Z.ai GLM 5.3 är en storskalig textbaserad resonemangsmodell för komplex mjukvaruutveckling och långsiktigt agentarbete. Tillverkaren anger att den använder samma basmodell som GLM 5.2 och att förbättringarna kommer från efterträning. Utgåvan fokuserar på starkare programmering, terminaloperationer och bredare uppgifter med flera beroende steg. Den tar emot text och producerar text, inklusive kod, förklaringar, planer och begäranden om verktygsanrop i en verktygsansluten applikation.
Det dokumenterade resonemangsläget är alltid aktiverat. GLM 5.3 erbjuder tre ansträngningsnivåer: low, high och max, med max som standard. Tillverkaren rekommenderar max för komplex kodning; low ger ett lättare resonemangsalternativ för enklare steg. Använd den valda nivån tillsammans med en tydlig slutleverans och kriterier för färdigställande. Exempelvis: ”Granska dessa filer och felresultat, spåra orsaken genom de berörda modulerna, föreslå en korrigering som bevarar det publika gränssnittet och förklara vilka kontroller som visar att regressionen är löst.”
Tillverkaren anger ett kontextfönster på 1M token och en maximal utdatalängd på 128K token. Organisera långt material kring det samband modellen behöver undersöka. Bevara filnamn, relevanta definitioner, källbeteckningar och observationernas ordning och lämna utrymme för resonemang och slutsvar inom den tillämpliga arbetskontexten. Ett stort fönster är användbart för beroenden mellan moduler eller en lång följd av agentobservationer; det gör inte ett oordnat arkiv av orelaterat material till en väldefinierad uppgift.
För arbete i kodarkiv tillhandahåller du förväntat beteende, relevant källtext, beroendeversioner och faktisk felutdata. Be modellen identifiera det berörda beteendet innan den föreslår en patch. För refaktorering anger du gränssnittet och de invarianter som måste förbli intakta. Ett användbart svar innehåller den reviderade koden, varför ändringen åtgärdar det observerade problemet och fallen som behövs för att kontrollera resultatet. Återför faktiska resultat till ett verktygsanslutet arbetsflöde så att nästa steg baseras på det ändrade tillståndet snarare än på det tidigare förslaget.
För prestandaarbete tillhandahåller du en arbetslast, en baslinje och mätningar som tider, profiler eller allokeringsposter. Z.ai beskriver träningsuppgifter med flaskhalsdiagnostik, optimering, experiment och resultat som bevarar korrektheten. En praktisk begäran är: ”Använd denna profil för att identifiera den mest betydelsefulla flaskhalsen, föreslå en mätbar ändring och förklara vilket resultat som skulle motivera att behålla den.” Skilj en prestandahypotes från en dokumenterad förbättring. Bevara samma arbetslast och relevanta villkor när ett resultat granskas.
Utgåvan utvecklar också förmåga till sårbarhetsanalys. För defensiv källkodsgranskning tillhandahåller du relevant kod, avsedda tillitsgränser och körvillkor. Be om en iakttagelse som kopplar ett misstänkt problem till berörd indata, beteende och en fokuserad åtgärd. Skilj en möjlig svaghet från ett reproducerat fel och behåll observationen som användes för att validera det. En rapport är mer användbar när den prioriterar konkret underlag och föreslagna korrigeringar i stället för att behandla varje misstänkt mönster som en bekräftad sårbarhet.
Funktionsanrop låter en omgivande applikation exponera externa operationer för modellen. Definiera varje verktygs syfte, argument och förväntade resultat och återför sedan den faktiska verktygsobservationen inför nästa steg. Modellen kan resonera om resultatet och avgöra hur det förändrar uppgiften. Håll föreslagna åtgärder, utförda operationer och olösta kontroller åtskilda. Tillverkaren dokumenterar även strömmande svar där resonemangs- och svarsfragment returneras separat; sammanställ det färdiga svaret innan det behandlas som slutrapport eller kodförklaring.
Det lokala modellkortet anger en specifik detalj om historikinställningen: chattmallen behåller tänkandet som standard, medan tillverkaren rekommenderar uttrycklig rensning av äldre tänkande i vanliga chattscenarier. Tillämpa lämplig samtalsstruktur för användningsfallet och bevara de faktiska färdiga svar och verktygsresultat som behövs för fortsättningen. Behandla inte resonemangsinställningar från GLM 5.2 eller de separata GLM 5.3 Flash-versionerna som utbytbara mot denna modells low/high/max-kontroller.
För strukturerade resultat anger du förväntade fält, typer och källregler. En användbar leverans kan vara en feltabell, en ändringsplan eller ett JSON-objekt som sammanfattar observationer. Validera både strukturen och värdena innan en applikation använder dem. Slutresultatet bör identifiera svaret eller den reviderade leveransen, underlaget som stöder det och återstående antaganden. Mer resonemangsarbete fastställer inte att ett verktyg kördes, att en föreslagen patch klarade sina kontroller eller att ett faktapåstående har stöd utanför det tillhandahållna materialet.
", "aboutText": "Z.ai GLM 5.3 är en storskalig textbaserad resonemangsmodell för komplex mjukvaruutveckling och långsiktigt agentarbete. Tillverkaren anger att den använder samma basmodell som GLM 5.2 och att förbättringarna kommer från efterträning. Utgåvan fokuserar på starkare programmering, terminaloperationer och bredare uppgifter med flera beroende steg. Den tar emot text och producerar text, inklusive kod, förklaringar, planer och begäranden om verktygsanrop i en verktygsansluten applikation.\n\nDet dokumenterade resonemangsläget är alltid aktiverat. GLM 5.3 erbjuder tre ansträngningsnivåer: low, high och max, med max som standard. Tillverkaren rekommenderar max för komplex kodning; low ger ett lättare resonemangsalternativ för enklare steg. Använd den valda nivån tillsammans med en tydlig slutleverans och kriterier för färdigställande. Exempelvis: ”Granska dessa filer och felresultat, spåra orsaken genom de berörda modulerna, föreslå en korrigering som bevarar det publika gränssnittet och förklara vilka kontroller som visar att regressionen är löst.”\n\nTillverkaren anger ett kontextfönster på 1M token och en maximal utdatalängd på 128K token. Organisera långt material kring det samband modellen behöver undersöka. Bevara filnamn, relevanta definitioner, källbeteckningar och observationernas ordning och lämna utrymme för resonemang och slutsvar inom den tillämpliga arbetskontexten. Ett stort fönster är användbart för beroenden mellan moduler eller en lång följd av agentobservationer; det gör inte ett oordnat arkiv av orelaterat material till en väldefinierad uppgift.\n\nFör arbete i kodarkiv tillhandahåller du förväntat beteende, relevant källtext, beroendeversioner och faktisk felutdata. Be modellen identifiera det berörda beteendet innan den föreslår en patch. För refaktorering anger du gränssnittet och de invarianter som måste förbli intakta. Ett användbart svar innehåller den reviderade koden, varför ändringen åtgärdar det observerade problemet och fallen som behövs för att kontrollera resultatet. Återför faktiska resultat till ett verktygsanslutet arbetsflöde så att nästa steg baseras på det ändrade tillståndet snarare än på det tidigare förslaget.\n\nFör prestandaarbete tillhandahåller du en arbetslast, en baslinje och mätningar som tider, profiler eller allokeringsposter. Z.ai beskriver träningsuppgifter med flaskhalsdiagnostik, optimering, experiment och resultat som bevarar korrektheten. En praktisk begäran är: ”Använd denna profil för att identifiera den mest betydelsefulla flaskhalsen, föreslå en mätbar ändring och förklara vilket resultat som skulle motivera att behålla den.” Skilj en prestandahypotes från en dokumenterad förbättring. Bevara samma arbetslast och relevanta villkor när ett resultat granskas.\n\nUtgåvan utvecklar också förmåga till sårbarhetsanalys. För defensiv källkodsgranskning tillhandahåller du relevant kod, avsedda tillitsgränser och körvillkor. Be om en iakttagelse som kopplar ett misstänkt problem till berörd indata, beteende och en fokuserad åtgärd. Skilj en möjlig svaghet från ett reproducerat fel och behåll observationen som användes för att validera det. En rapport är mer användbar när den prioriterar konkret underlag och föreslagna korrigeringar i stället för att behandla varje misstänkt mönster som en bekräftad sårbarhet.\n\nFunktionsanrop låter en omgivande applikation exponera externa operationer för modellen. Definiera varje verktygs syfte, argument och förväntade resultat och återför sedan den faktiska verktygsobservationen inför nästa steg. Modellen kan resonera om resultatet och avgöra hur det förändrar uppgiften. Håll föreslagna åtgärder, utförda operationer och olösta kontroller åtskilda. Tillverkaren dokumenterar även strömmande svar där resonemangs- och svarsfragment returneras separat; sammanställ det färdiga svaret innan det behandlas som slutrapport eller kodförklaring.\n\nDet lokala modellkortet anger en specifik detalj om historikinställningen: chattmallen behåller tänkandet som standard, medan tillverkaren rekommenderar uttrycklig rensning av äldre tänkande i vanliga chattscenarier. Tillämpa lämplig samtalsstruktur för användningsfallet och bevara de faktiska färdiga svar och verktygsresultat som behövs för fortsättningen. Behandla inte resonemangsinställningar från GLM 5.2 eller de separata GLM 5.3 Flash-versionerna som utbytbara mot denna modells low/high/max-kontroller.\n\nFör strukturerade resultat anger du förväntade fält, typer och källregler. En användbar leverans kan vara en feltabell, en ändringsplan eller ett JSON-objekt som sammanfattar observationer. Validera både strukturen och värdena innan en applikation använder dem. Slutresultatet bör identifiera svaret eller den reviderade leveransen, underlaget som stöder det och återstående antaganden. Mer resonemangsarbete fastställer inte att ett verktyg kördes, att en föreslagen patch klarade sina kontroller eller att ett faktapåstående har stöd utanför det tillhandahållna materialet.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "b53ef02f77b0092d8975853c49d65389c1fa69e2285b2a7fce2c5dda341ae986", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "sv", "methods": [ { "html": "z-ai/glm-5.3:batchZ.ai GLM 5.3 är en textbaserad resonemangsmodell för komplex mjukvaruutveckling, terminalarbete och långsiktiga agenter. Den stöder en tillverkardokumenterad kontext på 1M token, upp till 128K utdatatoken, funktionsanrop och resonemangsnivåerna low/high/max, med resonemang aktiverat genomgående.
Den här beskrivningen omfattar modellens förmågor. Tillgängliga indata, utdata och alternativ i Ailoot anges nedan för den valda metoden.
Z.ai GLM 5.3 är en storskalig textbaserad resonemangsmodell för komplex mjukvaruutveckling och långsiktigt agentarbete. Tillverkaren anger att den använder samma basmodell som GLM 5.2 och att förbättringarna kommer från efterträning. Utgåvan fokuserar på starkare programmering, terminaloperationer och bredare uppgifter med flera beroende steg. Den tar emot text och producerar text, inklusive kod, förklaringar, planer och begäranden om verktygsanrop i en verktygsansluten applikation.
Det dokumenterade resonemangsläget är alltid aktiverat. GLM 5.3 erbjuder tre ansträngningsnivåer: low, high och max, med max som standard. Tillverkaren rekommenderar max för komplex kodning; low ger ett lättare resonemangsalternativ för enklare steg. Använd den valda nivån tillsammans med en tydlig slutleverans och kriterier för färdigställande. Exempelvis: ”Granska dessa filer och felresultat, spåra orsaken genom de berörda modulerna, föreslå en korrigering som bevarar det publika gränssnittet och förklara vilka kontroller som visar att regressionen är löst.”
Tillverkaren anger ett kontextfönster på 1M token och en maximal utdatalängd på 128K token. Organisera långt material kring det samband modellen behöver undersöka. Bevara filnamn, relevanta definitioner, källbeteckningar och observationernas ordning och lämna utrymme för resonemang och slutsvar inom den tillämpliga arbetskontexten. Ett stort fönster är användbart för beroenden mellan moduler eller en lång följd av agentobservationer; det gör inte ett oordnat arkiv av orelaterat material till en väldefinierad uppgift.
För arbete i kodarkiv tillhandahåller du förväntat beteende, relevant källtext, beroendeversioner och faktisk felutdata. Be modellen identifiera det berörda beteendet innan den föreslår en patch. För refaktorering anger du gränssnittet och de invarianter som måste förbli intakta. Ett användbart svar innehåller den reviderade koden, varför ändringen åtgärdar det observerade problemet och fallen som behövs för att kontrollera resultatet. Återför faktiska resultat till ett verktygsanslutet arbetsflöde så att nästa steg baseras på det ändrade tillståndet snarare än på det tidigare förslaget.
För prestandaarbete tillhandahåller du en arbetslast, en baslinje och mätningar som tider, profiler eller allokeringsposter. Z.ai beskriver träningsuppgifter med flaskhalsdiagnostik, optimering, experiment och resultat som bevarar korrektheten. En praktisk begäran är: ”Använd denna profil för att identifiera den mest betydelsefulla flaskhalsen, föreslå en mätbar ändring och förklara vilket resultat som skulle motivera att behålla den.” Skilj en prestandahypotes från en dokumenterad förbättring. Bevara samma arbetslast och relevanta villkor när ett resultat granskas.
Utgåvan utvecklar också förmåga till sårbarhetsanalys. För defensiv källkodsgranskning tillhandahåller du relevant kod, avsedda tillitsgränser och körvillkor. Be om en iakttagelse som kopplar ett misstänkt problem till berörd indata, beteende och en fokuserad åtgärd. Skilj en möjlig svaghet från ett reproducerat fel och behåll observationen som användes för att validera det. En rapport är mer användbar när den prioriterar konkret underlag och föreslagna korrigeringar i stället för att behandla varje misstänkt mönster som en bekräftad sårbarhet.
Funktionsanrop låter en omgivande applikation exponera externa operationer för modellen. Definiera varje verktygs syfte, argument och förväntade resultat och återför sedan den faktiska verktygsobservationen inför nästa steg. Modellen kan resonera om resultatet och avgöra hur det förändrar uppgiften. Håll föreslagna åtgärder, utförda operationer och olösta kontroller åtskilda. Tillverkaren dokumenterar även strömmande svar där resonemangs- och svarsfragment returneras separat; sammanställ det färdiga svaret innan det behandlas som slutrapport eller kodförklaring.
Det lokala modellkortet anger en specifik detalj om historikinställningen: chattmallen behåller tänkandet som standard, medan tillverkaren rekommenderar uttrycklig rensning av äldre tänkande i vanliga chattscenarier. Tillämpa lämplig samtalsstruktur för användningsfallet och bevara de faktiska färdiga svar och verktygsresultat som behövs för fortsättningen. Behandla inte resonemangsinställningar från GLM 5.2 eller de separata GLM 5.3 Flash-versionerna som utbytbara mot denna modells low/high/max-kontroller.
För strukturerade resultat anger du förväntade fält, typer och källregler. En användbar leverans kan vara en feltabell, en ändringsplan eller ett JSON-objekt som sammanfattar observationer. Validera både strukturen och värdena innan en applikation använder dem. Slutresultatet bör identifiera svaret eller den reviderade leveransen, underlaget som stöder det och återstående antaganden. Mer resonemangsarbete fastställer inte att ett verktyg kördes, att en föreslagen patch klarade sina kontroller eller att ett faktapåstående har stöd utanför det tillhandahållna materialet.
POST /v1/batchestexttext| Fält | Typ | Krav | Värden & gränser | Standard |
|---|---|---|---|---|
Fältendpoint | Typstring | KravObligatoriskt | Värden & gränser /v1/chat/completions | Standard— |
Fältmodel | Typstring | KravObligatoriskt | Värden & gränser z-ai/glm-5.3:batch | Standard— |
Fältrequests | Typbatch_item[] | KravObligatoriskt | Värden & gränser Minsta antal objekt: 1 | Standard— |
Fältrequests[].custom_id | Typstring | KravObligatoriskt | Värden & gränser | Standard— |
Fältrequests[].body.messages | Typmessage[] | KravObligatoriskt | Värden & gränser | Standard— |
Fältcompletion_window | Typstring | KravValfritt | Värden & gränser 24h | Standard— |
Fältprovider | Typobject|null | KravValfritt | Värden & gränser | Standard— |
Fältrequests[].body.model | Typstring | KravValfritt | Värden & gränser z-ai/glm-5.3:batch, z-ai/glm-5.3 | Standard— |
Fältprovider.only | Typstring[] | KravValfritt | Värden & gränser deepinfra/fp4 | Standard— |
Fältprovider.allow_fallbacks | Typboolean|null | KravValfritt | Värden & gränser false, null | Standard— |
| Parameter | Avtal |
|---|---|
Parametercontent_type | Avtalapplication/json |
Parameterrequired | Avtalendpoint, model, requests |
Parametermaterial_types | Avtaltext |
Parameterrepresentation | AvtalInbäddade requests[]; varje objekt har custom_id och body |
Parameterrequest_endpoint_profile | Avtal/v1/chat/completions |
Parameterfile_material | AvtalDen anropande klienten kan läsa in faktiska UTF-8 JSONL-data lokalt i requests[]. Inget uppladdningssyfte, input_file_id eller någon filreferens används. Om kundmaterial saknas eller är tomt avbryts förberedelserna före POST. |
Parameterserialization_order | Avtalendpoint, model, provider (om angivet), completion_window (om angivet), requests sist |
Parameteroptional_controls | Avtalprovider.only, provider.allow_fallbacks, completion_window |
Parameterschema_scope | AvtalFörfrågningskroppar för Text Chat Completions i det dokumenterade inbäddade Batch-formatet. |
Livscykel: asynchronous
GET /v1/batches/{operation_id} · Det faktiska response.id från det ursprungliga skapandesvaret; samma användare/nyckel/grupp
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 $0.0009 / 1K token Utdata · Utdatatoken $0.004 / 1K token Indata · Cacheläsning $0.0002 / 1K token Indata · Skrivning till cache — / 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 $0.0009 / 1K token Utdata · Utdatatoken $0.004 / 1K token Indata · Cacheläsning $0.0002 / 1K token Indata · Skrivning till cache — / 1K token Indata · Skrivning till cache, 1 tim — / 1K token |
Ailoot reserverar ett uppskattat belopp före en begäran. Efter resultatet slutregleras avgiften utifrån uppmätt förbrukning. Slutreglering för strömning använder den slutliga förbrukningsposten. Så fungerar reservation och slutreglering →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json\nfrom pathlib import Path\nbody=json.loads('{"endpoint":"/v1/chat/completions","model":"z-ai/glm-5.3:batch","requests":[{"custom_id":"req-0001","body":{"messages":[{"role":"user","content":"Hello!"}],"max_tokens":16}}]}')\nPath("batch-request.json").write_text(json.dumps(body,ensure_ascii=False),encoding="utf-8")\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/batches \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @batch-request.json -D batch-response-headers.txt -o batch-create-response.json\nimport json, os\nfrom pathlib import Path\nfrom urllib.request import Request, urlopen\n\ndef prepare_requests(customer_path):\n path = Path(customer_path)\n if not path.is_file(): raise ValueError("Customer JSONL file is missing")\n items = [json.loads(line) for line in path.read_text(encoding="utf-8").splitlines() if line.strip()]\n if not items: raise ValueError("Customer JSONL contains no requests")\n ids = set()\n for item in items:\n if set(item) != {"custom_id", "body"}: raise ValueError("Each item needs custom_id and body")\n cid = item["custom_id"]\n if not isinstance(cid, str) or not cid.strip() or cid in ids: raise ValueError("custom_id must be nonempty and unique")\n ids.add(cid)\n if not isinstance(item["body"], dict) or not item["body"].get("messages"): raise ValueError("Supply actual text messages")\n supplied_model = item["body"].get("model")\n if supplied_model is not None and supplied_model not in ['z-ai/glm-5.3:batch', 'z-ai/glm-5.3']: raise ValueError("body.model must be an exact documented caller or wire ID")\n return {"endpoint":"/v1/chat/completions", "model":"z-ai/glm-5.3:batch", "requests":items}\n\nif __name__ == "__main__":\n material = os.environ.get("AILOOT_BATCH_REQUESTS_JSONL", "")\n if not material: raise SystemExit("Set AILOOT_BATCH_REQUESTS_JSONL to your actual customer file")\n body = prepare_requests(material)\n key = os.environ.get("AILOOT_API_KEY", "")\n if not key: raise SystemExit("Set AILOOT_API_KEY")\n request = Request("https://api.ailoot.ai/v1/batches", data=json.dumps(body, ensure_ascii=False).encode("utf-8"), headers={"Authorization":"Bearer " + key, "Content-Type":"application/json"}, method="POST")\n with urlopen(request) as response:\n raw = response.read()\n Path("batch-create-response.json").write_bytes(raw)\n print(raw.decode("utf-8"))\nimport json\nfrom pathlib import Path\nraw = Path("batch-status-response.json").read_bytes()\nresponse = json.loads(raw)\nif response.get("status") != "completed":\n raise SystemExit("Keep the original operation; read its status without resubmitting")\nresults = response.get("results")\nif not isinstance(results, list) or not results:\n raise SystemExit("Preserve the original response; completed results are missing")\nPath("batch-results.jsonl").write_text("".join(json.dumps(item, ensure_ascii=False) + "\\n" for item in results), encoding="utf-8")\n# Preserve batch-status-response.json with aggregate usage and every result/error.\nJSON i inbäddade results[].response.body
GET /v1/batches/{operation_id}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\nBATCH_OPERATION_ID="$(python3 - <<'PY_ID'\nimport json\nfrom pathlib import Path\nfrom urllib.parse import quote\nresponse = json.loads(Path("batch-create-response.json").read_text(encoding="utf-8"))\noperation = response.get("id")\nif not isinstance(operation, str) or not operation: raise SystemExit("No actual original operation ID; preserve the response and do not resubmit")\nprint(quote(operation, safe=""))\nPY_ID\n)"\ncurl --fail-with-body --silent --show-error "https://api.ailoot.ai/v1/batches/$BATCH_OPERATION_ID" \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -o batch-status-response.json\nBehåll varje fullständigt returnerat svar, fil och innehållsdel.
Spara hela det ursprungliga statusobjektet i JSON, varje resultat/custom_id och hela svars- eller felkroppen. Spara slutförda results[] som JSONL utan filtrering.
Behåll det ursprungliga operations-ID:t. Vid 503 result_pending_check gäller X-Should-Retry:false; skicka aldrig om en ursprunglig batch med okänt utfall.
| Fält | Typ |
|---|---|
Fältresults[].custom_id | Typstring |
Fältresults[].response.body.choices[].message.content | Typstring|null |
Fältresults[].error | Typobject|null |
Fältusage | Typobject|null |
Fältid | Typstring |
Fältmodel | Typstring |
Fältendpoint | Typstring |
Fältstatus | Typstring |
Fältrequest_counts | Typobject |
Fältresults[].id | Typstring |
Fältresults[].response.status_code | Typinteger |
Fältresults[].response.request_id | Typstring |
| Svar | Villkor | Nästa steg |
|---|---|---|
Svar400 · invalid_request_error | VillkorFörfrågan har ett ogiltigt inbäddat format enligt dokumentationen, duplicerade nycklar eller en felaktig objektidentitet, eller står i konflikt med modellens konfigurerade funktioner. | Nästa stegRätta de angivna fälten innan du skickar en ny förfrågan. |
Svar401 · authentication_error | VillkorOgiltig API-nyckel. | Nästa stegAnvänd den behöriga Ailoot-nyckeln. |
Svar403 · permission_error | VillkorGrupp för batchkörning är inte tillgänglig. | Nästa stegKontrollera nyckelns/gruppens behörighet. |
Svar422 · invalid_request_error | VillkorBatchkörning debiteras från saldot; skapande via abonnemang avvisas. | Nästa stegAnvänd den behöriga gruppen med saldodebitering. |
Svar422 · price_unavailable | VillkorKostnaden för batchindata kan inte beräknas i förväg. | Nästa stegSpara svaret; använd det dokumenterade indataformatet för API-familjen. |
Svar402 · billing_error | VillkorReservation för batchkörning är inte tillgänglig. | Nästa stegSe till att villkoren för att godta förfrågan är uppfyllda innan du skickar en ny. |
Svar503 · price_unavailable | VillkorPriset för batchmetoden eller de inbyggda priserna är inte tillgängliga. | Nästa stegSpara svaret; ersätt inte priserna med andra. |
Svar503 · api_error | VillkorDen exakta leverantörsrutten är inte tillgänglig. | Nästa stegSpara svaret för att kunna reparera routningen. |
Svar503 · result_pending_check | VillkorDet ursprungliga resultatet behöver kontrolleras; X-Should-Retry:false. | Nästa stegBehåll det ursprungliga värdet för operation_id/id och läs av operationens status; upprepa aldrig det ursprungliga POST-anropet. |
Svar404 · not_found | VillkorOperationen för batchstatus saknas eller tillhör en annan identitet. | Nästa stegAnvänd exakt det ursprungliga id-värdet och samma användare/nyckel/grupp. |
Ailoot Ultra z-ai/glm-5.3:batch
Använd metodsökvägarna som visas ovan.