Z.ai: GLM 4.5V

GLM 4.5V är en vision-language-modell från Z.ai, släppt den 11 augusti 2025. Den är byggd på en Mixture-of-Experts-arkitektur med 106B totala parametrar och 12B aktiverade parametrar, och Z.ai beskriver den som en grundmodell för multimodala agentapplikationer. Den ligger i textkategorin på api14, vilket är där du hittar den när du bläddrar bland modeller.

Modellen tar emot text och bilder som indata och returnerar text. Dess kontextfönster är 65 536 tokens, och maximal utdata är 16 384 tokens. Kunskapsavgränsningen är den 31 december 2024. Eftersom den hanterar både text och bilder kan den arbeta med prompts som blandar skriftliga instruktioner med visuellt material, och dess resonemangsstöd innebär att den kan producera mellanliggande resonemang tillsammans med sina svar.

Praktiska användningsområden följer av den kombinationen. Du kan skicka en skärmbild, ett diagram, ett schema eller ett foto tillsammans med en fråga och få ett skriftligt svar, vilket passar dokument- och gränssnittsförståelse, visuell frågebesvarande samt bildtexts- eller beskrivningsuppgifter. Stödet för verktygsanrop gör den till en kandidat för agentliknande arbetsflöden där modellen avgör när en funktion ska anropas, och resonemangsalternativet passar problem som gynnas av stegvis analys före ett slutligt svar. Långa indata är genomförbara inom kontexten på 65 536 tokens, så prompts med flera bilder eller lång text plus bild är möjliga.

Du anropar den via api14:s OpenAI-kompatibla API med modell-id:t "z-ai/glm-4.5v". De begärda parametrarna som stöds är frequency_penalty, include_reasoning, max_tokens, presence_penalty, reasoning, repetition_penalty, response_format, seed, stop, temperature, tool_choice, tools, top_k och top_p. Om du redan använder en klient i OpenAI-stil pekar du den mot api14:s bas-URL, ställer in modellfältet till det id:t och skickar någon av dessa parametrar efter behov. Använd max_tokens för att begränsa utdatalängden, temperature, top_p och top_k för att styra samplingen, och paret tools och tool_choice när du vill ha funktionsanrop. Parametrarna reasoning och include_reasoning styr huruvida resonemangsinnehåll begärs och returneras.

Tänk på gränserna när du väljer. Utdata är begränsad till 16 384 tokens, och modellen returnerar endast text, så den kan inte generera bilder. Om din uppgift är helt textbaserad och inte gynnas av bildindata eller resonemang kan en textbaserad modell vara en enklare lösning. Om du behöver bildgenerering snarare än bildförståelse är den här modellen inte rätt val.