GLM-4.6V-Flash

GLM-4.6V-Flash — младшая модель визуальной линейки GLM-4.6V. Она понимает картинки, скриншоты, страницы документов и видео, а отвечает текстом. В ней 9 млрд параметров, в старшей GLM-4.6V — 106 млрд. Старшую Z.ai рассчитывает на облако и мощные кластеры, а Flash — на запуск на своём оборудовании и приложения, где нужна быстрая реакция. В API у Flash есть платный вариант GLM-4.6V-FlashX: по описанию компании, он тоже лёгкий, но работает быстрее.

Главное новшество линейки — встроенный вызов инструментов: модель сама обращается к внешним программам и сервисам. Z.ai заявляет, что в её визуальных моделях эта возможность появилась впервые. Картинку, скриншот или страницу документа можно передать инструменту как есть, без пересказа в текст. Компания видит в этом шаг к мультимодальным агентам — программам, которые сами решают задачи в несколько шагов. По замерам лаборатории, Flash почти во всех категориях тестов обходит другие лёгкие модели, например Qwen3-VL-8B и прошлую GLM-4.1V-9B.

Модель выбирают для разбора длинных документов с таблицами, графиками и формулами, для работы с видео и для задач, где картинка идёт в дело сразу. По документации, линейка за один проход обрабатывает около часа видео или примерно 150 страниц сложных документов. Ещё один сценарий — вёрстка: модель воссоздаёт HTML и CSS по скриншоту интерфейса и правит её по словесным указаниям. Она умеет собирать ответ, в котором текст перемежается картинками из исходных материалов.

Слабые места Z.ai называет сама. На чисто текстовые вопросы модель отвечает заметно хуже. На сложных запросах она может рассуждать слишком долго или повторяться, иногда пересказывает свой ответ заново. Ещё она ошибается при подсчёте предметов на картинке и не всегда узнаёт конкретных людей. Веса опубликованы на Hugging Face под лицензией MIT, которая разрешает и коммерческое использование.

источники:Карточка модели на Hugging Face ↗Документация Z.ai по GLM-4.6V ↗Репозиторий GLM-V на GitHub ↗