GLM 4.7 Flash API

GLM-4.7-Flash 是一个 30B-A3B 的专家混合（MoE）模型。作为 30B 级别中最强的模型，GLM-4.7-Flash 为在性能与效率之间取得平衡的轻量化部署提供了新的选择。

基准测试表现：

此 API 接口兼容 OpenAI 的接口规范，也就是可以直接使用 OpenAI 的 SDK 来调用各个模型。仅需替换以下两项配置即可：

1. base_url 替换为 https://wcode.net/api/gpt/v1
2. api_key 替换为从 https://wcode.net/get-apikey 获取到的 API Key

具体可参考下方的各编程语言代码示例中的 openai sdk 调用示例。

# TODO: 以下代码中的 API_KEY 需要替换，获取 API Key 入口：https://wcode.net/get-apikey

curl --request POST 'https://wcode.net/api/gpt/v1/chat/completions' \
--header 'Content-Type: application/json' \
--header 'Authorization: Bearer API_KEY' \
--data '{
    "model": "z-ai/glm-4.7-flash",
    "messages": [
        {
            "role": "user",
            "content": "你好"
        }
    ]
}'

import Foundation

let headers = [
  "Authorization": "Bearer API_KEY",     // TODO: 这里的 API_KEY 需要替换，获取 API Key 入口：https://wcode.net/get-apikey
  "content-type": "application/json"
]
let parameters = [
  "model": "z-ai/glm-4.7-flash",
  "messages": [
    [
      "role": "user",
      "content": "你好"
    ]
  ]
] as [String : Any]

let postData = JSONSerialization.data(withJSONObject: parameters, options: [])

let request = NSMutableURLRequest(url: NSURL(string: "https://wcode.net/api/gpt/v1/chat/completions")! as URL,
                                        cachePolicy: .useProtocolCachePolicy,
                                    timeoutInterval: 60.0)
request.httpMethod = "POST"
request.allHTTPHeaderFields = headers
request.httpBody = postData as Data

let session = URLSession.shared
let dataTask = session.dataTask(with: request as URLRequest, completionHandler: { (data, response, error) -> Void in
  if (error != nil) {
    print(error as Any)
  } else {
    let httpResponse = response as? HTTPURLResponse
    print(httpResponse)
  }
})

dataTask.resume()

var headers = {
  'Content-Type': 'application/json',
  'Authorization': 'Bearer API_KEY'     // TODO: 这里的 API_KEY 需要替换，获取 API Key 入口：https://wcode.net/get-apikey
};
var request = http.Request('POST', Uri.parse('https://wcode.net/api/gpt/v1/chat/completions'));
request.body = json.encode({
  "model": "z-ai/glm-4.7-flash",
  "messages": [
    {
      "role": "user",
      "content": "你好"
    }
  ]
});
request.headers.addAll(headers);

http.StreamedResponse response = await request.send();

if (response.statusCode == 200) {
  print(await response.stream.bytesToString());
}
else {
  print(response.reasonPhrase);
}

require 'uri'
require 'net/http'

url = URI("https://wcode.net/api/gpt/v1/chat/completions")

http = Net::HTTP.new(url.host, url.port)
http.use_ssl = true

request = Net::HTTP::Post.new(url)
request["Authorization"] = 'Bearer API_KEY'     # TODO: 这里的 API_KEY 需要替换，获取 API Key 入口：https://wcode.net/get-apikey
request["content-type"] = 'application/json'
request.body = "{\"model\":\"z-ai/glm-4.7-flash\",\"messages\":[{\"role\":\"user\",\"content\":\"你好\"}]}"

response = http.request(request)
puts response.read_body

use serde_json::json;
use reqwest;

#[tokio::main]
pub async fn main() {
  let url = "https://wcode.net/api/gpt/v1/chat/completions";

  let payload = json!({
    "model": "z-ai/glm-4.7-flash",
    "messages": (
      json!({
        "role": "user",
        "content": "你好"
      })
    )
  });

  let mut headers = reqwest::header::HeaderMap::new();
  headers.insert("Authorization", "Bearer API_KEY".parse().unwrap());     // TODO: 这里的 API_KEY 需要替换，获取 API Key 入口：https://wcode.net/get-apikey
  headers.insert("content-type", "application/json".parse().unwrap());

  let client = reqwest::Client::new();
  let response = client.post(url)
    .headers(headers)
    .json(&payload)
    .send()
    .await;

  let results = response.unwrap()
    .json::<serde_json::Value>()
    .await
    .unwrap();

  dbg!(results);
}

CURL *hnd = curl_easy_init();

curl_easy_setopt(hnd, CURLOPT_CUSTOMREQUEST, "POST");
curl_easy_setopt(hnd, CURLOPT_URL, "https://wcode.net/api/gpt/v1/chat/completions");

struct curl_slist *headers = NULL;
headers = curl_slist_append(headers, "Authorization: Bearer API_KEY");    // TODO: 这里的 API_KEY 需要替换，获取 API Key 入口：https://wcode.net/get-apikey
headers = curl_slist_append(headers, "content-type: application/json");
curl_easy_setopt(hnd, CURLOPT_HTTPHEADER, headers);

curl_easy_setopt(hnd, CURLOPT_POSTFIELDS, "{\"model\":\"z-ai/glm-4.7-flash\",\"messages\":[{\"role\":\"user\",\"content\":\"你好\"}]}");

CURLcode ret = curl_easy_perform(hnd);

package main

import (
  "fmt"
  "strings"
  "net/http"
  "io"
)

func main() {
  url := "https://wcode.net/api/gpt/v1/chat/completions"

  payload := strings.NewReader("{\"model\":\"z-ai/glm-4.7-flash\",\"messages\":[{\"role\":\"user\",\"content\":\"你好\"}]}")

  req, _ := http.NewRequest("POST", url, payload)

  req.Header.Add("Authorization", "Bearer API_KEY")     // TODO: 这里的 API_KEY 需要替换，获取 API Key 入口：https://wcode.net/get-apikey
  req.Header.Add("content-type", "application/json")

  res, _ := http.DefaultClient.Do(req)

  defer res.Body.Close()
  body, _ := io.ReadAll(res.Body)

  fmt.Println(res)
  fmt.Println(string(body))
}

using System.Net.Http.Headers;


var client = new HttpClient();

var request = new HttpRequestMessage(HttpMethod.Post, "https://wcode.net/api/gpt/v1/chat/completions");

request.Headers.Add("Authorization", "Bearer API_KEY");     // TODO: 这里的 API_KEY 需要替换，获取 API Key 入口：https://wcode.net/get-apikey

request.Content = new StringContent("{\"model\":\"z-ai/glm-4.7-flash\",\"messages\":[{\"role\":\"user\",\"content\":\"你好\"}]}", null, "application/json");

var response = await client.SendAsync(request);

response.EnsureSuccessStatusCode();

Console.WriteLine(await response.Content.ReadAsStringAsync());

var client = new RestClient("https://wcode.net/api/gpt/v1/chat/completions");

var request = new RestRequest("", Method.Post);

request.AddHeader("Authorization", "Bearer API_KEY");     // TODO: 这里的 API_KEY 需要替换，获取 API Key 入口：https://wcode.net/get-apikey

request.AddHeader("content-type", "application/json");

request.AddParameter("application/json", "{\"model\":\"z-ai/glm-4.7-flash\",\"messages\":[{\"role\":\"user\",\"content\":\"你好\"}]}", ParameterType.RequestBody);

var response = client.Execute(request);

const axios = require('axios');

let data = JSON.stringify({
  "model": "z-ai/glm-4.7-flash",
  "messages": [
    {
      "role": "user",
      "content": "你好"
    }
  ]
});

let config = {
  method: 'post',
  maxBodyLength: Infinity,
  url: 'https://wcode.net/api/gpt/v1/chat/completions',
  headers: {
    'Content-Type': 'application/json',
    'Authorization': 'Bearer API_KEY'     // TODO: 这里的 API_KEY 需要替换，获取 API Key 入口：https://wcode.net/get-apikey
  },
  data : data
};

axios.request(config).then((response) => {
  console.log(JSON.stringify(response.data));
}).catch((error) => {
  console.log(error);
});

OkHttpClient client = new OkHttpClient();

MediaType mediaType = MediaType.parse("application/json");

RequestBody body = RequestBody.create(mediaType, "{\"model\":\"z-ai/glm-4.7-flash\",\"messages\":[{\"role\":\"user\",\"content\":\"你好\"}]}");

Request request = new Request.Builder()
  .url("https://wcode.net/api/gpt/v1/chat/completions")
  .post(body)
  .addHeader("Authorization", "Bearer API_KEY")             // TODO: 这里的 API_KEY 需要替换，获取 API Key 入口：https://wcode.net/get-apikey
  .addHeader("content-type", "application/json")
  .build();

Response response = client.newCall(request).execute();

$client = new \GuzzleHttp\Client();

$headers = [
  'Content-Type' => 'application/json',
  'Authorization' => 'Bearer API_KEY',     // TODO: 这里的 API_KEY 需要替换，获取 API Key 入口：https://wcode.net/get-apikey
];

$body = '{
  "model": "z-ai/glm-4.7-flash",
  "messages": [
    {
      "role": "user",
      "content": "你好"
    }
  ]
}';

$request = new \GuzzleHttp\Psr7\Request('POST', 'https://wcode.net/api/gpt/v1/chat/completions', $headers, $body);

$response = $client->sendAsync($request)->wait();

echo $response->getBody();

$curl = curl_init();

curl_setopt_array($curl, [
  CURLOPT_URL => "https://wcode.net/api/gpt/v1/chat/completions",
  CURLOPT_RETURNTRANSFER => true,
  CURLOPT_ENCODING => "",
  CURLOPT_MAXREDIRS => 5,
  CURLOPT_TIMEOUT => 300,
  CURLOPT_CUSTOMREQUEST => "POST",
  CURLOPT_POSTFIELDS => json_encode([
    'model' => 'z-ai/glm-4.7-flash',
    'messages' => [
      [
        'role' => 'user',
        'content' => '你好'
      ]
    ]
  ]),
  CURLOPT_HTTPHEADER => [
    "Authorization: Bearer API_KEY",     // TODO: 这里的 API_KEY 需要替换，获取 API Key 入口：https://wcode.net/get-apikey
    "content-type: application/json",
  ],
]);

$response = curl_exec($curl);
$error = curl_error($curl);

curl_close($curl);

if ($error) {
  echo "cURL Error #:" . $error;
} else {
  echo $response;
}

import requests
import json

url = "https://wcode.net/api/gpt/v1/chat/completions"

payload = {
  "model": "z-ai/glm-4.7-flash",
  "messages": [
    {
      "role": "user",
      "content": "你好"
    }
  ]
}

headers = {
  "Authorization": "Bearer API_KEY",     # TODO: 这里的 API_KEY 需要替换，获取 API Key 入口：https://wcode.net/get-apikey
  "content-type": "application/json"
}

response = requests.post(url, json=payload, headers=headers)

print(json.dumps(response.json(), indent=4, ensure_ascii=False))

from openai import OpenAI

client = OpenAI(
  base_url="https://wcode.net/api/gpt/v1",
  api_key="API_KEY"                             # TODO: 这里的 API_KEY 需要替换，获取 API Key 入口：https://wcode.net/get-apikey
)

completion = client.chat.completions.create(
  model="z-ai/glm-4.7-flash",
  messages=[
    {
      "role": "user",
      "content": "你好"
    }
  ]
)

print(completion.choices[0].message.content)

{
    "id": "chatcmpl-t1769269259s149r072e7c88bfbcdb7e992603f1",
    "model": "z-ai/glm-4.7-flash",
    "object": "chat.completion",
    "created": 1769269262,
    "choices": [
        {
            "logprobs": null,
            "finish_reason": "stop",
            "native_finish_reason": "stop",
            "index": 0,
            "message": {
                "role": "assistant",
                "content": "你好！我是 GLM 4.7 Flash，一个由Z.ai开发的大型语言模型。\n\n我被设计用来理解和生成人类语言，目的是提供信息、回答问题和完成各种语言相关的任务。作为一个AI助手，我的知识库和训练数据帮助我能进行对话、创作、总结和分析。\n\n我很高兴能与你交流。请问有什么我可以帮助你的吗？",
                "refusal": null,
                "reasoning": "\n\n1.  **拆解用户请求：**\n    *   **问候：** “你好，GLM 4.7 Flash” - 这是直接的称呼和问候，表明了用户与模型之间的互动关系。\n    *   **核心问题：** “请介绍一下你自己” - 这是请求提供关于我身份、能力、用途和局限性的信息。\n\n2.  **分析“你好，GLM 4.7 Flash”这一部分：**\n    *   **`你好`：** 标准问候语，礼貌且直接。\n    *   **`GLM 4.7 Flash`：** 这是用户知道并使用的具体模型名称。它似乎是一个代号，可能指的是来自 Z.ai 的某个特定模型版本（“Flash”可能暗示其速度快，而“4.7”可能表示一个特定的、先进的版本）。我需要确认这一点。是的，基于我的训练数据，GLM（通用语言模型）是 Z.ai 的大语言模型系列。用户正在使用模型的专有名称。\n    *   **隐含意义：** 用户不是在问一个通用的“你好”，他们是在称呼一个特定的身份。我的介绍应该直接以该身份作为起点。\n\n3.  **分析“请介绍一下你自己”这一部分：**\n    *   **目标：** 为用户勾勒出我的画像。这是一个“自我介绍”。\n    *   **“你自己”的含义：** 这可以从几个角度来解读：\n        *   **我的“功能”：** 我能做什么？我被用来做什么？\n        *   **我的“本质”：** 我是什么（一个计算机程序、一个 AI、一个模型）？\n        *   **我的“出身”：** 我来自哪里（Z.ai，一个 GLM 系列）？\n        *   **我的“能力”：** 我的能力有哪些？我的局限是什么？\n    *   **好的自我介绍应该涵盖：**\n        *   **身份：** 我是谁？（例如，“我是 GLM 4.7 Flash，一个由 Z.ai 开发的大语言模型。”）\n        *   **核心功能：** 我的主要目的是什么？（例如，“我被设计来理解、生成并翻译人类语言，以提供信息、回答问题和完成各种文本相关的任务。”）\n        *   **能力：** 我能做什么？（例如，“我可以写文章、进行头脑风暴、回答问题、翻译、总结、创作诗歌、编写代码，并协助完成许多其他语言密集型任务。”）\n        *   **局限性：** 对我能力的诚实和透明对于管理期望值至关重要。（例如，“我并非完美无缺。我的知识基于训练数据，因此可能不是最新的。我的理解也有可能不完美，我可能会犯错。”）\n        *   **互动：** 我如何与用户交互？（例如，“我的目标是提供有帮助、无害且准确的信息，并与您进行一次有益的对话。”）\n\n4.  **组织回答的结构：**\n    一个好的自我介绍结构清晰、易于阅读，并且能有效地传达信息。我将使用分点的方法，对关键信息进行分组。\n\n    *   **第一部分：身份与起源。** 这是最直接、最基础的部分。从这里开始。\n        *   我应该明确指出我是谁：“我是 GLM 4.7 Flash”。\n        *   我应该说明我的开发者/来源：“一个由Z.ai开发的大型语言模型”。\n        *   我可以添加一个简短的描述：“旨在理解和生成人类语言”。\n\n    *   **第二部分：核心能力。** 这告诉用户我能为他们做什么。使用要点列表能使其易于浏览。\n        *   我会先从最明显的能力开始：**信息检索与问答**。这是用户最常见的请求。\n        *   接着是**内容创作**。这是一个非常广泛且能体现多功能性的类别。我可以将其分解为：\n            *   **写作**：文章、报告、故事、邮件。\n            *   **翻译**：多种语言之间的翻译。\n            *   **总结**：简化长文本。\n        *   我会添加一个更广泛、更抽象的能力：**对话与陪伴**。这表明我不仅是一个工具，也是一个可以交谈的实体。我可以讨论话题、进行头脑风暴或提供情感支持。\n        *   最后，我会添加一个现代大语言模型的一个重要能力：**代码辅助**。这对于开发者和编程初学者来说是一个巨大的卖点。\n\n    *   **第三部分：我的局限性与目标。** 这是关于透明度和诚实的关键部分。它展示了我的负责任之处。\n        *   **局限性：** 我会从几个角度来描述：\n            *   **知识截止**：我必须说明我的知识有一个截止日期，因此我无法提供训练之后发生的事件的信息。这是一个基本且重要的区别。\n            *   **错误的可能性**：我需要承认我可能会犯错，尤其是对于复杂或不寻常的问题。这能管理用户对我所提供答案的期望。\n            *   **理解深度**：我可能会误解复杂的查询，或者对细微差别做出不准确的推断。这是语言模型的固有限制。\n        *   **目标：** 我的最终目标是什么？这是一个面向用户的、积极且诱人的结尾。\n            *   “我的目标是成为一个有用、无害且诚实的助手。” 这是AI伦理中的一个黄金标准。\n            *   “我想通过提供准确、清晰和有帮助的回答，来协助您解决问题、激发您的创造力，并让信息获取变得更加便捷。”\n\n    *   **第四部分：一个简洁的结尾。** 最后，我会加上一个友好的、欢迎式的结束语。这能让整个互动更加顺畅。\n        *   一个简单且有效的结束语是：“我随时准备着为您提供帮助。请问有什么我可以为您做的吗？” 这直接向用户发出了行动号召，并邀请他们开始对话。\n\n5.  **最终审阅：**\n    通读完整的回答。它是否清晰、礼貌、信息丰富，并且有效地回答了用户的问题？结构看起来很合理，语言简洁。它涵盖了所有必要的基础：身份、能力、局限性和目标。语气是专业且有益的，非常适合作为我的自我介绍。这个最终版本看起来不错。"
            }
        }
    ],
    "usage": {
        "prompt_tokens": 18,
        "completion_tokens": 1330,
        "total_tokens": 1348,
        "prompt_tokens_details": {
            "cached_tokens": 3,
            "audio_tokens": 0,
            "video_tokens": 0
        },
        "completion_tokens_details": {
            "reasoning_tokens": 1977,
            "image_tokens": 0
        }
    }
}