> ## Documentation Index
> Fetch the complete documentation index at: https://docs.bigmodel.cn/llms.txt
> Use this file to discover all available pages before exploring further.
# GLM-4-Long
## 概览
GLM-4-Long 是一款专为处理超长文本和记忆型任务而设计的语言模型，支持 1M 超长输入（150-200万字）。
}>
1 元 / 百万 Tokens
}>
文本
}>
文本
}>
1M
}>
4K
## 推荐场景
可处理数百页的年度财报，自动提取营收结构、风险提示、管理层讨论等关键信息，生成结构化分析报告；通过记忆历史财务数据，对比多期财报的趋势变化，识别潜在财务异常点。
支持解析数万字的学术论文，自动梳理研究背景、实验方法、结论等核心章节，将内容分主题输出；结合领域知识库，对跨章节的理论推导进行逻辑验证，辅助研究者快速定位创新点与论证漏洞。
深度分析百万字长篇小说的人物关系网、情节脉络，生成特定内容总结；基于对全文风格的记忆，实现高质量续写，保持叙事连贯性与文学性。
处理海量法律条文、判例和合同文本，精准提取权利义务条款、责任界定等关键内容；通过记忆类似案例，辅助律师进行法律风险评估与诉讼策略制定。
## 使用资源
快速测试模型在业务场景上的效果
API 调用方式
## 详细介绍
支持高达1M（约150-200万字）的上下文长度，相当于2本《红楼梦》或125篇论文，在超长文本处理方面的有十分强大的能力。
不仅能够阅读和翻译长篇文档，还能够进行全局分析，例如分析财务报告和提取关键信息、合同条款和科研数据。GLM-4-Long 已经具备一定的推理和记忆能力，能够理解和回应复杂的查询，创建具有超长记忆的聊天机器人。
在继续预训练（Continue Pre-Training）、监督微调（SFT）和基于人类反馈的强化学习（RLHF）阶段，进行混合训练逐步扩展上下文长度，从最初的2K上下文支持发展到1M上下文支持。
## 调用示例
以下是一个完整的调用示例，帮助您快速上手 GLM-4-Long 模型。
**安装 SDK**
```bash theme={null}
# 安装最新版本
pip install zai-sdk
# 或指定版本
pip install zai-sdk==0.2.3
```
**验证安装**
```python theme={null}
import zai
print(zai.__version__)
```
**调用示例**
```python theme={null}
from zai import ZhipuAiClient
# 初始化客户端
client = ZhipuAiClient(api_key="YOUR_API_KEY")
# 创建聊天完成请求
response = client.chat.completions.create(
model="glm-4-long",
messages=[
{"role": "user", "content": "请分析这份长篇技术文档的核心要点和技术架构...[此处可以输入非常长的文档内容]"}
]
)
# 获取回复
print(response.choices[0].message.content)
```
**安装 SDK**
**Maven**
```xml theme={null}
ai.z.openapi
zai-sdk
0.3.5
```
**Gradle (Groovy)**
```groovy theme={null}
implementation 'ai.z.openapi:zai-sdk:0.3.5'
```
**调用示例**
```java theme={null}
import ai.z.openapi.ZhipuAiClient;
import ai.z.openapi.service.model.ChatCompletionCreateParams;
import ai.z.openapi.service.model.ChatCompletionResponse;
import ai.z.openapi.service.model.ChatMessage;
import ai.z.openapi.service.model.ChatMessageRole;
import java.util.Arrays;
public class BasicChat {
public static void main(String[] args) {
// 初始化客户端
ZhipuAiClient client = ZhipuAiClient.builder().ofZHIPU()
.apiKey("YOUR_API_KEY")
.build();
// 创建聊天完成请求
ChatCompletionCreateParams request = ChatCompletionCreateParams.builder()
.model("glm-4-long")
.messages(Arrays.asList(
ChatMessage.builder()
.role(ChatMessageRole.USER.value())
.content("请分析这份长篇技术文档的核心要点和技术架构...[此处可以输入非常长的文档内容]")
.build()
))
.build();
// 发送请求
ChatCompletionResponse response = client.chat().createChatCompletion(request);
// 获取回复
if (response.isSuccess()) {
Object reply = response.getData().getChoices().get(0).getMessage().getContent();
System.out.println("AI 回复: " + reply);
} else {
System.err.println("错误: " + response.getMsg());
}
}
}
```
```python theme={null}
from zhipuai import ZhipuAI
client = ZhipuAI(api_key="YOUR_API_KEY") # 填写您自己的 APIKey
response = client.chat.completions.create(
model="glm-4-long", # 填写需要调用的模型编码
messages=[
{"role": "system", "content": "你是一个文档分析专家，擅长从长篇技术文档中提取关键信息和架构要点，能够提供结构化的分析报告。"},
{"role": "user", "content": "请分析这份长篇技术文档的核心要点和技术架构...[此处可以输入非常长的文档内容]"}
],
)
print(response.choices[0].message)
```
## 用户并发权益
API 调用会受到速率限制，当前我们限制的维度是请求并发数量（在途请求任务数量）。不同等级的用户并发保障如下。
| V0 | V1 | V2 | V3 |
| -- | -- | -- | -- |
| 10 | 30 | 40 | 50 |