Z.ai: GLM 4.6V

GLM 4.6V ist ein grosses multimodales Modell von Z.ai, das auf api14 unter der Modell-ID z-ai/glm-4.6v gelistet ist. Es befindet sich in der Kategorie Text, und Z.ai beschreibt es als Modell, das fuer hochgetreues visuelles Verstaendnis und Langkontext-Reasoning ueber Bilder, Dokumente und gemischte Medien hinweg entwickelt wurde. Es wurde vom Anbieter am 8. Dezember 2025 veroeffentlicht.

Das Modell akzeptiert Bild, Text und Video als Eingabe und liefert Text zurueck. Sein Kontextfenster betraegt 131072 Token, und die maximale Ausgabe liegt bei 32768 Token. Z.ai merkt an, dass es komplexe Seitenlayouts verarbeitet und ueber lange Kontexte von bis zu 128K Token arbeitet, was es fuer Material geeignet macht, bei dem die visuelle Struktur genauso wichtig ist wie die Worte. Da die Ausgabe nur Text ist, handelt es sich um ein Lese- und Reasoning-Modell und nicht um einen Generator von Bildern oder Videos.

Praktische Anwendungen ergeben sich direkt aus dieser Mischung. Sie koennen eingescannte Dokumente oder abfotografierte Seiten senden und darum bitten, die Inhalte zu extrahieren, zusammenzufassen oder neu zu strukturieren, waehrend das Layout beruecksichtigt wird. Screenshots und Interface-Aufnahmen koennen in schriftliche Beschreibungen umgewandelt oder gegen Erwartungen geprueft werden. Videoeingabe unterstuetzt Aufgaben wie Zusammenfassung, Beantwortung von Fragen dazu, was in einem Clip passiert, oder das Herausziehen strukturierter Notizen aus aufgezeichnetem Material. Lange gemischte Medieneingaben eignen sich fuer Recherche ueber gesammelte Dokumente, mehrseitige Berichte und Archive, bei denen Sie einen einzigen Reasoning-Durchlauf wuenschen statt stueckweises Zusammensetzen.

Sie rufen es ueber die OpenAI-kompatible API von api14 mit der Modell-ID z-ai/glm-4.6v auf. Die unterstuetzten Anforderungsparameter sind frequency_penalty, include_reasoning, max_tokens, presence_penalty, reasoning, repetition_penalty, response_format, seed, stop, temperature, tool_choice, tools, top_k und top_p. Tool-Aufruf und strukturierte Ausgabe sind daher ueber tools, tool_choice und response_format verfuegbar, und die Parameter reasoning und include_reasoning lassen Sie steuern, wie Reasoning sichtbar gemacht wird. Das Sampling kann mit temperature, top_p, top_k, seed, den Penalty-Parametern und Stop-Sequenzen abgestimmt werden, waehrend max_tokens die Antwortlaenge begrenzt.

Wenn Ihre Aufgabe keine Bilder, Dokumente oder Videos umfasst, kann ein reines Textmodell einfacher und guenstiger zu betreiben sein, da der multimodale Eingabepfad fuer visuelle und gemischte Medienarbeit existiert. Die Video- und Bildeingaben haengen auch davon ab, was Sie tatsaechlich extrahieren muessen; fuer reine Textgenerierung ueber lange Eingaben bringen die visuellen Faehigkeiten nichts. Ansonsten deckt die Kombination aus einem Kontext von 131072 Token, einer maximalen Ausgabe von 32768 Token und Tool-Unterstuetzung die meisten Arbeitslasten fuer Dokument-, Screenshot- und Videoanalyse ab.