Z.ai/glm-5.2-text-to-text

glm-5.2-text-to-text

Essayez gratuitement l'API GLM 5.2 Text-to-Text pour le raisonnement, l'écriture, l'aide au code, les résumés et l'automatisation LLM évolutive via des workflows Flaq AI stables.

Text Chat

Documentation

Exemples d'API

JavaScriptPythoncURL

Exemple d'envoi

const response = await fetch('https://api.flaq.ai/api/v1/chat/completions', {
  method: 'POST',
  headers: {
    Authorization: 'Bearer YOUR_API_KEY',
    Accept: 'text/event-stream',
    'Content-Type': 'application/json'
  },
  body: JSON.stringify({
    model: 'glm-5.2-text-to-text',
    messages: [
      {
        role: 'user',
        content: 'Write a four-line modern poem about a programmer drinking coffee.'
      }
    ],
    stream: true,
    max_tokens: 500,
    top_p: 0.5,
    top_k: 1
  })
});

const reader = response.body.getReader();
const decoder = new TextDecoder();
let buffer = '';
let assistantText = '';

while (true) {
  const { done, value } = await reader.read();
  if (done) break;

  buffer += decoder.decode(value, { stream: true });
  const frames = buffer.split('\n\n');
  buffer = frames.pop() || '';

  for (const frame of frames) {
    const lines = frame.split('\n').filter(Boolean);
    let eventName = 'message';
    const dataLines = [];

    for (const line of lines) {
      if (line.startsWith('event:')) {
        eventName = line.slice(6).trim();
      } else if (line.startsWith('data:')) {
        dataLines.push(line.replace(/^data:\s*/, ''));
      }
    }

    const raw = dataLines.join('\n').trim();
    if (raw === '[DONE]') {
      console.log('\nFinal text:', assistantText);
      continue;
    }

    let payload;
    try {
      payload = JSON.parse(raw);
    } catch {
      continue;
    }

    if (eventName === 'error' || payload.error) {
      const msg = payload.error?.message ?? payload.message ?? 'Chat request failed';
      throw new Error(msg);
    }

    const delta = payload.choices?.[0]?.delta;
    if (delta?.content) {
      assistantText += delta.content;
      console.log(assistantText);
    }
  }
}

Exemple d'envoi

import json
import requests

response = requests.post(
    'https://api.flaq.ai/api/v1/chat/completions',
    headers={
        'Authorization': 'Bearer YOUR_API_KEY',
        'Accept': 'text/event-stream',
        'Content-Type': 'application/json',
    },
    json={
        'model': 'glm-5.2-text-to-text',
        'messages': [
            {
                'role': 'user',
                'content': 'Write a four-line modern poem about a programmer drinking coffee.',
            }
        ],
        'stream': True,
        'max_tokens': 500,
        'top_p': 0.5,
        'top_k': 1,
    },
    stream=True,
)

response.raise_for_status()

event_name = 'message'
assistant_text = ''

for raw_line in response.iter_lines(decode_unicode=True):
    if not raw_line:
        event_name = 'message'
        continue

    if raw_line.startswith('event:'):
        event_name = raw_line.replace('event:', '', 1).strip()
        continue

    if raw_line.startswith('data:'):
        raw_data = raw_line.replace('data:', '', 1).strip()
        if raw_data == '[DONE]':
            print('\nFinal text:', assistant_text)
            continue

        payload = json.loads(raw_data)

        if event_name == 'error' or payload.get('error'):
            error = payload.get('error') or payload
            raise RuntimeError(error.get('message', 'Chat request failed'))

        choices = payload.get('choices') or []
        if choices:
            delta = choices[0].get('delta') or {}
            content = delta.get('content')
            if content:
                assistant_text += content
                print(content, end='', flush=True)

Exemple d'envoi

curl -N -X POST "https://api.flaq.ai/api/v1/chat/completions" \
  -H "Authorization: Bearer YOUR_API_KEY" \
  -H "Accept: text/event-stream" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "glm-5.2-text-to-text",
    "messages": [
      {
        "role": "user",
        "content": "Write a four-line modern poem about a programmer drinking coffee."
      }
    ],
    "stream": true,
    "max_tokens": 500,
    "top_p": 0.5,
    "top_k": 1
  }'

Démarrer un nouveau chat

Envoyez un message pour commencer.

Tarifs de GLM 5.2 Text to Text

Paramètres	Prix	Prix d’origine	Remise

Jeton: input	$0.9900 par 1 M de jetons d’entrée	$1.1000 par 1 M de jetons d’entrée	90%
Jeton: output	$3.4650 par 1 M de jetons de sortie	$3.8500 par 1 M de jetons de sortie	90%

README

API GLM 5.2 Text-to-Text stable et abordable (modèle de raisonnement agentique Z.ai)

L'API GLM 5.2 Text-to-Text sur Flaq AI fournit un accès au modèle de langage Z.ai pour raisonnement, aide au code, rédaction longue, résumé et automatisation de type agent. Cette intégration abordable de l'API GLM aide les développeurs à créer des fonctionnalités LLM stables via une route gérée tout en évitant le travail d'infrastructure propre au fournisseur. Elle est conçue pour les produits qui ont besoin d'un suivi pratique des instructions, d'une assistance d'ingénierie et d'une intelligence texte évolutive.

Fonctionnalités clés de l'API GLM 5.2 Text-to-Text

Workflows de raisonnement avancé : Générez des réponses réfléchies pour analyse, planification, support de codage et tâches texte complexes via l'intégration de l'API GLM 5.2.
Support d'ingénierie agentique : Créez assistants de codage, outils d'analyse de repo et flux d'automatisation de tâches qui bénéficient d'un raisonnement structuré et de conseils d'implémentation.
Génération de texte stable : Produisez des réponses fiables pour chat, résumé, rédaction métier, classification et cas de transformation de contenu.
Accès API pensé pour les développeurs : Connectez GLM 5.2 à des services backend, agents IA et applications orientées utilisateur via la route API gérée de Flaq AI.
Contexte conversationnel flexible : Prenez en charge les workflows multi-tours où le modèle doit mémoriser instructions récentes, décisions et préférences utilisateur.
Intégration LLM économique : Utilisez GLM 5.2 pour des fonctionnalités linguistiques de production abordables sans maintenir d'hébergement modèle ni d'infrastructure de service personnalisée.

Comment utiliser l'API GLM 5.2 Text-to-Text pour la génération de texte sur Flaq AI

Entrée : Messages en langage naturel, instructions de style système, contexte conversationnel et contrôles de génération facultatifs.
Sortie : Réponses texte pour chat, aide au code, résumés, explications, réponses structurées et pipelines d'automatisation.
Contexte : Prend en charge les workflows conversationnels pour assistants, agents, outils de support et systèmes internes de productivité.
Capacités : Raisonnement, assistance code, rédaction longue, résumé, classification, synthèse de connaissances et automatisation de workflow via l'intégration de l'API GLM 5.2.

Meilleurs cas d'utilisation pour l'intégration de l'API GLM 5.2 Text-to-Text

Assistants de codage et d'ingénierie : Générez plans d'implémentation, expliquez du code, rédigez des patchs, résumez des problèmes techniques et soutenez les workflows développeur.
Backends d'agents IA : Alimentez décomposition de tâches, planification, aide à la décision et automatisation multi-étapes pour applications agentiques.
Travail de connaissance métier : Résumez documents, produisez rapports, rédigez emails, classez tickets et transformez notes non structurées en sorties utiles.
Outils de recherche et d'analyse : Comparez informations, synthétisez résultats, raisonnez sur les compromis et créez des analyses structurées à partir de prompts utilisateur.
Automatisation du support client : Générez des réponses utiles, triez les demandes et transformez le contexte de support en prochaines actions claires.

Remarque Veuillez vous assurer que les prompts respectent les exigences de sécurité de Z.ai et de Flaq AI. En cas d'erreur, affinez la requête, supprimez le contenu restreint, puis réessayez.

GLM 5.2 Text-to-Text face aux concurrents : analyse comparative

GLM 5.2 vs. GPT Text-to-Text
Les modèles GPT sont de larges LLM généralistes. L'API GLM 5.2 Text-to-Text fournit une alternative Z.ai axée sur le raisonnement, l'aide au code et les workflows d'ingénierie agentique via Flaq AI.
GLM 5.2 vs. Claude Text-to-Text
Claude est fort pour l'écriture et l'analyse attentives. GLM 5.2 met l'accent sur les tâches d'ingénierie pratiques, le raisonnement structuré et l'automatisation évolutive.
GLM 5.2 vs. Kimi 2.7
Kimi 2.7 est une option Moonshot AI solide pour les workflows de codage et langage. GLM 5.2 donne aux équipes une autre route LLM avancée avec le comportement du modèle Z.ai et un positionnement orienté agent.
GLM 5.2 vs. Qwen Max
Qwen Max fournit les capacités linguistiques avancées d'Alibaba. GLM 5.2 offre une famille de modèles distincte aux équipes qui comparent style de raisonnement, comportement de codage et diversité fournisseur.
GLM 5.2 vs. Gemini Flash
Gemini Flash privilégie l'accès rapide au modèle Google. GLM 5.2 est positionné pour un raisonnement plus profond, le support de codage et les workflows texte agentiques sur Flaq AI.