraktion utgår från det tillhandahållna materialet. Definiera kategorier eller obligatoriska fält först och ge sedan dokumenten. En applikation kan exempelvis begära projektidentifierare och klausulkategorier tillsammans med relevanta avsnittsbeteckningar. En uttrycklig regel för saknade värden hindrar utdataschemat från att bli en anledning att hitta på frånvarande data.\n\nTillverkaren beskriver även marknadsmaterial, analytiska riskrapporter och reseplanering. För skrivande tillhandahåller du faktiska produkt- eller kampanjfakta och avsett format. För analys ger du relevanta rapporter och jämförelsekriterier; aktuell information bör komma genom ett sök- eller dataverktyg som applikationen tillhandahåller. För en resplan anger du preferenser och tidsbegränsningar så att utdatan blir en plan för den beskrivna situationen snarare än en allmän reseuppsats.\n\n### Detaljerad modellförberedelse\n\nGLM-4-Plus använder modellstödda syntetiska data och PPO-baserad efterträning för att utveckla matematiska resonemang och kodresonemang samt bättre återspegla mänskliga preferenser. För långa texter anpassar förberedelsen blandningen av kort och långt material för att stärka resonemang över utökad indata. Detta är förberedelseval för just denna Plus-modell. De förvandlar inte dess rena textprofil till bildförståelsen hos en separat namngiven GLM-4V-version.\n\n### Förberedelse av begäran och utdata\n\nAnvänd den större kontexten för att tillhandahålla materialet som faktiskt stöder frågan, med stabila avsnittsnamn och ett tydligt utdatakontrakt. En praktisk begäran är att jämföra två dokument, lista överensstämmelser och konflikter samt identifiera avsnitten bakom varje slutsats. Håll slutleveransen inom utdataprofilen på 4K: be om en beslutsbrief eller strukturerad jämförelse och fortsätt sedan med en definierad följdfråga om ett avsnitt behöver utvecklas. Giltig JSON-struktur och faktamässigt korrekta fältvärden är separata kontroller.", "editorialOverlay": { "copy_fields": { "practical_html": "Tekniskt exempel på engelska
Find contradictions between two procedures\n\nCompare procedure P: approve a supplier before issuing an order; emergency orders need the same approval. Procedure Q: emergency orders may be issued immediately and reviewed the next day. Prepare a decision brief identifying the conflict, the passages involved and the exact policy question an owner must resolve before the procedures can agree.A concise conflict statement, two supporting passages and one decision question.Check that the answer exposes the approval-timing conflict without silently choosing a governing procedure.glm-4-plusGLM-4-Plus är Z.ai:s textmodell för språkförståelse, logisk analys, instruktionsföljande och långa dokument. Kontexten på 128K och utdataprofilen på 4K passar underlagsbaserade sammanfattningar, flerspråkig redigering, fältextraktion och verktygsstödda rapporter.
Den här beskrivningen omfattar modellens förmågor. Tillgängliga indata, utdata och alternativ i Ailoot anges nedan för den valda metoden.
GLM-4-Plus är den högkapabla textmodellen i Z.ai:s GLM-4-serie. Fokus förenar språkförståelse, logiska resonemang, instruktionsföljande och bearbetning av långa texter. Tillverkaren anger text som både indata och utdata, ett kontextfönster på 128K token och högst 4K token utdata. Lång indata och ett kompakt resultat är därför separata delar av profilen: en stor dokumentmängd kan stödja en fokuserad sammanfattning, jämförelse eller extraktion.
En dokumentassistent kan ta emot namngivna avsnitt och en fråga och sedan producera en kort analys knuten till avsnitten. Definiera avsedd målgrupp och beslut innan svaret begärs: jämför exempelvis två förfaranden, lista villkoren som gäller för ett fall eller identifiera motstridiga krav. Håll källavsnitt åtskilda från instruktionerna så att svaret kan skilja underlag från den begärda analysen.
GLM-4-beskrivningen anger strömning, funktionsanrop, kontextcache, strukturerade format som JSON samt interaktion med MCP-verktyg och datakällor. Strömning gör genererad text tillgänglig stegvis. Strukturerad utdata hjälper när resultatet ska innehålla namngivna fält snarare än en fri uppsats: en sammanfattning, extraherade identifierare, källavsnittens beteckningar och olösta frågor.
Verktygsanvändning kopplar språkmodellen till åtgärder som applikationen tillhandahåller. Applikationen beskriver funktionerna, utför det valda anropet och returnerar resultatet inför nästa steg. Det kan stödja en uppslagning följd av en rapport eller ett sökresultat som blir underlag för ett svar. Modellens text är skild från utförandet av den externa åtgärden. Upprepade instruktioner eller dokumentprefix kan delta i tillverkarens mekanism för kontextcache; cacheåteranvändning är inte i sig bevis för att en specifik begäran träffade cachen.
Översättning beskrivs som mer än omvandling av isolerade ord: tillverkaren inkluderar flerspråkig text, ton, slang, emojier och facktermer med hänsyn till kulturella skillnader. Ange källavsnitt, målgrupp och terminologi som ska förbli oförändrad. För redigering begär du en viss leverans – ett omarbetat brev, en produktbeskrivning eller en kort förklaring – och anger vilka fakta som måste bevaras.
Semantisk klassificering och fältextraktion utgår från det tillhandahållna materialet. Definiera kategorier eller obligatoriska fält först och ge sedan dokumenten. En applikation kan exempelvis begära projektidentifierare och klausulkategorier tillsammans med relevanta avsnittsbeteckningar. En uttrycklig regel för saknade värden hindrar utdataschemat från att bli en anledning att hitta på frånvarande data.
Tillverkaren beskriver även marknadsmaterial, analytiska riskrapporter och reseplanering. För skrivande tillhandahåller du faktiska produkt- eller kampanjfakta och avsett format. För analys ger du relevanta rapporter och jämförelsekriterier; aktuell information bör komma genom ett sök- eller dataverktyg som applikationen tillhandahåller. För en resplan anger du preferenser och tidsbegränsningar så att utdatan blir en plan för den beskrivna situationen snarare än en allmän reseuppsats.
GLM-4-Plus använder modellstödda syntetiska data och PPO-baserad efterträning för att utveckla matematiska resonemang och kodresonemang samt bättre återspegla mänskliga preferenser. För långa texter anpassar förberedelsen blandningen av kort och långt material för att stärka resonemang över utökad indata. Detta är förberedelseval för just denna Plus-modell. De förvandlar inte dess rena textprofil till bildförståelsen hos en separat namngiven GLM-4V-version.
Använd den större kontexten för att tillhandahålla materialet som faktiskt stöder frågan, med stabila avsnittsnamn och ett tydligt utdatakontrakt. En praktisk begäran är att jämföra två dokument, lista överensstämmelser och konflikter samt identifiera avsnitten bakom varje slutsats. Håll slutleveransen inom utdataprofilen på 4K: be om en beslutsbrief eller strukturerad jämförelse och fortsätt sedan med en definierad följdfråga om ett avsnitt behöver utvecklas. Giltig JSON-struktur och faktamässigt korrekta fältvärden är separata kontroller.
POST /v1/chat/completionstexttext| Fält | Typ | Krav | Värden & gränser | Standard |
|---|---|---|---|---|
Fältmodel | Typstring | KravObligatoriskt | Värden & gränser glm-4-plus | 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 $0.014 / 1K token Utdata · Utdatatoken $0.014 / 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-plus", "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-plus',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-plus',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-plus
Använd metodsökvägarna som visas ovan.
glm-4-plusGLM-4-Plus är Z.ai:s textmodell för språkförståelse, logisk analys, instruktionsföljande och långa dokument. Kontexten på 128K och utdataprofilen på 4K passar underlagsbaserade sammanfattningar, flerspråkig redigering, fältextraktion och verktygsstödda rapporter.
Den här beskrivningen omfattar modellens förmågor. Tillgängliga indata, utdata och alternativ i Ailoot anges nedan för den valda metoden.
GLM-4-Plus är den högkapabla textmodellen i Z.ai:s GLM-4-serie. Fokus förenar språkförståelse, logiska resonemang, instruktionsföljande och bearbetning av långa texter. Tillverkaren anger text som både indata och utdata, ett kontextfönster på 128K token och högst 4K token utdata. Lång indata och ett kompakt resultat är därför separata delar av profilen: en stor dokumentmängd kan stödja en fokuserad sammanfattning, jämförelse eller extraktion.
En dokumentassistent kan ta emot namngivna avsnitt och en fråga och sedan producera en kort analys knuten till avsnitten. Definiera avsedd målgrupp och beslut innan svaret begärs: jämför exempelvis två förfaranden, lista villkoren som gäller för ett fall eller identifiera motstridiga krav. Håll källavsnitt åtskilda från instruktionerna så att svaret kan skilja underlag från den begärda analysen.
GLM-4-beskrivningen anger strömning, funktionsanrop, kontextcache, strukturerade format som JSON samt interaktion med MCP-verktyg och datakällor. Strömning gör genererad text tillgänglig stegvis. Strukturerad utdata hjälper när resultatet ska innehålla namngivna fält snarare än en fri uppsats: en sammanfattning, extraherade identifierare, källavsnittens beteckningar och olösta frågor.
Verktygsanvändning kopplar språkmodellen till åtgärder som applikationen tillhandahåller. Applikationen beskriver funktionerna, utför det valda anropet och returnerar resultatet inför nästa steg. Det kan stödja en uppslagning följd av en rapport eller ett sökresultat som blir underlag för ett svar. Modellens text är skild från utförandet av den externa åtgärden. Upprepade instruktioner eller dokumentprefix kan delta i tillverkarens mekanism för kontextcache; cacheåteranvändning är inte i sig bevis för att en specifik begäran träffade cachen.
Översättning beskrivs som mer än omvandling av isolerade ord: tillverkaren inkluderar flerspråkig text, ton, slang, emojier och facktermer med hänsyn till kulturella skillnader. Ange källavsnitt, målgrupp och terminologi som ska förbli oförändrad. För redigering begär du en viss leverans – ett omarbetat brev, en produktbeskrivning eller en kort förklaring – och anger vilka fakta som måste bevaras.
Semantisk klassificering och fältextraktion utgår från det tillhandahållna materialet. Definiera kategorier eller obligatoriska fält först och ge sedan dokumenten. En applikation kan exempelvis begära projektidentifierare och klausulkategorier tillsammans med relevanta avsnittsbeteckningar. En uttrycklig regel för saknade värden hindrar utdataschemat från att bli en anledning att hitta på frånvarande data.
Tillverkaren beskriver även marknadsmaterial, analytiska riskrapporter och reseplanering. För skrivande tillhandahåller du faktiska produkt- eller kampanjfakta och avsett format. För analys ger du relevanta rapporter och jämförelsekriterier; aktuell information bör komma genom ett sök- eller dataverktyg som applikationen tillhandahåller. För en resplan anger du preferenser och tidsbegränsningar så att utdatan blir en plan för den beskrivna situationen snarare än en allmän reseuppsats.
GLM-4-Plus använder modellstödda syntetiska data och PPO-baserad efterträning för att utveckla matematiska resonemang och kodresonemang samt bättre återspegla mänskliga preferenser. För långa texter anpassar förberedelsen blandningen av kort och långt material för att stärka resonemang över utökad indata. Detta är förberedelseval för just denna Plus-modell. De förvandlar inte dess rena textprofil till bildförståelsen hos en separat namngiven GLM-4V-version.
Använd den större kontexten för att tillhandahålla materialet som faktiskt stöder frågan, med stabila avsnittsnamn och ett tydligt utdatakontrakt. En praktisk begäran är att jämföra två dokument, lista överensstämmelser och konflikter samt identifiera avsnitten bakom varje slutsats. Håll slutleveransen inom utdataprofilen på 4K: be om en beslutsbrief eller strukturerad jämförelse och fortsätt sedan med en definierad följdfråga om ett avsnitt behöver utvecklas. Giltig JSON-struktur och faktamässigt korrekta fältvärden är separata kontroller.
POST /v1/messagestextjson, sse| Fält | Typ | Krav | Värden & gränser | Standard |
|---|---|---|---|---|
Fältmodel | Typstring | KravObligatoriskt | Värden & gränser glm-4-plus | 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 $0.014 / 1K token Utdata · Utdatatoken $0.014 / 1K token Indata · Cacheläsning $0 / 1K token Indata · Skrivning till cache $0 / 1K token Indata · Skrivning till cache, 1 tim — / 1K token |
Ailoot reserverar ett uppskattat belopp före en begäran. Efter resultatet slutregleras avgiften utifrån uppmätt förbrukning. Slutreglering för strömning använder den slutliga förbrukningsposten. Så fungerar reservation och slutreglering →
{\n "model": "glm-4-plus",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-plus', '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-plus', '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-plus
Använd metodsökvägarna som visas ovan.
Tekniskt exempel på engelska
Find contradictions between two procedures\n\nCompare procedure P: approve a supplier before issuing an order; emergency orders need the same approval. Procedure Q: emergency orders may be issued immediately and reviewed the next day. Prepare a decision brief identifying the conflict, the passages involved and the exact policy question an owner must resolve before the procedures can agree.A concise conflict statement, two supporting passages and one decision question.Check that the answer exposes the approval-timing conflict without silently choosing a governing procedure.