GLM 5.3 Flash Abliterated
GLM 5.3 Flash sans restriction : raisonnement véloce, fenêtre de contexte de 1M de tokens et entrée d'image optionnelle.
Modèles GLM affinés pour le raisonnement ouvert, l'expertise technique et le traitement multilingue riche sans verrous de refus.Idéal pour l'analyse comparative interculturelle et la compréhension textuelle en contexte varié.
GLM 5.3 Flash sans restriction : raisonnement véloce, fenêtre de contexte de 1M de tokens et entrée d'image optionnelle.
GLM 5.3 complet sans restriction : fenêtre de contexte de 1M de tokens, entrée et sortie texte.
GLM 4.6 (v5) débridé sans filtres conservateurs : fenêtre de contexte de 131 000 tokens, entrée et sortie texte.
La série GLM dispose d'une conception pensée pour exceller aussi bien dans l'analyse de corpus écrits que dans l'écriture de programmes.
Cette variante libérée autorise les requêtes pointues sans rejets injustifiés.
Traduction et restitution de concepts subtils dans de nombreux idiomes.
Articulation rigoureuse d'arguments déductifs et d'analyses qualitatives.
| Endpoint | Input | Output | Price | Best For |
|---|---|---|---|---|
| glm-5-3-flash-abliterated | Prompt + system_prompt, max_tokens, optional image_url | Complete text response (poll for result) | $0.40/M in · $1.60/M out | Raisonnement rapide et accessible avec entrée d'image et contexte très étendu. |
| glm-5-3-abliterated | Prompt + system_prompt, max_tokens | Complete text response (poll for result) | $2.50/M in · $4.50/M out | Full-size reasoning over very long context |
| glm-4-6-derestricted-v5 | Prompt + system_prompt, max_tokens | Complete text response (poll for result) | $0.80/M in · $3.00/M out | Mid-size GLM reasoning with a 131K-token context |
Facturation par token selon l'utilisation renvoyée à chaque appel ; les tarifs sont exprimés par million de tokens d'entrée et de sortie.
Envoyez une requête JSON avec votre clé d'API MuAPI, conservez le request_id et interrogez le point de terminaison partagé de résultats.
curl -X POST https://api.muapi.ai/api/v1/glm-5-3-flash-abliterated \
-H "x-api-key: YOUR_API_KEY" \
-H "Content-Type: application/json" \
-d '{"prompt": "Analyze this chart and write a blunt executive summary of the risks.", "system_prompt": "You are a candid, detail-oriented assistant.", "image_url": "https://example.com/reference.png", "max_tokens": 1024}'
# Response: {"request_id":"REQUEST_ID"}Appelez glm-5-3-flash-abliterated avec une invite avec éventuellement un system_prompt et une image_url.
curl -X POST https://api.muapi.ai/api/v1/glm-5-3-abliterated \
-H "x-api-key: YOUR_API_KEY" \
-H "Content-Type: application/json" \
-d '{"prompt": "Summarize this 500-page report and flag every unsupported claim.", "system_prompt": "You are a candid, detail-oriented assistant.", "max_tokens": 1024}'
# Response: {"request_id":"REQUEST_ID"}Appelez glm-5-3-abliterated avec une invite avec éventuellement un system_prompt.
curl -X POST https://api.muapi.ai/api/v1/glm-4-6-derestricted-v5 \
-H "x-api-key: YOUR_API_KEY" \
-H "Content-Type: application/json" \
-d '{"prompt": "Draft a frank critique of this business plan.", "system_prompt": "You are a candid, detail-oriented assistant.", "max_tokens": 1024}'
# Response: {"request_id":"REQUEST_ID"}Appelez glm-4-6-derestricted-v5 avec une invite avec éventuellement un system_prompt.
curl https://api.muapi.ai/api/v1/predictions/REQUEST_ID/result \ -H "x-api-key: YOUR_API_KEY" # Poll until status is completed, then read the generated text from outputs.
Interrogez le point de terminaison partagé jusqu'à la fin de la tâche, puis lisez le texte généré dans la sortie.
Oui, il assure l'émission de structures JSON valides et conformes au schéma demandé.
Oui. Les 3 modèles proposés ici prennent en charge l'appel d'outils : GLM 5.3 Flash Abliterated, GLM 5.3 Abliterated et GLM 4.6 Derestricted v5. Dans Claude Code, définissez ANTHROPIC_BASE_URL sur https://api.muapi.ai/anthropic et ANTHROPIC_AUTH_TOKEN sur votre clé API Muapi, puis lancez-le avec claude --model glm-5-3-flash-abliterated (définissez aussi ANTHROPIC_DEFAULT_HAIKU_MODEL et ANTHROPIC_SMALL_FAST_MODEL sur le même identifiant). Codex CLI fonctionne aussi : ajoutez un fournisseur de modèles avec base_url https://api.muapi.ai/openai/v1 et définissez model sur le même identifiant. La qualité varie selon le modèle et les petits modèles peuvent sauter des étapes sur les tâches impliquant plusieurs fichiers ; il n'y a pas de mise en cache des prompts, donc chaque tour est facturé pour l'ensemble de la conversation jusque-là, et chaque réponse est plafonnée à 16,384 tokens. Guide de configuration : /fr/docs/ai-agent-install-chat-agents.
Créez une clé d'API MuAPI unique et appelez tous les modèles de cette page avec une simple requête REST.