GLM-4.6VOpen-source multimodálny GLM od Z.ai zjednocujúci víziu, text a volanie nástrojov pre dlhodobé uvažovanie, vyhľadávanie, kódovanie a UI-to-code.

GLM-4.6V je multimodálny veľký jazykový model, ktorý rozširuje svoje kontextové okno na 128k tokenov a dosahuje najmodernejšie výkony v oblasti vizuálneho porozumenia. Integruje natívne možnosti volania funkcií, čo umožňuje jednotný technický základ pre multimodálne agenty v reálnych obchodných scenároch. GLM-4.6V môže akceptovať multimodálne vstupy a automaticky generovať vysokokvalitný, štrukturovaný obsah s preloženými obrázkami a textom, vykonávať komplexné porozumenie dokumentov a vykonávať vizuálne vyhľadávanie a získavanie. Tento model poskytuje niekoľko schopností a scenárov, vrátane inteligentného vytvárania obsahu s obrázkom a textom a jeho rozloženia, vizuálneho vyhľadávania na webe a generovania správ bohatých na médiá, ako aj porozumenia dlhému kontextu. Môže akceptovať zmiešané vstupy textu a obrazu, generovať vysokokvalitný obsah a vykonávať vizuálny audit kandidátskych obrázkov. Multimodálny pracovný postup vyhľadávania a analýzy GLM-4.6V umožňuje plynulý prechod od vizuálneho vnímania k online vyhľadávaniu a generovaniu štrukturovaných správ. Udržiava multimodálnu kontextovú informovanosť a vykonáva uvažovanie založené na textových a vizuálnych informáciách. Tento model poskytuje niekoľko schopností a scenárov, vrátane rozpoznávania zámerov a plánovania vyhľadávania, zosúladenia multimodálnych výsledkov a uvažovania s generovaním bohatých mediálnych správ.