Erreur 500 : que faire quand glm-4.7 échoue

Un 500 signifie que le serveur a rencontré une erreur interne inattendue en traitant la requête. Ce n'est généralement pas un problème de format, mais une défaillance passagère côté serveur ou côté modèle amont.

500 Internal Server Error est une défaillance interne inattendue du serveur. La plupart des 500 sont des pannes de nœud transitoires qui passent avec une nouvelle tentative et un backoff exponentiel. Si cela persiste, une combinaison de paramètres précise touche probablement un cas limite non géré.

glm-4.7 est fourni par Z.AI. Tout sur cette page — causes, correctifs et données mesurées — est établi à partir du comportement réel de ce modèle au niveau de la passerelle.

Sur cette passerelle, le déclencheur le plus courant est : Une défaillance passagère du service de modèle amont. La première action recommandée : Réessayez après une courte attente : la plupart des 500 sont passagères.

Causes fréquentes

  • Une défaillance passagère du service de modèle amont
  • La requête est tombée sur un nœud en cours de redémarrage
  • Le corps de la requête a déclenché un cas limite non géré
  • Un pic de charge momentané

Comment corriger

  • Réessayez après une courte attente : la plupart des 500 sont passagères
  • Essayez un autre modèle du même fournisseur pour voir si le problème est propre au modèle
  • Simplifiez le corps (retirez les paramètres rares) puis réessayez
  • Si le problème persiste, contactez-nous en indiquant l'heure de la requête

Nouvelle tentative avec backoff exponentiel

Le code ci-dessous réessaie lorsque glm-4.7 renvoie 500 : jusqu’à 5 tentatives, avec une attente croissante et un jitter aléatoire pour éviter que les appels concurrents ne réessaient simultanément. Lisez l’URL de base et la clé API depuis les variables d’environnement, ne les écrivez jamais en dur.

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-4.7'


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"}]))

Données clés de ce modèle

Point de terminaison APIhttps://api.airai.cc/v1
Compatible OpenAIOpenAI-compatible
FournisseurZ.AI
Contexte204.8K
CapacitésReasoning, Tools, Open Weights
Formats d’APIopenai, openai-response, openai-response-compact, anthropic, gemini, openai-alpha-search
Formule de facturationp * 0.6 + cr * 0.11 + cc * 0 + c * 2.2

Questions fréquentes

500 est-il plus fréquent dans les conversations à plusieurs tours avec glm-4.7 ?

Les paramètres doivent changer ; réessayer seul ne suffira pas. C’est un problème de configuration côté client ; rien ne change côté serveur. La fenêtre de contexte 204.8K fixe l’entrée maximale par requête ; au-delà, c’est rejeté immédiatement. Échouez rapidement sur les erreurs de paramètres au lieu d’y dépenser des relances.

500 se résout-il tout seul ou faut-il intervenir ?

Cette erreur ne dépend pas de la capacité du modèle, elle est au niveau de la passerelle. Les balises de capacité de ce modèle sont Reasoning, Tools, Open Weights. Si l’erreur persiste plusieurs minutes, contactez le support de la plateforme pour confirmer l’état en amont.

Comment planifier les tâches batch quand glm-4.7 renvoie 500 ?

Ici les vraies variables sont la concurrence et les délais d’attente, pas le modèle. Baissez d’abord la concurrence : la plupart des problèmes de débit disparaissent ensuite. Ce modèle dispose d’une fenêtre de contexte de 204.8K et vient de Z.AI. Un contexte de 204.8K signifie que les longues entrées allongent nettement la latence du premier token. Partez d’une concurrence faible, observez quelques minutes, puis montez.

Les requêtes échouées comptent-elles dans mon quota de débit ?

Seule la sortie déjà produite est facturée, pas la partie échouée. Avec la facturation p * 0.6 + cr * 0.11 + cc * 0 + c * 2.2, le coût des sorties longues vient surtout des tokens de sortie. Vérifiez d’abord le solde et les limites de débit dans la console, ensuite le code. En estimant le coût à partir de p * 0.6 + cr * 0.11 + cc * 0 + c * 2.2, incluez aussi le budget de relances.

Autres erreurs sur ce modèle

Autres modèles avec la même erreur

Retour à la page du modèle

Données mises à jour: 2026-10-10 15:45

Support techniqueAssistance en ligne
Haut de page