Error 400: qué hacer cuando falla glm-5.2
Un 400 significa que la solicitud en sí no es válida: falta un campo, el tipo es incorrecto o se usa un parámetro que este modelo no admite. Reintentar no sirve; hay que cambiar el cuerpo de la solicitud.
400 Bad Request significa que el servidor rechaza la solicitud porque el cuerpo es inválido. A diferencia de los 5xx, un 400 no se resuelve reintentando: obtendrás la misma respuesta siempre. Hay que corregir los parámetros primero.
glm-5.2 lo ofrece Z.AI. Todo en esta página — causas, soluciones y datos medidos — se recopila del comportamiento real de este modelo en la capa de gateway.
En esta pasarela, el desencadenante más común es: Falta un campo obligatorio (model o messages). La primera acción recomendada es: Compara el cuerpo con la tabla de parámetros de esta página.
Causas habituales
- Falta un campo obligatorio (model o messages)
- Un parámetro tiene el tipo incorrecto
- Un parámetro no está admitido por este modelo
- messages está mal formado o role tiene un valor no válido
Cómo solucionarlo
- Compara el cuerpo con la tabla de parámetros de esta página
- Elimina los parámetros no admitidos y reintenta
- Comprueba que messages sea un array con valores de role válidos
- Empieza con una solicitud mínima y añade parámetros uno a uno
Reintento con retroceso exponencial
El siguiente código reintenta cuando glm-5.2 devuelve 400: hasta 5 intentos, con espera creciente y jitter aleatorio para que las llamadas concurrentes no reintenten a la vez. Lee la URL base y la API key de variables de entorno, nunca las escribas fijas.
import os, time, random
import requests
BASE = os.getenv("OPENAI_BASE_URL") # e.g. https://<your-gateway>/v1
KEY = os.getenv("OPENAI_API_KEY")
MODEL = 'glm-5.2'
def chat(messages, retries=5):
"""Retry with exponential backoff + jitter."""
for i in range(retries):
try:
r = requests.post(
BASE + "/chat/completions",
headers={"Authorization": "Bearer " + KEY},
json={"model": MODEL, "messages": messages, "stream": True},
timeout=60,
)
if r.status_code == 429 or r.status_code >= 500:
time.sleep(min(2 ** i + random.uniform(0, 1), 30))
continue
r.raise_for_status()
return r.json()
except requests.exceptions.Timeout:
time.sleep(min(2 ** i + random.uniform(0, 1), 30))
raise RuntimeError("gave up after " + str(retries) + " retries")
print(chat([{"role": "user", "content": "hello"}]))Datos clave de este modelo
| Endpoint de API | https://api.airai.cc/v1 |
|---|---|
| Compatible con OpenAI | OpenAI-compatible |
| Proveedor | Z.AI |
|---|---|
| Contexto | 1M |
| Capacidades | Reasoning, Tools, Open Weights |
| Formatos de API | openai, openai-response, openai-response-compact, anthropic, gemini, openai-alpha-search |
| Fórmula de facturación | p * 1.4 + cr * 0.26 + cc * 0 + c * 4.4 |
Preguntas frecuentes
¿Provocará el reintento que la solicitud se ejecute dos veces?
Normalmente no hay que cambiar el código, basta con ajustar el ritmo de llamadas. Con la tarificación p * 1.4 + cr * 0.26 + cc * 0 + c * 4.4, las peticiones fallidas no cuentan en el uso. Fija el límite de reintentos en 3–5 y añade jitter.
¿Depende 400 en glm-5.2 de la región o del nodo?
Agrupa los errores por tiempo y por nodo; el patrón suele ser evidente. Este modelo lo sirve Z.AI, por lo que el estado del upstream depende de los anuncios del proveedor. Registra el identificador de la petición en cada fallo: ayuda más que el código de estado. Reproduce el caso primero en el entorno de pruebas con el mismo cuerpo de petición.
Cuando glm-5.2 devuelve 400, ¿es más probable el gateway o el upstream?
Este error no depende de la capacidad del modelo, es a nivel de gateway. Suele ser algo puntual que se recupera por sí solo. Las etiquetas de capacidad de este modelo son Reasoning, Tools, Open Weights. Decide primero si es a nivel de cuenta o de modelo; el tratamiento es completamente distinto.
¿Cachear resultados reduce 400?
Aquí las variables reales son la concurrencia y los timeouts, no el modelo. Baja primero la concurrencia: la mayoría de los problemas de rendimiento desaparecen. Un contexto de 1M implica que las entradas largas aumentan la latencia del primer token. Empieza con concurrencia baja, observa unos minutos y luego escala. Añade una capa de caché para que las peticiones repetidas no lleguen todas al modelo.
Otros errores de este modelo
- glm-5.2: error 429 — causas y soluciones
- glm-5.2: error timeout — causas y soluciones
- glm-5.2: error 500 — causas y soluciones
- glm-5.2: error 502 — causas y soluciones
- glm-5.2: error 503 — causas y soluciones
- glm-5.2: error 504 — causas y soluciones
- glm-5.2: error 401 — causas y soluciones
- glm-5.2: error 403 — causas y soluciones
Otros modelos con el mismo error
- gpt-5
- claude-opus-5
- gemini-2.5-pro
- deepseek-v4-pro
- grok-4.3
- llama-3.3-70b-instruct
- qvq-max
- qwq-32b
- glm-5
- MiniMax-M3
- kimi-k3
- hy3
- doubao-seed-evolving
- mimo-v2.5
- gpt-4o
- claude-opus-4-6
Datos actualizados: 2026-10-10 12:10