智谱AI通用大模型:官方开放API开发基础

目录

一、模型介绍

1.1主要模型

[1.2 计费单价](#1.2 计费单价)

二、前置条件

[2.1 申请API Key](#2.1 申请API Key)

三、基于SDK开发

[3.1 Maven引入SDK](#3.1 Maven引入SDK)

[3.2 代码实现](#3.2 代码实现)

[3.3 运行代码](#3.3 运行代码)


一、模型介绍

GLM-4是智谱AI发布的新一代基座大模型,整体性能相比GLM3提升60%,支持128K上下文,可根据用户意图自主理解和规划复杂指令、完成复杂任务。

1.1主要模型

模型名称 模型简介 上下文长度
GLM-4 提供了更强大的问答和文本生成能力。适合于复杂的对话交互和深度内容创作设计的场景。 128K
GLM-4V 实现了视觉语言特征的深度融合,支持视觉问答、图像字幕、视觉定位、复杂目标检测等各类图像理解任务 2K
GLM-3-Turbo 适用于对知识量、推理能力、创造力要求较高的场景,比如广告文案、小说写作、知识类写作、代码生成等。 128K

1.2 计费单价

Token是模型用来表示自然语言文本的基本单位,可以直观的理解为"字"或"词";通常1个中文词语、1个英文单词、1个数字或1个符号计为 1 个token。

一般情况下ChatGLM模型中token和字数的换算比例约为1:1.6,但因为不同模型的分词不同,所以换算比例也存在差异,每一次实际处理token数量以模型返回为准,您可以从返回结果的usage中查看。

模型服务 模型名称 计费单价
通用大模型 GLM-4 0.1元 / 千tokens
通用大模型 GLM-4V 0.1元 / 千tokens
通用大模型 GLM-3-Turbo 0.005元 / 千tokens

实际收费情况请关注官方信息。

二、前置条件

2.1 申请API Key

所有 API 使用 API Key 进行身份验证。可以访问智谱AI开放平台API Keys 页面查找将在请求中使用的 API Key。

三、基于SDK开发

3.1 Maven引入SDK

XML 复制代码
<?xml version="1.0" encoding="UTF-8"?>
<project xmlns="http://maven.apache.org/POM/4.0.0"
         xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance"
         xsi:schemaLocation="http://maven.apache.org/POM/4.0.0 http://maven.apache.org/xsd/maven-4.0.0.xsd">
    <modelVersion>4.0.0</modelVersion>

    <groupId>com.yichenkeji</groupId>
    <artifactId>yichen-demo-glm</artifactId>
    <version>1.0-SNAPSHOT</version>

    <properties>
        <maven.compiler.source>11</maven.compiler.source>
        <maven.compiler.target>11</maven.compiler.target>
        <project.build.sourceEncoding>UTF-8</project.build.sourceEncoding>
    </properties>

    <dependencies>
        <!-- https://mvnrepository.com/artifact/cn.bigmodel.openapi/oapi-java-sdk -->
        <dependency>
            <groupId>cn.bigmodel.openapi</groupId>
            <artifactId>oapi-java-sdk</artifactId>
            <version>release-V4-2.0.2</version>
        </dependency>

    </dependencies>
</project>

3.2 代码实现

java 复制代码
package com.yichenkeji.demo.glm;


import com.alibaba.fastjson.JSON;
import com.zhipu.oapi.ClientV4;
import com.zhipu.oapi.Constants;
import com.zhipu.oapi.service.v4.model.ChatCompletionRequest;
import com.zhipu.oapi.service.v4.model.ChatMessage;
import com.zhipu.oapi.service.v4.model.ChatMessageRole;
import com.zhipu.oapi.service.v4.model.ModelApiResponse;

import java.util.ArrayList;
import java.util.List;

public class GlmMain {
    public static final String API_KEY = "你的APK KEY";
    private static final String requestIdTemplate = "mycompany-%d";
    public static String chat(String message) {
        ClientV4 client = new ClientV4.Builder(API_KEY).build();
        List<ChatMessage> messages = new ArrayList<>();
        //构建消息对象
        ChatMessage chatMessage = new ChatMessage(ChatMessageRole.USER.value(), message);
        messages.add(chatMessage);
        //构建请求id
        String requestId = String.format(requestIdTemplate, System.currentTimeMillis());
        ChatCompletionRequest chatCompletionRequest = ChatCompletionRequest.builder()
                .model(Constants.ModelChatGLM4)//设置模式
                .stream(Boolean.FALSE)
                .invokeMethod(Constants.invokeMethod)
                .messages(messages)
                .requestId(requestId)
                .build();
        ModelApiResponse invokeModelApiResp = client.invokeModelApi(chatCompletionRequest);
        return JSON.toJSONString(invokeModelApiResp);
    }


    public static void main(String[] args) {
        String result = chat("请做一下自我介绍");
        System.out.println(result);
    }
}

3.3 运行代码

相关推荐
我爱学Python!5 小时前
解决复杂查询难题:如何通过 Self-querying Prompting 提高 RAG 系统效率?
人工智能·程序人生·自然语言处理·大模型·llm·大语言模型·rag
一个处女座的程序猿1 天前
LLMs:《Scaling Laws for Precision精度感知的缩放定律》翻译与解读
大语言模型·缩放定律
知来者逆2 天前
DrugLLM——利用大规模语言模型通过 Few-Shot 生成生物制药小分子
人工智能·语言模型·自然语言处理·llm·大语言模型·生物制药
mslion3 天前
整理:4篇专注于多模态大语言模型(MLLM)的瘦身变体论文
人工智能·语言模型·自然语言处理·大语言模型·多模态
youcans_3 天前
【微软:多模态基础模型】(4)统一视觉模型
人工智能·计算机视觉·大语言模型·多模态·视觉模型
冻感糕人~4 天前
利用RAGflow和LM Studio建立食品法规问答系统
人工智能·程序人生·llm·问答系统·大语言模型·大模型微调·ragflow
SpikeKing4 天前
LLM - 计算 多模态大语言模型 的参数量(Qwen2-VL、Llama-3.1) 教程
人工智能·大语言模型·llama·参数量·qwen2-vl·多模态大语言模型·numel
youcans_4 天前
【微软:多模态基础模型】(3)视觉生成
人工智能·计算机视觉·大语言模型·多模态·视觉生成
youcans_4 天前
【微软:多模态基础模型】(1)从专家到通用助手
人工智能·计算机视觉·大模型·大语言模型·多模态
AI小白龙*6 天前
AI工业大模型报告:体系架构、关键技术与典型应用
人工智能·语言模型·程序员·架构·llm·大语言模型·ai大模型