Z.ai: GLM 4.6V

GLM 4.6V est un grand modèle multimodal de Z.ai, répertorié sur api14 sous l'identifiant de modèle z-ai/glm-4.6v. Il appartient à la catégorie texte, et Z.ai le décrit comme conçu pour une compréhension visuelle haute fidélité et un raisonnement sur contexte long à travers les images, les documents et les médias mixtes. Il a été publié par le fournisseur le 8 décembre 2025.

Le modèle accepte l'image, le texte et la vidéo en entrée et renvoie du texte. Sa fenêtre de contexte est de 131072 tokens, et la sortie maximale est de 32768 tokens. Z.ai note qu'il gère les mises en page complexes et fonctionne sur de longs contextes allant jusqu'à 128K tokens, ce qui le rend adapté aux contenus où la structure visuelle compte autant que les mots. Comme la sortie est uniquement textuelle, c'est un modèle de lecture et de raisonnement plutôt qu'un générateur d'images ou de vidéos.

Les usages pratiques découlent directement de ce mélange. Vous pouvez envoyer des documents numérisés ou des pages photographiées et demander que le contenu soit extrait, résumé ou restructuré en tenant compte de la mise en page. Les captures d'écran et les captures d'interface peuvent être transformées en descriptions écrites ou vérifiées par rapport aux attentes. L'entrée vidéo prend en charge des tâches telles que le résumé, la réponse à des questions sur ce qui se passe dans un clip, ou l'extraction de notes structurées à partir de contenus enregistrés. Les entrées longues en médias mixtes conviennent à la recherche sur des documents collectés, des rapports multipages et des archives où vous voulez une seule passe de raisonnement plutôt qu'un assemblage fragment par fragment.

Vous l'appelez via l'API compatible OpenAI d'api14 en utilisant l'identifiant de modèle z-ai/glm-4.6v. Les paramètres de requête pris en charge sont frequency_penalty, include_reasoning, max_tokens, presence_penalty, reasoning, repetition_penalty, response_format, seed, stop, temperature, tool_choice, tools, top_k et top_p. L'appel d'outils et la sortie structurée sont donc disponibles via tools, tool_choice et response_format, et les paramètres reasoning et include_reasoning vous permettent de contrôler la manière dont le raisonnement est exposé. L'échantillonnage peut être ajusté avec temperature, top_p, top_k, seed, les paramètres de pénalité et les séquences stop, tandis que max_tokens plafonne la longueur de la réponse.

Si votre tâche n'implique pas d'images, de documents ou de vidéos, un modèle uniquement textuel peut être plus simple et moins coûteux à exécuter, puisque le chemin d'entrée multimodale existe pour le travail visuel et sur médias mixtes. Les entrées vidéo et image dépendent aussi de ce que vous avez réellement besoin d'extraire ; pour la génération de texte simple sur de longues entrées, les capacités visuelles n'apportent rien. Sinon, la combinaison d'un contexte de 131072 tokens, d'une sortie maximale de 32768 tokens et de la prise en charge des outils couvre la plupart des charges de travail d'analyse de documents, de captures d'écran et de vidéos.