GLM-4-FLASH

glm-4-flash のキャッシュヒットには、リクエスト間で同一のプロンプトプレフィックスが必要です。安定した命令と参照資料をプロンプトの先頭に配置し、バイト単位で同一に保ち、変更される部分をその後に記述してください。こうすることで、キャッシュされた読み取りは入力レートではなくキャッシュレートで課金されます。

GLM-4-FLASHは使用量に応じて課金され、レコードには無料枠の割り当ては記載されていません。現在の公開レートは、入力$0.0000/1Mトークン、出力$0.0000/1Mトークンです。トライアルクレジットまたはプロモーション割り当てはモデルではなくアカウントに紐づいているため、無料枠を考慮して計画を立てる前にコンソールを確認してください。

glm-4-flash の max_tokens を、タスクが実際に必要とする最長の応答時間に設定してください。4,095 のトークン上限値に設定しないでください。上限値を低く抑えることで、最悪の場合のコストを削減し、テールレイテンシを短縮できます。明らかに長い出力が必要なタスクの場合にのみ、上限値を上げてください。

はい。glm-4-flashはOpenAI互換エンドポイント経由でアクセスできるため、既存のOpenAI SDKクライアントは、ベースURLをMixRouteに設定し、モデルパラメータをglm-4-flashに設定することで動作します。現在のリクエストおよびレスポンス処理はそのまま維持してください。

glm-4-flashは、128,000トークンのコンテキストウィンドウ内で、リクエストごとに最大4,095個の出力トークンを返します。max_tokensパラメータを使用してレスポンスを制限し、単一の呼び出しが予算を超えないようにしてください。