ยืนยันแล้วความเชื่อมั่นของวันที่: ยืนยันแล้วระบุว่าแน่นอนแหล่งที่มาระบุวันที่ชัดเจนเพียงใด: ยืนยันแล้ว กำหนดการ ประมาณการ เลื่อน หรือยังไม่ยืนยันแสดงหมุดทั้งหมดที่เป็น ยืนยันแล้วความเชื่อมั่น 87%ความเชื่อมั่นโดยรวม: 87%แหล่งที่มาและแหล่งอ้างอิงของหมุดยืนยันวันที่ได้ดีเพียงใดค่าเฉลี่ยถ่วงน้ำหนักว่าแหล่งอ้างอิง 5 แหล่ง รวมแหล่งที่มา สนับสนุนเวลาเริ่มและสิ้นสุดของหมุดมากเพียงใด แหล่งอ้างอิงจะมีน้ำหนักลดลงครึ่งหนึ่งทุก ๆ 180 วันที่เก่ากว่าแหล่งล่าสุดแสดงหมุดทั้งหมดที่มีความเชื่อมั่น 75% ขึ้นไป
VentureBeat[4] รายงานเมื่อวันที่ 8 ธันวาคม 2025 (5:03 pm PT) ว่า Z.ai "has released its GLM-4.6V series" และ OpenRouter[5] ลงรายการ z-ai/glm-4.6v ในวันที่ 8 ธันวาคม ส่วนคลังข้อมูล Hugging Face[1] อัปโหลดเมื่อวันที่ 7 ธันวาคม UTC และวิดีโอกรณีศึกษาการเปิดตัวบน docs.z.ai[2] ติดป้ายว่า 1208- เริ่ม
- 8 ธ.ค. 2025ความเชื่อมั่น 90%แหล่งที่มา
เปิดตัว GLM-4.6V และ GLM-4.6V-Flash
แปลอัตโนมัติจากต้นฉบับ
ชื่อต้นฉบับ: GLM-4.6V and GLM-4.6V-Flash Released
Z.ai เปิดตัว GLM-4.6V โมเดลวิชัน-ภาษาแบบมิกซ์เจอร์ออฟเอ็กซ์เพิร์ต 106B และ GLM-4.6V-Flash ขนาด 9B ภายใต้สัญญาอนุญาต MIT เป็นโมเดล GLM-V รุ่นแรกที่รองรับการเรียกฟังก์ชันแบบเนทีฟ ฝึกสำหรับบริบท 128K โทเคน และมีราคา $0.30 ต่อล้านโทเคนอินพุต
- Z.ai (Zhipu AI) เปิดตัวซีรีส์ GLM-4.6V เมื่อวันที่ 8 ธันวาคม 2025 ได้แก่ GLM-4.6V โมเดล 106B (เปิดใช้งาน 12B ตามแผนภูมิของ Z.ai) สำหรับคลาวด์และคลัสเตอร์ และ GLM-4.6V-Flash โมเดล 9B สำหรับใช้งานในเครื่องและความหน่วงต่ำ ทั้งสองอยู่ภายใต้สัญญาอนุญาต MIT และฝึกด้วยบริบท 128K โทเคน[1][2][4]
- จุดเด่นคือการเรียกฟังก์ชันแบบเนทีฟในโมเดลวิชัน-ภาษาเป็นครั้งแรกในสาย GLM-V: ส่งรูปภาพ ภาพหน้าจอ และหน้าเอกสารเข้าเครื่องมือเป็นพารามิเตอร์ได้โดยตรง และอ่านเอาต์พุตของเครื่องมือ เช่น แผนภูมิ ภาพจากการค้นหา หรือหน้าที่เรนเดอร์แล้วกลับมาในเชิงภาพ ปิดวงจรจากการรับรู้สู่การลงมือทำ[1][2]
- Z.ai รายงานผลระดับแนวหน้าในหมู่โมเดลเปิดขนาดใกล้เคียงกันบนเบนช์มาร์กมัลติโมดัลมากกว่า 20 รายการ ในแผนภูมิของบริษัท GLM-4.6V ได้ 88.8 บน MMBench V1.1, 85.2 บน MathVista, 88.6 บน Design2Code (GLM-4.5V 82.2) และ 37.2 บน OSWorld (35.8) ขณะที่ตกลงบน WebVoyager (81.0 เทียบกับ 84.4) และ RefCOCO (88.6 เทียบกับ 91.3)[1][2]
- ราคา API คือ $0.30 ต่อล้านโทเคนอินพุต และ $0.90 ต่อล้านโทเคนเอาต์พุต GLM-4.6V-Flash ใช้ฟรี และ docs.z.ai ยังแสดงระดับ FlashX ด้วย ส่วน OpenRouter แสดงราคาเดียวกันพร้อมบริบท 131,072 โทเคน[4][5]
- การ์ดโมเดลของ Z.ai ยอมรับว่าการตอบคำถามที่เป็นข้อความล้วนยังมีที่ให้ปรับปรุง โมเดลอาจคิดมากเกินไปหรือพูดซ้ำเมื่อเจอพรอมต์ซับซ้อน และการนับกับการระบุตัวบุคคลเฉพาะยังคงอ่อน[1]
ฟีเจอร์เด่น
- การสร้างภาพและข้อความสลับกันโดยใช้เครื่องมือค้นหาและดึงข้อมูลเพื่อหาและคัดเลือกภาพเพิ่มเติมระหว่างเขียน และการค้นหาเว็บเชิงภาพพร้อมการสร้างรายงานหลายขั้นตอน[1][2]
- การจำลองฟรอนต์เอนด์และการแก้ไขเชิงภาพ: สร้าง HTML, CSS และ JavaScript ที่ตรงระดับพิกเซลจากภาพหน้าจอ UI และทำการแก้ไขตามคำสั่งภาษาธรรมชาติ รวมถึงการดีบักเชิงภาพ[1][2]
- การทำความเข้าใจเอกสารบริบทยาวที่ Z.ai ระบุว่าครอบคลุมเอกสารราว 150 หน้า สไลด์ 200 แผ่น หรือวิดีโอหนึ่งชั่วโมงในรอบเดียว รวมถึงการให้เหตุผลหลายภาพและการตรวจจับวัตถุที่คืนค่าป้ายกำกับและกรอบล้อมในรูปแบบ JSON[2]
- ตระกูล GLM-V ได้รับการอธิบายไว้ในเปเปอร์ที่แนะนำ GLM-4.1V-Thinking และ GLM-4.5V โดยเวอร์ชันถัดมาเพิ่มซีรีส์ GLM-4.6V ที่ใช้เครื่องมือแบบเนทีฟและหน้าต่าง 128K[3]
เกณฑ์มาตรฐาน
ชุดย่อยของแถวจากแผนภูมิผลลัพธ์ GLM-4.6V ของ Z.ai (รูปภาพบนการ์ดโมเดลและ docs.z.ai) สำหรับโมเดลแบบคิด; "/" หมายถึงไม่ได้รายงาน[1].
| เกณฑ์มาตรฐาน | GLM-4.6V (106B) | GLM-4.6V-Flash (9B) | GLM-4.5V (106B) | Qwen3-VL-8B-Thinking | Qwen3-VL-235B-A22B-Thinking |
|---|---|---|---|---|---|
| MMBench V1.1 | 88.8 | 86.9 | 88.2 | 84.3* | 90.6 |
| MMStar | 75.9 | 74.7 | 75.3 | 75.3 | 78.7 |
| MMMU (Val) | 76.0 | 71.1 | 75.4 | 74.1 | 80.6 |
| MMMU-Pro | 66.0 | 60.6 | 65.2 | 60.4 | 69.3 |
| MathVista | 85.2 | 82.7 | 84.6 | 81.4 | 85.8 |
| AI2D | 88.8 | 89.2 | 88.1 | 84.9 | 89.2 |
| Design2Code | 88.6 | 69.8 | 82.2 | 56.6* | 93.4 |
| OSWorld | 37.2 | 21.1 | 35.8 | 33.9 | 38.1 |
| AndroidWorld | 57.0 | 42.7 | 57.0 | 50.0 | / |
| WebVoyager | 81.0 | 71.8 | 84.4 | 47.7* | 30.4* |
| MMLongBench-Doc | 54.9 | 53.0 | 44.7 | 48.0 | 56.2 |
| OCRBench | 86.5 | 84.7 | 86.5 | 81.9 | 87.5 |
| ChartQAPro | 65.5 | 62.6 | 64.0 | 58.4* | 63.6* |
| RefCOCO-avg (val) | 88.6 | 85.6 | 91.3 | 89.3* | 92.4 |
| Ref-L4-test | 88.9 | 87.7 | 89.5 | 88.6* | 90.4 |
ซื้อที่Z.ai