Z.ai: GLM 4.6V

GLM 4.6V es un modelo multimodal grande de Z.ai, listado en api14 bajo el id de modelo z-ai/glm-4.6v. Se encuentra en la categoría de texto, y Z.ai lo describe como construido para comprensión visual de alta fidelidad y razonamiento de contexto largo en imágenes, documentos y medios mixtos. Fue lanzado por el proveedor el 8 de diciembre de 2025.

El modelo acepta imagen, texto y video como entrada y devuelve texto. Su ventana de contexto es de 131072 tokens, y la salida máxima es de 32768 tokens. Z.ai señala que maneja diseños de página complejos y funciona en contextos largos de hasta 128K tokens, lo que lo hace adecuado para material donde la estructura visual importa tanto como las palabras. Debido a que la salida es solo texto, es un modelo de lectura y razonamiento en lugar de un generador de imágenes o video.

Los usos prácticos se derivan directamente de esa combinación. Puedes enviar documentos escaneados o páginas fotografiadas y pedir que el contenido sea extraído, resumido o reestructurado mientras se tiene en cuenta el diseño. Las capturas de pantalla y las capturas de interfaz se pueden convertir en descripciones escritas o verificarse contra las expectativas. La entrada de video admite tareas como resumen, respuesta a preguntas sobre lo que sucede en un clip, o extracción de notas estructuradas de material grabado. Las entradas largas de medios mixtos son adecuadas para investigación sobre documentos recopilados, informes de varias páginas y archivos donde deseas una sola pasada de razonamiento en lugar de un ensamblaje fragmento por fragmento.

Se llama a través de la API compatible con OpenAI de api14 usando el id de modelo z-ai/glm-4.6v. Los parámetros de solicitud admitidos son frequency_penalty, include_reasoning, max_tokens, presence_penalty, reasoning, repetition_penalty, response_format, seed, stop, temperature, tool_choice, tools, top_k y top_p. Por lo tanto, el llamado a herramientas y la salida estructurada están disponibles a través de tools, tool_choice y response_format, y los parámetros reasoning e include_reasoning te permiten controlar cómo se muestra el razonamiento. El muestreo se puede ajustar con temperature, top_p, top_k, seed, los parámetros de penalización y las secuencias de parada, mientras que max_tokens limita la longitud de la respuesta.

Si tu tarea no involucra imágenes, documentos o video, un modelo solo de texto puede ser más simple y económico de ejecutar, ya que la ruta de entrada multimodal existe para trabajo visual y de medios mixtos. Las entradas de video e imagen también dependen de lo que realmente necesitas extraer; para la generación de texto simple sobre entradas largas, las capacidades visuales no aportan nada. De lo contrario, la combinación de un contexto de 131072 tokens, una salida máxima de 32768 tokens y soporte de herramientas cubre la mayoría de las cargas de trabajo de análisis de documentos, capturas de pantalla y video.