Z.ai: GLM 4.6V

GLM 4.6V هو نموذج متعدد الوسائط كبير من Z.ai، مدرج على api14 تحت معرف النموذج z-ai/glm-4.6v. يقع في فئة النصوص، وتصفه Z.ai بأنه مبني لفهم بصري عالي الدقة واستدلال طويل السياق عبر الصور والمستندات والوسائط المختلطة. أصدره المزود في 8 ديسمبر 2025.

يقبل النموذج الصور والنصوص والفيديو كمدخلات ويعيد النصوص. نافذة السياق الخاصة به هي 131072 رمز، والحد الأقصى للمخرجات هو 32768 رمز. تشير Z.ai إلى أنه يتعامل مع تخطيطات الصفحات المعقدة ويعمل عبر سياقات طويلة تمتد حتى 128K رمز، مما يجعله مناسبا للمواد التي يكون فيها البنية البصرية بنفس أهمية الكلمات. ولأن المخرجات نصية فقط، فهو نموذج قراءة واستدلال وليس مولدا للصور أو الفيديو.

تتبع الاستخدامات العملية مباشرة من هذا المزيج. يمكنك إرسال مستندات ممسوحة ضوئيا أو صفحات مصورة وطلب استخراج المحتويات أو تلخيصها أو إعادة هيكلتها مع مراعاة التخطيط. يمكن تحويل لقطات الشاشة ولقطات الواجهات إلى أوصاف مكتوبة أو التحقق منها مقابل التوقعات. يدعم إدخال الفيديو مهام مثل التلخيص، والإجابة عن الأسئلة حول ما يحدث في مقطع، أو استخراج ملاحظات منظمة من المواد المسجلة. تناسب المدخلات الطويلة للوسائط المختلطة البحث عبر المستندات المجمعة والتقارير متعددة الصفحات والأرشيفات حيث تريد تمريرة استدلال واحدة بدلا من التجميع قطعة قطعة.

تستدعيه عبر واجهة API المتوافقة مع OpenAI في api14 باستخدام معرف النموذج z-ai/glm-4.6v. معاملات الطلب المدعومة هي frequency_penalty و include_reasoning و max_tokens و presence_penalty و reasoning و repetition_penalty و response_format و seed و stop و temperature و tool_choice و tools و top_k و top_p. لذلك يتوفر استدعاء الأدوات والمخرجات المنظمة عبر tools و tool_choice و response_format، ويتيح لك المعاملان reasoning و include_reasoning التحكم في كيفية إظهار الاستدلال. يمكن ضبط أخذ العينات عبر temperature و top_p و top_k و seed ومعاملات العقوبة وتسلسلات stop، بينما يحد max_tokens من طول الاستجابة.

إذا كانت مهمتك لا تتضمن صورا أو مستندات أو فيديو، فقد يكون نموذج نصي فقط أبسط وأرخص في التشغيل، لأن مسار الإدخال متعدد الوسائط موجود للعمل البصري والوسائط المختلطة. تعتمد مدخلات الفيديو والصور أيضا على ما تحتاج فعلا إلى استخراجه؛ لتوليد نص عادي من مدخلات طويلة، لا تضيف القدرات البصرية شيئا. بخلاف ذلك، يغطي الجمع بين سياق من 131072 رمزا وحد أقصى للمخرجات من 32768 رمزا ودعم الأدوات معظم أعباء تحليل المستندات ولقطات الشاشة والفيديو.