استارتاپ هوش مصنوعی چینی ZhiPu AI، که با نام Z.ai نیز شناخته می‌شود، سری GLM-4.6V را منتشر کرده است. این سری، نسل جدیدی از مدل‌های چندوجهی زبان-بینایی (VLM) است که برای استدلال چندوجهی، اتوماسیون فرانت‌اند و استقرار با کارایی بالا بهینه‌سازی شده‌اند.

این انتشار شامل دو مدل در اندازه‌های «بزرگ» و «کوچک» است: GLM-4.6V (106B)، یک مدل بزرگ با 106 میلیارد پارامتر که برای استنتاج در مقیاس ابری طراحی شده است و GLM-4.6V-Flash (9B)، یک مدل کوچکتر با تنها 9 میلیارد پارامتر که برای برنامه‌های محلی با تأخیر کم طراحی شده است. به طور کلی، مدل‌هایی با پارامترهای بیشتر، قدرتمندتر، کارآمدتر و قادر به عملکرد در سطح بالاتری در طیف گسترده‌تری از وظایف هستند.

با این حال، مدل‌های کوچکتر می‌توانند کارایی بهتری برای برنامه‌های لبه یا بی‌درنگ داشته باشند، جایی که تأخیر و محدودیت منابع حیاتی هستند. نوآوری اصلی در این سری، معرفی فراخوانی تابع بومی در یک مدل زبان-بینایی است – که امکان استفاده مستقیم از ابزارهایی مانند جستجو، برش یا تشخیص نمودار با ورودی‌های بصری را فراهم می‌کند.

با طول متن 128000 توکنی (معادل 300 صفحه رمان) در یک تعامل ورودی/خروجی با کاربر و نتایج پیشرفته (SoTA) در بیش از 20 معیار سنجش، سری GLM-4.6V خود را به عنوان یک جایگزین بسیار رقابتی برای مدل‌های VLM منبع بسته و منبع باز قرار می‌دهد. این مدل در قالب‌های زیر در دسترس است: دسترسی به API از طریق سازگاری OpenAI.