Z.ai: GLM 4.6V

GLM 4.6V to duży model multimodalny od Z.ai, wymieniony na api14 pod identyfikatorem modelu z-ai/glm-4.6v. Należy do kategorii tekstowej, a Z.ai opisuje go jako zbudowany do wiernego rozumienia wizualnego i rozumowania na długim kontekście w obrazach, dokumentach i mediach mieszanych. Został wydany przez dostawcę 8 grudnia 2025.

Model przyjmuje obraz, tekst i wideo jako dane wejściowe i zwraca tekst. Jego okno kontekstowe wynosi 131072 tokeny, a maksymalne wyjście to 32768 tokenów. Z.ai zauważa, że obsługuje złożone układy stron i działa na długich kontekstach sięgających do 128K tokenów, co czyni go odpowiednim dla materiałów, w których struktura wizualna ma znaczenie tak samo jak słowa. Ponieważ wyjście jest wyłącznie tekstowe, jest to model do czytania i rozumowania, a nie generator obrazów lub wideo.

Praktyczne zastosowania wynikają bezpośrednio z tego połączenia. Możesz wysyłać zeskanowane dokumenty lub sfotografowane strony i prosić o wyodrębnienie, podsumowanie lub przekształcenie treści z uwzględnieniem układu. Zrzuty ekranu i przechwycone interfejsy można zamieniać na opisy tekstowe lub sprawdzać względem oczekiwań. Wejście wideo obsługuje zadania takie jak podsumowywanie, odpowiadanie na pytania o to, co dzieje się w klipie, lub wyciąganie uporządkowanych notatek z nagranego materiału. Długie wejścia mieszane nadają się do badań nad zebranymi dokumentami, wielostronicowymi raportami i archiwami, w których chcesz jednego przebiegu rozumowania zamiast sklejania fragment po fragmencie.

Wywołujesz go przez zgodne z OpenAI API api14, używając identyfikatora modelu z-ai/glm-4.6v. 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. Wywoływanie narzędzi i wyjście strukturalne są więc dostępne przez tools, tool_choice i response_format, a parametry reasoning i include_reasoning pozwalają kontrolować sposób ujawniania rozumowania. Próbkowanie można dostroić za pomocą temperature, top_p, top_k, seed, parametrów kary i sekwencji stop, a max_tokens ogranicza długość odpowiedzi.

Jeśli twoje zadanie nie obejmuje obrazów, dokumentów ani wideo, model wyłącznie tekstowy może być prostszy i tańszy w użyciu, ponieważ ścieżka wejścia multimodalnego istnieje dla pracy z materiałem wizualnym i mieszanym. Wejścia wideo i obrazów zależą też od tego, co faktycznie chcesz wyodrębnić; przy zwykłym generowaniu tekstu na długich wejściach możliwości wizualne nic nie dodają. W przeciwnym razie połączenie kontekstu 131072 tokenów, maksymalnego wyjścia 32768 tokenów i obsługi narzędzi pokrywa większość zadań analizy dokumentów, zrzutów ekranu i wideo.