GLM-4.5VはGLM-4.1Vから大幅な進歩を遂げ、拡張性、マルチモーダル能力、コスト効率が向上しています。ドメイン固有のエキスパート、先進的なビジョンモジュール、Mixture-of-Experts（MoE、混合専門家）アーキテクチャを統合することで、GLM-4.5Vはドキュメント理解、リアルタイム動画OCR、マルチモーダルコンテンツ生成などのタスクで優れた性能を発揮し、多目的で開発者に優しいソリューションとなっています。
GLM 4.1VにはないGLM 4.5Vの特徴
GLM-4.5VはGLM-4.1Vと比較して、はるかに高い汎用性とツール統合能力を示しています。以前は複数の専門モデルが必要だったタスクを簡素化し、基本的な画像認識から複雑な動画分析、ドキュメント処理まで、単一のシステムで全てを処理できます。例えば、GLM-4.5Vはウェブページのスクリーンショットからフロントエンドコードを生成したり、地図画像を分析して位置情報の手がかりを抽出したりできます。外部ツールとの推論統合能力と構造化出力の生成能力により、GLM-4.1Vとは一線を画し、4.5Vはより開発者に優しくスケーラブルなマルチモーダルAIプラットフォームとなっています。
GLM 4.5V vs GLM 4.1V: アーキテクチャ比較
| 項目 | GLM-4.1V | GLM-4.5V |
|---|---|---|
| スケール | 90億パラメータ、高密度トランスフォーマー。 | 総1060億パラメータ、Mixture-of-Experts（MoE）によりアクティブなのは120億。 |
| 専門性 | 汎用モデル。 | MoEによるドメイン固有エキスパートで、タスク性能が向上。 |
| ビジョンモジュール | 2D画像処理のみ対応。 | 動画やGUI認識のために3D畳み込みを追加。 |
| コンテキストエンコーディング | 2D RoPEで約64kトークン対応。 | 3D RoPEで64kトークン＋多次元入力をサポート。 |
| 基盤モデル | GLM-4（90億）をベースに構築。 | GLM-4.5-Airをベースに、言語・マルチモーダル能力を強化。 |
GLM 4.5V vs GLM 4.1V: ベンチマーク比較
From Hugging Face
GLM-4.1Vの成果:
- Qwen-2.5-VL（70億）などの大規模モデルを上回り、小型ながらQwen-72Bに匹敵する性能を発揮。
- 2025年以前の小型モデルにおける最先端（SOTA）を定義。
GLM-4.5Vの進歩:
- 同パラメータ範囲のオープンモデルを上回り、一部の大規模モデルをも凌駕。
- 複数の主要ベンチマークでStep-3（3210億パラメータ）を上回り、効率性と精度の高さを実証。
GLM-4.5Vの主な強み:
- 一般ビジュアルQA、STEM推論、長文書OCRで特に優れた性能を発揮。
- MoEアーキテクチャと先進的なトレーニング最適化を活用し、優れた性能を実現。
GLM 4.5V vs GLM 4.1V: ハードウェア比較
| 項目 | GLM-4.1V | GLM-4.5V |
|---|---|---|
| VRAM要件 | 24GB（例：NVIDIA A100 40GB、RTX 4090） | GPU1基あたり80GB必要。フルデプロイには通常8基の80GB GPUが必要。 |
| GPU構成 | 単一の高性能GPUで十分動作可能。 | マルチGPU構成（例：8基のGPU）またはクラウドGPUクラスタが必要。 |
| CPU互換性 | 最適化によりCPU（非リアルタイム）で動作可能。 | CPUでの動作を想定していない。高度なハードウェアまたはクラウドベースのソリューションが必要。 |
| 量子化オプション | メモリ削減のために16ビット、8ビット、さらには4ビット量子化に対応。 | FP8量子化などのメモリ最適化版を提供し、ハードウェア要件を緩和。 |
柔軟な推論モードと効率的な速度-精度調整を提供することで、GLM-4.5Vはハードウェア要件を最小限に抑え、高性能なユースケースから軽量なリアルタイムユースケースまで幅広く対応可能です。
GLM 4.5V vs GLM 4.1V: アプリケーション比較
GLM 4.5V
- ドキュメント理解
- 複雑なドキュメント内のテキストを認識・分析。
- 手書き文字、スタンプ、透かし、歪みに対応。
- 重要な情報を抽出し、構造化されたサマリーを生成。
- 表認識と再構築
- セル結合やネストされた構造を持つ複雑な表を処理。
- 欠損データを推論し、整合性を確保。
- 画像ベースの表をExcel、CSVなどに変換。
- マルチモーダルコンテンツ生成
- 認識したテキスト、グラフ、画像に基づいてレポートやサマリーを生成。
- トレンド分析と実行可能な提案を提供。
- 手書きのメモやフォームからの作成に対応。
- リアルタイム動画OCR
- 動画ストリームから字幕や画面内のテキストを抽出。
- 動くテキストを動的に追跡し、シーンの変化に適応。
- 複数言語をリアルタイムで認識。
GLM 4.1V
- 教育ツール
- 画像分析を用いたAI推論をステップバイステップで教えるのに最適。
- 回答だけでなく推論過程も出力するため、AIの意思決定プロセスの理解に役立つ。
- 機微な用途
- 医療画像分析など、透明性や思考連鎖（chain-of-thought）の説明が重要な分野で有用。
- 軽量システム
- 最小限のバックエンドリソースでシンプルなウェブアプリやデバイスにデプロイ可能。
- 実験と研究
- コンパクトなモデルサイズにより、計算リソースが限られた研究者や開発者でもアクセス可能。
- チューリングシステム
- インタラクティブな学習環境向けのビジョン-言語能力を提供。
GLM 4.5Vのコストメリット
高性能 LLMOCRテストより
- 総合精度: 1000種類の混合ドキュメントで98.7%。
- 特に優れている点:
- 中国語認識: 99.3%。
- 英語認識: 98.9%。
- 表復元: 97.5%。
- 手書き認識: 96.8%。
- 効率性: 1ページあたり0.42秒で処理、API呼び出し成功率99.95%。
コスト効率
- 平均コスト: 1ページあたり¥0.015。
- 削減効果:
- GPT-4Vと比較して73%のコスト削減。
- Claude-3と比較して65%のコスト削減。
Novita AI: よりコスト効率が高く安定したGLM 4.5V APIプロバイダー
Novita AIのGLM-4.5V APIは65.5Kコンテキストを提供し、入力は$0.60/1Kトークン、出力は$1.80/1Kトークンで、関数呼び出しと構造化出力に対応しています。
ステップ1: ログインしてモデルライブラリにアクセス
アカウントにログインし、モデルライブラリボタンをクリックしてください。
ステップ2: モデルを選択
利用可能なオプションから、ニーズに合ったモデルを選択してください。
ステップ3: 無料トライアルを開始
選択したモデルの機能を探索するために、無料トライアルを開始してください。
ステップ4: APIキーを取得
APIでの認証には、新しいAPIキーを提供します。「設定」ページに入り、画像の指示に従ってAPIキーをコピーしてください。
ステップ5: APIをインストール
お使いのプログラミング言語に固有のパッケージマネージャーを使用してAPIをインストールしてください。
インストール後、必要なライブラリを開発環境にインポートします。APIキーでAPIを初期化し、Novita AI LLMとの対話を開始できます。以下はPythonユーザー向けのチャット補完APIの使用例です。
from openai import OpenAI
client = OpenAI(
base_url="https://api.novita.ai/openai",
api_key="session_rDfpD7GWNXFvnoIbmYNFkVlStqevDItFJac__3tAuw3ZiENHe3wm498Kv9rZEc5JhZgEJ7c9To5Y3EmZZewMbw==",
)
model = "zai-org/glm-4.5v"
stream = True # or False
max_tokens = 32768
system_content = "Be a helpful assistant"
temperature = 1
top_p = 1
min_p = 0
top_k = 50
presence_penalty = 0
frequency_penalty = 0
repetition_penalty = 1
response_format = { "type": "text" }
chat_completion_res = client.chat.completions.create(
model=model,
messages=[
{
"role": "system",
"content": system_content,
},
{
"role": "user",
"content": "Hi there!",
}
],
stream=stream,
max_tokens=max_tokens,
temperature=temperature,
top_p=top_p,
presence_penalty=presence_penalty,
frequency_penalty=frequency_penalty,
response_format=response_format,
extra_body={
"top_k": top_k,
"repetition_penalty": repetition_penalty,
"min_p": min_p
}
)
if stream:
for chunk in chat_completion_res:
print(chunk.choices[0].delta.content or "", end="")
else:
print(chat_completion_res.choices[0].message.content)
MCPとGLMを使用したシンプルな画像認識ツールの構築
GLMの能力を活用したい場合（ビジュアル認識と推論の統合を示すシンプルな画像認識ツールの構築など）、Novita AIがサポートするMCP機能を使用できます。以下にサンプルコードを示します：
import os
import sys
from mcp.server.fastmcp import FastMCP
import requests
import uvicorn
from starlette.applications import Starlette
from starlette.routing import Mount
base_url = "https://api.novita.ai/v3"
headers = {
"Content-Type": "application/json",
"Authorization": f"Bearer {os.environ['NOVITA_API_KEY']}"
}
mcp = FastMCP("Novita_API")
@mcp.tool()
def list_models() -> str:
"""
List all available models from the Novita API.
"""
url = base_url + "/openai/models"
response = requests.request("GET", url, headers=headers)
data = response.json()["data"]
text = ""
for i, model in enumerate(data, start=1):
text += f"Model id: {model['id']}\
"
text += f"Model description: {model['description']}\
"
text += f"Model type: {model['model_type']}\
\
"
return text
@mcp.tool()
def get_model(model_id: str, message) -> str:
"""
Provide a model ID and a message to get a response from the Novita API.
"""
url = base_url + "/openai/chat/completions"
payload = {
"model": model_id,
"messages": [
{
"content": message,
"role": "user",
}
],
"max_tokens": 200,
"response_format": {
"type": "text",
},
}
response = requests.request("POST", url, json=payload, headers=headers)
content = response.json()["choices"][0]["message"]["content"]
return content
@mcp.tool()
def vision_chat(model_id: str, image_url: str, question: str) -> str:
"""
Use GLM-4.1V-9B-Thinking to answer a question about an image.
"""
url = base_url + "/openai/chat/completions"
payload = {
"model": model_id,
"messages": [
{
"role": "user",
"content": [
{
"type": "image_url",
"image_url": {
"url": image_url,
}
},
{
"type": "text",
"text": question,
}
]
}
],
"max_tokens": 500
}
response = requests.post(url, json=payload, headers=headers)
return response.json()["choices"][0]["message"]["content"]
if __name__ == "__main__":
# Run using stdio transport
mcp.run(transport="stdio")
詳細を知りたい場合は、こちらの記事を確認してください：Novita AIで最初のMCPサーバーを構築する方法！
GLM-4.5Vは、複雑なビジュアルや長文書の処理能力からコスト削減、優れたハードウェア最適化に至るまで、前身のGLM-4.1Vをすべての面で上回っています。強化されたアーキテクチャと幅広いアプリケーション範囲により、オールインワンのAIソリューションを求める開発者や企業にとってゲームチェンジャーとなります。
GLM-4.5Vの主なアーキテクチャの改善点は何ですか？
GLM-4.5Vは、1060億パラメータ（アクティブ120億）のMixture-of-Experts（MoE）アーキテクチャ、3D RoPEエンコーディング、動画やGUI認識のための3D畳み込みを導入し、GLM-4.1Vの高密度トランスフォーマー設計を超えています。g steps、回答を出すだけでなくステップを示します。
GLM-4.5Vはマルチモーダルタスクをどのように処理しますか？
GLM-4.5Vは先進的なビジョンモジュールを統合し、3D動画やGUI認識に対応しているため、リアルタイム動画OCR、位置情報分析、マルチモーダルコンテンツ生成などのタスクを実行できます。
GLM-4.1Vと比較して、GLM-4.5Vがより適しているタスクは何ですか？
GLM-4.5Vは、ドキュメント理解（手書き文字や透かしを含む）、表の再構築、リアルタイム動画OCR、マルチモーダルコンテンツ生成などのタスクで特に優れており、これらはGLM-4.1Vが苦手としていた分野です。
Novita AIは、あなたのAIの野望を実現するオールインワンのクラウドプラットフォームです。統合API、サーバーレス、GPUインスタンス — 必要なコスト効率の高いツールを全て提供。インフラの管理を不要にし、無料で始めて、あなたのAIビジョンを現実にしましょう。
