zai-org/glm-4.7

LLM

GLM 4.7 API by ZHIPUAI

zai-org/glm-4.7

Glm-4.7

GLM-4.7 is Z.AI’s latest flagship model, featuring upgrades in two key areas: enhanced programming capabilities and more stable multi-step reasoning/execution. It demonstrates significant improvements in executing complex agent tasks while delivering more natural conversational experiences and superior front-end aesthetics.

GLM 4.7 พัฒนาโดย Z.ai โดย Atlas Cloud (ดำเนินการโดย Atlas Cloud AI LLC) เป็นผู้ให้บริการเข้าถึงโมเดลนี้ แต่ไม่ได้เป็นเจ้าของโมเดล เครื่องหมายการค้าทั้งหมดเป็นของเจ้าของที่เกี่ยวข้อง

พารามิเตอร์

ตัวอย่างโค้ด
import os
from openai import OpenAI

client = OpenAI(
    api_key=os.getenv("ATLASCLOUD_API_KEY"),
    base_url="https://api.atlascloud.ai/v1"
)

response = client.chat.completions.create(
    model="zai-org/glm-4.7",
    messages=[
        {
            "role": "user",
            "content": "what is difference between http and https"
        }
    ],
    max_tokens=81920,
    temperature=0.7
)

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

ติดตั้ง

ติดตั้งแพ็กเกจที่จำเป็น

pip install requests

การยืนยันตัวตน

คำขอ API ทั้งหมดต้องมีการยืนยันตัวตนผ่าน API key คุณสามารถรับ API key ได้จากแดชบอร์ด Atlas Cloud

export ATLASCLOUD_API_KEY="your-api-key-here"

HTTP Headers

import os

API_KEY = os.environ.get("ATLASCLOUD_API_KEY")
headers = {
    "Content-Type": "application/json",
    "Authorization": f"Bearer {API_KEY}"
}

รักษา API key ของคุณให้ปลอดภัย

อย่าเปิดเผย API key ของคุณในโค้ดฝั่งไคลเอนต์หรือที่เก็บข้อมูลสาธารณะ ให้ใช้ตัวแปรสภาพแวดล้อมหรือพร็อกซีฝั่งเซิร์ฟเวอร์แทน

ส่งคำขอ

import requests

url = "https://api.atlascloud.ai/v1/chat/completions"
headers = {
    "Content-Type": "application/json",
    "Authorization": "Bearer $ATLASCLOUD_API_KEY"
}
data = {
    "model": "zai-org/glm-4.7",
    "messages": [
        {
            "role": "user",
            "content": "what is difference between http and https"
        }
    ],
    "max_tokens": 81920,
    "temperature": 0.7,
    "stream": False
}

response = requests.post(url, headers=headers, json=data)
print(response.json())

Input Schema

พารามิเตอร์ต่อไปนี้ยอมรับในเนื้อหาคำขอ

ทั้งหมด: 14จำเป็น: 2ไม่บังคับ: 12

modelstringrequired

The model ID to use for the completion.

Example: "zai-org/glm-4.7"

messagesarray[object]required

A list of messages comprising the conversation so far.

rolestringrequired

The role of the message author.

systemuserassistant

contentstringrequired

The content of the message.

temperaturenumber

Controls the variety of the model's responses. Lower values make output more predictable and deterministic, higher values more diverse and random.

Default: 1Min: 0Max: 2

top_pnumber

Nucleus sampling: limits the model's choices to the smallest set of tokens whose cumulative probability reaches top_p. It is recommended to adjust either this or temperature, not both.

Default: 1Min: 0Max: 1

top_kinteger

Limits the model's choice to the k most likely tokens at each step. Set to 0 or omit to disable.

Default: 0Min: 0

min_pnumber

Minimum probability threshold for a token to be considered, measured relative to the probability of the most likely token. Tokens below this threshold are filtered out.

Default: 0Min: 0Max: 1

frequency_penaltynumber

Penalizes tokens based on how frequently they have appeared in the text so far, reducing verbatim repetition. Negative values encourage token reuse.

Default: 0Min: -2Max: 2

presence_penaltynumber

Penalizes tokens that have already appeared in the text regardless of frequency, encouraging the model to introduce new topics.

Default: 0Min: -2Max: 2

repetition_penaltynumber

Multiplicative penalty applied to previously generated tokens. Values greater than 1 discourage repetition; 1 disables it.

Default: 1Min: 0Max: 2

stopstring | array[string]

One or more sequences where the API will stop generating further tokens. The returned text will not contain the stop sequence.

seedinteger

Random seed for deterministic sampling. Repeated requests with the same seed and parameters should return the same result.

max_tokensinteger

The maximum number of tokens to generate in the completion. The maximum value is the model's context length minus the prompt length.

Min: 1

logit_biasobject

A map of token IDs to bias values from -100 to 100 that adjust the likelihood of those tokens appearing in the output.

streamboolean

If set to true, partial message deltas will be sent as server-sent events.

Default: false

ตัวอย่างเนื้อหาคำขอ

{
  "model": "zai-org/glm-4.7",
  "messages": [
    {
      "role": "user",
      "content": "what is difference between http and https"
    }
  ],
  "max_tokens": 81920,
  "temperature": 0.7,
  "stream": false
}

Output Schema

API จะส่งคืนการตอบกลับที่เข้ากันได้กับ ChatCompletion

idstringrequired

Unique identifier for the completion.

objectstringrequired

Object type, always "chat.completion".

Default: "chat.completion"

createdintegerrequired

Unix timestamp of when the completion was created.

modelstringrequired

The model used for the completion.

choicesarray[object]required

List of completion choices.

indexintegerrequired

Index of the choice.

messageobjectrequired

The generated message.

finish_reasonstringrequired

The reason generation stopped.

stoplengthcontent_filter

usageobjectrequired

Token usage statistics.

prompt_tokensintegerrequired

Number of tokens in the prompt.

completion_tokensintegerrequired

Number of tokens in the completion.

total_tokensintegerrequired

Total tokens used.

ตัวอย่างการตอบกลับ

{
  "id": "chatcmpl-abc123",
  "object": "chat.completion",
  "created": 1700000000,
  "model": "model-name",
  "choices": [
    {
      "index": 0,
      "message": {
        "role": "assistant",
        "content": "Hello! How can I assist you today?"
      },
      "finish_reason": "stop"
    }
  ],
  "usage": {
    "prompt_tokens": 10,
    "completion_tokens": 20,
    "total_tokens": 30
  }
}

Atlas Cloud Skills

Atlas Cloud Skills เชื่อมต่อโมเดล AI กว่า 400+ เข้ากับผู้ช่วยเขียนโค้ด AI ของคุณโดยตรง ติดตั้งด้วยคำสั่งเดียว จากนั้นใช้ภาษาธรรมชาติเพื่อสร้างรูปภาพ วิดีโอ และสนทนากับ LLM

ไคลเอนต์ที่รองรับ

Claude Code

OpenAI Codex

Gemini CLI

Cursor

Windsurf

VS Code

Trae

GitHub Copilot

Cline

Roo Code

Amp

Goose

Replit

40+ ไคลเอนต์ที่รองรับ

ติดตั้ง

npx skills add AtlasCloudAI/atlas-cloud-skills

ตั้งค่า API Key

รับ API key จากแดชบอร์ด Atlas Cloud และตั้งค่าเป็นตัวแปรสภาพแวดล้อม

export ATLASCLOUD_API_KEY="your-api-key-here"

ความสามารถ

เมื่อติดตั้งแล้ว คุณสามารถใช้ภาษาธรรมชาติในผู้ช่วย AI ของคุณเพื่อเข้าถึงโมเดล Atlas Cloud ทั้งหมด

สร้างรูปภาพสร้างรูปภาพด้วยโมเดลเช่น Nano Banana 2, Z-Image และอื่นๆ

สร้างวิดีโอสร้างวิดีโอจากข้อความหรือรูปภาพด้วย Kling, Vidu, Veo เป็นต้น

สนทนา LLMสนทนากับ Qwen, DeepSeek และโมเดลภาษาขนาดใหญ่อื่นๆ

อัปโหลดสื่ออัปโหลดไฟล์จากเครื่องสำหรับการแก้ไขรูปภาพและเวิร์กโฟลว์รูปภาพเป็นวิดีโอ

เรียนรู้เพิ่มเติม

github.com/AtlasCloudAI/atlas-cloud-skills

MCP Server

Atlas Cloud MCP Server เชื่อมต่อ IDE ของคุณกับโมเดล AI กว่า 400+ ผ่าน Model Context Protocol ใช้งานได้กับไคลเอนต์ที่รองรับ MCP ทุกตัว

ไคลเอนต์ที่รองรับ

Cursor

VS Code

Windsurf

Claude Code

OpenAI Codex

Gemini CLI

Cline

Roo Code

100+ ไคลเอนต์ที่รองรับ

ติดตั้ง

npx -y atlascloud-mcp

การกำหนดค่า

เพิ่มการกำหนดค่าต่อไปนี้ลงในไฟล์ตั้งค่า MCP ของ IDE ของคุณ

{
  "mcpServers": {
    "atlascloud": {
      "command": "npx",
      "args": [
        "-y",
        "atlascloud-mcp"
      ],
      "env": {
        "ATLASCLOUD_API_KEY": "your-api-key-here"
      }
    }
  }
}

เครื่องมือที่ใช้ได้

atlas_generate_imageสร้างรูปภาพจากข้อความ prompt

atlas_generate_videoสร้างวิดีโอจากข้อความหรือรูปภาพ

atlas_chatสนทนากับโมเดลภาษาขนาดใหญ่

atlas_list_modelsเรียกดูโมเดล AI กว่า 400+ ที่ใช้ได้

atlas_quick_generateสร้างเนื้อหาขั้นตอนเดียวพร้อมเลือกโมเดลอัตโนมัติ

atlas_upload_mediaอัปโหลดไฟล์จากเครื่องสำหรับเวิร์กโฟลว์ API

เรียนรู้เพิ่มเติม

github.com/AtlasCloudAI/mcp-server

GLM-4.7 - โมเดลภาษาขั้นสูงสำหรับการเขียนโค้ดและการให้เหตุผล

ใหม่ล่าสุด

พารามิเตอร์รวม 358 พันล้าน พารามิเตอร์ใช้งาน 32 พันล้าน

GLM-4.7 เปิดตัวเมื่อวันที่ 22 ธันวาคม 2025 โดย Z.ai เป็นโมเดลภาษาขนาดใหญ่รุ่นใหม่ที่ออกแบบมาสำหรับสภาพแวดล้อมการพัฒนาในโลกจริง ด้วยพารามิเตอร์รวม 358 พันล้าน (32B ใช้งาน) หน้าต่างบริบท 200K และกลไกการคิดที่เป็นนวัตกรรม โมเดลนี้อยู่อันดับ #1 ในหมู่โมเดลโอเพนซอร์สบน Code Arena และบรรลุการปรับปรุงครั้งสำคัญในเกณฑ์มาตรฐานการเขียนโค้ด การให้เหตุผล และการใช้เครื่องมือ

358B

พารามิเตอร์รวม

32B

พารามิเตอร์ใช้งาน

200K

หน้าต่างบริบท

MoE

สถาปัตยกรรม

การคิดแบบสลับกัน

โมเดลคิดก่อนทุกการตอบสนองและการเรียกใช้เครื่องมือ ปรับปรุงการปฏิบัติตามคำสั่งและคุณภาพการสร้าง

ปรับปรุงการให้เหตุผลก่อนแต่ละการกระทำ
ปรับปรุงการปฏิบัติตามคำสั่ง
คำตอบที่มีคุณภาพดีขึ้นพร้อมการตรวจสอบในตัว

การคงไว้ซึ่งการคิด

เก็บรักษาบล็อกการคิดทั้งหมดตลอดการสนทนาหลายรอบในสถานการณ์การเขียนโค้ดโดยอัตโนมัติ

นำการให้เหตุผลที่มีอยู่กลับมาใช้แทนการสร้างใหม่
ลดการสูญเสียข้อมูลระหว่างรอบ
รับประกันความสอดคล้องในบทสนทนาหลายรอบ

การคิดระดับรอบ

ควบคุมการให้เหตุผลต่อรอบภายในเซสชันเพื่อประสิทธิภาพและต้นทุนที่เหมาะสม

ปิดการคิดสำหรับคำขอเบา
เปิดการคิดสำหรับงานที่ซับซ้อน
สมดุลระหว่างความเร็วและความแม่นยำ

การใช้เครื่องมือขั้นสูง

การปรับปรุงอย่างมีนัยสำคัญในความสามารถการใช้เครื่องมือและการเรียกดูเว็บ

คะแนน 87.4 บน τ²-Bench (สูงที่สุดในหมู่โอเพนซอร์ส)
การเรียกดูเว็บที่ดีขึ้นผ่าน BrowseComp
การใช้เครื่องมือแบบโต้ตอบที่ได้รับการปรับปรุง

เกณฑ์มาตรฐานประสิทธิภาพ

GLM-4.7 บรรลุผลลัพธ์ที่ทันสมัยที่สุดในเกณฑ์มาตรฐานอุตสาหกรรมหลายตัว

SWE-bench

การเขียนโค้ด

73.8%+5.8%

งานวิศวกรรมซอฟต์แวร์ในโลกจริงที่ต้องการความเข้าใจและการสร้างโค้ด

SWE-bench หลายภาษา

การเขียนโค้ด

66.7%+12.9%

การเขียนโค้ดเอเจนต์หลายภาษาข้ามภาษาการเขียนโปรแกรมต่างๆ

Terminal Bench 2.0

เทอร์มินัล

41%+16.5%

งานที่ใช้เทอร์มินัลและการดำเนินการบรรทัดคำสั่ง

HLE (การสอบครั้งสุดท้ายของมนุษยชาติ)

การให้เหตุผล

42.8%+12.4%

ความท้าทายทางคณิตศาสตร์และการให้เหตุผลที่ซับซ้อน

τ²-Bench

การใช้เครื่องมือ

87.4#1

การประเมินการใช้เครื่องมือแบบโต้ตอบ

Code Arena

โดยรวม

#1ในหมู่โมเดลโอเพนซอร์สและโมเดลจีน

การประเมินแบบปิดบังขนาดใหญ่ด้วยผู้เข้าร่วมมากกว่า 1 ล้านคน

ความสามารถหลัก

💻

ความเป็นเลิศในการเขียนโค้ด

ประสิทธิภาพชั้นนำของอุตสาหกรรมในการเขียนโค้ดเอเจนต์หลายภาษาและการพัฒนาซอฟต์แวร์

73.8% บน SWE-bench (+5.8% การปรับปรุง)
66.7% บน SWE-bench หลายภาษา (+12.9%)
84.9 บน LiveCodeBench V6 (เอาชนะ Claude Sonnet 4.5)

🧠

การให้เหตุผลที่ซับซ้อน

การปรับปรุงอย่างมากในงานคณิตศาสตร์และการให้เหตุผลที่ซับซ้อน

42.8% บนเกณฑ์มาตรฐาน HLE (+12.4% การปรับปรุง)
การแก้ปัญหาทางคณิตศาสตร์ที่ได้รับการปรับปรุง
ความสามารถในการให้เหตุผลเชิงตรรกะขั้นสูง

🎨

Vibe Coding

การปรับปรุงครั้งสำคัญในคุณภาพการสร้าง UI/UX และความสวยงามของการออกแบบ

การออกแบบเว็บเพจที่สะอาดและทันสมัยกว่า
งานนำเสนอสไลด์ที่ดูดีกว่า
การควบคุมเลย์เอาต์และขนาดที่แม่นยำ

เหมาะอย่างยิ่งสำหรับ

👨‍💻

เอเจนต์การเขียนโค้ดและ IDE

🔧

เวิร์กโฟลว์การพัฒนา

🤖

ผู้ช่วย AI

🧪

การวิจัยและการศึกษา

🎯

การแก้ปัญหาที่ซับซ้อน

📊

การวิเคราะห์ข้อมูล

ข้อมูลจำเพาะทางเทคนิค

พารามิเตอร์รวม358 พันล้าน

พารามิเตอร์ใช้งาน32 พันล้าน

หน้าต่างบริบท200K โทเค็น

ความจุเอาต์พุต128K โทเค็น

สถาปัตยกรรมMixture of Experts (MoE)

วันที่เปิดตัว22 ธันวาคม 2025

ผู้พัฒนาZ.ai (เดิมชื่อ Zhipu AI)

ใบอนุญาตโอเพนซอร์ส

คำถามที่พบบ่อย

อะไรทำให้ GLM-4.7 แตกต่างจากโมเดลภาษาขนาดใหญ่อื่นๆ?

GLM-4.7 นำเสนอกลไกการคิดขั้นสูง ได้แก่ การคิดแบบสลับกัน การคงไว้ซึ่งการคิด และการคิดระดับรอบ คุณสมบัติเหล่านี้ช่วยให้โมเดลรักษาความสอดคล้องตลอดการสนทนา ให้เหตุผลได้อย่างมีประสิทธิภาพยิ่งขึ้น และมอบการควบคุมอย่างละเอียดให้ผู้ใช้ในการแลกเปลี่ยนระหว่างประสิทธิภาพกับต้นทุน

GLM-4.7 ทำงานเป็นอย่างไรเมื่อเทียบกับ GPT-4 และ Claude?

GLM-4.7 อยู่อันดับ #1 ในหมู่โมเดลโอเพนซอร์สและโมเดลจีนบน Code Arena บรรลุ 84.9 บน LiveCodeBench V6 เกิน Claude Sonnet 4.5 และแสดงการปรับปรุงที่สำคัญในเกณฑ์มาตรฐานการเขียนโค้ด การให้เหตุผล และการใช้เครื่องมือ

ฉันสามารถใช้ GLM-4.7 ในเฟรมเวิร์กเอเจนต์การเขียนโค้ดได้หรือไม่?

ได้! GLM-4.7 พร้อมใช้งานแล้วในเอเจนต์การเขียนโค้ดยอดนิยม ได้แก่ Claude Code, Kilo Code, Roo Code และ Cline ได้รับการปรับให้เหมาะสมสำหรับสภาพแวดล้อมการพัฒนาที่มีวงจรงานยาวขึ้น การใช้เครื่องมือบ่อยครั้ง และความต้องการที่สูงขึ้นสำหรับความเสถียรและความสอดคล้อง

หน้าต่างบริบทและความจุเอาต์พุตของ GLM-4.7 คืออะไร?

GLM-4.7 มีหน้าต่างบริบท 200K โทเค็นพร้อมความจุเอาต์พุต 128K สถาปัตยกรรม MoE ใช้พารามิเตอร์รวม 358 พันล้านพร้อมพารามิเตอร์ใช้งาน 32 พันล้าน ให้ประสิทธิภาพที่ยอดเยี่ยมโดยไม่ต้องใช้ทรัพยากรการคำนวณจำนวนมหาศาล

ฉันจะเข้าถึง GLM-4.7 ผ่าน API ได้อย่างไร?

GLM-4.7 พร้อมใช้งานผ่าน API แบบรวมของ Atlas Cloud เพียงใช้ endpoint API ที่เข้ากันได้กับ OpenAI มาตรฐานของเราเพื่อเข้าถึงโมเดลนี้ ตรวจสอบเอกสาร API ของเราสำหรับแนวทางการผสานรวมและตัวอย่างโค้ด โมเดลยังมีให้ใช้งานในรูปแบบโอเพนซอร์สสำหรับการโฮสต์เอง

ฉันต้องปรับใช้ GLM-4.7 ด้วยตัวเองหรือไม่?

ไม่จำเป็นต้องปรับใช้! Atlas Cloud จัดหา GLM-4.7 ที่พร้อมใช้งานผ่าน API แบบรวมของเรา เราจัดการโครงสร้างพื้นฐาน การปรับขนาด และการเพิ่มประสิทธิภาพทั้งหมด เพื่อให้คุณสามารถมุ่งเน้นที่การสร้างแอปพลิเคชันของคุณ เพียงทำการเรียก API เพื่อเข้าถึงโมเดลได้ทันที

ทำไมต้องเลือก Atlas Cloud สำหรับ GLM-4.7?

สัมผัสความน่าเชื่อถือ ความปลอดภัย และความคุ้มค่าระดับองค์กรด้วยบริการ API GLM-4.7 ที่จัดการแบบครบวงจรของเรา

ราคาที่แข่งขันได้

ราคาแบบจ่ายตามการใช้งานด้วยต้นทุนที่โปร่งใส ไม่มีค่าธรรมเนียมแอบแฝง ไม่มีข้อผูกมัดขั้นต่ำ เริ่มต้นฟรี

SLA เวลาทำงาน 99.9%

โครงสร้างพื้นฐานระดับองค์กรพร้อม failover อัตโนมัติ การกระจายโหลด และการตรวจสอบตลอด 24/7 เพื่อความน่าเชื่อถือสูงสุด

ได้รับการรับรอง SOC 2 Type II

ความปลอดภัยระดับองค์กรด้วยการรับรอง SOC 2 Type II ข้อมูลของคุณถูกเข้ารหัสทั้งขณะส่งและเก็บด้วยมาตรฐานความปลอดภัยชั้นนำของอุตสาหกรรม

การตอบสนองที่รวดเร็วเหมือนสายฟ้า

CDN ทั่วโลกพร้อมตำแหน่งทั่วโลก โครงสร้างพื้นฐานการอนุมานที่ได้รับการปรับแต่งให้เวลาตอบสนองน้อยกว่าหนึ่งวินาที

การสนับสนุนจากผู้เชี่ยวชาญ

ทีมสนับสนุนทางเทคนิคเฉพาะพร้อมให้บริการตลอด 24/7 รับความช่วยเหลือในการผสานรวม การเพิ่มประสิทธิภาพ และการแก้ไขปัญหา

แพลตฟอร์ม API แบบรวม

เข้าถึงโมเดล AI มากกว่า 400+ รุ่น (LLM, ภาพ, วิดีโอ, เสียง) ผ่าน API ที่สอดคล้องกัน การผสานรวมเดียวสำหรับความต้องการ AI ทั้งหมดของคุณ

สัมผัสประสบการณ์ GLM-4.7 วันนี้

เริ่มสร้างด้วยโมเดลการเขียนโค้ดและการให้เหตุผลโอเพนซอร์สที่ทันสมัยที่สุด พร้อมใช้งานผ่าน API หรือการปรับใช้โอเพนซอร์ส

หน้าต่างบริบท 200K สำหรับงานที่ซับซ้อน

กลไกการคิดขั้นสูง

โมเดลโอเพนซอร์สอันดับ #1

GLM 4.7 API by ZHIPUAI

พารามิเตอร์

ตัวอย่างโค้ด

ติดตั้ง

การยืนยันตัวตน

HTTP Headers

ส่งคำขอ

Input Schema

ตัวอย่างเนื้อหาคำขอ

Output Schema

ตัวอย่างการตอบกลับ

Atlas Cloud Skills

ไคลเอนต์ที่รองรับ

ติดตั้ง

ตั้งค่า API Key

ความสามารถ

MCP Server

ไคลเอนต์ที่รองรับ

ติดตั้ง

การกำหนดค่า

เครื่องมือที่ใช้ได้

GLM-4.7 - โมเดลภาษาขั้นสูงสำหรับการเขียนโค้ดและการให้เหตุผล

เกณฑ์มาตรฐานประสิทธิภาพ

ความสามารถหลัก

ความเป็นเลิศในการเขียนโค้ด

การให้เหตุผลที่ซับซ้อน

Vibe Coding

เหมาะอย่างยิ่งสำหรับ

ข้อมูลจำเพาะทางเทคนิค

คำถามที่พบบ่อย

อะไรทำให้ GLM-4.7 แตกต่างจากโมเดลภาษาขนาดใหญ่อื่นๆ?

GLM-4.7 ทำงานเป็นอย่างไรเมื่อเทียบกับ GPT-4 และ Claude?

ฉันสามารถใช้ GLM-4.7 ในเฟรมเวิร์กเอเจนต์การเขียนโค้ดได้หรือไม่?

หน้าต่างบริบทและความจุเอาต์พุตของ GLM-4.7 คืออะไร?

ฉันจะเข้าถึง GLM-4.7 ผ่าน API ได้อย่างไร?

ฉันต้องปรับใช้ GLM-4.7 ด้วยตัวเองหรือไม่?

ทำไมต้องเลือก Atlas Cloud สำหรับ GLM-4.7?

ราคาที่แข่งขันได้

SLA เวลาทำงาน 99.9%

ได้รับการรับรอง SOC 2 Type II

การตอบสนองที่รวดเร็วเหมือนสายฟ้า

การสนับสนุนจากผู้เชี่ยวชาญ

แพลตฟอร์ม API แบบรวม

สัมผัสประสบการณ์ GLM-4.7 วันนี้

สำรวจโมเดลที่คล้ายกัน

GLM 5.3 Flash

GLM 5.3

GLM 5.2

GLM 5.1

GLM 5v Turbo

GLM 5

GLM 4.6

DeepSeek V4 Pro 0813

Grok 4.6

DeepSeek V4 Flash Vision Exp

DeepSeek V4 Flash 0731

Qwen3.8 27B

Qwen3.8 Max

Kimi K3

Grok 4.5

KAT Coder Air V2.5

API เดียวสำหรับ AI สื่อทุกประเภท

พารามิเตอร์

ตัวอย่างโค้ด

ติดตั้ง

การยืนยันตัวตน

HTTP Headers

ส่งคำขอ

Input Schema

ตัวอย่างเนื้อหาคำขอ

Output Schema

ตัวอย่างการตอบกลับ

Atlas Cloud Skills

ไคลเอนต์ที่รองรับ

ติดตั้ง

ตั้งค่า API Key

ความสามารถ

MCP Server

ไคลเอนต์ที่รองรับ

ติดตั้ง