GLM-Z1-32B-0414 är den resonemangsinriktade medlemmen i Z.ai:s GLM-4-0414-serie. Den har utvecklats från GLM-4-32B-0414 genom kallstartsförberedelse och utökad förstärkningsinlärning, med vidare arbete inom matematik, kod och logik. Återkoppling med parvis rangordning används också för att stärka de allmänna förmågorna. Indata är text och det synliga resultatet är en textlösning, förklaring eller programdel.
Syftet är en uppgift som behöver sammanhängande mellanliggande slutsatser snarare än en omedelbar mening. Tillhandahåll alla antaganden och definiera det önskade slutmålet: härled en formel, förklara en algoritm, motivera en gräns eller förbered en kodändring. Tillverkarens matematiska exempel handlar om positiva variabler kopplade genom en ekvation och det möjliga intervallet för deras summa. Ett användbart svar bör identifiera villkoren, visa de relevanta övergångarna och tydligt skilja ut slutresultatet.
GLM-Z1-Rumination-32B-0414 är en separat utgåva för mer öppna undersökningar med sökverktyg; GLM-Z1-9B-0414 är en annan storlek. Denna post bevarar den namngivna Z1 32B-utgåvan i stället för att föra in de andra utgåvornas extra arbetsflöden eller storleksegenskaper.
Tillverkaren rekommenderar temperature 0.6, top_p 0.95 och top_k 40. Den rekommenderar även en max_new_tokens-budget på 30 000 för att lämna utrymme för tänkande. Detta är rekommenderade genereringsinställningar, ingen garanti för att varje svar behöver den längden eller en dokumenterad allmängiltig hård utdatagräns. Kortets separata inferensexempel använder en mindre förfrågningsspecifik genereringsbudget.
För en resonemangsuppgift lämnar du tillräckligt med utrymme för både analysen och slutsvaret och definierar slutsvarets form i prompten. En matematisk fråga kan be om intervallet eller värdet separat från förklaringen; en kodfråga kan be om en implementation följd av de antaganden som spelar roll för den. Gör det efterfrågade resultatet tillräckligt specifikt för att kunna kontrolleras mot de angivna villkoren.
Tillverkarens mall inleder genereringen med tänkandemarkören <think>. Den publicerade chattmallen lägger in denna markör, så en implementation bör använda utgåvans faktiska mall i stället för att anta ett orelaterat dialogformat.
För efterföljande turer behåller användningsguiden det slutliga användarsynliga svaret och tar bort det interna tänkandematerialet från sparad dialoghistorik. Detta är en förberedelseregel för modellens egen konversationsmall. En följdfråga bör innehålla den aktuella frågan, nödvändigt källmaterial och det relevanta tidigare svaret, inte en ofiltrerad ansamling av all tidigare intern analys.
Den publicerade konfigurationen sätter max_position_embeddings till 32 768 och innehåller ingen rope_scaling-post. Användningsguiden rekommenderar att YaRN övervägs när indata överstiger 8 192 token. Dess exempelkonfiguration för skalning använder factor 4.0 med original_max_position_embeddings satt till 32 768. Rekommendationströskeln, baskonfigurationen och den valfria utökningen är olika uppgifter; de är inte utbytbara svarsgränser.
Statisk YaRN påverkar all text och kan minska prestandan något för korta indata, så tillverkaren rekommenderar att det aktiveras vid behov. För långt material tillhandahåller du relevanta definitioner och textavsnitt i tydligt avskilda indata och lämnar en lämplig genereringsbudget inom den aktiva kontexten. Konfigurationen bör följa den valda driftsättningens stöd för tillverkarens skalningsförfarande i stället för att behandla en aritmetisk multipel som ett automatiskt tillgängligt kontextfönster.
Modellens inferensexempel använder en användarfråga och utgåvans specifika chattmall. För matematik bevarar du variabeldefinitionerna och anger påståendet som ska fastställas. För kod tillhandahåller du den relevanta delen, dess önskade beteende och fallet som diskuteras. Be om ett tydligt slutresultat — bevis, formel, implementation eller förklaring — så att resonemanget kan bedömas genom uppgiftens resultat. Den särskilda Z1-guiden anger textresonemang och dess förberedelse; den fastställer inget ytterligare inbyggt verktygskontrakt eller bildindata för denna utgåva.
", "aboutText": "### Introduktion\n\nGLM-Z1-32B-0414 är den resonemangsinriktade medlemmen i Z.ai:s GLM-4-0414-serie. Den har utvecklats från GLM-4-32B-0414 genom kallstartsförberedelse och utökad förstärkningsinlärning, med vidare arbete inom matematik, kod och logik. Återkoppling med parvis rangordning används också för att stärka de allmänna förmågorna. Indata är text och det synliga resultatet är en textlösning, förklaring eller programdel.\n\nSyftet är en uppgift som behöver sammanhängande mellanliggande slutsatser snarare än en omedelbar mening. Tillhandahåll alla antaganden och definiera det önskade slutmålet: härled en formel, förklara en algoritm, motivera en gräns eller förbered en kodändring. Tillverkarens matematiska exempel handlar om positiva variabler kopplade genom en ekvation och det möjliga intervallet för deras summa. Ett användbart svar bör identifiera villkoren, visa de relevanta övergångarna och tydligt skilja ut slutresultatet.\n\nGLM-Z1-Rumination-32B-0414 är en separat utgåva för mer öppna undersökningar med sökverktyg; GLM-Z1-9B-0414 är en annan storlek. Denna post bevarar den namngivna Z1 32B-utgåvan i stället för att föra in de andra utgåvornas extra arbetsflöden eller storleksegenskaper.\n\n### Användningsvägledning: sampling\n\nTillverkaren rekommenderar temperature 0.6, top_p 0.95 och top_k 40. Den rekommenderar även en max_new_tokens-budget på 30 000 för att lämna utrymme för tänkande. Detta är rekommenderade genereringsinställningar, ingen garanti för att varje svar behöver den längden eller en dokumenterad allmängiltig hård utdatagräns. Kortets separata inferensexempel använder en mindre förfrågningsspecifik genereringsbudget.\n\nFör en resonemangsuppgift lämnar du tillräckligt med utrymme för både analysen och slutsvaret och definierar slutsvarets form i prompten. En matematisk fråga kan be om intervallet eller värdet separat från förklaringen; en kodfråga kan be om en implementation följd av de antaganden som spelar roll för den. Gör det efterfrågade resultatet tillräckligt specifikt för att kunna kontrolleras mot de angivna villkoren.\n\n### Användningsvägledning: tänkande och dialoghistorik\n\nTillverkarens mall inleder genereringen med tänkandemarkören `Tekniskt exempel på engelska
Derive a safe batch bound\n\nA buffer holds at most 96 records. Every batch adds b records, where b is a positive integer, and 12 records must remain free. Derive the largest number of complete batches that fit as a formula in b. Explain the rounding and calculate the result for b = 10, keeping the reserved space separate from usable capacity.A formula using a floor, an explanation of usable capacity and a checked numeric example.Verify the formula reserves 12 records and a further full batch would exceed usable capacity in the example.THUDM/GLM-Z1-32B-0414GLM-Z1-32B-0414 är Z.ai:s fasta textresonemangsutgåva för matematik, programmering och logik. Tillverkaren ger uttrycklig vägledning för tänkande, dialoghistorik, sampling och valfri skalning av lång kontext, så att komplexa uppgifter kan förberedas för just denna utgåva.
Den här beskrivningen omfattar modellens förmågor. Tillgängliga indata, utdata och alternativ i Ailoot anges nedan för den valda metoden.
GLM-Z1-32B-0414 är den resonemangsinriktade medlemmen i Z.ai:s GLM-4-0414-serie. Den har utvecklats från GLM-4-32B-0414 genom kallstartsförberedelse och utökad förstärkningsinlärning, med vidare arbete inom matematik, kod och logik. Återkoppling med parvis rangordning används också för att stärka de allmänna förmågorna. Indata är text och det synliga resultatet är en textlösning, förklaring eller programdel.
Syftet är en uppgift som behöver sammanhängande mellanliggande slutsatser snarare än en omedelbar mening. Tillhandahåll alla antaganden och definiera det önskade slutmålet: härled en formel, förklara en algoritm, motivera en gräns eller förbered en kodändring. Tillverkarens matematiska exempel handlar om positiva variabler kopplade genom en ekvation och det möjliga intervallet för deras summa. Ett användbart svar bör identifiera villkoren, visa de relevanta övergångarna och tydligt skilja ut slutresultatet.
GLM-Z1-Rumination-32B-0414 är en separat utgåva för mer öppna undersökningar med sökverktyg; GLM-Z1-9B-0414 är en annan storlek. Denna post bevarar den namngivna Z1 32B-utgåvan i stället för att föra in de andra utgåvornas extra arbetsflöden eller storleksegenskaper.
Tillverkaren rekommenderar temperature 0.6, top_p 0.95 och top_k 40. Den rekommenderar även en max_new_tokens-budget på 30 000 för att lämna utrymme för tänkande. Detta är rekommenderade genereringsinställningar, ingen garanti för att varje svar behöver den längden eller en dokumenterad allmängiltig hård utdatagräns. Kortets separata inferensexempel använder en mindre förfrågningsspecifik genereringsbudget.
För en resonemangsuppgift lämnar du tillräckligt med utrymme för både analysen och slutsvaret och definierar slutsvarets form i prompten. En matematisk fråga kan be om intervallet eller värdet separat från förklaringen; en kodfråga kan be om en implementation följd av de antaganden som spelar roll för den. Gör det efterfrågade resultatet tillräckligt specifikt för att kunna kontrolleras mot de angivna villkoren.
Tillverkarens mall inleder genereringen med tänkandemarkören <think>. Den publicerade chattmallen lägger in denna markör, så en implementation bör använda utgåvans faktiska mall i stället för att anta ett orelaterat dialogformat.
För efterföljande turer behåller användningsguiden det slutliga användarsynliga svaret och tar bort det interna tänkandematerialet från sparad dialoghistorik. Detta är en förberedelseregel för modellens egen konversationsmall. En följdfråga bör innehålla den aktuella frågan, nödvändigt källmaterial och det relevanta tidigare svaret, inte en ofiltrerad ansamling av all tidigare intern analys.
Den publicerade konfigurationen sätter max_position_embeddings till 32 768 och innehåller ingen rope_scaling-post. Användningsguiden rekommenderar att YaRN övervägs när indata överstiger 8 192 token. Dess exempelkonfiguration för skalning använder factor 4.0 med original_max_position_embeddings satt till 32 768. Rekommendationströskeln, baskonfigurationen och den valfria utökningen är olika uppgifter; de är inte utbytbara svarsgränser.
Statisk YaRN påverkar all text och kan minska prestandan något för korta indata, så tillverkaren rekommenderar att det aktiveras vid behov. För långt material tillhandahåller du relevanta definitioner och textavsnitt i tydligt avskilda indata och lämnar en lämplig genereringsbudget inom den aktiva kontexten. Konfigurationen bör följa den valda driftsättningens stöd för tillverkarens skalningsförfarande i stället för att behandla en aritmetisk multipel som ett automatiskt tillgängligt kontextfönster.
Modellens inferensexempel använder en användarfråga och utgåvans specifika chattmall. För matematik bevarar du variabeldefinitionerna och anger påståendet som ska fastställas. För kod tillhandahåller du den relevanta delen, dess önskade beteende och fallet som diskuteras. Be om ett tydligt slutresultat — bevis, formel, implementation eller förklaring — så att resonemanget kan bedömas genom uppgiftens resultat. Den särskilda Z1-guiden anger textresonemang och dess förberedelse; den fastställer inget ytterligare inbyggt verktygskontrakt eller bildindata för denna utgåva.
POST /v1/chat/completionstexttext| Fält | Typ | Krav | Värden & gränser | Standard |
|---|---|---|---|---|
Fältmodel | Typstring | KravObligatoriskt | Värden & gränser THUDM/GLM-Z1-32B-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-Z1-32B-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-Z1-32B-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-Z1-32B-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-Z1-32B-0414
Använd metodsökvägarna som visas ovan.
THUDM/GLM-Z1-32B-0414GLM-Z1-32B-0414 är Z.ai:s fasta textresonemangsutgåva för matematik, programmering och logik. Tillverkaren ger uttrycklig vägledning för tänkande, dialoghistorik, sampling och valfri skalning av lång kontext, så att komplexa uppgifter kan förberedas för just denna utgåva.
Den här beskrivningen omfattar modellens förmågor. Tillgängliga indata, utdata och alternativ i Ailoot anges nedan för den valda metoden.
GLM-Z1-32B-0414 är den resonemangsinriktade medlemmen i Z.ai:s GLM-4-0414-serie. Den har utvecklats från GLM-4-32B-0414 genom kallstartsförberedelse och utökad förstärkningsinlärning, med vidare arbete inom matematik, kod och logik. Återkoppling med parvis rangordning används också för att stärka de allmänna förmågorna. Indata är text och det synliga resultatet är en textlösning, förklaring eller programdel.
Syftet är en uppgift som behöver sammanhängande mellanliggande slutsatser snarare än en omedelbar mening. Tillhandahåll alla antaganden och definiera det önskade slutmålet: härled en formel, förklara en algoritm, motivera en gräns eller förbered en kodändring. Tillverkarens matematiska exempel handlar om positiva variabler kopplade genom en ekvation och det möjliga intervallet för deras summa. Ett användbart svar bör identifiera villkoren, visa de relevanta övergångarna och tydligt skilja ut slutresultatet.
GLM-Z1-Rumination-32B-0414 är en separat utgåva för mer öppna undersökningar med sökverktyg; GLM-Z1-9B-0414 är en annan storlek. Denna post bevarar den namngivna Z1 32B-utgåvan i stället för att föra in de andra utgåvornas extra arbetsflöden eller storleksegenskaper.
Tillverkaren rekommenderar temperature 0.6, top_p 0.95 och top_k 40. Den rekommenderar även en max_new_tokens-budget på 30 000 för att lämna utrymme för tänkande. Detta är rekommenderade genereringsinställningar, ingen garanti för att varje svar behöver den längden eller en dokumenterad allmängiltig hård utdatagräns. Kortets separata inferensexempel använder en mindre förfrågningsspecifik genereringsbudget.
För en resonemangsuppgift lämnar du tillräckligt med utrymme för både analysen och slutsvaret och definierar slutsvarets form i prompten. En matematisk fråga kan be om intervallet eller värdet separat från förklaringen; en kodfråga kan be om en implementation följd av de antaganden som spelar roll för den. Gör det efterfrågade resultatet tillräckligt specifikt för att kunna kontrolleras mot de angivna villkoren.
Tillverkarens mall inleder genereringen med tänkandemarkören <think>. Den publicerade chattmallen lägger in denna markör, så en implementation bör använda utgåvans faktiska mall i stället för att anta ett orelaterat dialogformat.
För efterföljande turer behåller användningsguiden det slutliga användarsynliga svaret och tar bort det interna tänkandematerialet från sparad dialoghistorik. Detta är en förberedelseregel för modellens egen konversationsmall. En följdfråga bör innehålla den aktuella frågan, nödvändigt källmaterial och det relevanta tidigare svaret, inte en ofiltrerad ansamling av all tidigare intern analys.
Den publicerade konfigurationen sätter max_position_embeddings till 32 768 och innehåller ingen rope_scaling-post. Användningsguiden rekommenderar att YaRN övervägs när indata överstiger 8 192 token. Dess exempelkonfiguration för skalning använder factor 4.0 med original_max_position_embeddings satt till 32 768. Rekommendationströskeln, baskonfigurationen och den valfria utökningen är olika uppgifter; de är inte utbytbara svarsgränser.
Statisk YaRN påverkar all text och kan minska prestandan något för korta indata, så tillverkaren rekommenderar att det aktiveras vid behov. För långt material tillhandahåller du relevanta definitioner och textavsnitt i tydligt avskilda indata och lämnar en lämplig genereringsbudget inom den aktiva kontexten. Konfigurationen bör följa den valda driftsättningens stöd för tillverkarens skalningsförfarande i stället för att behandla en aritmetisk multipel som ett automatiskt tillgängligt kontextfönster.
Modellens inferensexempel använder en användarfråga och utgåvans specifika chattmall. För matematik bevarar du variabeldefinitionerna och anger påståendet som ska fastställas. För kod tillhandahåller du den relevanta delen, dess önskade beteende och fallet som diskuteras. Be om ett tydligt slutresultat — bevis, formel, implementation eller förklaring — så att resonemanget kan bedömas genom uppgiftens resultat. Den särskilda Z1-guiden anger textresonemang och dess förberedelse; den fastställer inget ytterligare inbyggt verktygskontrakt eller bildindata för denna utgåva.
POST /v1/messagestextjson, sse| Fält | Typ | Krav | Värden & gränser | Standard |
|---|---|---|---|---|
Fältmodel | Typstring | KravObligatoriskt | Värden & gränser THUDM/GLM-Z1-32B-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 $0 / 1K token Indata · Skrivning till cache, 1 tim — / 1K token |
Ailoot reserverar ett uppskattat belopp före en begäran. Efter resultatet slutregleras avgiften utifrån uppmätt förbrukning. Slutreglering för strömning använder den slutliga förbrukningsposten. Så fungerar reservation och slutreglering →
{\n "model": "THUDM/GLM-Z1-32B-0414",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-Z1-32B-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-Z1-32B-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-Z1-32B-0414
Använd metodsökvägarna som visas ovan.
Tekniskt exempel på engelska
Derive a safe batch bound\n\nA buffer holds at most 96 records. Every batch adds b records, where b is a positive integer, and 12 records must remain free. Derive the largest number of complete batches that fit as a formula in b. Explain the rounding and calculate the result for b = 10, keeping the reserved space separate from usable capacity.A formula using a floor, an explanation of usable capacity and a checked numeric example.Verify the formula reserves 12 records and a further full batch would exceed usable capacity in the example.