GLM-4.7-Flash är 30B-A3B-versionen med mixture-of-experts-arkitektur i Z.ai:s GLM-4.7-familj. Dess glesa konstruktion har cirka 30 miljarder parametrar totalt och tre miljarder aktiverade, och tillverkaren presenterar den som en lätt modell som balanserar förmåga och effektivitet. Den tar emot och genererar text. Producenten lyfter särskilt fram mjukvaruutveckling, kinesiskt skrivande, översättning, bearbetning av långa texter och rollbaserade samtal. En användbar brief kan begära ett kodförslag, ett omarbetat textavsnitt, en förklaring eller ett strukturerat resultat grundat i tillhandahållet material.
För utveckling anger Z.ai både frontend- och applikationslogikuppgifter för denna Flash-version. Tillhandahåll beteendet som ska implementeras, relevant källkod och villkoren som måste förbli intakta. För en sida eller komponent beskriver du tillstånd, layout och nödvändig interaktion och ber sedan om redigerbar kod och en förklaring av viktiga val. För en befintlig funktion inkluderar du det observerade felet och ett exempel på förväntat resultat. Modellen producerar den föreslagna koden; kompilering, körning eller rendering av gränssnittet hör till en ansluten applikationsmiljö.
Den producentdrivna GLM-4.7-serieprofilen anger textindata, textutdata, en kontext på 200K token och upp till 128K utdatatoken för Flash. Det öppna modellkortet och värdprofilen beskriver olika aspekter av samma namngivna version: modellversionens egenskaper och en konfiguration av producentens tjänst. Förbered lång indata med källrubriker, kodidentifierare och tydliga dokumentgränser och lämna utrymme för resonemang och det begärda svaret. En ren textmodell kan skriva kod för en applikation som bearbetar bilder eller kameraindata, men det ger inte denna modellversion ett inbyggt läge för visuell indata.
Resonemang är aktiverat som standard i GLM-4.7-serien. Producenten dokumenterar en växel per tur så att en konversation kan begära resonemang för en svår fråga och stänga av det för en enkel omskrivning eller ett kort svar. Den stöder också inflätat tänkande mellan verktygsanrop, vilket låter modellen tolka en returnerad observation innan nästa steg planeras. Definiera tillgängliga verktyg och den önskade slutleveransen innan en sådan uppgift startas. En dokumentassistent kan fråga efter utvald information, ta emot det faktiska hämtningsresultatet och sedan förbereda en förklaring med stöd i resultatet.
Bevarat tänkande är ett separat alternativ för långvarigt kodnings- eller agentarbete. Tillverkarens guide använder clear_thinking=false och kräver att fullständigt, oförändrat reasoning_content från tidigare assistentturer återförs i ursprunglig ordning. Ändring eller omordning av blocken kan försämra resultatet och påverka cachebeteendet. Standarden skiljer sig mellan producentens kodnings- och standardgränssnitt, så alternativet är ett konfigurerat arbetsflöde snarare än en automatisk egenskap i varje konversation. Håll det synliga svaret åtskilt från bevarade resonemang och bevara underlaget eller verktygsutdatan som senare steg beror på.
Familjens dokumenterade gränssnitt omfattar strömmande text, funktionsanrop, kontextcache och strukturerad utdata som JSON. För ett strukturerat resultat anger du obligatoriska fält och vad varje värde representerar; för en verktygsbegäran definierar du funktionens syfte, argument och färdigställandevillkor. Ett genererat anrop är en begäran att applikationen agerar snarare än bevis på utförande. Slutresultatet kan vara en kort rapport, ett dataobjekt eller kod, med informationen som användes för att producera det fortfarande identifierbar.
För skrivande eller översättning anger du läsare, språk, ton och termer som ska förbli oförändrade. Tillverkaren rekommenderar att prova Flash för kinesiskt skrivande och berättande eller rollbaserad dialog samt tekniskt arbete. En illustrativ redigeringsbrief kan tillhandahålla ett avsnitt och be om en kort omarbetning som bevarar fakta; en översättningsbrief kan ge en ordlista och skilja citerad text från instruktioner. I ett längre samtal behåller du begränsningarna och anger nästa nödvändiga resultat så att modellens svar förblir knutet till den ursprungliga uppgiften.
Det exakta öppna modellkortet publicerar olika genereringsinställningar för sina utvärderingsuppgifter: standardtemperatur 1.0 och top-p 0.95, med separata mjukvaruinställningar på 0.7 och 1.0. Exempel på genereringslängder ingår i dessa förfaranden och är inte ytterligare universella gränser. Modellversionen skiljer sig från GLM-4.7, GLM-4.7-FlashX och senare GLM-5-modeller. Anpassa uppgift och svarsläge till versionens dokumenterade textförmågor och bedöm sedan levererad kod, extraherade värden eller omarbetad prosa mot indatan.
", "aboutText": "GLM-4.7-Flash är 30B-A3B-versionen med mixture-of-experts-arkitektur i Z.ai:s GLM-4.7-familj. Dess glesa konstruktion har cirka 30 miljarder parametrar totalt och tre miljarder aktiverade, och tillverkaren presenterar den som en lätt modell som balanserar förmåga och effektivitet. Den tar emot och genererar text. Producenten lyfter särskilt fram mjukvaruutveckling, kinesiskt skrivande, översättning, bearbetning av långa texter och rollbaserade samtal. En användbar brief kan begära ett kodförslag, ett omarbetat textavsnitt, en förklaring eller ett strukturerat resultat grundat i tillhandahållet material.\n\nFör utveckling anger Z.ai både frontend- och applikationslogikuppgifter för denna Flash-version. Tillhandahåll beteendet som ska implementeras, relevant källkod och villkoren som måste förbli intakta. För en sida eller komponent beskriver du tillstånd, layout och nödvändig interaktion och ber sedan om redigerbar kod och en förklaring av viktiga val. För en befintlig funktion inkluderar du det observerade felet och ett exempel på förväntat resultat. Modellen producerar den föreslagna koden; kompilering, körning eller rendering av gränssnittet hör till en ansluten applikationsmiljö.\n\nDen producentdrivna GLM-4.7-serieprofilen anger textindata, textutdata, en kontext på 200K token och upp till 128K utdatatoken för Flash. Det öppna modellkortet och värdprofilen beskriver olika aspekter av samma namngivna version: modellversionens egenskaper och en konfiguration av producentens tjänst. Förbered lång indata med källrubriker, kodidentifierare och tydliga dokumentgränser och lämna utrymme för resonemang och det begärda svaret. En ren textmodell kan skriva kod för en applikation som bearbetar bilder eller kameraindata, men det ger inte denna modellversion ett inbyggt läge för visuell indata.\n\nResonemang är aktiverat som standard i GLM-4.7-serien. Producenten dokumenterar en växel per tur så att en konversation kan begära resonemang för en svår fråga och stänga av det för en enkel omskrivning eller ett kort svar. Den stöder också inflätat tänkande mellan verktygsanrop, vilket låter modellen tolka en returnerad observation innan nästa steg planeras. Definiera tillgängliga verktyg och den önskade slutleveransen innan en sådan uppgift startas. En dokumentassistent kan fråga efter utvald information, ta emot det faktiska hämtningsresultatet och sedan förbereda en förklaring med stöd i resultatet.\n\nBevarat tänkande är ett separat alternativ för långvarigt kodnings- eller agentarbete. Tillverkarens guide använder clear_thinking=false och kräver att fullständigt, oförändrat reasoning_content från tidigare assistentturer återförs i ursprunglig ordning. Ändring eller omordning av blocken kan försämra resultatet och påverka cachebeteendet. Standarden skiljer sig mellan producentens kodnings- och standardgränssnitt, så alternativet är ett konfigurerat arbetsflöde snarare än en automatisk egenskap i varje konversation. Håll det synliga svaret åtskilt från bevarade resonemang och bevara underlaget eller verktygsutdatan som senare steg beror på.\n\nFamiljens dokumenterade gränssnitt omfattar strömmande text, funktionsanrop, kontextcache och strukturerad utdata som JSON. För ett strukturerat resultat anger du obligatoriska fält och vad varje värde representerar; för en verktygsbegäran definierar du funktionens syfte, argument och färdigställandevillkor. Ett genererat anrop är en begäran att applikationen agerar snarare än bevis på utförande. Slutresultatet kan vara en kort rapport, ett dataobjekt eller kod, med informationen som användes för att producera det fortfarande identifierbar.\n\nFör skrivande eller översättning anger du läsare, språk, ton och termer som ska förbli oförändrade. Tillverkaren rekommenderar att prova Flash för kinesiskt skrivande och berättande eller rollbaserad dialog samt tekniskt arbete. En illustrativ redigeringsbrief kan tillhandahålla ett avsnitt och be om en kort omarbetning som bevarar fakta; en översättningsbrief kan ge en ordlista och skilja citerad text från instruktioner. I ett längre samtal behåller du begränsningarna och anger nästa nödvändiga resultat så att modellens svar förblir knutet till den ursprungliga uppgiften.\n\nDet exakta öppna modellkortet publicerar olika genereringsinställningar för sina utvärderingsuppgifter: standardtemperatur 1.0 och top-p 0.95, med separata mjukvaruinställningar på 0.7 och 1.0. Exempel på genereringslängder ingår i dessa förfaranden och är inte ytterligare universella gränser. Modellversionen skiljer sig från GLM-4.7, GLM-4.7-FlashX och senare GLM-5-modeller. Anpassa uppgift och svarsläge till versionens dokumenterade textförmågor och bedöm sedan levererad kod, extraherade värden eller omarbetad prosa mot indatan.", "editorialOverlay": { "copy_fields": { "practical_html": "Tekniskt exempel på engelska
Translate a notice with a fixed glossary\n\nTranslate this Chinese notice into English: '订单已审核，但尚未发货。更改收货地址需要重新审核。' Use this glossary consistently: 审核 = review; 发货 = dispatch; 收货地址 = delivery address. Write a clear customer-facing notice and preserve the distinction between completed review and pending dispatch. Do not add a dispatch date or an approval guarantee.A concise English notice applying the glossary and preserving the two different order states.The translation retains the requirement for another review after an address change and does not state that dispatch occurred.z-ai/glm-4.7-flashGLM-4.7-Flash är Z.ai:s 30B-A3B-textmodell med mixture-of-experts-arkitektur för kodning, långa texter, kinesiskt skrivande och översättning. Den stöder resonemang och verktygsstyrda arbetsflöden, med en producentdriven profil på 200K kontexttoken och upp till 128K utdata.
Den här beskrivningen omfattar modellens förmågor. Tillgängliga indata, utdata och alternativ i Ailoot anges nedan för den valda metoden.
GLM-4.7-Flash är 30B-A3B-versionen med mixture-of-experts-arkitektur i Z.ai:s GLM-4.7-familj. Dess glesa konstruktion har cirka 30 miljarder parametrar totalt och tre miljarder aktiverade, och tillverkaren presenterar den som en lätt modell som balanserar förmåga och effektivitet. Den tar emot och genererar text. Producenten lyfter särskilt fram mjukvaruutveckling, kinesiskt skrivande, översättning, bearbetning av långa texter och rollbaserade samtal. En användbar brief kan begära ett kodförslag, ett omarbetat textavsnitt, en förklaring eller ett strukturerat resultat grundat i tillhandahållet material.
För utveckling anger Z.ai både frontend- och applikationslogikuppgifter för denna Flash-version. Tillhandahåll beteendet som ska implementeras, relevant källkod och villkoren som måste förbli intakta. För en sida eller komponent beskriver du tillstånd, layout och nödvändig interaktion och ber sedan om redigerbar kod och en förklaring av viktiga val. För en befintlig funktion inkluderar du det observerade felet och ett exempel på förväntat resultat. Modellen producerar den föreslagna koden; kompilering, körning eller rendering av gränssnittet hör till en ansluten applikationsmiljö.
Den producentdrivna GLM-4.7-serieprofilen anger textindata, textutdata, en kontext på 200K token och upp till 128K utdatatoken för Flash. Det öppna modellkortet och värdprofilen beskriver olika aspekter av samma namngivna version: modellversionens egenskaper och en konfiguration av producentens tjänst. Förbered lång indata med källrubriker, kodidentifierare och tydliga dokumentgränser och lämna utrymme för resonemang och det begärda svaret. En ren textmodell kan skriva kod för en applikation som bearbetar bilder eller kameraindata, men det ger inte denna modellversion ett inbyggt läge för visuell indata.
Resonemang är aktiverat som standard i GLM-4.7-serien. Producenten dokumenterar en växel per tur så att en konversation kan begära resonemang för en svår fråga och stänga av det för en enkel omskrivning eller ett kort svar. Den stöder också inflätat tänkande mellan verktygsanrop, vilket låter modellen tolka en returnerad observation innan nästa steg planeras. Definiera tillgängliga verktyg och den önskade slutleveransen innan en sådan uppgift startas. En dokumentassistent kan fråga efter utvald information, ta emot det faktiska hämtningsresultatet och sedan förbereda en förklaring med stöd i resultatet.
Bevarat tänkande är ett separat alternativ för långvarigt kodnings- eller agentarbete. Tillverkarens guide använder clear_thinking=false och kräver att fullständigt, oförändrat reasoning_content från tidigare assistentturer återförs i ursprunglig ordning. Ändring eller omordning av blocken kan försämra resultatet och påverka cachebeteendet. Standarden skiljer sig mellan producentens kodnings- och standardgränssnitt, så alternativet är ett konfigurerat arbetsflöde snarare än en automatisk egenskap i varje konversation. Håll det synliga svaret åtskilt från bevarade resonemang och bevara underlaget eller verktygsutdatan som senare steg beror på.
Familjens dokumenterade gränssnitt omfattar strömmande text, funktionsanrop, kontextcache och strukturerad utdata som JSON. För ett strukturerat resultat anger du obligatoriska fält och vad varje värde representerar; för en verktygsbegäran definierar du funktionens syfte, argument och färdigställandevillkor. Ett genererat anrop är en begäran att applikationen agerar snarare än bevis på utförande. Slutresultatet kan vara en kort rapport, ett dataobjekt eller kod, med informationen som användes för att producera det fortfarande identifierbar.
För skrivande eller översättning anger du läsare, språk, ton och termer som ska förbli oförändrade. Tillverkaren rekommenderar att prova Flash för kinesiskt skrivande och berättande eller rollbaserad dialog samt tekniskt arbete. En illustrativ redigeringsbrief kan tillhandahålla ett avsnitt och be om en kort omarbetning som bevarar fakta; en översättningsbrief kan ge en ordlista och skilja citerad text från instruktioner. I ett längre samtal behåller du begränsningarna och anger nästa nödvändiga resultat så att modellens svar förblir knutet till den ursprungliga uppgiften.
Det exakta öppna modellkortet publicerar olika genereringsinställningar för sina utvärderingsuppgifter: standardtemperatur 1.0 och top-p 0.95, med separata mjukvaruinställningar på 0.7 och 1.0. Exempel på genereringslängder ingår i dessa förfaranden och är inte ytterligare universella gränser. Modellversionen skiljer sig från GLM-4.7, GLM-4.7-FlashX och senare GLM-5-modeller. Anpassa uppgift och svarsläge till versionens dokumenterade textförmågor och bedöm sedan levererad kod, extraherade värden eller omarbetad prosa mot indatan.
POST /v1/chat/completionstexttext| Fält | Typ | Krav | Värden & gränser | Standard |
|---|---|---|---|---|
Fältmodel | Typstring | KravObligatoriskt | Värden & gränser z-ai/glm-4.7-flash | 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 $0.000144 / 1K token Utdata · Utdatatoken $0.000858 / 1K token Indata · Cacheläsning $0.00002 / 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 $0.000144 / 1K token Utdata · Utdatatoken $0.000858 / 1K token Indata · Cacheläsning $0.00002 / 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-4.7-flash", "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-4.7-flash',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-4.7-flash',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-4.7-flash
Använd metodsökvägarna som visas ovan.
z-ai/glm-4.7-flashGLM-4.7-Flash är Z.ai:s 30B-A3B-textmodell med mixture-of-experts-arkitektur för kodning, långa texter, kinesiskt skrivande och översättning. Den stöder resonemang och verktygsstyrda arbetsflöden, med en producentdriven profil på 200K kontexttoken och upp till 128K utdata.
Den här beskrivningen omfattar modellens förmågor. Tillgängliga indata, utdata och alternativ i Ailoot anges nedan för den valda metoden.
GLM-4.7-Flash är 30B-A3B-versionen med mixture-of-experts-arkitektur i Z.ai:s GLM-4.7-familj. Dess glesa konstruktion har cirka 30 miljarder parametrar totalt och tre miljarder aktiverade, och tillverkaren presenterar den som en lätt modell som balanserar förmåga och effektivitet. Den tar emot och genererar text. Producenten lyfter särskilt fram mjukvaruutveckling, kinesiskt skrivande, översättning, bearbetning av långa texter och rollbaserade samtal. En användbar brief kan begära ett kodförslag, ett omarbetat textavsnitt, en förklaring eller ett strukturerat resultat grundat i tillhandahållet material.
För utveckling anger Z.ai både frontend- och applikationslogikuppgifter för denna Flash-version. Tillhandahåll beteendet som ska implementeras, relevant källkod och villkoren som måste förbli intakta. För en sida eller komponent beskriver du tillstånd, layout och nödvändig interaktion och ber sedan om redigerbar kod och en förklaring av viktiga val. För en befintlig funktion inkluderar du det observerade felet och ett exempel på förväntat resultat. Modellen producerar den föreslagna koden; kompilering, körning eller rendering av gränssnittet hör till en ansluten applikationsmiljö.
Den producentdrivna GLM-4.7-serieprofilen anger textindata, textutdata, en kontext på 200K token och upp till 128K utdatatoken för Flash. Det öppna modellkortet och värdprofilen beskriver olika aspekter av samma namngivna version: modellversionens egenskaper och en konfiguration av producentens tjänst. Förbered lång indata med källrubriker, kodidentifierare och tydliga dokumentgränser och lämna utrymme för resonemang och det begärda svaret. En ren textmodell kan skriva kod för en applikation som bearbetar bilder eller kameraindata, men det ger inte denna modellversion ett inbyggt läge för visuell indata.
Resonemang är aktiverat som standard i GLM-4.7-serien. Producenten dokumenterar en växel per tur så att en konversation kan begära resonemang för en svår fråga och stänga av det för en enkel omskrivning eller ett kort svar. Den stöder också inflätat tänkande mellan verktygsanrop, vilket låter modellen tolka en returnerad observation innan nästa steg planeras. Definiera tillgängliga verktyg och den önskade slutleveransen innan en sådan uppgift startas. En dokumentassistent kan fråga efter utvald information, ta emot det faktiska hämtningsresultatet och sedan förbereda en förklaring med stöd i resultatet.
Bevarat tänkande är ett separat alternativ för långvarigt kodnings- eller agentarbete. Tillverkarens guide använder clear_thinking=false och kräver att fullständigt, oförändrat reasoning_content från tidigare assistentturer återförs i ursprunglig ordning. Ändring eller omordning av blocken kan försämra resultatet och påverka cachebeteendet. Standarden skiljer sig mellan producentens kodnings- och standardgränssnitt, så alternativet är ett konfigurerat arbetsflöde snarare än en automatisk egenskap i varje konversation. Håll det synliga svaret åtskilt från bevarade resonemang och bevara underlaget eller verktygsutdatan som senare steg beror på.
Familjens dokumenterade gränssnitt omfattar strömmande text, funktionsanrop, kontextcache och strukturerad utdata som JSON. För ett strukturerat resultat anger du obligatoriska fält och vad varje värde representerar; för en verktygsbegäran definierar du funktionens syfte, argument och färdigställandevillkor. Ett genererat anrop är en begäran att applikationen agerar snarare än bevis på utförande. Slutresultatet kan vara en kort rapport, ett dataobjekt eller kod, med informationen som användes för att producera det fortfarande identifierbar.
För skrivande eller översättning anger du läsare, språk, ton och termer som ska förbli oförändrade. Tillverkaren rekommenderar att prova Flash för kinesiskt skrivande och berättande eller rollbaserad dialog samt tekniskt arbete. En illustrativ redigeringsbrief kan tillhandahålla ett avsnitt och be om en kort omarbetning som bevarar fakta; en översättningsbrief kan ge en ordlista och skilja citerad text från instruktioner. I ett längre samtal behåller du begränsningarna och anger nästa nödvändiga resultat så att modellens svar förblir knutet till den ursprungliga uppgiften.
Det exakta öppna modellkortet publicerar olika genereringsinställningar för sina utvärderingsuppgifter: standardtemperatur 1.0 och top-p 0.95, med separata mjukvaruinställningar på 0.7 och 1.0. Exempel på genereringslängder ingår i dessa förfaranden och är inte ytterligare universella gränser. Modellversionen skiljer sig från GLM-4.7, GLM-4.7-FlashX och senare GLM-5-modeller. Anpassa uppgift och svarsläge till versionens dokumenterade textförmågor och bedöm sedan levererad kod, extraherade värden eller omarbetad prosa mot indatan.
POST /v1/messagestextjson, sse| Fält | Typ | Krav | Värden & gränser | Standard |
|---|---|---|---|---|
Fältmodel | Typstring | KravObligatoriskt | Värden & gränser z-ai/glm-4.7-flash | 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 $0.000144 / 1K token Utdata · Utdatatoken $0.000858 / 1K token Indata · Cacheläsning $0.00002 / 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 $0.000144 / 1K token Utdata · Utdatatoken $0.000858 / 1K token Indata · Cacheläsning $0.00002 / 1K token Indata · Skrivning till cache $0 / 1K token Indata · Skrivning till cache, 1 tim — / 1K token |
Ailoot reserverar ett uppskattat belopp före en begäran. Efter resultatet slutregleras avgiften utifrån uppmätt förbrukning. Slutreglering för strömning använder den slutliga förbrukningsposten. Så fungerar reservation och slutreglering →
{\n "model": "z-ai/glm-4.7-flash",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-4.7-flash', '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-4.7-flash', '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-4.7-flash
Använd metodsökvägarna som visas ovan.
Tekniskt exempel på engelska
Translate a notice with a fixed glossary\n\nTranslate this Chinese notice into English: '订单已审核，但尚未发货。更改收货地址需要重新审核。' Use this glossary consistently: 审核 = review; 发货 = dispatch; 收货地址 = delivery address. Write a clear customer-facing notice and preserve the distinction between completed review and pending dispatch. Do not add a dispatch date or an approval guarantee.A concise English notice applying the glossary and preserving the two different order states.The translation retains the requirement for another review after an address change and does not state that dispatch occurred.