GLM-4.6VOtevřený multimodální GLM od Z.ai sjednocuje vnímání obrazu, text a volání nástrojů pro dlouhotrvající úsudkové rozmyslení, vyhledávání, kódování a UI-ke-kódování.

GLM-4.6V je multimodální velký jazykový model, který rozšiřuje své kontextové okno na 128k tokenů a dosahuje nejmodernějšího výkonu v oblasti vizuálního porozumění. Integruje nativní schopnosti volání funkcí, což umožňuje jednotný technický základ pro multimodální agenty v reálných obchodních scénářích. GLM-4.6V může přijímat multimodální vstupy a automaticky generovat vysoce kvalitní, strukturovaný obsah proložený obrázky a textem, provádět složité porozumění dokumentům a provádět vizuální hledání a vyhledávání. Tento model poskytuje několik schopností a scénářů, včetně inteligentního vytváření obsahu s obrázky a textem a jeho rozvržení, vizuálního vyhledávání na webu a generování zpráv s bohatými médii a také dlouhodobé porozumění kontextu. Může přijímat smíšené vstupy textu a obrázků, generovat vysoce kvalitní obsah a provádět vizuální audit kandidátských obrázků. Multimodální vyhledávací a analytický pracovní postup GLM-4.6V umožňuje plynulý přechod od vizuálního vnímání k online vyhledávání a generování strukturovaných zpráv. Udržuje multimodální povědomí o kontextu a provádí uvažování založené jak na textových, tak na vizuálních informacích. Tento model poskytuje několik schopností a scénářů, včetně rozpoznávání záměru a plánování vyhledávání, alignmentu multimodálních výsledků a uvažování s generováním bohatých mediálních sestav.