GLM-4.6Vオープンソースのマルチモーダル GLM から Z.ai により、視覚、テキスト、ツールコールを統合する長文脈推論、検索、コード作成、および UI-to-code.

GLM-4.6Vはマルチモーダルラグランジュモデルであり、128kトークンのコンテキストウィンドをスケールし、視覚理解における最先端のパフォーマンスを実現します。このモデルは、機能呼び出しを組み込んでおり、現実世界のビジネスシナリオにおけるマルチモーダルエージェントへの統一的なテクニカルプレーンを提供します。GLM-4.6Vはマルチモーダル出力を受け入れ、自動で高品質の構造化された画像・テキスト交互表示コンテンツを生成し、複雑なドキュメント理解を実行し、視覚検索および回収を実行することができます。 このモデルにより、次のような機能やシナリオが提供されます。例えば、画像・テキストのコンテンツ作成およびレイアウト、画像ベースのウェブ検索、そして高彩度メディアレポート生成など、長い文脈を理解したものです。これにより、テキストと画像の組み合わせを入力できるようになり、質の高いコンテンツを生成することができ、候補イメージに対する視覚的アウディットの機能も提供されます。 GLM-4.6Vのマルチモーダル サーチ・アンド アナリシス ワークフローは、視覚認識からオンラインリテラルと構造化レポート生成まで、スムーズな移動を可能にする。マルチモーダル コンテキスト認識を保ちつつ、テキスト的および視覚的情報に基づく論理的な推論を実行する。 このモデルは、インテント認識、検索計画、多モーダル結果一致、rich media による情報生成機能などの複数機能やシナリオを提供しています。