GLM-4.6VModel multimodal GLM open-source de la Z.ai care unește viziunea, textul și apelurile de instrumente pentru raționament pe contexte lungi, căutare, codare și interfață de utilizator către cod.

GLM-4.6V este un model de limbă mare cu moduri multiple care escaladează fereastra de context la 128k de tokens și atinge performanțele maxime în înțelegerea vizuală. Este integrat cu capacitatea de apelare nativă și permite o bază tehnică unitară pentru agenții multimodali în scenarii reale de afaceri. GLM-4.6V poate accepta intrări multimodale și generează automat conținut intercalați de imagine-textă de calitate înaltă structurată, efectuează înțelegerea documentelor complexe și efectuează căutarea și recuperarea vizuală. Modelul acesta oferă mai multe capacitați și scenarii, inclusiv crearea de conținut inteligent de tip text-imagine, precum și de design al layout-ului, căutarea web vizuală și crearea de rapoarte media bogate, și înțelegerea conținutului cu lungă durată. El poate accepta intrări mixte text-imagine, poate genera conținut de calitate înaltă și poate efectua o audit vizual pe imaginile candidat. Fluxul de căutare și analiză multimodală al GLM-4.6V permite o deplasare neîntreruptă de la percepție vizuală la recuperarea online și generarea raportului structurat. El menține conștientizarea contextului multimodală și efectuează raționament așezat pe informația ambalată atât textulă, cât și vizuală. Modelul oferă diverse capabilități și scenarii, inclusiv recunoașterea intențiilor și planificarea de căutare, alinierea rezultatelor multimodale și raționament cu generarea raportului de media bogată.