Z.ai: GLM 5V Turbo

GLM 5V TurboはZ.aiのモデルで、プロバイダーによって2026-04-01にモデルID z-ai/glm-5v-turboとしてリリースされました。Z.aiはこれを、初のネイティブマルチモーダルエージェント基盤モデルであり、視覚ベースのコーディングとエージェント駆動タスク向けに構築されたと説明しています。api14上ではテキストカテゴリに位置し、これはテキストを返すという事実を反映していますが、その入力はテキストにとどまりません。

このモデルは画像、動画、テキストを入力として受け取り、テキストを出力として生成します。これらのモダリティを別々の前処理段階を経由するのではなくネイティブに処理します。これは、1つのリクエストにスクリーンショット、クリップ、書面による指示が混在する場合に重要です。コンテキストウィンドウは202752トークンで、最大出力は131072トークンです。この組み合わせにより、同じ呼び出しで長い入力と長い生成をサポートするため、詳細な回答を求める前に大量の資料を圧縮する必要はありません。

Z.aiはGLM 5V Turboを視覚ベースのコーディングとエージェント駆動の作業向けに位置づけています。実際には、これはモデルが何かを見てからそれに基づいて行動しなければならないタスクを意味します。ユーザーインターフェースのスクリーンショットやセッションの動画を読み取り、その背後にあるコードを書いたり修正したりすること、視覚的な参照とともにリポジトリを進めること、または長期的な計画を必要とする多段階のエージェントワークフローを実行することです。要約、抽出、構造化生成といったテキストのみのタスクも、テキストが受け入れられる入力の1つであるため適合します。以下に挙げる推論制御とツールサポートにより、単なる単一ターンの応答者としてだけでなく、エージェントループにおける意思決定コンポーネントとして使用できます。

これは、モデルID「z-ai/glm-5v-turbo」を使用してapi14のOpenAI互換APIを通じて呼び出します。エンドポイントはOpenAIスキーマに従っているため、既存のクライアントとSDKはベースURLとモデル名を変更するだけで動作します。サポートされるリクエストパラメータは、include_reasoning、max_tokens、reasoning、response_format、temperature、tool_choice、tools、top_k、top_pです。要するに、出力長を制限し、temperature、top_p、top_kでサンプリングを調整し、response_formatを介して構造化出力を要求し、toolsとtool_choiceを通じて関数を公開し、reasoningとinclude_reasoningフラグで推論を制御できます。

コミットする前に確認すべき主な点は出力モダリティです。GLM 5V Turboはテキストのみを返すため、生成画像、音声、その他の非テキスト出力が必要な場合は、別のモデルの方が適しています。同様に、ワークロードが純粋にテキストであり、視覚入力やエージェント形式のツール使用から恩恵を受けない場合、ここでのマルチモーダル機能は必要以上かもしれません。画像、動画、テキストが混在する入力で、コード、計画、構造化データといったテキストで終わる場合、このモデルはまさにその形のタスク向けに設計されています。