GLM-4.7-Flash 是 Z.ai 旗下 GLM-4.7 家族的 30B-A3B 混合專家版本。其稀疏設計的參數總量約為 30 十億個，其中三十億個為啟用參數；製造商將它定位為兼顧能力與效率的輕量模型。它接收並生成文字。開發者特別強調軟體開發、中文寫作、翻譯、長篇文字處理與角色對話。實用的需求說明可要求程式碼提案、修訂段落、說明，或以提供素材為依據的結構化結果。
開發方面，Z.ai 為此 Flash 版本指出前端與應用程式邏輯任務。提供要實作的行為、相關原始碼與必須完整保留的條件。對頁面或元件，描述狀態、版面與必要互動，再要求可編輯程式碼及重要選擇的說明。對既有函式，附上觀察到的失敗與預期結果範例。模型產生提議程式碼；編譯、執行或轉譯呈現介面，則由連接的應用程式環境負責。
開發者託管的 GLM-4.7 系列設定檔為 Flash 列出文字輸入、文字輸出、200K 詞元上下文及最多 128K 輸出詞元。開放模型卡與託管設定檔描述同一具名版本的不同面向：檢查點特性與開發者服務配置。準備長輸入時，使用來源標題、程式碼識別碼與清楚的文件邊界，並為推理及所需答案預留空間。純文字模型可以為處理圖片或攝影機輸入的應用程式寫程式碼，但這不會賦予該檢查點原生視覺輸入模式。
GLM-4.7 系列預設啟用推理。開發者記載了逐輪開關，讓對話可針對困難問題要求推理，也可在直接改寫或簡短回答時停用。它也支援工具呼叫之間的交錯思考，讓模型能先解讀回傳觀察，再規劃下一步。開始這類任務前，先定義可用工具與必要的最終成品。文件助理可要求指定資訊、接收實際擷取結果，再準備由該結果支持的說明。
保留思考是持續程式設計或代理工作的獨立選項。製造商指南使用 clear_thinking=false，並要求將先前 assistant 輪次的完整、未修改 reasoning_content 依原始順序回傳。修改或重新排列這些區塊可能降低結果品質，並影響快取行為。開發者的程式設計介面與標準介面有不同預設值，因此此選項是經設定的工作流程，而非每段對話自動具備的屬性。將可見答案與保留推理分開，並保存後續步驟依賴的證據或工具輸出。
此家族文件中的介面包含串流文字、函式呼叫、上下文快取，以及 JSON 等結構化輸出。結構化結果應提供必要欄位與各欄位值代表的意義；工具請求則應定義函式用途、引數與完成條件。生成的呼叫是請求應用程式執行動作，並非執行證據。最終結果可以是簡短報告、資料物件或程式碼成品，且仍能辨識產生結果所用的資訊。
寫作或翻譯時，指定讀者、語言、語氣與應保持不變的用語。製造商建議除技術工作外，也可嘗試將 Flash 用於中文寫作、敘事或角色對話。示例編修需求可提供段落，要求在保留事實下精簡修訂；翻譯需求可提供術語表，並區分引述文字與指示。較長對話應保留限制，並指出下一步所需結果，讓模型回覆持續連結至原始任務。
確切的開放模型卡針對評估任務公布不同的生成設定：預設 temperature 為 1.0、top-p 為 0.95，軟體任務另採 0.7 與 1.0。範例生成長度屬於這些程序，而非額外的通用限制。此檢查點與 GLM-4.7、GLM-4.7-FlashX 及後續 GLM-5 模型不同。依此版本文件記載的文字能力搭配任務與回覆模式，再對照輸入評估交付的程式碼、擷取的欄位值或修訂文字。
", "aboutText": "GLM-4.7-Flash 是 Z.ai 旗下 GLM-4.7 家族的 30B-A3B 混合專家版本。其稀疏設計的參數總量約為 30 十億個，其中三十億個為啟用參數；製造商將它定位為兼顧能力與效率的輕量模型。它接收並生成文字。開發者特別強調軟體開發、中文寫作、翻譯、長篇文字處理與角色對話。實用的需求說明可要求程式碼提案、修訂段落、說明，或以提供素材為依據的結構化結果。\n\n開發方面，Z.ai 為此 Flash 版本指出前端與應用程式邏輯任務。提供要實作的行為、相關原始碼與必須完整保留的條件。對頁面或元件，描述狀態、版面與必要互動，再要求可編輯程式碼及重要選擇的說明。對既有函式，附上觀察到的失敗與預期結果範例。模型產生提議程式碼；編譯、執行或轉譯呈現介面，則由連接的應用程式環境負責。\n\n開發者託管的 GLM-4.7 系列設定檔為 Flash 列出文字輸入、文字輸出、200K 詞元上下文及最多 128K 輸出詞元。開放模型卡與託管設定檔描述同一具名版本的不同面向：檢查點特性與開發者服務配置。準備長輸入時，使用來源標題、程式碼識別碼與清楚的文件邊界，並為推理及所需答案預留空間。純文字模型可以為處理圖片或攝影機輸入的應用程式寫程式碼，但這不會賦予該檢查點原生視覺輸入模式。\n\nGLM-4.7 系列預設啟用推理。開發者記載了逐輪開關，讓對話可針對困難問題要求推理，也可在直接改寫或簡短回答時停用。它也支援工具呼叫之間的交錯思考，讓模型能先解讀回傳觀察，再規劃下一步。開始這類任務前，先定義可用工具與必要的最終成品。文件助理可要求指定資訊、接收實際擷取結果，再準備由該結果支持的說明。\n\n保留思考是持續程式設計或代理工作的獨立選項。製造商指南使用 clear_thinking=false，並要求將先前 assistant 輪次的完整、未修改 reasoning_content 依原始順序回傳。修改或重新排列這些區塊可能降低結果品質，並影響快取行為。開發者的程式設計介面與標準介面有不同預設值，因此此選項是經設定的工作流程，而非每段對話自動具備的屬性。將可見答案與保留推理分開，並保存後續步驟依賴的證據或工具輸出。\n\n此家族文件中的介面包含串流文字、函式呼叫、上下文快取，以及 JSON 等結構化輸出。結構化結果應提供必要欄位與各欄位值代表的意義；工具請求則應定義函式用途、引數與完成條件。生成的呼叫是請求應用程式執行動作，並非執行證據。最終結果可以是簡短報告、資料物件或程式碼成品，且仍能辨識產生結果所用的資訊。\n\n寫作或翻譯時，指定讀者、語言、語氣與應保持不變的用語。製造商建議除技術工作外，也可嘗試將 Flash 用於中文寫作、敘事或角色對話。示例編修需求可提供段落，要求在保留事實下精簡修訂；翻譯需求可提供術語表，並區分引述文字與指示。較長對話應保留限制，並指出下一步所需結果，讓模型回覆持續連結至原始任務。\n\n確切的開放模型卡針對評估任務公布不同的生成設定：預設 temperature 為 1.0、top-p 為 0.95，軟體任務另採 0.7 與 1.0。範例生成長度屬於這些程序，而非額外的通用限制。此檢查點與 GLM-4.7、GLM-4.7-FlashX 及後續 GLM-5 模型不同。依此版本文件記載的文字能力搭配任務與回覆模式，再對照輸入評估交付的程式碼、擷取的欄位值或修訂文字。", "editorialOverlay": { "copy_fields": { "practical_html": "英文技術範例
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 是 Z.ai 的 30B-A3B 混合專家文字模型，適用於程式設計、長篇文字、中文寫作與翻譯。它支援推理與工具導向流程，開發者託管設定檔具有 200K 上下文詞元與最多 128K 輸出。
此說明介紹模型的能力。Ailoot 可用的輸入、輸出與選項，依所選方法列於下方。
GLM-4.7-Flash 是 Z.ai 旗下 GLM-4.7 家族的 30B-A3B 混合專家版本。其稀疏設計的參數總量約為 30 十億個，其中三十億個為啟用參數；製造商將它定位為兼顧能力與效率的輕量模型。它接收並生成文字。開發者特別強調軟體開發、中文寫作、翻譯、長篇文字處理與角色對話。實用的需求說明可要求程式碼提案、修訂段落、說明，或以提供素材為依據的結構化結果。
開發方面，Z.ai 為此 Flash 版本指出前端與應用程式邏輯任務。提供要實作的行為、相關原始碼與必須完整保留的條件。對頁面或元件，描述狀態、版面與必要互動，再要求可編輯程式碼及重要選擇的說明。對既有函式，附上觀察到的失敗與預期結果範例。模型產生提議程式碼；編譯、執行或轉譯呈現介面，則由連接的應用程式環境負責。
開發者託管的 GLM-4.7 系列設定檔為 Flash 列出文字輸入、文字輸出、200K 詞元上下文及最多 128K 輸出詞元。開放模型卡與託管設定檔描述同一具名版本的不同面向：檢查點特性與開發者服務配置。準備長輸入時，使用來源標題、程式碼識別碼與清楚的文件邊界，並為推理及所需答案預留空間。純文字模型可以為處理圖片或攝影機輸入的應用程式寫程式碼，但這不會賦予該檢查點原生視覺輸入模式。
GLM-4.7 系列預設啟用推理。開發者記載了逐輪開關，讓對話可針對困難問題要求推理，也可在直接改寫或簡短回答時停用。它也支援工具呼叫之間的交錯思考，讓模型能先解讀回傳觀察，再規劃下一步。開始這類任務前，先定義可用工具與必要的最終成品。文件助理可要求指定資訊、接收實際擷取結果，再準備由該結果支持的說明。
保留思考是持續程式設計或代理工作的獨立選項。製造商指南使用 clear_thinking=false，並要求將先前 assistant 輪次的完整、未修改 reasoning_content 依原始順序回傳。修改或重新排列這些區塊可能降低結果品質，並影響快取行為。開發者的程式設計介面與標準介面有不同預設值，因此此選項是經設定的工作流程，而非每段對話自動具備的屬性。將可見答案與保留推理分開，並保存後續步驟依賴的證據或工具輸出。
此家族文件中的介面包含串流文字、函式呼叫、上下文快取，以及 JSON 等結構化輸出。結構化結果應提供必要欄位與各欄位值代表的意義；工具請求則應定義函式用途、引數與完成條件。生成的呼叫是請求應用程式執行動作，並非執行證據。最終結果可以是簡短報告、資料物件或程式碼成品，且仍能辨識產生結果所用的資訊。
寫作或翻譯時，指定讀者、語言、語氣與應保持不變的用語。製造商建議除技術工作外，也可嘗試將 Flash 用於中文寫作、敘事或角色對話。示例編修需求可提供段落，要求在保留事實下精簡修訂；翻譯需求可提供術語表，並區分引述文字與指示。較長對話應保留限制，並指出下一步所需結果，讓模型回覆持續連結至原始任務。
確切的開放模型卡針對評估任務公布不同的生成設定：預設 temperature 為 1.0、top-p 為 0.95，軟體任務另採 0.7 與 1.0。範例生成長度屬於這些程序，而非額外的通用限制。此檢查點與 GLM-4.7、GLM-4.7-FlashX 及後續 GLM-5 模型不同。依此版本文件記載的文字能力搭配任務與回覆模式，再對照輸入評估交付的程式碼、擷取的欄位值或修訂文字。
POST /v1/chat/completionstexttext| 欄位 | 類型 | 要求 | 值與限制 | 預設值 |
|---|---|---|---|---|
欄位model | 類型string | 要求必填 | 值與限制 z-ai/glm-4.7-flash | 預設值— |
欄位messages | 類型message[] | 要求必填 | 值與限制 項目數下限: 1 | 預設值— |
欄位messages[].role | 類型string | 要求必填 | 值與限制 範例：system, user, assistant, tool, function 條件: 這些角色由 原始碼中的相容型別明確表示；確切角色集合仍依模型而定。 依模型而定 | 預設值— |
欄位messages[].content | 類型string|content_part[]|null | 要求選填 | 值與限制 | 預設值— |
欄位messages[].tool_calls | 類型tool_call[] | 要求選填 | 值與限制 | 預設值— |
欄位messages[].tool_call_id | 類型string | 要求選填 | 值與限制 適用條件: role=tool；使用實際回傳的 ID | 預設值— |
欄位messages[].name | 類型string | 要求選填 | 值與限制 | 預設值— |
欄位messages[].reasoning_content | 類型string | 要求選填 | 值與限制 適用條件: 此模型使用推理內容時，將實際回傳的推理內容帶回後續請求 | 預設值— |
欄位messages[].reasoning_details | 類型object|array | 要求選填 | 值與限制 依模型而定 | 預設值— |
欄位max_tokens | 類型integer | 要求選填 | 值與限制 最小值: 1 依模型而定 | 預設值— |
欄位max_completion_tokens | 類型integer | 要求選填 | 值與限制 最小值: 1 依模型而定 | 預設值— |
欄位stream | 類型boolean | 要求選填 | 值與限制 | 預設值false |
欄位stream_options.include_usage | 類型boolean | 要求選填 | 值與限制 依模型而定 | 預設值— |
欄位temperature | 類型number | 要求選填 | 值與限制 依模型而定 | 預設值— |
欄位top_p | 類型number | 要求選填 | 值與限制 依模型而定 | 預設值— |
欄位stop | 類型string|string[] | 要求選填 | 值與限制 依模型而定 | 預設值— |
欄位tools | 類型function_tool[] | 要求選填 | 值與限制 依模型而定 | 預設值— |
欄位tools[].type | 類型string | 要求選填 | 值與限制 function 依模型而定 | 預設值— |
欄位tools[].function.name | 類型string | 要求必填 | 值與限制 適用條件: 已提供函式工具 | 預設值— |
欄位tools[].function.description | 類型string | 要求選填 | 值與限制 | 預設值— |
欄位tools[].function.parameters | 類型JSON_schema | 要求選填 | 值與限制 | 預設值— |
欄位tool_choice | 類型string|object | 要求選填 | 值與限制 依模型而定 | 預設值— |
欄位parallel_tool_calls | 類型boolean | 要求選填 | 值與限制 依模型而定 | 預設值— |
欄位response_format | 類型object | 要求選填 | 值與限制 依模型而定 | 預設值— |
欄位reasoning_effort | 類型string | 要求選填 | 值與限制 依模型而定 | 預設值— |
欄位reasoning | 類型object | 要求選填 | 值與限制 依模型而定 | 預設值— |
欄位service_tier | 類型string | 要求選填 | 值與限制 依模型而定 | 預設值— |
欄位instructions | 類型string | 要求選填 | 值與限制 相容性欄位 | 預設值— |
欄位functions | 類型function[] | 要求選填 | 值與限制 依模型而定 | 預設值— |
欄位function_call | 類型string|object | 要求選填 | 值與限制 依模型而定 | 預設值— |
欄位prompt_cache_options | 類型object | 要求選填 | 值與限制 依模型而定 | 預設值— |
欄位modalities | 類型string[] | 要求選填 | 值與限制 text | 預設值— |
欄位provider | 類型object | 要求選填 | 值與限制 條件: 此 Ultra 文字路由拒絕 provider.options | 預設值— |
欄位cache_control.ttl | 類型string | 要求選填 | 值與限制 條件: 實際提示詞快取位置拒絕 1h | 預設值— |
文字 · UTF8 文字
messages[].content
| 參數 | 規格 |
|---|---|
參數content_type | 規格application/json |
參數required | 規格model, messages |
參數material_types | 規格text |
參數messages | 規格具有 role/content 結構的訊息陣列 |
參數file_material | 規格實際 UTF-8 文件以原文文字插入；不推定檔案 ID |
參數optional_controls | 規格stream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
參數control_scope | 規格依模型而定；使用者函式工具與託管工具不同 |
參數output_modalities | 規格text |
參數hosted_operations | 規格false |
參數multimodal_input_binding | 規格null |
生命週期： synchronous_or_streamed
將確切模型 ID 與 messages 一併送出。
上下文長度不是輸出上限。
文字檔案可提供原文文字；圖片／音訊／檔案物件輸入需要精確綁定。
費率資訊不會增加請求選項。支援的參數列於所選方法中。
請逐一核對各項費用與所列條件。每組互為替代選項的設定只套用一種費率。
| 設定 | 費率表 | 上下文 Token 數大於 | 上下文 Token 數小於或等於 | 費用 |
|---|---|---|---|---|
| 設定詞元基本費率 | 費率表基本費率 | 上下文 Token 數大於— | 上下文 Token 數小於或等於無上限 | 費用 輸入 · 輸入 Token $0.000144 / 1K Token 輸出 · 輸出 Token $0.000858 / 1K Token 輸入 · 讀取快取 $0.00002 / 1K Token 輸入 · 寫入快取 $0 / 1K Token 輸入 · 寫入快取，1 小時 — / 1K Token |
| 設定請求長度級距 1 | 費率表— | 上下文 Token 數大於0 | 上下文 Token 數小於或等於無上限 | 費用 輸入 · 輸入 Token $0.000144 / 1K Token 輸出 · 輸出 Token $0.000858 / 1K Token 輸入 · 讀取快取 $0.00002 / 1K Token 輸入 · 寫入快取 $0 / 1K Token 輸入 · 寫入快取，1 小時 — / 1K Token |
Ailoot 會在請求前預留估算金額。取得結果後，依實測用量結算最終費用。串流結算採用最終用量紀錄。預留金額與結算的運作方式 →
set -eu\n: "${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 或 SSE
請保留所有完整傳回的回應、檔案與內容區塊。
保留每個候選項及其內容／工具呼叫／推理。SSE 中依候選項／工具索引組合增量，保留最終完成原因與用量。
保留請求／回應 ID 與標頭。未提供通用的文字工作擷取 URL。
| 欄位 | 類型 |
|---|---|
欄位choices[].index | 類型integer |
欄位choices[].message.content | 類型string|null |
欄位choices[].message.tool_calls | 類型tool_call[] |
欄位choices[].message.reasoning_content | 類型string |
欄位choices[].message.reasoning_details | 類型object|array |
欄位choices[].finish_reason | 類型string|null |
欄位usage | 類型object |
| 回應 | 條件 | 下一步 |
|---|---|---|
回應400 · invalid_request_error | 條件必要欄位、素材表示方式或參數值無效 | 下一步提出新的建立請求前，先修正指定欄位。 |
Ailoot Ultra z-ai/glm-4.7-flash
請使用上方列出的 API 方法路徑。
z-ai/glm-4.7-flashGLM-4.7-Flash 是 Z.ai 的 30B-A3B 混合專家文字模型，適用於程式設計、長篇文字、中文寫作與翻譯。它支援推理與工具導向流程，開發者託管設定檔具有 200K 上下文詞元與最多 128K 輸出。
此說明介紹模型的能力。Ailoot 可用的輸入、輸出與選項，依所選方法列於下方。
GLM-4.7-Flash 是 Z.ai 旗下 GLM-4.7 家族的 30B-A3B 混合專家版本。其稀疏設計的參數總量約為 30 十億個，其中三十億個為啟用參數；製造商將它定位為兼顧能力與效率的輕量模型。它接收並生成文字。開發者特別強調軟體開發、中文寫作、翻譯、長篇文字處理與角色對話。實用的需求說明可要求程式碼提案、修訂段落、說明，或以提供素材為依據的結構化結果。
開發方面，Z.ai 為此 Flash 版本指出前端與應用程式邏輯任務。提供要實作的行為、相關原始碼與必須完整保留的條件。對頁面或元件，描述狀態、版面與必要互動，再要求可編輯程式碼及重要選擇的說明。對既有函式，附上觀察到的失敗與預期結果範例。模型產生提議程式碼；編譯、執行或轉譯呈現介面，則由連接的應用程式環境負責。
開發者託管的 GLM-4.7 系列設定檔為 Flash 列出文字輸入、文字輸出、200K 詞元上下文及最多 128K 輸出詞元。開放模型卡與託管設定檔描述同一具名版本的不同面向：檢查點特性與開發者服務配置。準備長輸入時，使用來源標題、程式碼識別碼與清楚的文件邊界，並為推理及所需答案預留空間。純文字模型可以為處理圖片或攝影機輸入的應用程式寫程式碼，但這不會賦予該檢查點原生視覺輸入模式。
GLM-4.7 系列預設啟用推理。開發者記載了逐輪開關，讓對話可針對困難問題要求推理，也可在直接改寫或簡短回答時停用。它也支援工具呼叫之間的交錯思考，讓模型能先解讀回傳觀察，再規劃下一步。開始這類任務前，先定義可用工具與必要的最終成品。文件助理可要求指定資訊、接收實際擷取結果，再準備由該結果支持的說明。
保留思考是持續程式設計或代理工作的獨立選項。製造商指南使用 clear_thinking=false，並要求將先前 assistant 輪次的完整、未修改 reasoning_content 依原始順序回傳。修改或重新排列這些區塊可能降低結果品質，並影響快取行為。開發者的程式設計介面與標準介面有不同預設值，因此此選項是經設定的工作流程，而非每段對話自動具備的屬性。將可見答案與保留推理分開，並保存後續步驟依賴的證據或工具輸出。
此家族文件中的介面包含串流文字、函式呼叫、上下文快取，以及 JSON 等結構化輸出。結構化結果應提供必要欄位與各欄位值代表的意義；工具請求則應定義函式用途、引數與完成條件。生成的呼叫是請求應用程式執行動作，並非執行證據。最終結果可以是簡短報告、資料物件或程式碼成品，且仍能辨識產生結果所用的資訊。
寫作或翻譯時，指定讀者、語言、語氣與應保持不變的用語。製造商建議除技術工作外，也可嘗試將 Flash 用於中文寫作、敘事或角色對話。示例編修需求可提供段落，要求在保留事實下精簡修訂；翻譯需求可提供術語表，並區分引述文字與指示。較長對話應保留限制，並指出下一步所需結果，讓模型回覆持續連結至原始任務。
確切的開放模型卡針對評估任務公布不同的生成設定：預設 temperature 為 1.0、top-p 為 0.95，軟體任務另採 0.7 與 1.0。範例生成長度屬於這些程序，而非額外的通用限制。此檢查點與 GLM-4.7、GLM-4.7-FlashX 及後續 GLM-5 模型不同。依此版本文件記載的文字能力搭配任務與回覆模式，再對照輸入評估交付的程式碼、擷取的欄位值或修訂文字。
POST /v1/messagestextjson, sse| 欄位 | 類型 | 要求 | 值與限制 | 預設值 |
|---|---|---|---|---|
欄位model | 類型string | 要求必填 | 值與限制 z-ai/glm-4.7-flash | 預設值— |
欄位messages | 類型message[] | 要求必填 | 值與限制 | 預設值— |
欄位messages[].role | 類型string | 要求必填 | 值與限制 user, assistant | 預設值— |
欄位messages[].content | 類型string | 要求必填 | 值與限制 | 預設值— |
欄位max_tokens | 類型integer | 要求必填 | 值與限制 | 預設值— |
欄位stream | 類型boolean | 要求選填 | 值與限制 | 預設值false |
文字 · UTF-8 文字
messages[].content 字串
| 參數 | 規格 |
|---|---|
參數content_type | 規格application/json |
參數required | 規格model, messages, max_tokens |
參數optional_controls | 規格stream |
參數material_types | 規格text |
參數text_file_material | 規格讀取實際 UTF-8 文件，將文字放入指定的 input 或訊息內容字串。 |
生命週期： synchronous_or_streamed
費率資訊不會增加請求選項。支援的參數列於所選方法中。
請逐一核對各項費用與所列條件。每組互為替代選項的設定只套用一種費率。
| 設定 | 費率表 | 上下文 Token 數大於 | 上下文 Token 數小於或等於 | 費用 |
|---|---|---|---|---|
| 設定詞元基本費率 | 費率表基本費率 | 上下文 Token 數大於— | 上下文 Token 數小於或等於無上限 | 費用 輸入 · 輸入 Token $0.000144 / 1K Token 輸出 · 輸出 Token $0.000858 / 1K Token 輸入 · 讀取快取 $0.00002 / 1K Token 輸入 · 寫入快取 $0 / 1K Token 輸入 · 寫入快取，1 小時 — / 1K Token |
| 設定請求長度級距 1 | 費率表— | 上下文 Token 數大於0 | 上下文 Token 數小於或等於無上限 | 費用 輸入 · 輸入 Token $0.000144 / 1K Token 輸出 · 輸出 Token $0.000858 / 1K Token 輸入 · 讀取快取 $0.00002 / 1K Token 輸入 · 寫入快取 $0 / 1K Token 輸入 · 寫入快取，1 小時 — / 1K Token |
Ailoot 會在請求前預留估算金額。取得結果後，依實測用量結算最終費用。串流結算採用最終用量紀錄。預留金額與結算的運作方式 →
{\n "model": "z-ai/glm-4.7-flash",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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 或 SSE
請保留所有完整傳回的回應、檔案與內容區塊。
保留所有內容區塊、思考簽章與實際工具使用 ID。組合所有 SSE 區塊增量；第一個文字區塊不是完整輸出。
保留請求／回應 ID 與標頭。未提供通用的文字工作擷取 URL。
| 欄位 | 類型 |
|---|---|
欄位id | 類型string |
欄位model | 類型string |
欄位content[] | 類型text|thinking|tool_use|other content block |
欄位stop_reason | 類型string|null |
欄位usage | 類型object |
| 回應 | 條件 | 下一步 |
|---|---|---|
回應400 · invalid_request_error | 條件必要欄位、素材表示方式或參數值無效 | 下一步提出新的建立請求前，先修正指定欄位。 |
Ailoot Ultra z-ai/glm-4.7-flash
請使用上方列出的 API 方法路徑。
英文技術範例
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.