確定日付の確度: 確定確定として発表情報源が日付をどれだけ確定的に述べているか：確定、予定、推定、延期、未確認。「確定」のピンをすべて表示確度 84%総合信頼度: 84%ピンの情報源と参照がその日付をどれだけ裏付けているか。出典を含む 5 件の資料がピンの開始・終了時刻をどれだけ強く裏付けているかの加重平均。最新の資料より180日古くなるごとに重みは半分になります確度75%以上のピンをすべて表示
Vercel[5]のAI GatewayはGLM-5V-Turboを「2026年4月1日にリリース」と記載し、OpenRouterはz-ai/glm-5v-turboの作成日を2026年4月1日としている。SiliconFlow[4]の4月2日の投稿は「正式に公開された」と述べ、The Decoder[2]は4月3日に報じた。Z.aiの開発者向けドキュメントにはこのモデルに関する日付入りの発表がなく、日付はこれらの掲載情報に基づいている。- 開始
- 2026年4月1日確度 91%出典：vercel.com
GLM-5V-Turboリリース
原文から自動翻訳されています
元のタイトル: GLM-5V-Turbo Released
Z.ai（智譜AI）は初のマルチモーダルなコーディング基盤モデルGLM-5V-Turboをリリース。デザインのモックアップ、スクリーンショット、動画を動くフロントエンドコードに変換し、Design2CodeでClaude Opus 4.6の77.3を上回る94.8を記録した。
- Z.aiは2026年4月1日、GLMシリーズ初のマルチモーダルなコーディング基盤モデルGLM-5V-Turboをリリースした。スクリーンショット、デザインのモックアップ、文書、動画を読み取り、その背後にあるコードを書くよう設計されている[1][2][5]
- 「V」モデルはテキスト専用のGLM-5-Turboと並ぶ存在で、完成した言語モデルに視覚モジュールを後付けするのではなく、事前学習の段階から画像とテキストを一緒に処理する。新しいCogViTビジョンエンコーダと、推論を高速化するマルチトークン予測を採用している[1][2]
- Z.aiが挙げる主な数値は、Design2Codeで94.8（Claude Opus 4.6は77.3、Kimi K2.5は91.3）、AndroidWorldで75.7（Opus 4.6は62.0）、WebVoyagerで88.5（88.0）。Flame-VLM-Code（98.8対93.8）とOSWorld（72.2対62.3）ではOpus 4.6が上回る[1][2][3]
- Z.aiによると、視覚機能を加えてもテキストのみのコーディング性能は落ちず、CC-Bench-V2の3つのトラック（バックエンド、フロントエンド、リポジトリ探索）で結果を維持した。エージェントのタスク実行を測るPinchBench、ClawEval、ZClawBenchでも高いスコアを出している[1][2]
- Claude CodeやOpenClawに組み込まれており、サイトを閲覧してページ遷移を把握し、1枚のスクリーンショットではなく実際に見た内容からサイトを再構築できる[1][2]
主な機能
- 動画・画像・テキスト・ファイルの入力とテキスト出力に対応し、コンテキスト200Kトークン、最大出力128Kトークン。思考モード、ストリーミング、関数呼び出し、コンテキストキャッシュをサポート[1][2]
- STEM、グラウンディングから動画、GUIエージェント、コーディングエージェントまで30以上のタスクタイプにわたる強化学習に加え、ボックス描画、スクリーンショット、Webページ読み取りのためのマルチモーダルなツールチェーンを備える[1][2]
- 価格は入力100万トークンあたり$1.20、出力100万トークンあたり$4.00[3][5]
- 画像キャプション生成、ビジュアルグラウンディング、文書に基づく文章作成、履歴書スクリーニング、プロンプト生成のための公式「Skills」がClawHubで公開されている[1]
- DataNorthは総パラメータ744B、アクティブ40Bと報じているが、Z.ai自身のドキュメントには規模の記載がない[3]
ベンチマーク
Z.aiのマルチモーダル結果の画像。ドキュメントページから書き起こし[1]。ダッシュはメーカーがスコアを示していないことを表す。
| ベンチマーク | GLM-5V-Turbo | Kimi K2.5 | Claude Opus 4.6 |
|---|---|---|---|
| マルチモーダルコーディング | |||
| Design2Code | 94.8 | 91.3 | 77.3 |
| Flame-VLM-Code | 93.8 | 88.8 | 98.8 |
| Vision2Web | 31.0 | 33.2 | 43.5 |
| Multimodal ToolUse | |||
| ImageMining | 30.7 | 24.4 | - |
| BrowseComp-VL | 51.9 | 42.9 | 35.9 |
| MMSearch | 72.9 | 58.7 | 63.8 |
| MMSearch-Plus | 30.0 | 25.6 | 25.6 |
| SimpleVQA | 78.2 | 71.5 | 63.2 |
| Facts | 58.6 | 57.8 | - |
| V* | 89.0 | 84.3 | 66.5 |
| GUIエージェント | |||
| OSWorld | 62.3 | 63.3 | 72.2 |
| AndroidWorld | 75.7 | 43.1 | 62.0 |
| WebVoyager | 88.5 | 84.3 | 88.0 |