Z.ai: GLM 4.5V

GLM 4.5Vは、2025年8月11日にリリースされたZ.aiの視覚言語モデルです。106Bの総パラメータと12Bの活性化パラメータを持つMixture-of-Expertsアーキテクチャ上に構築されており、Z.aiはこれをマルチモーダルエージェントアプリケーション向けの基盤モデルと説明しています。api14ではテキストカテゴリに位置しており、モデルを閲覧する際にはそこで見つけることができます。

このモデルはテキストと画像を入力として受け取り、テキストを返します。コンテキストウィンドウは65,536トークンで、最大出力は16,384トークンです。知識カットオフは2024年12月31日です。テキストと画像の両方を扱えるため、書かれた指示と視覚的な素材を混在させたプロンプトで動作でき、推論サポートにより回答とともに中間推論を生成できます。

実用的な用途はこの組み合わせから導かれます。スクリーンショット、図、チャート、写真を質問とともに送信して書かれた回答を得ることができ、ドキュメントやインターフェースの理解、視覚的質問応答、キャプションや説明のタスクに適しています。ツール呼び出しサポートにより、モデルがいつ関数を呼び出すかを判断するエージェントスタイルのワークフローの候補となり、推論オプションは最終回答の前に段階的な分析から恩恵を受ける問題に適合します。長い入力は65,536トークンのコンテキスト内で扱えるため、複数画像や長いテキストと画像を組み合わせたプロンプトも実行可能です。

api14のOpenAI互換APIを通じて、モデルID「z-ai/glm-4.5v」を使用して呼び出します。サポートされているリクエストパラメータは、frequency_penalty、include_reasoning、max_tokens、presence_penalty、reasoning、repetition_penalty、response_format、seed、stop、temperature、tool_choice、tools、top_k、top_pです。すでにOpenAIスタイルのクライアントを使用している場合は、api14のベースURLを指定し、modelフィールドをそのIDに設定し、必要に応じてこれらのパラメータを渡します。max_tokensで出力長を制限し、temperature、top_p、top_kでサンプリングを調整し、関数呼び出しを行いたい場合はtoolsとtool_choiceのペアを使用します。reasoningとinclude_reasoningパラメータは、推論コンテンツを要求して返すかどうかを制御します。

選択する際は制限に留意してください。出力は16,384トークンに制限されており、モデルはテキストのみを返すため、画像を生成することはできません。タスクが純粋にテキストであり、画像入力や推論から恩恵を受けない場合は、テキスト専用モデルの方がシンプルに適しているかもしれません。画像理解ではなく画像生成が必要な場合、このモデルは適切な選択ではありません。