English Arabic 简体中文 繁體中文 Français Deutsch 日本語 한국어 Português Русский Español

Wie GLM Z1 9B 0414 und Function Calling grenzenlose Anwendungen ermöglichen

Von / / LLM / 7 Minuten Lesezeit
Wie GLM Z1 9B 0414 und Function Calling grenzenlose Anwendungen ermöglichen
Inhaltsverzeichnis
  1. Was ist Function Calling?
  2. Was ist GLM Z1 9B 0414?
  3. GLM Z1 9B 0414 + Function Calling = ?
  4. So verwenden Sie Function Calling von GLM Z1 9B 0414 über Novita AI
  5. Häufig gestellte Fragen

Empfehlen Sie Novita AI Ihren Freunden und beide erhalten Sie $10 an LLM-API-Guthaben – bis zu $500 an Gesamtbelohnungen.

Zur Unterstützung der Entwickler-Community sind Qwen2.5-7B, Qwen 3 0.6B, Qwen 3 1.7B, Qwen 3 4B derzeit kostenlos auf Novita AI verfügbar.

qwen 2.5 7b

Jetzt Novita AI ausprobieren!

Stellen Sie sich eine KI vor, die Ihnen nicht nur das Wetter sagt, sondern es live abruft; eine, die nicht nur Konzepte erklärt, sondern personalisierte Berichte, Diagramme erstellt oder sogar einen Termin für Sie vereinbart. Gepaart mit GLM Z1 9B 0414, einem leistungsstarken, leichten Modell, das für logisches Denken, mehrsprachigen Dialog und visuelle Generierung (HTML/SVG) optimiert ist, wird Function Calling noch praktischer. Gemeinsam ermöglichen sie intelligente Assistenten.

Was ist Function Calling?

https://www.youtube.com/watch?v=Qor2VZoBib0

Function Calling erlaubt großen Sprachmodellen (LLMs) die Interaktion mit externen Tools, APIs und Diensten. Anstatt sich nur auf Trainingsdaten zu verlassen, kann ein Modell jetzt:

  • Entscheiden, wann externe Hilfe benötigt wird
  • Die richtige Funktion zum Aufruf auswählen
  • Korrekt strukturierte Parameter generieren
  • Die Ergebnisse in seine Antwort einbeziehen

Stellen Sie es sich vor wie die Ausstattung einer KI mit einem Taschenrechner, Kalender oder einer Reise-App zur Unterstützung bei Aufgaben.

Wie Function Calling funktioniert

  1. Benutzereingabe → Modell empfängt und analysiert die Anfrage
  2. Funktionsauswahl → Bestimmt das relevante Tool oder die API
  3. Parametergenerierung → Erstellt eine strukturierte Eingabe (z. B. JSON)
  4. Funktionsausführung → Führt die Funktion aus und ruft Ergebnisse ab
  5. Antwortintegration → Gibt eine vollständige Antwort an den Benutzer zurück

Beispiel: „Wie ist das Wetter in Tokio?“
Schritt Beschreibung
Benutzereingabe „Wie ist das Wetter in Tokio?“
Bedarf erkennen Echtzeitdaten erforderlich
Funktion auswählen getWeather(ort, einheiten) aufrufen
Parameter generieren { “location”: “Tokyo”, “units”: “celsius” }
API ausführen Wetter-API anfragen
Endgültige Antwort „Es sind 22°C und sonnig in Tokio heute.“

Was ist GLM Z1 9B 0414?

Modellspezifikationen

  • Parameter: 9 Milliarden (9B), leichtes Design, das Leistung und Ressourceneffizienz ausbalanciert.
  • Kontextfenster: 32K, unterstützt die Verarbeitung langer Texte und komplexer Aufgaben.

Leistungsvorteile

  • Hohes Leistungs-Größen-Verhältnis: Hervorragend in mathematischem Denken, allgemeinen Aufgaben und komplexen Denkszenarien, ideal für leichte Bereitstellungen.
  • Wichtigste Stärken:
    • Mathematisches Denken: Herausragende Leistung bei Aufgaben wie AIME24, AIME25 und Omni-MATH.
    • Codegenerierung: Starke Ergebnisse bei Aufgaben wie LCB (2408–2501).
    • Instruktionsbefolgung und Q&A: Exzellent in SysBench (ISR), IFEval und ArenaHard.
    • Umfassende Tool-Integration: Gute Leistung bei Aufgaben wie BFCL (v3).

glm z1 9b 0314

Training und Optimierung

  • Pretraining-Daten: Basierend auf 15T hochwertigen Daten von GLM-4-32B, einschließlich umfangreicher synthetischer Denkdaten, die Logik- und Denkfähigkeiten verbessern.
  • Post-Training-Optimierung: Nutzt Human Preference Alignment zur Optimierung der Leistung in Dialogszenarien.

Erweiterte Fähigkeiten von GLM Z1 9B 0414

  1. Mehrsprachige Unterstützung

    • Unterstützt 26 Sprachen, mit robuster Leistung in Chinesisch und Englisch, ideal für globale Anwendungen.

  2. Textgenerierung und Visualisierung

    • Text-zu-Text: Bewältigt verschiedene Textgenerierungsaufgaben.
    • Visuelle Ausgabe: Kann strukturierte HTML- und SVG-Inhalte generieren, was die Interaktivität und Benutzerfreundlichkeit erhöht.

  3. Daten- und Trainingsstärken

    • Umfangreiches Pretraining: Trainiert auf 15T hochwertigen Daten aus breiten Domänen, einschließlich synthetischer Denkdaten, was starke Generalisierungsfähigkeiten gewährleistet.
    • Dialogoptimierung: Feinabstimmung mit menschlichem Präferenzabgleich für realistische und responsive Dialoggenerierung.

GLM Z1 9B 0414 + Function Calling = ?

GLM Z1 9B 0414+Function calling =?

1. Mehrsprachige Anwendungen

  • Echtzeit-Übersetzung: Nutzung von Function Calling zur Integration von Übersetzungs-APIs, die sofortige und genaue Übersetzungen in 26 unterstützten Sprachen ermöglichen.
    • Anwendungen:
      • Mehrsprachige Kundenunterstützungssysteme.
      • Echtzeit-Untertitel für globale Konferenzen und Live-Streams.
  • Sprachübergreifende Chatbots: Nahtlose Handhabung von Gesprächen in mehreren Sprachen unter Nutzung der Dialogoptimierung und von Function Calling für kulturelle und kontextuelle Genauigkeit.
    • Anwendungen:
      • Globale E-Commerce-Plattformen.
      • Mehrsprachige Bildungs-Chatbots.

2. Dynamische Textgenerierung

  • Inhalts-Personalisierung: Verwenden Sie Function Calling, um auf Benutzerdaten zuzugreifen und personalisierte Empfehlungen oder Berichte in natürlichem Text zu generieren.
    • Anwendungen:
      • Personalisierte Lernpläne für Bildungsplattformen.
      • Maßgeschneiderte Marketinginhalte für E-Commerce.
  • Automatisierte Berichterstellung: Kombinieren Sie Textgenerierung mit Function Calling, um Echtzeitdaten (z. B. Verkäufe, Analysen) abzurufen und strukturierte Geschäftsberichte zu erstellen.
    • Anwendungen:
      • Business-Intelligence-Dashboards.
      • Finanz- oder Betriebszusammenfassungen.

3. Visualisierungsgestützte Anwendungen

  • Interaktive Inhaltsgenerierung: Nutzen Sie Function Calling zur Generierung strukturierter HTML- und SVG-Elemente für verbesserte Interaktivität und Visualisierung.
    • Anwendungen:
      • Dynamische Diagramme und Grafiken für Datenanalyseplattformen.
      • Interaktive Lernmodule oder Infografiken für Bildungswerkzeuge.
  • Web-Content-Automatisierung: Automatische Generierung visueller Komponenten für dynamische Webseiten oder Anwendungen.
    • Anwendungen:
      • Automatisierte Newsletter-Erstellung.
      • Interaktive Webdesign-Assistenten.

4. Dialoggesteuerte intelligente Assistenten

  • Intelligente Assistenten mit Echtzeit-Datenzugriff: Nutzen Sie Dialogoptimierung und Function Calling, um Echtzeitdaten (z. B. Wetter, Nachrichten, Aktienkurse) abzurufen und handlungsrelevante Antworten zu liefern.
    • Anwendungen:
      • Virtuelle persönliche Assistenten.
      • Echtzeit-Reise- und Veranstaltungsplaner.
  • Aufgabenautomatisierung: Function Calling ermöglicht es Assistenten, Aufgaben wie Terminplanung, E-Mail-Versand oder die Steuerung von IoT-Geräten auszuführen.
    • Anwendungen:
      • Smarthome-Systeme (z. B. Steuerung von Lichtern, Thermostaten).
      • Büroautomatisierungswerkzeuge (z. B. Besprechungsplanung, E-Mail-Entwürfe).

5. Fortgeschrittene Trainings- und Denkanwendungen

  • Bildungswerkzeuge: Kombinieren Sie Denkfähigkeiten mit Function Calling, um Bildungsinhalte abzurufen und zu analysieren, Quizze zu erstellen oder mathematische Probleme zu lösen.
    • Anwendungen:
      • Adaptive Lernplattformen.
      • Nachhilfe-Assistenten für Mathematik und Naturwissenschaften.
  • Unterstützung wissenschaftlicher Forschung: Generieren Sie Erkenntnisse oder analysieren Sie Datensätze mithilfe von Denk-Pretraining und Function Calling für den externen Datenabruf.
    • Anwendungen:
      • Werkzeuge für Forscher in wissenschaftlichen oder technischen Bereichen.
      • Automatisierte Literaturrecherche-Assistenten.

6. Multimodale Anwendungen

  • Multimodale Inhaltsassistenten: Integrieren Sie Textgenerierung und visuelle Fähigkeiten, um multimodale Ausgaben wie visuelle Erklärungen oder interaktive Anleitungen zu erstellen.
    • Anwendungen:
      • Interaktive medizinische Diagnosewerkzeuge (z. B. Kombination von Texterklärungen mit annotierten visuellen Darstellungen).
      • Produktmontage- oder Reparaturanleitungen mit Text und Diagrammen.
  • Kreative Inhaltsgenerierung: Nutzen Sie visuelle Ausgabefähigkeiten, um künstlerische Visualisierungen, Infografiken oder Werbung zu erstellen.
    • Anwendungen:
      • Kreativschreib- oder Design-Assistenten.
      • Anzeigentexte und Grafikerstellung für Marketingkampagnen.

So verwenden Sie Function Calling von GLM Z1 9B 0414 über Novita AI

Novita AI hat Unterstützung für Fähigkeitsbeschreibungen jedes LLM eingeführt, die Sie direkt in der [Konsole](https://novita.ai/models-console/?utm_source=blog_llm&utm_medium=article&utm_campaign=/ llama-4-maverick-function-calling/) und in den [Dokumenten](https://novita.ai/docs/guides/llm-function-calling/?utm_source=blog_llm&utm_medium=article&utm_campaign= llama-4-maverick-function-calling) einsehen können.

Schritt 1: Bei Novita AI anmelden

Sobald Sie auf der Novita AI-Startseite landen, klicken Sie einfach oben rechts auf die Schaltfläche „Log In“ oder „Get Started“. Sie können sich bequem mit Google, GitHub, Hugging Face oder einfach Ihrer E-Mail anmelden – Ihre Wahl!

NOVITA AI LOG IN

Jetzt Novita AI ausprobieren!

Schritt 2: Klicken Sie in der Konsole auf „Model API“!

Sobald Sie angemeldet sind, werden Sie zum Dashboard der Novita-Konsole weitergeleitet. Klicken Sie oben auf „Model API“. Dieser Abschnitt gibt Ihnen Zugriff auf eine vollständige Liste der verfügbaren Modelle sowie detaillierte Informationen über ihre Fähigkeiten – einschließlich ob sie Function Calling und Structured Outputs unterstützen.

Step2: Click "Model API" in Console

Schritt 3: Wählen Sie Ihr Modell aus und überprüfen Sie es!

Finden Sie einfach das Modell, das Sie interessiert, klicken Sie darauf, und ein Panel öffnet sich auf der rechten Seite. Unter „Supported Capabilities“ sehen Sie sofort, ob Function Calling und Structured Outputs unterstützt werden.

choose your model

Schritt 4: Client initialisieren

Zuerst müssen Sie den Client mit Ihrem Novita-API-Schlüssel initialisieren.

from openai import OpenAI
import json

client = OpenAI(
    base_url="https://api.novita.ai/v3/openai",
    # Holen Sie sich den Novita AI API-Schlüssel von: https://novita.ai/settings/key-management.
    api_key="<IHR Novita AI API-Schlüssel>",
)

model = "thudm/glm-z1-9b-0414"

Schritt 5: Definieren Sie die aufzurufende Funktion

Definieren Sie als Nächstes die Python-Funktion, die das Modell aufrufen kann. In diesem Beispiel ist es eine Funktion zum Abrufen von Wetterinformationen.

# Beispielhafte Funktion zur Simulation des Abrufs von Wetterdaten.
def get_weather(location):
    """Ruft das aktuelle Wetter für einen bestimmten Ort ab."""
    print("Rufe get_weather-Funktion mit Ort auf: ", location)
    # In einer echten Anwendung würden Sie hier eine externe Wetter-API aufrufen.
    # Dies ist ein vereinfachtes Beispiel, das fest codierte Daten zurückgibt.
    return json.dumps({"location": location, "temperature": "60 Grad Fahrenheit"})

Schritt 6: API-Anfrage mit Tools und Benutzernachricht erstellen

Erstellen Sie nun die API-Anfrage an den Novita-Endpunkt. Diese Anfrage enthält den tools-Parameter, der die Funktionen definiert, die das Modell verwenden kann, und die Nachricht des Benutzers.

tools = [
    {
        "type": "function",
        "function": {
            "name": "get_weather",
            "description": "Ruft das Wetter eines Ortes ab, der Benutzer sollte zuerst einen Ort angeben",
            "parameters": {
                "type": "object",
                "properties": {
                    "location": {
                        "type": "string",
                        "description": "Die Stadt und der Bundesstaat, z.B. San Francisco, CA",
                    }
                },
                "required": ["location"]
            },
        }
    },
]

messages = [
    {
        "role": "user",
        "content": "Wie ist das Wetter in San Francisco?"
    }
]

# Senden wir die Anfrage und geben die Antwort aus.
response = client.chat.completions.create(
    model=model,
    messages=messages,
    tools=tools,
)

# Bitte überprüfen Sie, ob die Antwort Tool-Aufrufe enthält, wenn Sie in der Produktion sind.
tool_call = response.choices[0].message.tool_calls[0]
print(tool_call.model_dump())

Ausgabe:

{'id': '0', 'function': {'arguments': '{"location": "San Francisco, CA"}', 'name': 'get_weather'}, 'type': 'function'}

Function Calling + GLM Z1 9B = ein intelligenter, modularer und mehrsprachiger Assistent, der sprechen, denken und handeln kann. Egal, ob Sie Echtzeit-Dashboards, Sprach-Bots oder wissenschaftliche Werkzeuge bauen – diese Kombination überbrückt LLM-Denken mit Aktion. Dank der Plug-and-Play-Unterstützung von Novita AI können Entwickler jetzt diese Fähigkeiten mit minimalem Code und maximaler Flexibilität einfach in ihre Produkte integrieren.

Häufig gestellte Fragen

Was genau ermöglicht Function Calling?

Function Calling erlaubt LLMs, Ergebnisse von externen Tools wie Wetter-APIs, Datenbanken oder benutzerdefinierten Funktionen auszuwählen, auszuführen und mit diesen zu antworten.

Was macht GLM Z1 9B besonders für Function Calling?

Seine Denkstärke, mehrsprachige Unterstützung und die Fähigkeit zur HTML-/SVG-Generierung machen es ideal für dynamische, interaktive und globale Anwendungen.

Ist die Implementierung von Function Calling schwierig?

Nein. Mit Novita AI definieren Sie einfach eine Funktion, geben ein Schema an und nutzen deren API, um die Antwort des Modells mit der Tool-Ausgabe zu integrieren.

Novita AI ist die All-in-One-Cloud-Plattform, die Ihre KI-Ambitionen beflügelt. Integrierte APIs, serverlos, GPU Instanz – die kosteneffektiven Werkzeuge, die Sie brauchen. Infrastruktur überflüssig machen, kostenlos starten und Ihre KI-Vision Wirklichkeit werden lassen.

Empfohlene Lektüre

Ähnliche Beiträge