Z.ai: GLM 4.5V

GLM 4.5V to model językowo-wizyjny od Z.ai, wydany 11 sierpnia 2025. Jest zbudowany na architekturze Mixture-of-Experts z 106B parametrów łącznie i 12B aktywowanych parametrów, a Z.ai opisuje go jako model bazowy dla multimodalnych aplikacji agentowych. Znajduje się w kategorii tekstowej na api14, gdzie można go znaleźć podczas przeglądania modeli.

Model przyjmuje tekst i obrazy jako dane wejściowe i zwraca tekst. Jego okno kontekstowe wynosi 65 536 tokenów, a maksymalne wyjście to 16 384 tokenów. Data odcięcia wiedzy to 31 grudnia 2024. Ponieważ obsługuje zarówno tekst, jak i obrazy, może pracować na promptach łączących pisemne instrukcje z materiałem wizualnym, a obsługa rozumowania oznacza, że może generować pośrednie rozumowanie obok swoich odpowiedzi.

Praktyczne zastosowania wynikają z tego połączenia. Możesz wysłać zrzut ekranu, diagram, wykres lub zdjęcie razem z pytaniem i otrzymać pisemną odpowiedź, co pasuje do rozumienia dokumentów i interfejsów, odpowiadania na pytania wizualne oraz zadań podpisywania lub opisywania. Obsługa wywoływania narzędzi czyni go kandydatem do przepływów pracy w stylu agentowym, w których model decyduje, kiedy wywołać funkcję, a opcja rozumowania pasuje do problemów, które korzystają z analizy krok po kroku przed ostateczną odpowiedzią. Długie dane wejściowe są wykonalne w kontekście 65 536 tokenów, więc prompty z wieloma obrazami lub długim tekstem plus obrazem są możliwe.

Wywołujesz go przez kompatybilne z OpenAI API api14, używając identyfikatora modelu "z-ai/glm-4.5v". Obsługiwane parametry żądania to frequency_penalty, include_reasoning, max_tokens, presence_penalty, reasoning, repetition_penalty, response_format, seed, stop, temperature, tool_choice, tools, top_k i top_p. Jeśli już używasz klienta w stylu OpenAI, kierujesz go na bazowy URL api14, ustawiasz pole model na ten identyfikator i przekazujesz dowolny z tych parametrów w razie potrzeby. Użyj max_tokens, aby ograniczyć długość wyjścia, temperature, top_p i top_k, aby sterować próbkowaniem, oraz pary tools i tool_choice, gdy chcesz wywoływania funkcji. Parametry reasoning i include_reasoning kontrolują, czy treść rozumowania jest żądana i zwracana.

Pamiętaj o ograniczeniach przy wyborze. Wyjście jest ograniczone do 16 384 tokenów, a model zwraca tylko tekst, więc nie może generować obrazów. Jeśli twoje zadanie jest czysto tekstowe i nie korzysta z danych wejściowych w postaci obrazów ani rozumowania, model wyłącznie tekstowy może być prostszym wyborem. Jeśli potrzebujesz generowania obrazów, a nie rozumienia obrazów, ten model nie jest właściwym wyborem.