GLM-4.6VがNovita AIプラットフォームで利用可能になり、Zhipu AIの先進的な視覚言語モデルが画期的なマルチモーダル機能とともにお届けします。基本バージョンでは106Bパラメータ、128Kトークンのコンテキストウィンドウを備え、GLM-4.6Vは同程度のパラメータ規模のモデルの中で視覚理解において最先端（SoTA）のパフォーマンスを達成しています。
この最新リリースでは、初めてネイティブのFunction Calling機能が統合され、視覚認識と実行可能なアクションの間のギャップを効果的に埋めています。マルチモーダルエージェントの構築、複雑な文書の処理、またはビジュアル編集アプリケーションの開発のいずれにおいても、GLM-4.6VはNovita AIの開発者フレンドリーなインフラストラクチャを通じて必要な機能を提供します。
GLM-4.6Vとは？
GLM-4.6Vは、Zhipu AIの先進的な視覚言語モデルであり、包括的なマルチモーダル理解および生成機能を提供します。GLM-Vモデルファミリーの一部として、ネイティブ関数呼び出しの統合を通じて、視覚認識と実行可能なインテリジェンスを橋渡しする重要な進歩を示しています。
デュアルモデルアーキテクチャ： GLM-4.6Vには2つのバージョンがあります。クラウドおよび高性能クラスターシナリオ向けに設計された106Bパラメータの基本モデルと、ローカルデプロイメントと低レイテンシアプリケーション向けに最適化された9BパラメータのGLM-4.6V-Flashです。どちらのモデルも、さまざまなデプロイメントニーズに合わせてスケーリングされた強力なマルチモーダル機能を提供します。
拡張コンテキストウィンドウ： GLM-4.6Vは128Kトークンのコンテキストウィンドウを備えており、複数文書または長文書の入力を処理し、リッチにフォーマットされたページを画像として直接解釈できます。この拡張されたコンテキストにより、事前にプレーンテキストに変換することなく、画像の多い複雑な文書を処理できます。
ネイティブ関数呼び出し： GLM-Vシリーズで初めて、GLM-4.6VはネイティブのFunction Calling機能を統合しています。このブレークスルーにより、視覚認識と実行可能なアクションが効果的に橋渡しされ、実際のビジネスシナリオにおけるマルチモーダルエージェントの統一された技術基盤が提供されます。
最先端のパフォーマンス： GLM-4.6Vは、主要なマルチモーダルベンチマークにおいて、同程度のパラメータ規模のモデルの中で視覚理解において最先端（SoTA）のパフォーマンスを達成し、視覚情報の処理と理解において卓越した能力を示しています。
主な機能と能力
GLM-4.6Vは、マルチモーダルアプリケーションに特に効果的な、いくつかの専門的な機能を導入しています。
マルチモーダル文書理解
GLM-4.6Vは、最大128Kトークンの複数文書または長文書の入力を処理し、リッチにフォーマットされたページを画像として直接解釈します。このモデルは、テキスト、レイアウト、チャート、表、図を統合的に理解し、画像の多い複雑な文書の正確な理解を可能にします。この機能により、前処理やテキスト抽出が不要になり、PDF、レポート、プレゼンテーション、その他のビジュアル文書を直接分析できます。
フロントエンド複製とビジュアル編集
このモデルは、UIスクリーンショットからピクセル精度のHTML/CSSを再構築し、自然言語による編集をサポートします。GLM-4.6Vは、レイアウト、コンポーネント、スタイルを視覚的に検出し、クリーンなコードを生成し、簡単なユーザー指示を通じて反復的な視覚変更を適用します。これにより、迅速なプロトタイピング、デザインからコードへのワークフロー、自動化されたUI生成に価値があります。
インターリーブ画像テキストコンテンツ生成
GLM-4.6Vは、複雑なマルチモーダル入力から高品質な混合メディア作成をサポートします。モデルは、文書、ユーザー入力、ツールで取得した画像にわたるマルチモーダルコンテキストを取り込み、タスクに合わせた一貫性のあるインターリーブ画像テキストコンテンツを合成します。生成中には、検索や取得ツールを積極的に呼び出して、追加のテキストやビジュアルを収集・キュレーションし、リッチで視覚的に基づいたコンテンツを生成できます。
ネイティブツール統合
統合されたFunction Calling機能により、GLM-4.6Vは処理中に外部ツールを自律的に呼び出すことができます。これにより、モデルはリアルタイム情報を取得したり、データベースにアクセスしたり、画像を取得したり、視覚分析に基づいてアクションをトリガーしたりできます。ネイティブ統合により、洗練されたマルチモーダルエージェントシステムの構築に特に効果的です。
パフォーマンスとアーキテクチャ
GLM-4.6Vは、包括的なマルチモーダル評価において強力なパフォーマンスを示しています。
モデルアーキテクチャ
GLM-4.6Vは、GLM-Vシリーズの技術基盤を基に、マルチモーダル理解に最適化された洗練されたアーキテクチャを採用しています。
- 基本モデル（GLM-4.6V）： 合計106Bパラメータ。クラウドデプロイメントと最大限の能力向けに設計。
- 軽量モデル（GLM-4.6V-Flash）： 9Bパラメータ。エッジデプロイメントと低レイテンシー向けに最適化。
- コンテキスト長： 128Kトークン。広範なマルチモーダル入力の処理に対応。
- ビジョンエンコーダー： 効率的な視覚処理のために、空間パッチサイズ14、時間パッチサイズ2を採用。
Novita AIでGLM-4.6Vを始める
Novita AIは、さまざまなスキルレベルとユースケース向けに設計された、GLM-4.6Vへの複数のアクセス方法を提供しています。
プレイグラウンドを使用（コーディング不要）
サインアップして、インタラクティブなインターフェースで数秒でGLM-4.6Vの実験を開始できます。画像や文書をアップロードし、マルチモーダルプロンプトをテストし、完全な128Kコンテキストウィンドウでリアルタイムに出力を確認できます。本格的な実装を構築する前に、モデルの機能を試し理解するのに最適です。
API経由で統合（開発者向け）
Novita AIの統合REST APIを使用して、GLM-4.6Vをアプリケーションに接続します。
直接API統合（Python例）
from openai import OpenAI
client = OpenAI(
api_key="<Your API Key>",
base_url="https://api.novita.ai/openai"
)
response = client.chat.completions.create(
model="zai-org/glm-4.6v",
messages=[
{"role": "system", "content": "You are a helpful assistant."},
{"role": "user", "content": "Hello, how are you?"}
],
max_tokens=32768,
temperature=0.7
)
print(response.choices[0].message.content)
OpenAI Agents SDKによるマルチエージェントワークフロー
プラグアンドプレイ統合、ハンドオフ、ルーティング、ネイティブ関数呼び出しと完全な128Kコンテキストウィンドウを使用したツール統合をサポートする、洗練されたマルチモーダルエージェントシステムを構築します。
サードパーティプラットフォームとの連携
エージェントフレームワーク： 公式コネクタとステップバイステップの統合ガイドを通じて、Continue、AnythingLLM、LangChain、Dify、LangflowなどのパートナープラットフォームとNovita AIを簡単に接続できます。
Hugging Face： Novita AIはHugging Faceの公式推論プロバイダーであり、幅広いエコシステムとの互換性を保証します。
OpenAI互換API： Cline、Cursor、Trae、Qwen CodeなどのOpenAI API標準向けに設計されたツールとの、手間のかからない移行と統合をお楽しみいただけます。
Anthropic互換API： Claude Codeとシームレスに統合して、エージェンティックコーディングワークフローやその他のAnthropic API互換ツールを利用できます。
結論
Novita AI上のGLM-4.6Vは、Zhipu AIの先進的な視覚言語モデルを106Bパラメータと128Kコンテキストウィンドウで提供し、マルチモーダル理解において最先端のパフォーマンスを達成します。ネイティブのFunction Calling統合と、文書分析、UI複製、混合メディア生成のための専門機能により、GLM-4.6Vは洗練されたマルチモーダルAIアプリケーションを構築するための統一された基盤を提供します。
今すぐNovita AIのプレイグラウンド、API、またはサードパーティ統合を通じてGLM-4.6Vの探索を開始し、高度な視覚理解、文書処理、マルチモーダル推論機能でアプリケーションを強化しましょう。GLM-4.6Vの画期的な視覚言語インテリジェンスで、次世代のAI搭載ソリューションを構築してください。
Novita AIは、開発者がAIアプリケーションを構築・スケーリングするための、使いやすいAPIと手頃な価格で信頼性の高いGPUインフラを提供する、主要なAIクラウドプラットフォームです。
