GLM api कुंजी: समस्या निवारण गाइड

आपकी कुंजी 'अनअथोराइज्ड' क्यों लौटाती है

'Unauthorized' त्रुटि आमतौर पर आपके कॉन्फ़िगर किए गए API कुंजी और बेस URL एंडपॉइंट के बीच असंगति से उत्पन्न होती है। जब आप Zed या Trae जैसे एडिटर में एक नया LLM इंटीग्रेट करते हैं, तो आपको यह सुनिश्चित करना होगा कि बेस URL सीधे प्रदाता के चैट कंप्लीशन एंडपॉइंट की ओर इशारा करता है, न कि एक सामान्य प्रॉक्सी की ओर। यदि आप एक OpenAI-कम्पैटिबल क्लाइंट का उपयोग कर रहे हैं, तो हमारे सेवा के लिए बेस URL HTTPS://api.apiglm.com/v1 है। गलत URL या समाप्त हो चुकी कुंजी भेजने पर तुरंत यह 401 प्रतिक्रिया ट्रिगर होगी।

एक अन्य सामान्य कारण कुंजी को गलत हेडर फॉर्मेट में भेजना है। कुछ क्लाइंट 'Authorization: Bearer ' की उम्मीद करते हैं जबकि अन्य इनपुट फ़ील्ड को गलत तरीके से व्याख्या कर सकते हैं। सुनिश्चित करें कि आपकी कुंजी डैशबोर्ड पर दिखाए गए अनुसार सटीक रूप से कॉपी की गई है, Google या ईमेल के साथ साइन इन करने के बाद। फोन नंबर सत्यापन चरण नहीं है, इसलिए यदि कुंजी मान्य है, तो यह किसी भी मानक OpenAI SDK इम्प्लीमेंटेशन पर काम करनी चाहिए।

• जांचें कि बेस URL /v1 पर समाप्त होता है।
• सुनिश्चित करें कि URL स्ट्रिंग में कोई ट्रेलिंग स्लैश न हो।
• सुनिश्चित करें कि कुकी रिवोक या रिप्लेस नहीं की गई है।

'थिंकिंग ब्लॉक' समस्या का निपटान

तर्क-केंद्रित मॉडल के उपयोगकर्ता अक्सर खाली 'विचार' ब्लॉक का सामना करते हैं जहां मॉडल एक टैग आउटपुट करता है लेकिन कोई पाठ नहीं। यह हमेशा आपके कोड में एक बग नहीं है बल्कि अंडरलाइंग अनसेंसर्ड मॉडल आर्किटेक्चर का व्यवहार है। मॉडल तर्क ब्लॉक आउटपुट करने का निर्णय ले सकता है जिसमें स्पेसवेस या नल वर्ण होते हैं, जिसे आपका पार्सर खाली प्रतिक्रिया के रूप में व्याख्या कर सकता है।

इसे संभालने के लिए, अपने क्लाइंट को खाली तर्क टैग्स को अनदेखा करने या प्रसंस्करण से पहले सफेद स्थान को हटाने के लिए कॉन्फ़िगर करें। यदि आप एक कस्टम तर्क ट्रांसफॉर्मर का उपयोग कर रहे हैं, तो सुनिश्चित करें कि यह इन किनारे के मामलों को सही ढंग से संभालता है। मॉडल सीधे उत्तरों के लिए ट्यून्ड है, इसलिए अत्यधिक सोचने वाले ब्लॉक्स कभी-कभी 'तापमान' या 'top_p' पैरामीटर को समायोजित करने की आवश्यकता को संकेत कर सकते हैं ताकि अधिक सीधी प्रतिक्रियाएं प्रोत्साहित की जा सकें।

इसे डिबग करने में कच्ची प्रतिक्रिया बाइट्स लॉग करना शामिल है। यदि थिंकिंग ब्लॉक मौजूद है लेकिन खाली है, तो इसे छोड़ देना सुरक्षित है और वास्तविक सामग्री जनरेशन पर आगे बढ़ें। यह सुनिश्चित करता है कि आपका एप्लिकेशन गैर-मौजूद पाठ का इंतजार करते हुए हंग नहीं होता है।

एडिटर में बेस URL कॉन्फ़िगर करना

Zed या Claude Code जैसे लोकल एडिटर में एक अनसेंसर्ड LLM को इंटीग्रेट करने के लिए डिफ़ॉल्ट एन्वायरनमेंट वेरिएबल्स को ओवरराइड करना होता है। अधिकांश एडिटर OpenAI के बेस URL को डिफ़ॉल्ट मानते हैं। आपको अपनी कॉन्फ़िगरेशन फ़ाइलों में बेस URL को HTTPS://api.apiglm.com/v1 पर स्पष्ट रूप से सेट करना होता है।

.env.development या config.js फ़ाइलों के लिए, सुनिश्चित करें कि API कुंजी चर सही रूप से मैप किया गया है। उदाहरण के लिए, बेस यूआरएल चर को सेट करें ताकि यह हमारे एंडपॉइंट की ओर इशारा करे। यह सुनिश्चित करता है कि सभी अनुरोध, फ़ंक्शन कॉलिंग और स्ट्रीमिंग सहित, हमारे इंफ्रास्ट्रक्चर के माध्यम से रूट होते हैं। यदि संपादक कस्टम बेस यूआरएल का समर्थन नहीं करता है, तो आपको एक प्रॉक्सी या एक व्रैपर स्क्रिप्ट का उपयोग करने की आवश्यकता हो सकती है जो मानक OpenAI प्रोटोकॉल को हमारे एंडपॉइंट में अनुवादित करता है।

सुनिश्चित करें कि इंटीग्रेशन एक सरल 'ping' अनुरोध भेजकर। यदि आपको एक वैध JSON प्रतिक्रिया मिलती है, तो आपकी कॉन्फ़िगरेशन सही है। यह चरण जटिल मल्टी-टर्न कन्वर्सेशंस की कोशिश करने से पहले महत्वपूर्ण है।

रेट लिमिट्स और कन्करेंसी त्रुटियाँ

हमारी इंफ्रास्ट्रक्चर उच्च-वॉल्यूम उपयोग के दौरान स्थिरता सुनिश्चित करने के लिए कड़े रेट लिमिट्स लागू करती है। प्रत्येक एपीआई कुंजी प्रति मिनट 300 अनुरोधों तक सीमित है और 8 समवर्ती अनुरोधों को संभाल सकती है। यदि आप इन सीमाओं को पार करते हैं, तो आपको 429 Too Many Requests त्रुटि मिलेगी।

इन त्रुटियों से बचने के लिए, अपने क्लाइंट कोड में एक्सपोनेंशियल बैकऑफ़ लागू करें। यदि उपलब्ध हो, तो प्रतिक्रिया में 'Retry-After' हेडर की निगरानी करें। इसके अलावा, सुनिश्चित करें कि आपका एप्लिकेशन पीक घंटों के दौरान ट्राफिक में वृद्धि नहीं करता है। यदि आप कई इंस्टेंस चला रहे हैं, तो भार को अलग-अलग कुंजियों के बीच वितरित करें या एप्लिकेशन स्तर पर कंकरेंसी प्रबंधित करें।

अनुरोध बॉडी का आकार भी 8 MB तक सीमित है। बड़े प्रॉम्प्ट या कई टूल कॉल इस सीमा से अधिक हो सकते हैं। इन सीमाओं में रहने के लिए अपने इनपुट को विभाजित करें या संवृद्ध अनुरोधों की संख्या कम करें। ये सीमाएं पारदर्शी हैं और संसाधन थकान को रोकने के लिए डिज़ाइन की गई हैं।

टोकन गिनती और संदर्भ विंडो

लागत प्रबंधन के लिए टोकन उपयोग को समझना महत्वपूर्ण है। हमारा मॉडल 100,000 टोकन की संदर्भ विंडो का समर्थन करता है, जिसमें प्रॉम्प्ट और पूर्णता दोनों शामिल हैं। प्रति अनुरोध अधिकतम आउटपुट 16,000 टोकन है, या 2,048 यदि आप 'max_tokens' निर्दिष्ट नहीं करते हैं।

मूल्य निर्धारण वास्तविक टोकन उपयोग पर आधारित है: $0.15 प्रति मिलियन इनपुट टोकन और $0.50 प्रति मिलियन आउटपुट टोकन। त्रुटियां और अस्वीकृतियां मुफ्त हैं, इसलिए आप केवल सफल सामग्री जनरेशन के लिए भुगतान करते हैं। यह पूर्व-भुगतान मॉडल इसका अर्थ है कि आपका क्रेडिट कभी समाप्त नहीं होता है, और आप किसी भी समय क्रिप्टो के साथ टॉप-अप कर सकते हैं।

प्रतिक्रिया मेटाडेटा को पार्स करके अपने एप्लिकेशन में टोकन उपयोग ट्रैक करें। स्ट्रीमिंग प्रतिक्रिया का अंतिम चंक कुल टोकन गणना शामिल करता है। यह आपको रियल-टाइम में लागत की निगरानी करने और बजट के भीतर रहने के लिए अपने प्रॉम्प्ट को समायोजित करने की अनुमति देता है। कुशल टोकन उपयोग अपने पूर्व-भुगतान क्रेडिट के मूल्य को अधिकतम करने के लिए कुंजी है।

स्ट्रीमिंग रिस्पॉन्स पार्सिंग

स्ट्रीमिंग रिस्पॉन्स सर्वर-सेंट इवेंट्स (SSE) के माध्यम से डिलीवर किए जाते हैं। प्रत्येक चंक रिस्पॉन्स का एक हिस्सा होता है, लेकिन टोकन उपयोग डेटा केवल अंतिम चंक में शामिल होता है। इसका मतलब है कि आप स्ट्रीम पूरी होने तक कुल टोकन उपयोग की गणना नहीं कर सकते।

'data' इवेंट्स पर सुनकर स्ट्रीम को पार्स करें। पूर्ण उत्तर बनाने के लिए टेक्स्ट चंक को जमा करें। जब आप अंतिम चंक प्राप्त करें, तो 'usage' फ़ील्ड निकालें ताकि आपकी स्थानीय टोकन गिनता अपडेट हो सके। इस दृष्टिकोण से सटीक बिलिंग सुनिश्चित होती है और संसाधन उपभोग की निगरानी में मदद मिलती है।

नेटवर्क विघटनों को सहजता से संभालें। यदि स्ट्रीम ड्रॉप हो जाती है, तो आपको अनुरोध को पुनः प्रयास करने की आवश्यकता हो सकती है। सुनिश्चित करें कि आपका क्लाइंट आंशिक प्रतिक्रियाओं को संभाल सके और उन्हें सही ढंग से पुनः संयोजित कर सके। स्ट्रीमिंग रियल-टाइम एप्लिकेशन के लिए आदर्श है, लेकिन इसमें मजबूत त्रुटि प्रबंधन की आवश्यकता होती है।

फंक्शन कॉलिंग पैरामीटर त्रुटियां

फंक्शन कॉलिंग को सटीक पैरामीटर कॉन्फ़िगरेशन की आवश्यकता होती है। सुनिश्चित करें कि आपका 'tools' सरल सही ढंग से फंक्शन स्कीमा परिभाषित करता है, जिसमें पैरामीटर और विवरण शामिल हैं। 'tool_choice' पैरामीटर को 'auto', 'required', या एक विशिष्ट फंक्शन नाम पर सेट किया जा सकता है।

सामान्य त्रुटियों में टूल स्कीमा में आवश्यक फ़ील्ड्स की कमी या गलत डेटा टाइप्स शामिल हैं। जांचें कि क्या आपका क्लाइंट 'response_format' को 'json_object' के रूप में भेजता है यदि आप संरचित आउटपुट की उम्मीद करते हैं। यह सुनिश्चित करता है कि मॉडल वैध JSON लौटाए जिसका उपयोग आपकी एप्लिकेशन पार्स कर सके।

सबसे पहले सरल टूल्स के साथ फंक्शन कॉलिंग का परीक्षण करें। क्रमशः जटिलता बढ़ाएं ताकि किसी भी स्कीमा असंगतता की पहचान की जा सके। यदि मॉडल टूल को कॉल करने में विफल रहता है, तो प्रतिक्रिया में 'tool_calls' फ़ील्ड में त्रुटियों के लिए जांच करें। विश्वसनीय फंक्शन कॉलिंग के लिए उचित कॉन्फ़िगरेशन आवश्यक है।

क्रिप्टो टॉप-अप विलंब समाधान

अपने क्रेडिट को टॉप अप करना क्रिप्टो के माध्यम से किया जाता है, विशेष रूप से USDT (TRC20) या USDC (Base)। लेनदेब को ब्लॉकचेन पर पुष्टि होने में कुछ मिनट लग सकते हैं। यदि आपका क्रेडिट तुरंत प्रकट नहीं होता है, तो नेटवर्क पुष्टि का प्रतीक्षा करें।

बोनस क्रेडिट $50 या उससे अधिक की टॉप-अप के लिए स्वचालित रूप से लागू किए जाते हैं: $50 के लिए +5%, $100 के लिए +10%, और $200 के लिए +15%। सही बोनस प्राप्त करने के लिए सुनिश्चित करें कि आप सटीक राशि भेजें। $20 से कम या $500 से अधिक की लेनदेन पर बोनस नहीं मिल सकते या वे अस्वीकृत हो सकते हैं।

यदि आपको डबल चार्ज का अनुभव होता है, तो सहायता पृष्ठ के माध्यम से सहायता से संपर्क करें। क्रेडिट वापस नहीं किए जाते लेकिन समायोजित किए जा सकते हैं। तेज समाधान के लिए अपने लेन-देन ID का रिकॉर्ड रखें। यह पूर्व-भुगतान मॉडल सुनिश्चित करता है कि आप समाप्ति के कारण क्रेडिट नहीं खोते।

मॉडल ID गलत कॉन्फ़िगरेशन

गलत मॉडल ID त्रुटियों का एक बारंबार स्रोत है। हमारे अनसेंसर्ड मॉडल के लिए, ID केवल 'uncensored' है। 'gpt-4' या 'claude-3' के साथ एक अनुरोध भेजने से 'मॉडल नहीं मिला' त्रुटि आएगी।

सुनिश्चित करें कि आपका क्लाइंट हर अनुरोध में 'model' फ़ील्ड को 'uncensored' पर सेट करता है। यह तब महत्वपूर्ण होता है जब आप ऐसे OpenAI-कम्पैटिबल SDK का उपयोग कर रहे हों जो अन्य मॉडल्स को डिफ़ॉल्ट रूप से चुन सकते हैं। अपने कॉन्फ़िगरेशन फ़ाइलों और टेस्ट अनुरोधों में मॉडल आईडी की पुष्टि करें।

हमारी सेवा मॉडल रूटिंग या मल्टीपल मॉडल विकल्पों की पेशकश नहीं करती है। यह अनकेंसर टेक्स्ट जनरेशन के लिए समर्पित एकल-मॉडल एंडपॉइंट है। यह सरलता जटिलता को कम करती है और स्थिर प्रदर्शन सुनिश्चित करती है। उत्पादन में तैनात करने से पहले हमेशा मॉडल आईडी की जांच करें।