Z.ai: GLM 4.6V

GLM 4.6V は Z.ai の大規模マルチモーダルモデルで、api14 にモデル ID z-ai/glm-4.6v として掲載されています。テキストカテゴリに属し、Z.ai はこれを、画像、ドキュメント、複合メディアにわたる高忠実度の視覚理解と長文脈推論のために構築されたものと説明しています。プロバイダーによるリリースは 2025 年 12 月 8 日です。

このモデルは入力として画像、テキスト、動画を受け取り、テキストを返します。コンテキストウィンドウは 131072 トークンで、最大出力は 32768 トークンです。Z.ai は、複雑なページレイアウトを扱い、最大 128K トークンに及ぶ長いコンテキストで動作すると述べており、これは言葉と同じくらい視覚構造が重要となる資料に適していることを意味します。出力はテキストのみであるため、画像や動画を生成するモデルではなく、読み取りと推論のモデルです。

実用的な用途は、この組み合わせから直接導かれます。スキャンした文書や撮影したページを送信し、レイアウトを考慮したうえで内容の抽出、要約、再構成を依頼できます。スクリーンショットやインターフェースのキャプチャは、文章による説明に変換したり、期待どおりかどうかを確認したりできます。動画入力は、要約、クリップ内で何が起きているかについての質問応答、録画資料からの構造化メモの抽出といったタスクを支えます。長い複合メディア入力は、収集した文書、複数ページのレポート、アーカイブを対象とした調査に適しており、チャンクごとに継ぎ合わせるのではなく、一度の推論で処理したい場合に向いています。

呼び出しは api14 の OpenAI 互換 API を通じて、モデル ID z-ai/glm-4.6v を使用して行います。サポートされ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。したがって、ツール呼び出しと構造化出力は tools、tool_choice、response_format を通じて利用でき、reasoning と include_reasoning パラメータによって推論の提示方法を制御できます。サンプリングは temperature、top_p、top_k、seed、各種ペナルティパラメータ、stop シーケンスで調整でき、max_tokens は応答長を制限します。

タスクに画像、ドキュメント、動画が含まれない場合、テキスト専用モデルのほうが実行はより簡単で安価になる可能性があります。マルチモーダル入力の経路は視覚および複合メディアの作業のために存在するからです。動画と画像の入力も、実際に何を抽出する必要があるかに依存します。長い入力に対する単純なテキスト生成では、視覚機能は何も追加しません。それ以外の場合、131072 トークンのコンテキスト、32768 トークンの最大出力、ツールサポートの組み合わせは、ほとんどのドキュメント、スクリーンショット、動画分析のワークロードをカバーします。