Z.ai: GLM 4.6V

GLM 4.6V adalah model multimodal besar dari Z.ai, terdaftar di api14 dengan model id z-ai/glm-4.6v. Model ini berada di kategori teks, dan Z.ai mendeskripsikannya sebagai model yang dibangun untuk pemahaman visual berfidelitas tinggi dan penalaran konteks panjang pada gambar, dokumen dan media campuran. Model ini dirilis oleh penyedia pada 8 Desember 2025.

Model ini menerima gambar, teks dan video sebagai input dan mengembalikan teks. Jendela konteksnya adalah 131072 token, dan output maksimumnya adalah 32768 token. Z.ai mencatat bahwa model ini menangani tata letak halaman yang kompleks dan bekerja pada konteks panjang hingga 128K token, yang membuatnya cocok untuk materi di mana struktur visual sama pentingnya dengan kata-kata. Karena outputnya hanya teks, ini adalah model membaca dan menalar, bukan penghasil gambar atau video.

Penggunaan praktis mengikuti langsung dari campuran tersebut. Anda dapat mengirim dokumen hasil pindai atau halaman yang difoto dan meminta isinya diekstrak, diringkas atau direstrukturisasi dengan mempertimbangkan tata letaknya. Tangkapan layar dan rekaman antarmuka dapat diubah menjadi deskripsi tertulis atau diperiksa terhadap ekspektasi. Input video mendukung tugas seperti peringkasan, tanya jawab tentang apa yang terjadi dalam klip, atau menarik catatan terstruktur dari materi rekaman. Input media campuran yang panjang cocok untuk riset atas dokumen yang terkumpul, laporan multi halaman dan arsip di mana Anda menginginkan satu kali penalaran alih-alih penyambungan potongan demi potongan.

Anda memanggilnya melalui API yang kompatibel dengan OpenAI dari api14 menggunakan model id z-ai/glm-4.6v. Parameter permintaan yang didukung adalah frequency_penalty, include_reasoning, max_tokens, presence_penalty, reasoning, repetition_penalty, response_format, seed, stop, temperature, tool_choice, tools, top_k dan top_p. Pemanggilan tool dan output terstruktur tersedia melalui tools, tool_choice dan response_format, dan parameter reasoning serta include_reasoning memungkinkan Anda mengontrol bagaimana penalaran ditampilkan. Sampling dapat disetel dengan temperature, top_p, top_k, seed, parameter penalti dan urutan stop, sementara max_tokens membatasi panjang respons.

Jika tugas Anda tidak melibatkan gambar, dokumen atau video, model khusus teks mungkin lebih sederhana dan lebih murah untuk dijalankan, karena jalur input multimodal ada untuk pekerjaan visual dan media campuran. Input video dan gambar juga bergantung pada apa yang sebenarnya perlu Anda ekstrak; untuk pembuatan teks biasa atas input panjang, kemampuan visual tidak menambah apa pun. Selain itu, kombinasi konteks 131072 token, output maksimum 32768 token dan dukungan tool mencakup sebagian besar beban kerja analisis dokumen, tangkapan layar dan video.