Erreur timeout : que faire quand glm-4.7 échoue

Un timeout signifie que le client a abandonné avant l'arrivée de la réponse. Les requêtes LLM en streaming y sont les plus exposées, car le modèle réfléchit avant le premier token et cette phase ne produit aucun octet.

Un timeout n’est pas un code de statut HTTP, mais une limite d’attente côté client. La requête a généralement atteint la passerelle et été transmise à l’upstream, mais le modèle n’a pas produit de résultat dans le temps imparti. Contexte long, sortie longue et appels sans streaming sont les trois déclencheurs les plus courants.

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 : Le délai d'attente du client est trop court. La première action recommandée : Portez le délai du client à 300 secondes ou plus.

Causes fréquentes

  • Le délai d'attente du client est trop court
  • Un prompt ou un contexte long augmente la latence du premier token
  • Le modèle traite une longue tâche de raisonnement
  • Gigue réseau

Comment corriger

  • Portez le délai du client à 300 secondes ou plus
  • Activez le streaming pour ne pas attendre toute la réponse
  • Raccourcissez le contexte ou utilisez un modèle plus rapide
  • Réduisez max_tokens

Nouvelle tentative avec backoff exponentiel

Le code ci-dessous réessaie lorsque glm-4.7 renvoie timeout : 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

Un retry entraînera-t-il une double exécution de la requête ?

Il n’est généralement pas nécessaire de modifier le code, seulement le rythme des appels. Avec la facturation p * 0.6 + cr * 0.11 + cc * 0 + c * 2.2, les requêtes échouées ne sont pas comptées dans l’usage. Fixez la limite de relances à 3–5 et ajoutez du jitter. Utilisez un backoff exponentiel pour les erreurs relançables et renvoyez l’erreur immédiatement pour les autres.

Quel niveau de concurrence est sûr ?

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. Pour les longues sorties, portez le délai d’attente à 60 secondes ou plus. Partez d’une concurrence faible, observez quelques minutes, puis montez.

timeout affecte-t-il d’autres modèles du même compte ?

Cette erreur ne dépend pas de la capacité du modèle, elle est au niveau de la passerelle. C’est généralement passager et se rétablit tout seul. 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. Déterminez d’abord si c’est au niveau du compte ou du modèle ; les deux demandent un traitement totalement différent.

timeout sur glm-4.7 est-il lié à mon quota de compte ?

Il s’agit surtout d’un quota, non d’une panne du modèle. Relever le plafond de la formule ou baisser la fréquence des appels : les deux aident. Le prix d’entrée est d’environ $0.60 par million de tokens. Avec la facturation p * 0.6 + cr * 0.11 + cc * 0 + c * 2.2, les requêtes échouées ne sont pas comptées dans l’usage. Vérifiez d’abord le solde et les limites de débit dans la console, ensuite le code.

Autres erreurs sur ce modèle

Autres modèles avec la même erreur

Retour à la page du modèle

Données mises à jour: 2026-10-10 12:10

Support techniqueAssistance en ligne
Haut de page