Errore 400: cosa fare quando glm-4.5 fallisce
Un 400 significa che la richiesta stessa non è valida: campo mancante, tipo errato o parametro non supportato da questo modello. Riprovare non serve; va modificato il corpo della richiesta.
400 Bad Request significa che il server rifiuta la richiesta perché il body non è valido. A differenza dei 5xx, un 400 non si risolve ritentando: otterrai sempre la stessa risposta. I parametri vanno corretti prima.
glm-4.5 è fornito da Z.AI. Tutto in questa pagina — cause, soluzioni e dati misurati — è ricavato dal comportamento reale di questo modello al livello del gateway.
Su questo gateway, la causa più comune è: Manca un campo obbligatorio (model o messages). La prima azione consigliata è: Confronta il corpo con la tabella dei parametri di questa pagina.
Cause comuni
- Manca un campo obbligatorio (model o messages)
- Un parametro ha il tipo errato
- Un parametro non è supportato da questo modello
- messages è malformato o role ha un valore non valido
Come risolvere
- Confronta il corpo con la tabella dei parametri di questa pagina
- Rimuovi i parametri non supportati e riprova
- Verifica che messages sia un array con valori role validi
- Parti da una richiesta minima e aggiungi i parametri uno alla volta
Retry con backoff esponenziale
Il codice qui sotto ritenta quando glm-4.5 restituisce 400: fino a 5 tentativi, con attesa crescente e jitter casuale per evitare che le chiamate concorrenti ritentino insieme. Leggi base URL e API key dalle variabili d’ambiente, non inserirle hardcoded.
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-4.5'
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"}]))Dati chiave di questo modello
| Endpoint API | https://api.airai.cc/v1 |
|---|---|
| Compatibile con OpenAI | OpenAI-compatible |
| Fornitore | Z.AI |
|---|---|
| Contesto | 131.1K |
| Funzionalità | Reasoning, Tools, Open Weights |
| Formati API | openai, openai-response, openai-response-compact, anthropic, gemini, openai-alpha-search |
| Formula di fatturazione | p * 0.6 + cr * 0.11 + cc * 0 + c * 2.2 |
Domande frequenti
400 è più frequente nelle conversazioni multi-turn con glm-4.5?
I parametri vanno cambiati; riprovare da solo non aiuterà. È un problema di configurazione lato client; lato server non cambia nulla. I tag delle capacità sono Reasoning, Tools, Open Weights e i limiti dei parametri derivano da quel set. La finestra di contesto 131.1K stabilisce l’input massimo per richiesta; oltre viene rifiutato subito. Sugli errori di parametro fallisci subito invece di sprecare ritenti. Tronca o riassumi gli input lunghi: riduce notevolmente 400.
Il retry farà eseguire la richiesta due volte?
Di solito non serve cambiare il codice, solo il ritmo delle chiamate. Riprovare è il primo passo più efficace. Con la fatturazione p * 0.6 + cr * 0.11 + cc * 0 + c * 2.2, le richieste fallite non rientrano nel consumo. Imposta il limite di ritenti a 3–5 e aggiungi del jitter. Usa il backoff esponenziale per gli errori ritentabili e restituisci subito l’errore per gli altri.
Cosa registrare quando 400 si presenta spesso?
Raggruppa gli errori per orario e per nodo; lo schema di solito è evidente. Conserva l’id della richiesta e il corpo grezzo della risposta, altrimenti non si può risalire a nulla. Questo modello è servito da Z.AI, quindi lo stato upstream segue gli annunci del fornitore. Registra l’id della richiesta a ogni fallimento: serve più del codice di stato. Riproduci il caso prima in ambiente di test con lo stesso corpo della richiesta.
Le richieste fallite rientrano nella quota di rate limit?
Nessun addebito: conta solo l’output effettivamente generato. Il prezzo di input è circa $0.60 per milione di token. Con fatturazione p * 0.6 + cr * 0.11 + cc * 0 + c * 2.2, il costo degli output lunghi deriva soprattutto dai token di output. Controlla prima saldo e limiti di velocità nella console, poi il codice. Stimando il costo da p * 0.6 + cr * 0.11 + cc * 0 + c * 2.2, includi anche il budget per i ritenti.
Altri errori su questo modello
- glm-4.5: errore 429 — cause e soluzioni
- glm-4.5: errore timeout — cause e soluzioni
- glm-4.5: errore 500 — cause e soluzioni
- glm-4.5: errore 502 — cause e soluzioni
- glm-4.5: errore 503 — cause e soluzioni
- glm-4.5: errore 504 — cause e soluzioni
- glm-4.5: errore 401 — cause e soluzioni
- glm-4.5: errore 403 — cause e soluzioni
Altri modelli con lo stesso errore
- 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
Dati aggiornati: 2026-10-10 08:15