Z.ai: GLM 4.6V

GLM 4.6V é um modelo multimodal grande da Z.ai, listado em api14 sob o id de modelo z-ai/glm-4.6v. Está na categoria de texto, e a Z.ai descreve-o como sendo construído para compreensão visual de alta fidelidade e raciocínio de contexto longo em imagens, documentos e multimédia mista. Foi lançado pelo fornecedor em 8 de dezembro de 2025.

O modelo aceita imagem, texto e vídeo como entrada e devolve texto. A sua janela de contexto é de 131072 tokens, e a saída máxima é de 32768 tokens. A Z.ai observa que lida com layouts de página complexos e funciona em contextos longos que abrangem até 128K tokens, o que o torna adequado para material onde a estrutura visual importa tanto quanto as palavras. Como a saída é apenas texto, é um modelo de leitura e raciocínio, e não um gerador de imagens ou vídeo.

Os usos práticos decorrem diretamente dessa combinação. Pode enviar documentos digitalizados ou páginas fotografadas e pedir que o conteúdo seja extraído, resumido ou reestruturado tendo em conta o layout. Capturas de ecrã e capturas de interface podem ser convertidas em descrições escritas ou verificadas face ao esperado. A entrada de vídeo suporta tarefas como resumo, resposta a perguntas sobre o que acontece num clipe, ou extração de notas estruturadas a partir de material gravado. Entradas longas de multimédia mista são adequadas para investigação sobre documentos recolhidos, relatórios de várias páginas e arquivos onde se pretende uma única passagem de raciocínio em vez de junção fragmento a fragmento.

Chama-o através da API compatível com OpenAI da api14 usando o id de modelo z-ai/glm-4.6v. Os parâmetros de pedido suportados são frequency_penalty, include_reasoning, max_tokens, presence_penalty, reasoning, repetition_penalty, response_format, seed, stop, temperature, tool_choice, tools, top_k e top_p. A chamada de ferramentas e a saída estruturada estão, portanto, disponíveis através de tools, tool_choice e response_format, e os parâmetros reasoning e include_reasoning permitem controlar como o raciocínio é apresentado. A amostragem pode ser ajustada com temperature, top_p, top_k, seed, os parâmetros de penalização e sequências de paragem, enquanto max_tokens limita o comprimento da resposta.

Se a sua tarefa não envolver imagens, documentos ou vídeo, um modelo apenas de texto pode ser mais simples e mais barato de executar, uma vez que o percurso de entrada multimodal existe para trabalho visual e de multimédia mista. As entradas de vídeo e imagem também dependem do que realmente precisa de extrair; para geração de texto simples sobre entradas longas, as capacidades visuais não acrescentam nada. Caso contrário, a combinação de um contexto de 131072 tokens, saída máxima de 32768 tokens e suporte de ferramentas cobre a maioria das cargas de trabalho de análise de documentos, capturas de ecrã e vídeo.