GLM-4.5V är Z.ai:s modell för visuella resonemang byggd på GLM-4.5-Air, med 106 miljarder parametrar totalt och 12 miljarder aktiverade. Den hanterar bildresonemang, videoförståelse, GUI-uppgifter, komplexa diagram, långa dokument och visuell förankring. Den producentdrivna profilen anger bild, video, text och filer som indata och text som utdata. En användbar uppgift kan begära en sidförklaring, en extraherad tabell, en visuell position eller kod framtagen från en skärmbild. Modellen skiljer sig från GLM-4.1V-9B och den senare GLM-4.6V.
Bildresonemang omfattar scenförståelse, analys av flera bilder och rumsliga relationer. Ge varje bild en beteckning och ange den exakta frågan. För ett diagram bevarar du axlar, enheter och teckenförklaringar och frågar vilka synliga värden som stöder slutsatsen. För en jämförelse anger du egenskaperna som ska granskas och organiserar svaret efter källbeteckningarna. Modellen kan förena visuella observationer med en skriftlig fråga; indatakvalitet och begärt resultat spelar roll tillsammans med mängden material.
Visuell förankring är ett specifikt utdataflöde. Kortet beskriver avgränsningsrutor markerade med tokenen begin_of_box och end_of_box, med fyra koordinater som anger övre vänstra och nedre högra hörnet. Värden normaliseras från 0 till 1 000 mot bildstorleken i stället för att anges direkt som pixelpositioner. Ange objektet eller området som ska lokaliseras och önskat rutformat. Spara originalbildens dimensioner med resultatet så att en applikation kan mappa koordinaterna tillbaka till bilden, även när den har storleksändrats för bearbetning.
Videouppgifter omfattar segmentering och händelseigenkänning, medan dokumentarbete kan förena text, diagram, tabeller och layout över flera sidor. Tillverkaren demonstrerar konvertering av en avbildad tabell till Markdown och analys av forskningsrapportinnehåll. Förbered en konkret fråga, behåll sid- eller sekvensidentifierare och begär underlaget som stöder varje extraherat fält eller beskriven händelse. En genererad sammanfattning är ett textresultat; insamling av bildrutor, sammanställning av en fil eller tillämpning av en redigering hör till den anslutna miljön.
GUI- och webbsidesuppgifter använder skärmförståelse för föreslagen interaktion eller kod. Producentens exempel begär HTML och CSS från en sidskärmbild och demonstrerar en ansluten skrivbordsassistent med skärmbilder eller inspelningar. Ange relevanta tillstånd, tillåtna åtgärder och önskad ändring. Modellen förbereder kod eller en åtgärdsbeskrivning, medan applikationen utför den och tillhandahåller den ändrade skärmen eller renderade sidan för vidare granskning.
Modellen stöder svar med och utan tänkande. Det exakta kortet beskriver en växel och de öppna modellexemplen aktiverar tänkande som standard med en mallinställning för att stänga av det. Håll inställningarna knutna till det stödda arbetsflödet. Modellversionens konfiguration sätter max_position_embeddings till 65 536; värdprofilen anger separat upp till 16K utdatatoken. Detta beskriver olika producentkonfigurationer och fastställer inget universellt applikationsfönster. Producenten dokumenterar även finjustering av den öppna GLM-4.5V-versionen för egna multimodala uppgifter; detta är ett separat anpassningsflöde från vanlig inferens. Långt material och det begärda svaret behöver plats i den konfiguration som faktiskt används.
Kortet anger specifika begränsningar vid reproduktion av visuell kod: rå HTML kan sakna Markdown-inramning och teckenescapning kan orsaka renderingsproblem. Det nämner också svagare rent textbaserade frågesvar, tillfälligt överdrivet eller upprepat tänkande, omformulering av svar och perceptionsfel som räkning. För en koduppgift begär du ett uttryckligt leveransformat och granskar det renderade resultatet. För extraktion eller visuell analys bevarar du små beteckningar och begär värden knutna till synligt underlag. Det håller modellens resonemangs- och förankringsförmågor knutna till ett resultat som kan jämföras med originalkällan.
", "aboutText": "GLM-4.5V är Z.ai:s modell för visuella resonemang byggd på GLM-4.5-Air, med 106 miljarder parametrar totalt och 12 miljarder aktiverade. Den hanterar bildresonemang, videoförståelse, GUI-uppgifter, komplexa diagram, långa dokument och visuell förankring. Den producentdrivna profilen anger bild, video, text och filer som indata och text som utdata. En användbar uppgift kan begära en sidförklaring, en extraherad tabell, en visuell position eller kod framtagen från en skärmbild. Modellen skiljer sig från GLM-4.1V-9B och den senare GLM-4.6V.\n\nBildresonemang omfattar scenförståelse, analys av flera bilder och rumsliga relationer. Ge varje bild en beteckning och ange den exakta frågan. För ett diagram bevarar du axlar, enheter och teckenförklaringar och frågar vilka synliga värden som stöder slutsatsen. För en jämförelse anger du egenskaperna som ska granskas och organiserar svaret efter källbeteckningarna. Modellen kan förena visuella observationer med en skriftlig fråga; indatakvalitet och begärt resultat spelar roll tillsammans med mängden material.\n\nVisuell förankring är ett specifikt utdataflöde. Kortet beskriver avgränsningsrutor markerade med tokenen begin_of_box och end_of_box, med fyra koordinater som anger övre vänstra och nedre högra hörnet. Värden normaliseras från 0 till 1 000 mot bildstorleken i stället för att anges direkt som pixelpositioner. Ange objektet eller området som ska lokaliseras och önskat rutformat. Spara originalbildens dimensioner med resultatet så att en applikation kan mappa koordinaterna tillbaka till bilden, även när den har storleksändrats för bearbetning.\n\nVideouppgifter omfattar segmentering och händelseigenkänning, medan dokumentarbete kan förena text, diagram, tabeller och layout över flera sidor. Tillverkaren demonstrerar konvertering av en avbildad tabell till Markdown och analys av forskningsrapportinnehåll. Förbered en konkret fråga, behåll sid- eller sekvensidentifierare och begär underlaget som stöder varje extraherat fält eller beskriven händelse. En genererad sammanfattning är ett textresultat; insamling av bildrutor, sammanställning av en fil eller tillämpning av en redigering hör till den anslutna miljön.\n\nGUI- och webbsidesuppgifter använder skärmförståelse för föreslagen interaktion eller kod. Producentens exempel begär HTML och CSS från en sidskärmbild och demonstrerar en ansluten skrivbordsassistent med skärmbilder eller inspelningar. Ange relevanta tillstånd, tillåtna åtgärder och önskad ändring. Modellen förbereder kod eller en åtgärdsbeskrivning, medan applikationen utför den och tillhandahåller den ändrade skärmen eller renderade sidan för vidare granskning.\n\nModellen stöder svar med och utan tänkande. Det exakta kortet beskriver en växel och de öppna modellexemplen aktiverar tänkande som standard med en mallinställning för att stänga av det. Håll inställningarna knutna till det stödda arbetsflödet. Modellversionens konfiguration sätter max_position_embeddings till 65 536; värdprofilen anger separat upp till 16K utdatatoken. Detta beskriver olika producentkonfigurationer och fastställer inget universellt applikationsfönster. Producenten dokumenterar även finjustering av den öppna GLM-4.5V-versionen för egna multimodala uppgifter; detta är ett separat anpassningsflöde från vanlig inferens. Långt material och det begärda svaret behöver plats i den konfiguration som faktiskt används.\n\nKortet anger specifika begränsningar vid reproduktion av visuell kod: rå HTML kan sakna Markdown-inramning och teckenescapning kan orsaka renderingsproblem. Det nämner också svagare rent textbaserade frågesvar, tillfälligt överdrivet eller upprepat tänkande, omformulering av svar och perceptionsfel som räkning. För en koduppgift begär du ett uttryckligt leveransformat och granskar det renderade resultatet. För extraktion eller visuell analys bevarar du små beteckningar och begär värden knutna till synligt underlag. Det håller modellens resonemangs- och förankringsförmågor knutna till ett resultat som kan jämföras med originalkällan.", "editorialOverlay": { "copy_fields": { "practical_html": "Tekniskt exempel på engelska
Format a transcribed report table\n\nFrom this text transcription of page V5, produce a Markdown table: 'Experiment | control | treated; run 1 | 12 | 15; run 2 | 11 | unreadable.' Add a difference column only where both values are available. Keep V5 with the result and separate the extracted values from the calculated differences. No image is supplied.A source-labeled Markdown table with extracted numbers, calculated differences and explicit unknown values.The unreadable treated value and its difference must remain unknown rather than be estimated.z-ai/glm-4.5vGLM-4.5V är Z.ai:s 106B-A12B-modell för visuella resonemang kring bilder, video, komplexa dokument och GUI-uppgifter. Den returnerar text, stöder tänkande och direkta svar och kan lokalisera visuella element med koordinater normaliserade från 0 till 1,000.
Den här beskrivningen omfattar modellens förmågor. Tillgängliga indata, utdata och alternativ i Ailoot anges nedan för den valda metoden.
GLM-4.5V är Z.ai:s modell för visuella resonemang byggd på GLM-4.5-Air, med 106 miljarder parametrar totalt och 12 miljarder aktiverade. Den hanterar bildresonemang, videoförståelse, GUI-uppgifter, komplexa diagram, långa dokument och visuell förankring. Den producentdrivna profilen anger bild, video, text och filer som indata och text som utdata. En användbar uppgift kan begära en sidförklaring, en extraherad tabell, en visuell position eller kod framtagen från en skärmbild. Modellen skiljer sig från GLM-4.1V-9B och den senare GLM-4.6V.
Bildresonemang omfattar scenförståelse, analys av flera bilder och rumsliga relationer. Ge varje bild en beteckning och ange den exakta frågan. För ett diagram bevarar du axlar, enheter och teckenförklaringar och frågar vilka synliga värden som stöder slutsatsen. För en jämförelse anger du egenskaperna som ska granskas och organiserar svaret efter källbeteckningarna. Modellen kan förena visuella observationer med en skriftlig fråga; indatakvalitet och begärt resultat spelar roll tillsammans med mängden material.
Visuell förankring är ett specifikt utdataflöde. Kortet beskriver avgränsningsrutor markerade med tokenen begin_of_box och end_of_box, med fyra koordinater som anger övre vänstra och nedre högra hörnet. Värden normaliseras från 0 till 1 000 mot bildstorleken i stället för att anges direkt som pixelpositioner. Ange objektet eller området som ska lokaliseras och önskat rutformat. Spara originalbildens dimensioner med resultatet så att en applikation kan mappa koordinaterna tillbaka till bilden, även när den har storleksändrats för bearbetning.
Videouppgifter omfattar segmentering och händelseigenkänning, medan dokumentarbete kan förena text, diagram, tabeller och layout över flera sidor. Tillverkaren demonstrerar konvertering av en avbildad tabell till Markdown och analys av forskningsrapportinnehåll. Förbered en konkret fråga, behåll sid- eller sekvensidentifierare och begär underlaget som stöder varje extraherat fält eller beskriven händelse. En genererad sammanfattning är ett textresultat; insamling av bildrutor, sammanställning av en fil eller tillämpning av en redigering hör till den anslutna miljön.
GUI- och webbsidesuppgifter använder skärmförståelse för föreslagen interaktion eller kod. Producentens exempel begär HTML och CSS från en sidskärmbild och demonstrerar en ansluten skrivbordsassistent med skärmbilder eller inspelningar. Ange relevanta tillstånd, tillåtna åtgärder och önskad ändring. Modellen förbereder kod eller en åtgärdsbeskrivning, medan applikationen utför den och tillhandahåller den ändrade skärmen eller renderade sidan för vidare granskning.
Modellen stöder svar med och utan tänkande. Det exakta kortet beskriver en växel och de öppna modellexemplen aktiverar tänkande som standard med en mallinställning för att stänga av det. Håll inställningarna knutna till det stödda arbetsflödet. Modellversionens konfiguration sätter max_position_embeddings till 65 536; värdprofilen anger separat upp till 16K utdatatoken. Detta beskriver olika producentkonfigurationer och fastställer inget universellt applikationsfönster. Producenten dokumenterar även finjustering av den öppna GLM-4.5V-versionen för egna multimodala uppgifter; detta är ett separat anpassningsflöde från vanlig inferens. Långt material och det begärda svaret behöver plats i den konfiguration som faktiskt används.
Kortet anger specifika begränsningar vid reproduktion av visuell kod: rå HTML kan sakna Markdown-inramning och teckenescapning kan orsaka renderingsproblem. Det nämner också svagare rent textbaserade frågesvar, tillfälligt överdrivet eller upprepat tänkande, omformulering av svar och perceptionsfel som räkning. För en koduppgift begär du ett uttryckligt leveransformat och granskar det renderade resultatet. För extraktion eller visuell analys bevarar du små beteckningar och begär värden knutna till synligt underlag. Det håller modellens resonemangs- och förankringsförmågor knutna till ett resultat som kan jämföras med originalkällan.
POST /v1/chat/completionstexttext| Fält | Typ | Krav | Värden & gränser | Standard |
|---|---|---|---|---|
Fältmodel | Typstring | KravObligatoriskt | Värden & gränser z-ai/glm-4.5v | 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.
Matcha varje avgift mot de visade villkoren. Använd ett pris för varje uppsättning alternativa konfigurationer.
| Konfiguration | Prislista | Kontexttoken, fler än | Kontexttoken, upp till och med | Avgift |
|---|---|---|---|---|
| KonfigurationGrundpriser för token | PrislistaGrundpris | Kontexttoken, fler än— | Kontexttoken, upp till och medIngen övre gräns | Avgift Indata · Indatatoken $0.0012 / 1K token Utdata · Utdatatoken $0.0036 / 1K token Indata · Cacheläsning $0.00022 / 1K token Indata · Skrivning till cache $0 / 1K token Indata · Skrivning till cache, 1 tim — / 1K token |
| KonfigurationNivå 1 för förfrågans längd | Prislista— | Kontexttoken, fler än0 | Kontexttoken, upp till och medIngen övre gräns | Avgift Indata · Indatatoken $0.0012 / 1K token Utdata · Utdatatoken $0.0036 / 1K token Indata · Cacheläsning $0.00022 / 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": "z-ai/glm-4.5v", "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='z-ai/glm-4.5v',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='z-ai/glm-4.5v',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 z-ai/glm-4.5v
Använd metodsökvägarna som visas ovan.
z-ai/glm-4.5vGLM-4.5V är Z.ai:s 106B-A12B-modell för visuella resonemang kring bilder, video, komplexa dokument och GUI-uppgifter. Den returnerar text, stöder tänkande och direkta svar och kan lokalisera visuella element med koordinater normaliserade från 0 till 1,000.
Den här beskrivningen omfattar modellens förmågor. Tillgängliga indata, utdata och alternativ i Ailoot anges nedan för den valda metoden.
GLM-4.5V är Z.ai:s modell för visuella resonemang byggd på GLM-4.5-Air, med 106 miljarder parametrar totalt och 12 miljarder aktiverade. Den hanterar bildresonemang, videoförståelse, GUI-uppgifter, komplexa diagram, långa dokument och visuell förankring. Den producentdrivna profilen anger bild, video, text och filer som indata och text som utdata. En användbar uppgift kan begära en sidförklaring, en extraherad tabell, en visuell position eller kod framtagen från en skärmbild. Modellen skiljer sig från GLM-4.1V-9B och den senare GLM-4.6V.
Bildresonemang omfattar scenförståelse, analys av flera bilder och rumsliga relationer. Ge varje bild en beteckning och ange den exakta frågan. För ett diagram bevarar du axlar, enheter och teckenförklaringar och frågar vilka synliga värden som stöder slutsatsen. För en jämförelse anger du egenskaperna som ska granskas och organiserar svaret efter källbeteckningarna. Modellen kan förena visuella observationer med en skriftlig fråga; indatakvalitet och begärt resultat spelar roll tillsammans med mängden material.
Visuell förankring är ett specifikt utdataflöde. Kortet beskriver avgränsningsrutor markerade med tokenen begin_of_box och end_of_box, med fyra koordinater som anger övre vänstra och nedre högra hörnet. Värden normaliseras från 0 till 1 000 mot bildstorleken i stället för att anges direkt som pixelpositioner. Ange objektet eller området som ska lokaliseras och önskat rutformat. Spara originalbildens dimensioner med resultatet så att en applikation kan mappa koordinaterna tillbaka till bilden, även när den har storleksändrats för bearbetning.
Videouppgifter omfattar segmentering och händelseigenkänning, medan dokumentarbete kan förena text, diagram, tabeller och layout över flera sidor. Tillverkaren demonstrerar konvertering av en avbildad tabell till Markdown och analys av forskningsrapportinnehåll. Förbered en konkret fråga, behåll sid- eller sekvensidentifierare och begär underlaget som stöder varje extraherat fält eller beskriven händelse. En genererad sammanfattning är ett textresultat; insamling av bildrutor, sammanställning av en fil eller tillämpning av en redigering hör till den anslutna miljön.
GUI- och webbsidesuppgifter använder skärmförståelse för föreslagen interaktion eller kod. Producentens exempel begär HTML och CSS från en sidskärmbild och demonstrerar en ansluten skrivbordsassistent med skärmbilder eller inspelningar. Ange relevanta tillstånd, tillåtna åtgärder och önskad ändring. Modellen förbereder kod eller en åtgärdsbeskrivning, medan applikationen utför den och tillhandahåller den ändrade skärmen eller renderade sidan för vidare granskning.
Modellen stöder svar med och utan tänkande. Det exakta kortet beskriver en växel och de öppna modellexemplen aktiverar tänkande som standard med en mallinställning för att stänga av det. Håll inställningarna knutna till det stödda arbetsflödet. Modellversionens konfiguration sätter max_position_embeddings till 65 536; värdprofilen anger separat upp till 16K utdatatoken. Detta beskriver olika producentkonfigurationer och fastställer inget universellt applikationsfönster. Producenten dokumenterar även finjustering av den öppna GLM-4.5V-versionen för egna multimodala uppgifter; detta är ett separat anpassningsflöde från vanlig inferens. Långt material och det begärda svaret behöver plats i den konfiguration som faktiskt används.
Kortet anger specifika begränsningar vid reproduktion av visuell kod: rå HTML kan sakna Markdown-inramning och teckenescapning kan orsaka renderingsproblem. Det nämner också svagare rent textbaserade frågesvar, tillfälligt överdrivet eller upprepat tänkande, omformulering av svar och perceptionsfel som räkning. För en koduppgift begär du ett uttryckligt leveransformat och granskar det renderade resultatet. För extraktion eller visuell analys bevarar du små beteckningar och begär värden knutna till synligt underlag. Det håller modellens resonemangs- och förankringsförmågor knutna till ett resultat som kan jämföras med originalkällan.
POST /v1/messagestextjson, sse| Fält | Typ | Krav | Värden & gränser | Standard |
|---|---|---|---|---|
Fältmodel | Typstring | KravObligatoriskt | Värden & gränser z-ai/glm-4.5v | Standard— |
Fältmessages | Typmessage[] | KravObligatoriskt | Värden & gränser | Standard— |
Fältmessages[].role | Typstring | KravObligatoriskt | Värden & gränser user, assistant | Standard— |
Fältmessages[].content | Typstring | KravObligatoriskt | Värden & gränser | Standard— |
Fältmax_tokens | Typinteger | KravObligatoriskt | Värden & gränser | Standard— |
Fältstream | Typboolean | KravValfritt | Värden & gränser | Standardfalse |
Text · UTF-8-text
sträng i messages[].content
| Parameter | Avtal |
|---|---|
Parametercontent_type | Avtalapplication/json |
Parameterrequired | Avtalmodel, messages, max_tokens |
Parameteroptional_controls | Avtalstream |
Parametermaterial_types | Avtaltext |
Parametertext_file_material | AvtalLäs det faktiska UTF-8-dokumentet och placera texten i det angivna input-fältet eller i strängen för meddelandets innehåll. |
Livscykel: synchronous_or_streamed
Tariffuppgifter lägger inte till begäransalternativ. Parametrar som stöds anges för den valda metoden.
Matcha varje avgift mot de visade villkoren. Använd ett pris för varje uppsättning alternativa konfigurationer.
| Konfiguration | Prislista | Kontexttoken, fler än | Kontexttoken, upp till och med | Avgift |
|---|---|---|---|---|
| KonfigurationGrundpriser för token | PrislistaGrundpris | Kontexttoken, fler än— | Kontexttoken, upp till och medIngen övre gräns | Avgift Indata · Indatatoken $0.0012 / 1K token Utdata · Utdatatoken $0.0036 / 1K token Indata · Cacheläsning $0.00022 / 1K token Indata · Skrivning till cache $0 / 1K token Indata · Skrivning till cache, 1 tim — / 1K token |
| KonfigurationNivå 1 för förfrågans längd | Prislista— | Kontexttoken, fler än0 | Kontexttoken, upp till och medIngen övre gräns | Avgift Indata · Indatatoken $0.0012 / 1K token Utdata · Utdatatoken $0.0036 / 1K token Indata · Cacheläsning $0.00022 / 1K token Indata · Skrivning till cache $0 / 1K token Indata · Skrivning till cache, 1 tim — / 1K token |
Ailoot reserverar ett uppskattat belopp före en begäran. Efter resultatet slutregleras avgiften utifrån uppmätt förbrukning. Slutreglering för strömning använder den slutliga förbrukningsposten. Så fungerar reservation och slutreglering →
{\n "model": "z-ai/glm-4.5v",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'z-ai/glm-4.5v', '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': 'z-ai/glm-4.5v', '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 z-ai/glm-4.5v
Använd metodsökvägarna som visas ovan.
Tekniskt exempel på engelska
Format a transcribed report table\n\nFrom this text transcription of page V5, produce a Markdown table: 'Experiment | control | treated; run 1 | 12 | 15; run 2 | 11 | unreadable.' Add a difference column only where both values are available. Keep V5 with the result and separate the extracted values from the calculated differences. No image is supplied.A source-labeled Markdown table with extracted numbers, calculated differences and explicit unknown values.The unreadable treated value and its difference must remain unknown rather than be estimated.