GLM-4.5V — мультимодальная модель для анализа изображений и видео

GLM-4.5V — открытая визуально-языковая модель Z.ai для анализа изображений, видео и экранного содержимого. Её выпустили 11 августа 2025 года; модель может связывать визуальные данные с текстовым запросом и использоваться в мультимодальных агентных сценариях. Разработчик и другие модели серии представлены в Z.ai в Вики Futuretools.

Что представляет собой GLM-4.5V

В GLM-4.5V около 106 млрд параметров, примерно 12 млрд из них активны на каждом шаге. Такая архитектура Mixture of Experts сокращает вычисления относительно плотной модели того же общего размера. Веса доступны для самостоятельного развёртывания. Для сценариев с захватом экрана или автоматизацией компьютера потребуется отдельная программа, которая передаёт модели изображения и исполняет разрешённые действия. В карточке OpenRouter указан контекст до 65 536 токенов. Для этой модели доступны открытые веса; требования к памяти зависят от выбранного формата, квантования и движка запуска.

Изображения, документы и визуальные задачи

Мультимодальные модели этой серии принимают не только текст: запрос может включать изображения и, если это поддерживает конкретный API, видео. Они помогают описывать содержимое кадра, разбирать визуальные документы и отвечать на вопросы по экрану. Результаты распознавания важных чисел и деталей нужно сверять с оригиналом.

Другие модели GLM

Для сравнения доступны GLM-4.6V, GLM-5V-Turbo, GLM-4.5-Air. Варианты различаются специализацией, способом доступа и требованиями к запуску; карточка OpenRouter описывает конкретный API-маршрут, который может иметь собственные ограничения.

Технические сведения опубликованы в официальном материале Z.ai или карточке модели. Значения контекста и режимы работы следует сверять с документацией выбранного API.