GLM-4-32B-0414 är den fasta textutgåvan i 32B-klassen i Z.ai:s GLM-4-0414-serie. Basen förtränades på 15 biljoner token, inklusive syntetiskt resonemangsmaterial. Efterträningen kombinerar anpassning till dialogpreferenser, rejection sampling och förstärkningsinlärning för att utveckla instruktionsföljning, programvarukod och funktionsanrop. De angivna arbetsområdena omfattar programvaruuppgifter, textartefakter, sökbaserade frågor och rapporter. Indata och utdata är text; genererad kod blir en körbar eller renderad artefakt när applikationen sparar och kör den.
Den resonemangsinriktade GLM-Z1-32B-0414 och den forskningsinriktade Rumination-modellen är separat namngivna utgåvor. Denna post följer GLM-4-modellens egna bredare demonstrationer av kod och verktyg i stället för att ersätta dem med en annan utgåvas tänkanderegler.
Tillverkaren visar programmering av en rörlig boll inuti en roterande sexhörning. Exemplet med GLM-4-32B-0414 använder HTML och beskriver rörelsen, kollisionerna och de fysikaliska antagandena. Detta är kod för en simulering, inget videogenereringsläge. För att förbereda en liknande uppgift anger du scenen, rörelsereglerna, kollisionsbeteendet och den avsedda körmiljön och ber sedan om en fristående implementation och en förklaring av antagandena. Applikationen kör koden för att granska resultatet.
Exemplen innehåller ett ritgränssnitt för egna funktionsgrafer, med möjlighet att lägga till och ta bort funktioner och tilldela färger. Ett annat exempel bygger ett mobilt maskininlärningsgränssnitt med träningsuppgifter, lagringshantering och personlig statistik, inklusive diagram, arrangerat på en HTML-sida. Detta är konkreta frontenduppgifter med specificerade kontroller och tillstånd.
För användbara utdata beskriver du vilka åtgärder varje kontroll måste stödja och vilka data vyn ska visa. En gränssnittsförfrågan kan be om sidkoden tillsammans med sambandet mellan indata, visat tillstånd och resultat. En senare tur kan tillhandahålla den observerade renderingen och be om en avgränsad ändring samtidigt som det angivna beteendet bevaras.
Tillverkaren visar även SVG-illustrationer, bland annat ett landskap och en förklaring av en språkmodells träningsprocess. SVG är strukturerad text, så applikationen kan spara den som en redigerbar vektorartefakt. Ange motiv, etiketter, layout och önskade visuella samband. Be om SVG-koden som en separat leverans i stället för att blanda illustrationens kod med en lång orelaterad förklaring.
För undersökande skrivande tillhandahåller kortet sökresultat som observationer och ber modellen organisera och tolka dem i stället för att kopiera dem. Instruktionerna skiljer relevanta resultat från irrelevanta, prioriterar meningsfull detaljrikedom när beläggen tillåter, använder en läsbar struktur och ger svar på användarens språk. Exemplet ger en analytisk rapport om barnlitteratur som behandlar berättarmetoder, teman och deras effekter.
En praktisk uppgift kan tillhandahålla namngivna utdrag och be om en rapport strukturerad kring uttryckliga frågor, där varje slutsats kopplas till det stödjande materialet. Sökning och informationshämtning sker i den omgivande applikationen; de returnerade textavsnitten blir modellens belägg. Detta är även användbart för att jämföra dokument eller förbereda en förklaring utifrån en tillhandahållen samling forskningsmaterial.
GLM-4-32B-0414 stöder externa verktygsanrop med JSON-argument. Modellen identifierar en funktion och dess argument, applikationen kör den och resultatet returneras som en observation. Tillverkarens demonstration upprepar loopen tills ett slutligt svar produceras. Beskriv varje verktygs syfte och obligatoriska fält och skilj dess observation från användarens instruktion. En uppslagning kan därmed tillföra data för en senare jämförelse utan att låtsas att modellen självständigt har hämtat aktuell information.
Den publicerade konfigurationen sätter max_position_embeddings till 32 768 och innehåller ingen rope_scaling-post. Tillverkarens genomarbetade exempel använder förfrågningsspecifika genereringslängder; kortet anger inget allmängiltigt hårt utdatamaximum. Håll relevant kod, hämtade textavsnitt och dialog inom den aktiva kontexten och ange om slutresultatet ska vara HTML, SVG, en koddel, JSON-argument eller en rapport. Dessa är textrepresentationer som produceras för den beskrivna uppgiften; körning, filskapande och åtkomst till externa data förblir applikationsåtgärder.
", "aboutText": "### Introduktion\n\nGLM-4-32B-0414 är den fasta textutgåvan i 32B-klassen i Z.ai:s GLM-4-0414-serie. Basen förtränades på 15 biljoner token, inklusive syntetiskt resonemangsmaterial. Efterträningen kombinerar anpassning till dialogpreferenser, rejection sampling och förstärkningsinlärning för att utveckla instruktionsföljning, programvarukod och funktionsanrop. De angivna arbetsområdena omfattar programvaruuppgifter, textartefakter, sökbaserade frågor och rapporter. Indata och utdata är text; genererad kod blir en körbar eller renderad artefakt när applikationen sparar och kör den.\n\nDen resonemangsinriktade GLM-Z1-32B-0414 och den forskningsinriktade Rumination-modellen är separat namngivna utgåvor. Denna post följer GLM-4-modellens egna bredare demonstrationer av kod och verktyg i stället för att ersätta dem med en annan utgåvas tänkanderegler.\n\n### Exempel: generering av animation\n\nTillverkaren visar programmering av en rörlig boll inuti en roterande sexhörning. Exemplet med GLM-4-32B-0414 använder HTML och beskriver rörelsen, kollisionerna och de fysikaliska antagandena. Detta är kod för en simulering, inget videogenereringsläge. För att förbereda en liknande uppgift anger du scenen, rörelsereglerna, kollisionsbeteendet och den avsedda körmiljön och ber sedan om en fristående implementation och en förklaring av antagandena. Applikationen kör koden för att granska resultatet.\n\n### Exempel: webbdesign\n\nExemplen innehåller ett ritgränssnitt för egna funktionsgrafer, med möjlighet att lägga till och ta bort funktioner och tilldela färger. Ett annat exempel bygger ett mobilt maskininlärningsgränssnitt med träningsuppgifter, lagringshantering och personlig statistik, inklusive diagram, arrangerat på en HTML-sida. Detta är konkreta frontenduppgifter med specificerade kontroller och tillstånd.\n\nFör användbara utdata beskriver du vilka åtgärder varje kontroll måste stödja och vilka data vyn ska visa. En gränssnittsförfrågan kan be om sidkoden tillsammans med sambandet mellan indata, visat tillstånd och resultat. En senare tur kan tillhandahålla den observerade renderingen och be om en avgränsad ändring samtidigt som det angivna beteendet bevaras.\n\n### Exempel: SVG-generering\n\nTillverkaren visar även SVG-illustrationer, bland annat ett landskap och en förklaring av en språkmodells träningsprocess. SVG är strukturerad text, så applikationen kan spara den som en redigerbar vektorartefakt. Ange motiv, etiketter, layout och önskade visuella samband. Be om SVG-koden som en separat leverans i stället för att blanda illustrationens kod med en lång orelaterad förklaring.\n\n### Sökbaserat skrivande\n\nFör undersökande skrivande tillhandahåller kortet sökresultat som observationer och ber modellen organisera och tolka dem i stället för att kopiera dem. Instruktionerna skiljer relevanta resultat från irrelevanta, prioriterar meningsfull detaljrikedom när beläggen tillåter, använder en läsbar struktur och ger svar på användarens språk. Exemplet ger en analytisk rapport om barnlitteratur som behandlar berättarmetoder, teman och deras effekter.\n\nEn praktisk uppgift kan tillhandahålla namngivna utdrag och be om en rapport strukturerad kring uttryckliga frågor, där varje slutsats kopplas till det stödjande materialet. Sökning och informationshämtning sker i den omgivande applikationen; de returnerade textavsnitten blir modellens belägg. Detta är även användbart för att jämföra dokument eller förbereda en förklaring utifrån en tillhandahållen samling forskningsmaterial.\n\n### Funktionsanrop\n\nGLM-4-32B-0414 stöder externa verktygsanrop med JSON-argument. Modellen identifierar en funktion och dess argument, applikationen kör den och resultatet returneras som en observation. Tillverkarens demonstration upprepar loopen tills ett slutligt svar produceras. Beskriv varje verktygs syfte och obligatoriska fält och skilj dess observation från användarens instruktion. En uppslagning kan därmed tillföra data för en senare jämförelse utan att låtsas att modellen självständigt har hämtat aktuell information.\n\n### Planera kontext och resultat\n\nDen publicerade konfigurationen sätter max_position_embeddings till 32 768 och innehåller ingen rope_scaling-post. Tillverkarens genomarbetade exempel använder förfrågningsspecifika genereringslängder; kortet anger inget allmängiltigt hårt utdatamaximum. Håll relevant kod, hämtade textavsnitt och dialog inom den aktiva kontexten och ange om slutresultatet ska vara HTML, SVG, en koddel, JSON-argument eller en rapport. Dessa är textrepresentationer som produceras för den beskrivna uppgiften; körning, filskapande och åtkomst till externa data förblir applikationsåtgärder.", "editorialOverlay": { "copy_fields": { "practical_html": "Tekniskt exempel på engelska
Generate an editable process diagram\n\nCreate self-contained SVG markup for a left-to-right process: Receive -> Validate -> Store. Use three labelled rectangles and two arrows; all labels must remain readable in a 720 by 180 viewBox. Use no scripts, external fonts or external images. Return SVG code and a brief explanation of how the arrows encode the required order.A standalone editable SVG code block with three named nodes and two directional arrows, followed by a short order explanation.Render the SVG locally and check the exact labels, arrow direction and absence of clipped text or external dependencies.THUDM/GLM-4-32B-0414GLM-4-32B-0414 är Z.ai:s fasta textutgåva för programvarukod, interaktiva HTML/SVG-artefakter, sökbaserade rapporter och JSON-funktionsanrop. Modellkortet visar konkreta utvecklingsflöden och en verktygsloop som styrs av applikationen.
Den här beskrivningen omfattar modellens förmågor. Tillgängliga indata, utdata och alternativ i Ailoot anges nedan för den valda metoden.
GLM-4-32B-0414 är den fasta textutgåvan i 32B-klassen i Z.ai:s GLM-4-0414-serie. Basen förtränades på 15 biljoner token, inklusive syntetiskt resonemangsmaterial. Efterträningen kombinerar anpassning till dialogpreferenser, rejection sampling och förstärkningsinlärning för att utveckla instruktionsföljning, programvarukod och funktionsanrop. De angivna arbetsområdena omfattar programvaruuppgifter, textartefakter, sökbaserade frågor och rapporter. Indata och utdata är text; genererad kod blir en körbar eller renderad artefakt när applikationen sparar och kör den.
Den resonemangsinriktade GLM-Z1-32B-0414 och den forskningsinriktade Rumination-modellen är separat namngivna utgåvor. Denna post följer GLM-4-modellens egna bredare demonstrationer av kod och verktyg i stället för att ersätta dem med en annan utgåvas tänkanderegler.
Tillverkaren visar programmering av en rörlig boll inuti en roterande sexhörning. Exemplet med GLM-4-32B-0414 använder HTML och beskriver rörelsen, kollisionerna och de fysikaliska antagandena. Detta är kod för en simulering, inget videogenereringsläge. För att förbereda en liknande uppgift anger du scenen, rörelsereglerna, kollisionsbeteendet och den avsedda körmiljön och ber sedan om en fristående implementation och en förklaring av antagandena. Applikationen kör koden för att granska resultatet.
Exemplen innehåller ett ritgränssnitt för egna funktionsgrafer, med möjlighet att lägga till och ta bort funktioner och tilldela färger. Ett annat exempel bygger ett mobilt maskininlärningsgränssnitt med träningsuppgifter, lagringshantering och personlig statistik, inklusive diagram, arrangerat på en HTML-sida. Detta är konkreta frontenduppgifter med specificerade kontroller och tillstånd.
För användbara utdata beskriver du vilka åtgärder varje kontroll måste stödja och vilka data vyn ska visa. En gränssnittsförfrågan kan be om sidkoden tillsammans med sambandet mellan indata, visat tillstånd och resultat. En senare tur kan tillhandahålla den observerade renderingen och be om en avgränsad ändring samtidigt som det angivna beteendet bevaras.
Tillverkaren visar även SVG-illustrationer, bland annat ett landskap och en förklaring av en språkmodells träningsprocess. SVG är strukturerad text, så applikationen kan spara den som en redigerbar vektorartefakt. Ange motiv, etiketter, layout och önskade visuella samband. Be om SVG-koden som en separat leverans i stället för att blanda illustrationens kod med en lång orelaterad förklaring.
För undersökande skrivande tillhandahåller kortet sökresultat som observationer och ber modellen organisera och tolka dem i stället för att kopiera dem. Instruktionerna skiljer relevanta resultat från irrelevanta, prioriterar meningsfull detaljrikedom när beläggen tillåter, använder en läsbar struktur och ger svar på användarens språk. Exemplet ger en analytisk rapport om barnlitteratur som behandlar berättarmetoder, teman och deras effekter.
En praktisk uppgift kan tillhandahålla namngivna utdrag och be om en rapport strukturerad kring uttryckliga frågor, där varje slutsats kopplas till det stödjande materialet. Sökning och informationshämtning sker i den omgivande applikationen; de returnerade textavsnitten blir modellens belägg. Detta är även användbart för att jämföra dokument eller förbereda en förklaring utifrån en tillhandahållen samling forskningsmaterial.
GLM-4-32B-0414 stöder externa verktygsanrop med JSON-argument. Modellen identifierar en funktion och dess argument, applikationen kör den och resultatet returneras som en observation. Tillverkarens demonstration upprepar loopen tills ett slutligt svar produceras. Beskriv varje verktygs syfte och obligatoriska fält och skilj dess observation från användarens instruktion. En uppslagning kan därmed tillföra data för en senare jämförelse utan att låtsas att modellen självständigt har hämtat aktuell information.
Den publicerade konfigurationen sätter max_position_embeddings till 32 768 och innehåller ingen rope_scaling-post. Tillverkarens genomarbetade exempel använder förfrågningsspecifika genereringslängder; kortet anger inget allmängiltigt hårt utdatamaximum. Håll relevant kod, hämtade textavsnitt och dialog inom den aktiva kontexten och ange om slutresultatet ska vara HTML, SVG, en koddel, JSON-argument eller en rapport. Dessa är textrepresentationer som produceras för den beskrivna uppgiften; körning, filskapande och åtkomst till externa data förblir applikationsåtgärder.
POST /v1/chat/completionstexttext| Fält | Typ | Krav | Värden & gränser | Standard |
|---|---|---|---|---|
Fältmodel | Typstring | KravObligatoriskt | Värden & gränser THUDM/GLM-4-32B-0414 | 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 $0.00014 / 1K token Utdata · Utdatatoken $0.00014 / 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": "THUDM/GLM-4-32B-0414", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='THUDM/GLM-4-32B-0414',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='THUDM/GLM-4-32B-0414',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson 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 THUDM/GLM-4-32B-0414
Använd metodsökvägarna som visas ovan.
THUDM/GLM-4-32B-0414GLM-4-32B-0414 är Z.ai:s fasta textutgåva för programvarukod, interaktiva HTML/SVG-artefakter, sökbaserade rapporter och JSON-funktionsanrop. Modellkortet visar konkreta utvecklingsflöden och en verktygsloop som styrs av applikationen.
Den här beskrivningen omfattar modellens förmågor. Tillgängliga indata, utdata och alternativ i Ailoot anges nedan för den valda metoden.
GLM-4-32B-0414 är den fasta textutgåvan i 32B-klassen i Z.ai:s GLM-4-0414-serie. Basen förtränades på 15 biljoner token, inklusive syntetiskt resonemangsmaterial. Efterträningen kombinerar anpassning till dialogpreferenser, rejection sampling och förstärkningsinlärning för att utveckla instruktionsföljning, programvarukod och funktionsanrop. De angivna arbetsområdena omfattar programvaruuppgifter, textartefakter, sökbaserade frågor och rapporter. Indata och utdata är text; genererad kod blir en körbar eller renderad artefakt när applikationen sparar och kör den.
Den resonemangsinriktade GLM-Z1-32B-0414 och den forskningsinriktade Rumination-modellen är separat namngivna utgåvor. Denna post följer GLM-4-modellens egna bredare demonstrationer av kod och verktyg i stället för att ersätta dem med en annan utgåvas tänkanderegler.
Tillverkaren visar programmering av en rörlig boll inuti en roterande sexhörning. Exemplet med GLM-4-32B-0414 använder HTML och beskriver rörelsen, kollisionerna och de fysikaliska antagandena. Detta är kod för en simulering, inget videogenereringsläge. För att förbereda en liknande uppgift anger du scenen, rörelsereglerna, kollisionsbeteendet och den avsedda körmiljön och ber sedan om en fristående implementation och en förklaring av antagandena. Applikationen kör koden för att granska resultatet.
Exemplen innehåller ett ritgränssnitt för egna funktionsgrafer, med möjlighet att lägga till och ta bort funktioner och tilldela färger. Ett annat exempel bygger ett mobilt maskininlärningsgränssnitt med träningsuppgifter, lagringshantering och personlig statistik, inklusive diagram, arrangerat på en HTML-sida. Detta är konkreta frontenduppgifter med specificerade kontroller och tillstånd.
För användbara utdata beskriver du vilka åtgärder varje kontroll måste stödja och vilka data vyn ska visa. En gränssnittsförfrågan kan be om sidkoden tillsammans med sambandet mellan indata, visat tillstånd och resultat. En senare tur kan tillhandahålla den observerade renderingen och be om en avgränsad ändring samtidigt som det angivna beteendet bevaras.
Tillverkaren visar även SVG-illustrationer, bland annat ett landskap och en förklaring av en språkmodells träningsprocess. SVG är strukturerad text, så applikationen kan spara den som en redigerbar vektorartefakt. Ange motiv, etiketter, layout och önskade visuella samband. Be om SVG-koden som en separat leverans i stället för att blanda illustrationens kod med en lång orelaterad förklaring.
För undersökande skrivande tillhandahåller kortet sökresultat som observationer och ber modellen organisera och tolka dem i stället för att kopiera dem. Instruktionerna skiljer relevanta resultat från irrelevanta, prioriterar meningsfull detaljrikedom när beläggen tillåter, använder en läsbar struktur och ger svar på användarens språk. Exemplet ger en analytisk rapport om barnlitteratur som behandlar berättarmetoder, teman och deras effekter.
En praktisk uppgift kan tillhandahålla namngivna utdrag och be om en rapport strukturerad kring uttryckliga frågor, där varje slutsats kopplas till det stödjande materialet. Sökning och informationshämtning sker i den omgivande applikationen; de returnerade textavsnitten blir modellens belägg. Detta är även användbart för att jämföra dokument eller förbereda en förklaring utifrån en tillhandahållen samling forskningsmaterial.
GLM-4-32B-0414 stöder externa verktygsanrop med JSON-argument. Modellen identifierar en funktion och dess argument, applikationen kör den och resultatet returneras som en observation. Tillverkarens demonstration upprepar loopen tills ett slutligt svar produceras. Beskriv varje verktygs syfte och obligatoriska fält och skilj dess observation från användarens instruktion. En uppslagning kan därmed tillföra data för en senare jämförelse utan att låtsas att modellen självständigt har hämtat aktuell information.
Den publicerade konfigurationen sätter max_position_embeddings till 32 768 och innehåller ingen rope_scaling-post. Tillverkarens genomarbetade exempel använder förfrågningsspecifika genereringslängder; kortet anger inget allmängiltigt hårt utdatamaximum. Håll relevant kod, hämtade textavsnitt och dialog inom den aktiva kontexten och ange om slutresultatet ska vara HTML, SVG, en koddel, JSON-argument eller en rapport. Dessa är textrepresentationer som produceras för den beskrivna uppgiften; körning, filskapande och åtkomst till externa data förblir applikationsåtgärder.
POST /v1/messagestextjson, sse| Fält | Typ | Krav | Värden & gränser | Standard |
|---|---|---|---|---|
Fältmodel | Typstring | KravObligatoriskt | Värden & gränser THUDM/GLM-4-32B-0414 | 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 $0.00014 / 1K token Utdata · Utdatatoken $0.00014 / 1K token Indata · Cacheläsning $0 / 1K token Indata · Skrivning till cache $0 / 1K token Indata · Skrivning till cache, 1 tim — / 1K token |
Ailoot reserverar ett uppskattat belopp före en begäran. Efter resultatet slutregleras avgiften utifrån uppmätt förbrukning. Slutreglering för strömning använder den slutliga förbrukningsposten. Så fungerar reservation och slutreglering →
{\n "model": "THUDM/GLM-4-32B-0414",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'THUDM/GLM-4-32B-0414', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'THUDM/GLM-4-32B-0414', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON 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 THUDM/GLM-4-32B-0414
Använd metodsökvägarna som visas ovan.
Tekniskt exempel på engelska
Generate an editable process diagram\n\nCreate self-contained SVG markup for a left-to-right process: Receive -> Validate -> Store. Use three labelled rectangles and two arrows; all labels must remain readable in a 720 by 180 viewBox. Use no scripts, external fonts or external images. Return SVG code and a brief explanation of how the arrows encode the required order.A standalone editable SVG code block with three named nodes and two directional arrows, followed by a short order explanation.Render the SVG locally and check the exact labels, arrow direction and absence of clipped text or external dependencies.