GLM-4.6VModèle de langage GLM unissant vision, texte et appels d'outils ouverts source par Z.ai pour la raison de longue durée, les recherches, la codification et UI-to-code.

GLM-4.6V est un modèle de langage multimodal à grande échelle qui étend sa fenêtre de contexte à 128k tokens et atteint des performances à l'état de l'art en compréhension visuelle. Il intègre des capacités d'appel de fonctions natives, permettant une base technique unifiée pour les agents multimodaux dans des scénarios commerciaux réels. GLM-4.6V peut accepter des entrées multimodales et générer automatiquement du contenu à haute qualité et structuré, avec des images et du texte entrelacés, effectuer une compréhension complexe de documents et effectuer une recherche et une récupération visuelles. Ce modèle offre plusieurs capacités et scénarios, notamment la création et la disposition de contenu intelligent image-texte, la recherche visuelle sur le web et la génération de rapports multimédias riches, ainsi que la compréhension de contexte long. Il peut accepter des entrées mixtes texte-image, générer du contenu de haute qualité et effectuer un audit visuel sur les images candidates. Le flux de travail de recherche et d'analyse multimodal de GLM-4.6V permet une transition fluide de la perception visuelle à la récupération en ligne et à la génération de rapports structurés. Il maintient une conscience contextuelle multimodale et effectue un raisonnement ancré à la fois dans des informations textuelles et visuelles. Ce modèle fournit plusieurs capacités et scénarios, notamment la reconnaissance d'intention et la planification de recherche, l'alignement des résultats multimodaux et le raisonnement avec génération de rapports à rich media.