ยืนยันแล้วความเชื่อมั่นของวันที่: ยืนยันแล้วระบุว่าแน่นอนแหล่งที่มาระบุวันที่ชัดเจนเพียงใด: ยืนยันแล้ว กำหนดการ ประมาณการ เลื่อน หรือยังไม่ยืนยันแสดงหมุดทั้งหมดที่เป็น ยืนยันแล้วความเชื่อมั่น 84%ความเชื่อมั่นโดยรวม: 84%แหล่งที่มาและแหล่งอ้างอิงของหมุดยืนยันวันที่ได้ดีเพียงใดค่าเฉลี่ยถ่วงน้ำหนักว่าแหล่งอ้างอิง 5 แหล่ง รวมแหล่งที่มา สนับสนุนเวลาเริ่มและสิ้นสุดของหมุดมากเพียงใด แหล่งอ้างอิงจะมีน้ำหนักลดลงครึ่งหนึ่งทุก ๆ 180 วันที่เก่ากว่าแหล่งล่าสุดแสดงหมุดทั้งหมดที่มีความเชื่อมั่น 75% ขึ้นไป
AI Gateway ของ Vercel[5] ระบุว่า GLM-5V-Turbo "เปิดตัวเมื่อวันที่ 1 เมษายน 2026" และ OpenRouter แสดง z-ai/glm-5v-turbo ด้วยวันที่สร้าง 1 เมษายน 2026 ส่วนโพสต์ของ SiliconFlow[4] เมื่อวันที่ 2 เมษายนระบุว่า "เปิดให้ใช้งานอย่างเป็นทางการแล้ว" และ The Decoder[2] รายงานเมื่อวันที่ 3 เมษายน เอกสารสำหรับนักพัฒนาของ Z.ai ไม่มีประกาศที่ระบุวันที่สำหรับโมเดลนี้ วันที่จึงอิงตามรายการเหล่านั้น- เริ่ม
- 1 เม.ย. 2026ความเชื่อมั่น 91%จาก vercel.com
เปิดตัว GLM-5V-Turbo
แปลอัตโนมัติจากต้นฉบับ
ชื่อต้นฉบับ: GLM-5V-Turbo Released
Z.ai (Zhipu AI) เปิดตัว GLM-5V-Turbo โมเดลพื้นฐานด้านการเขียนโค้ดแบบมัลติโมดัลรุ่นแรก ซึ่งแปลงแบบร่างดีไซน์ ภาพหน้าจอ และวิดีโอเป็นโค้ดฟรอนต์เอนด์ที่รันได้ และทำคะแนน 94.8 บน Design2Code เทียบกับ 77.3 ของ Claude Opus 4.6
- Z.ai เปิดตัว GLM-5V-Turbo เมื่อวันที่ 1 เมษายน 2026 ในฐานะโมเดลพื้นฐานด้านการเขียนโค้ดแบบมัลติโมดัลรุ่นแรกของตระกูล GLM ออกแบบมาเพื่ออ่านภาพหน้าจอ แบบร่างดีไซน์ เอกสาร และวิดีโอ แล้วเขียนโค้ดที่อยู่เบื้องหลัง[1][2][5]
- โมเดล "V" อยู่เคียงข้าง GLM-5-Turbo ที่รองรับเฉพาะข้อความ โดยประมวลผลภาพและข้อความร่วมกันตั้งแต่ช่วงพรีเทรน แทนที่จะต่อโมดูลการมองเห็นเข้ากับโมเดลภาษาที่สร้างเสร็จแล้ว ใช้ตัวเข้ารหัสภาพ CogViT ใหม่และการทำนายหลายโทเคนเพื่อการอนุมานที่เร็วขึ้น[1][2]
- ตัวเลขเด่นของ Z.ai คือ 94.8 บน Design2Code เทียบกับ 77.3 ของ Claude Opus 4.6 และ 91.3 ของ Kimi K2.5, 75.7 บน AndroidWorld (Opus 4.6: 62.0) และ 88.5 บน WebVoyager (88.0) ส่วน Opus 4.6 ยังนำอยู่บน Flame-VLM-Code (98.8 ต่อ 93.8) และ OSWorld (72.2 ต่อ 62.3)[1][2][3]
- Z.ai ระบุว่าการเพิ่มความสามารถด้านภาพไม่ได้ทำให้การเขียนโค้ดจากข้อความอย่างเดียวแย่ลง ผลลัพธ์คงที่ทั้งสามแทร็กของ CC-Bench-V2 (แบ็กเอนด์ ฟรอนต์เอนด์ การสำรวจรีโพ) และโมเดลยังทำคะแนนได้ดีบน PinchBench, ClawEval และ ZClawBench สำหรับการทำงานของเอเจนต์[1][2]
- ผสานเข้ากับ Claude Code และ OpenClaw ทำให้สามารถท่องเว็บไซต์ ทำแผนผังการเปลี่ยนหน้า และสร้างเว็บไซต์ขึ้นใหม่จากสิ่งที่เห็น แทนที่จะอิงภาพหน้าจอเพียงภาพเดียว[1][2]
ฟีเจอร์เด่น
- รองรับอินพุตวิดีโอ ภาพ ข้อความ และไฟล์ พร้อมเอาต์พุตข้อความ บริบท 200K โทเคน และเอาต์พุตสูงสุด 128K โทเคน มีโหมดคิด สตรีมมิง การเรียกใช้ฟังก์ชัน และการแคชบริบท[1][2]
- การเรียนรู้แบบเสริมกำลังครอบคลุมงานมากกว่า 30 ประเภท ตั้งแต่ STEM และการกำหนดตำแหน่งเชิงภาพ ไปจนถึงวิดีโอ เอเจนต์ GUI และเอเจนต์เขียนโค้ด พร้อมชุดเครื่องมือมัลติโมดัลสำหรับการวาดกรอบ ภาพหน้าจอ และการอ่านหน้าเว็บ[1][2]
- ราคา $1.20 ต่อโทเคนอินพุตหนึ่งล้านโทเคน และ $4.00 ต่อโทเคนเอาต์พุตหนึ่งล้านโทเคน[3][5]
- มี "Skills" อย่างเป็นทางการสำหรับการสร้างคำบรรยายภาพ การกำหนดตำแหน่งเชิงภาพ การเขียนที่อิงเอกสาร การคัดกรองเรซูเม่ และการสร้างพรอมต์ เผยแพร่อยู่บน ClawHub[1]
- DataNorth รายงานว่ามีพารามิเตอร์รวม 744B และทำงาน 40B ส่วนเอกสารของ Z.ai เองไม่ได้ระบุขนาด[3]
เกณฑ์มาตรฐาน
ภาพผลลัพธ์มัลติโมดัลของ Z.ai ถอดความจากหน้าเอกสาร[1]; เครื่องหมายขีดหมายถึงผู้พัฒนาไม่ได้แสดงคะแนน
| เกณฑ์มาตรฐาน | GLM-5V-Turbo | Kimi K2.5 | Claude Opus 4.6 |
|---|---|---|---|
| การเขียนโค้ดแบบมัลติโมดัล | |||
| 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 |
| เอเจนต์ GUI | |||
| OSWorld | 62.3 | 63.3 | 72.2 |
| AndroidWorld | 75.7 | 43.1 | 62.0 |
| WebVoyager | 88.5 | 84.3 | 88.0 |