Comment GLM Z1 9B 0414 et l’appel de fonctions créent des applications illimitées

Référez vos amis à Novita AI et vous recevrez tous les deux 10 $ de crédits API LLM – jusqu’à 500 $ de récompenses totales.

Pour soutenir la communauté des développeurs, Qwen2.5-7B, Qwen 3 0.6B, Qwen 3 1.7B, Qwen 3 4B sont actuellement disponibles gratuitement sur Novita AI.

Essayez Novita AI dès maintenant !

Imaginez une IA qui non seulement vous dit la météo, mais la vérifie en direct ; qui non seulement explique des concepts, mais génère des rapports personnalisés, des graphiques ou même planifie une réunion pour vous. Associée à GLM Z1 9B 0414 – un modèle léger et puissant, affiné pour le raisonnement, le dialogue multilingue et la génération visuelle (HTML/SVG) – l’appel de fonctions devient encore plus pratique. Ensemble, ils permettent des assistants intelligents.

Qu’est-ce que l’appel de fonctions ?

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

L’appel de fonctions permet aux grands modèles de langage (LLM) d’interagir avec des outils, des API et des services externes. Au lieu de se reposer uniquement sur les données d’entraînement, un modèle peut désormais :

• Décider quand une aide externe est nécessaire
• Choisir la bonne fonction à appeler
• Générer des paramètres structurés correctement
• Intégrer les résultats dans sa réponse

Considérez cela comme donner à une IA une calculatrice, un calendrier ou une application de voyage pour l’aider dans ses tâches.

Comment fonctionne l’appel de fonctions

1. Saisie utilisateur → Le modèle reçoit et analyse la requête
2. Sélection de la fonction → Détermine l’outil ou l’API pertinent
3. Génération des paramètres → Construit une entrée structurée (par exemple, JSON)
4. Exécution de la fonction → Exécute la fonction et récupère les résultats
5. Intégration de la réponse → Renvoie une réponse complète à l’utilisateur

Exemple : « Quel temps fait-il à Tokyo ? »

Étape	Description
Saisie utilisateur	« Quel temps fait-il à Tokyo ? »
Identification du besoin	Nécessite des données en temps réel
Sélection de la fonction	Appeler getWeather(location, units)
Génération des paramètres	{ “location”: “Tokyo”, “units”: “celsius” }
Exécution de l’API	Requête vers l’API météo
Réponse finale	« Il fait 22 °C et il fait beau à Tokyo aujourd’hui. »

Qu’est-ce que GLM Z1 9B 0414 ?

Spécifications du modèle

• Paramètres : 9 milliards (9B), conception légère alliant performance et efficacité des ressources.
• Fenêtre de contexte : 32K, prise en charge du traitement de longs textes et de tâches complexes.

Avantages en termes de performances

• Rapport performance/taille élevé : excelle dans le raisonnement mathématique, les tâches générales et les scénarios de raisonnement complexes, idéal pour les déploiements légers.
• Points forts :
  • Raisonnement mathématique : performances exceptionnelles dans des tâches telles que AIME24, AIME25 et Omni-MATH.
  • Génération de code : bons résultats dans des tâches comme LCB (2408–2501).
  • Suivi d’instructions et questions-réponses : excelle dans les tâches SysBench (ISR), IFEval et ArenaHard.
  • Intégration complète d’outils : bonnes performances dans des tâches telles que BFCL (v3).

Entraînement et optimisation

• Données de pré-entraînement : construites à partir de 15T de données de haute qualité issues de GLM-4-32B, incluant de nombreuses données synthétiques de raisonnement, améliorant la logique et les capacités de raisonnement.
• Optimisation post-entraînement : utilise l’alignement des préférences humaines pour optimiser les performances dans les scénarios de dialogue.

Capacités étendues de GLM Z1 9B 0414

1. Prise en charge multilingue

   • Prend en charge 26 langues, avec des performances robustes en chinois et en anglais, idéal pour les applications mondiales.

2. Génération de texte et visualisation

   • Texte vers texte : gère diverses tâches de génération de texte.
   • Sortie visuelle : capable de générer du contenu HTML et SVG structuré, améliorant l’interactivité et l’utilisabilité.

3. Atouts des données et de l’entraînement

   • Pré-entraînement étendu : entraîné sur 15T de données de haute qualité couvrant de nombreux domaines, y compris des données de raisonnement synthétiques, garantissant de fortes capacités de généralisation.
   • Optimisation du dialogue : affiné avec alignement des préférences humaines pour une génération de dialogue réaliste et réactive.

GLM Z1 9B 0414 + Appel de fonctions = ?

1. Applications multilingues

• Traduction en temps réel : Utilisation de l’appel de fonctions pour intégrer des API de traduction, permettant des traductions instantanées et précises dans les 26 langues prises en charge.
  • Applications :
    • Systèmes de support client multilingues.
    • Sous-titres en temps réel pour les conférences et les diffusions en direct mondiales.
• Chatbots multilingues : Gérer les conversations dans plusieurs langues de manière transparente, en tirant parti de l’optimisation du dialogue et de l’appel de fonctions pour une précision culturelle et contextuelle.
  • Applications :
    • Plateformes de commerce électronique mondiales.
    • Chatbots éducatifs multilingues.

2. Génération dynamique de texte

• Personnalisation du contenu : Utiliser l’appel de fonctions pour accéder aux données utilisateur et générer des recommandations ou des rapports personnalisés en texte naturel.
  • Applications :
    • Plans d’apprentissage personnalisés pour les plateformes éducatives.
    • Contenu marketing adapté pour le commerce électronique.
• Génération automatisée de rapports : Combiner la génération de texte avec l’appel de fonctions pour récupérer des données en temps réel (ex. : ventes, analyses) et produire des rapports commerciaux structurés.
  • Applications :
    • Tableaux de bord de business intelligence.
    • Résumés financiers ou opérationnels.

3. Applications basées sur la visualisation

• Génération de contenu interactif : Tirer parti de l’appel de fonctions pour générer des éléments HTML et SVG structurés afin d’améliorer l’interactivité et la visualisation.
  • Applications :
    • Graphiques et diagrammes dynamiques pour les plateformes d’analyse de données.
    • Modules d’apprentissage interactifs ou infographies pour les outils éducatifs.
• Automatisation de contenu Web : Générer automatiquement des composants visuels pour des pages Web ou applications dynamiques.
  • Applications :
    • Création automatisée de newsletters.
    • Assistants de conception Web interactifs.

4. Assistants intelligents pilotés par le dialogue

• Assistants intelligents avec accès aux données en temps réel : Utiliser l’optimisation du dialogue et l’appel de fonctions pour récupérer des données en temps réel (ex. : météo, actualités, cours de la bourse) et fournir des réponses exploitables.
  • Applications :
    • Assistants personnels virtuels.
    • Planificateurs de voyages et d’événements en temps réel.
• Automatisation des tâches : L’appel de fonctions permet aux assistants d’exécuter des tâches telles que la planification de rendez-vous, l’envoi d’e-mails ou la gestion d’appareils IoT.
  • Applications :
    • Systèmes domotiques (ex. : contrôle des lumières, thermostats).
    • Outils d’automatisation de bureau (ex. : planification de réunions, brouillons d’e-mails).

5. Applications avancées de raisonnement et de formation

• Outils éducatifs : Combiner les capacités de raisonnement avec l’appel de fonctions pour récupérer et analyser du contenu éducatif, créer des quiz ou résoudre des problèmes mathématiques.
  • Applications :
    • Plateformes d’apprentissage adaptatif.
    • Assistants de tutorat en mathématiques et sciences.
• Aide à la recherche scientifique : Générer des insights ou analyser des ensembles de données en utilisant le pré-entraînement au raisonnement et l’appel de fonctions pour récupérer des données externes.
  • Applications :
    • Outils pour chercheurs dans les domaines scientifiques ou techniques.
    • Assistants de revue de littérature automatisée.

6. Applications multimodales

• Assistants de contenu multimodal : Intégrer la génération de texte et les capacités visuelles pour produire des sorties multimodales telles que des explications visuelles ou des guides interactifs.
  • Applications :
    • Outils interactifs de diagnostic médical (ex. : combiner des explications textuelles avec des visuels annotés).
    • Instructions d’assemblage ou de réparation avec texte et schémas.
• Génération de contenu créatif : Utiliser les capacités de sortie visuelle pour créer des visuels artistiques, des infographies ou des publicités.
  • Applications :
    • Assistants d’écriture créative ou de design.
    • Création de textes publicitaires et de graphiques pour des campagnes marketing.

Comment utiliser l’appel de fonctions de GLM Z1 9B 0414 via Novita AI

Novita AI a lancé la prise en charge des descriptions de capacités pour chaque LLM, que vous pouvez consulter directement dans la [console](https://novita.ai/models-console/?utm_source=blog_llm&utm_medium=article&utm_campaign=/ llama-4-maverick-function-calling/) et la [documentation](https://novita.ai/docs/guides/llm-function-calling/?utm_source=blog_llm&utm_medium=article&utm_campaign= llama-4-maverick-function-calling).

Étape 1 : Connectez-vous à Novita AI

Dès que vous arrivez sur la page d’accueil de Novita AI, cliquez simplement sur le bouton « Log In » ou « Get Started » en haut à droite. Vous pouvez facilement vous connecter avec Google, GitHub, Hugging Face ou simplement votre Email – à vous de choisir !

Essayez Novita AI dès maintenant !

Étape 2 : Cliquez sur « Model API » dans la console !

Une fois connecté, vous serez redirigé vers le tableau de bord Novita Console. En haut, cliquez sur « Model API ». Cette section vous donne accès à la liste complète des modèles disponibles, ainsi qu’à des informations détaillées sur leurs capacités – y compris s’ils prennent en charge l’appel de fonctions et les sorties structurées.

Étape 3 : Choisissez votre modèle et vérifiez-le !

Il suffit de trouver le modèle qui vous intéresse, de cliquer dessus, et un panneau s’affichera sur la droite. Sous « Supported Capabilities », vous verrez immédiatement si l’appel de fonctions et les sorties structurées sont pris en charge.

Étape 4 : Initialisez le client

Tout d’abord, initialisez le client avec votre clé API Novita.

from openai import OpenAI
import json

client = OpenAI(
    base_url="https://api.novita.ai/v3/openai",
    # Obtenez la clé API Novita AI depuis : https://novita.ai/settings/key-management.
    api_key="<VOTRE Clé API Novita AI>",
)

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

Étape 5 : Définissez la fonction à appeler

Ensuite, définissez la fonction Python que le modèle peut appeler. Dans cet exemple, il s’agit d’une fonction pour obtenir les informations météo.

# Exemple de fonction pour simuler la récupération des données météo.
def get_weather(location):
    """Récupère la météo actuelle pour un lieu donné."""
    print("Appel de la fonction get_weather avec le lieu : ", location)
    # Dans une application réelle, vous appelleriez une API météo externe ici.
    # Ceci est un exemple simplifié qui renvoie des données codées en dur.
    return json.dumps({"location": location, "temperature": "60 degrés Fahrenheit"})

Étape 6 : Construisez la requête API avec les outils et le message utilisateur

Créez maintenant la requête API vers le point de terminaison Novita. Cette requête inclut le paramètre tools, qui définit les fonctions que le modèle peut utiliser, ainsi que le message de l’utilisateur.

tools = [
    {
        "type": "function",
        "function": {
            "name": "get_weather",
            "description": "Obtenir la météo d’un lieu, l’utilisateur doit d’abord fournir un lieu",
            "parameters": {
                "type": "object",
                "properties": {
                    "location": {
                        "type": "string",
                        "description": "La ville et l’état, ex. San Francisco, CA",
                    }
                },
                "required": ["location"]
            },
        }
    },
]

messages = [
    {
        "role": "user",
        "content": "Quel temps fait-il à San Francisco ?"
    }
]

# Envoyons la requête et affichons la réponse.
response = client.chat.completions.create(
    model=model,
    messages=messages,
    tools=tools,
)

# Veuillez vérifier si la réponse contient des appels d’outils en production.
tool_call = response.choices[0].message.tool_calls[0]
print(tool_call.model_dump())

Sortie :

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

Appel de fonctions + GLM Z1 9B = un assistant intelligent, modulaire et multilingue qui peut parler, réfléchir et agir. Que vous construisiez des tableaux de bord en temps réel, des robots linguistiques ou des outils scientifiques, cette combinaison fait le pont entre le raisonnement du LLM et l’action. Grâce au support plug-and-play de Novita AI, les développeurs peuvent désormais intégrer facilement ces capacités dans leurs produits avec un minimum de code et un maximum de flexibilité.

Questions fréquemment posées

Que permet exactement l’appel de fonctions ?

L’appel de fonctions permet aux LLM de choisir, exécuter et répondre avec les résultats d’outils externes comme des API météo, des bases de données ou des fonctions personnalisées.

Qu’est-ce qui rend GLM Z1 9B spécial pour l’appel de fonctions ?

Sa puissance de raisonnement, son support multilingue et sa génération HTML/SVG le rendent idéal pour des applications dynamiques, interactives et mondiales.

L’appel de fonctions est-il difficile à implémenter ?

Non. Avec Novita AI, il vous suffit de définir une fonction, de fournir un schéma et d’utiliser leur API pour intégrer la réponse du modèle avec la sortie de l’outil.

Novita AI est la plateforme cloud tout-en-un qui propulse vos ambitions en IA. API intégrées, sans serveur, instances GPU – les outils rentables dont vous avez besoin. Éliminez l’infrastructure, commencez gratuitement et faites de votre vision IA une réalité.

Lectures recommandées

• Guide pour accéder à DeepSeek V3 : localement et via API
• Qwen 3 32B vs QWQ 32B : comparaison pour développeurs
• Llama 4 Maverick vs Gemma 3 27B : puissance vs efficacité