GLM-4.6V-Flash の技術仕様
| 項目 | |
|---|---|
| モデルファミリー | GLM-4.6V マルチモーダルモデルファミリー |
| 位置付け | 無料・軽量なマルチモーダルモデル |
| モデル | GLM-4.6V-Flash |
| CometAPI 掲載名 | glm-4.6v-flash-free |
| 入力タイプ | 動画、画像、テキスト、ファイル |
| 出力タイプ | テキスト |
| コンテキストウィンドウ | 128K トークン |
| 思考 | 有効化または無効化が可能 |
| 関数呼び出し | ネイティブな Function Calling をサポート |
| 対応言語 | 中国語および英語 |
| オープンソースモデル | zai-org/GLM-4.6V-Flash on Hugging Face; MIT license |
GLM-4.6V-Flash（Free）とは？
GLM-4.6V-Flash は Z.ai の GLM-4.6V の無料版です。CometAPI でも無料で利用可能で、ID は glm-4.6v-flash-free です。視覚理解と推論・ツール利用を組み合わせるよう設計された軽量なマルチモーダルモデルで、動画・画像・テキスト・ファイルを入力として受け取り、テキストを出力します。128K トークンのコンテキストウィンドウをサポートし、深い思考モードのオン/オフ切り替えが可能です。Z.ai は、視覚認識から実行可能なアクションへ接続するための重要なアーキテクチャ要素として、ネイティブな Function Calling サポートを説明しています。
GLM-4.6V Flash（Free）の主な機能
- 128K マルチモーダルコンテキスト: 128K トークンのコンテキストウィンドウに最適化され、ドキュメントや動画とテキストを組み合わせた長いマルチモーダル入力を処理できます。
- 画像・動画・ファイル・テキストの理解: 入力は通常のテキストに限定されず、GLM-4.6V-Flash は視覚情報とテキスト情報を統合的に理解するよう設計されています。
- ネイティブ Function Calling: 関数呼び出しがビジョンモデルに統合されており、視覚入力が説明的なコンテンツに留まらず、ツール指向のワークフローに参加できます。
- 構成可能な思考: 深い思考モードは有効化/無効化が可能で、推論の深さと応答挙動の実用的なトレードオフを提供します。
- マルチモーダルなドキュメント理解: 長いコンテキストのワークフロー内で、テキスト、レイアウト、チャート、表、図を含む豊かなフォーマットのページを解釈できます。
- ビジュアルコーディングとエージェントワークフロー: GLM-4.6V ファミリーは、スクリーンショット駆動のフロントエンド再構築/編集やマルチモーダルエージェントのシナリオをサポートします。Flash バリアントはファミリー内の軽量版として位置付けられています。
GLM-4.6V-Flash（Free）のベンチマーク性能
公開されたモデルカードは次の評価結果を報告しています: MMBench V1.1 86.9、MMStar 74.7、MMMU（Val）71.1、MMMU-Pro 60.6、VideoMMU 70.1、MathVista 82.7、AI2D 89.2、OCRBench 84.7、Design2Code 69.8、MMLongBench-128K 63.4。これらの数値はモデル提供者/モデルカードによるもので、特定のベンチマークのバージョンや評価設定と併せて解釈する必要があります。
Z.ai は、9B の GLM-4.6V-Flash が報告されたマルチモーダル評価比較において総合的に Qwen3-VL-8B を上回ると述べています。同じドキュメントでは、GLM-4.6V のフルモデルをより大きな 106B モデルとして位置付け、GLM-4.6V-Flash は軽量/無料のバリアントとしています。
GLM-4.6V-Flash vs GLM-4.6V vs GLM-4.6V-FlashX
| モデル | 位置付け | コンテキスト | 最適用途 |
|---|---|---|---|
| GLM-4.6V-Flash | 無料・軽量 | 128K | コスト重視のマルチモーダルアプリケーション、プロトタイピング、ローカル/オープンモデルのワークフロー |
| GLM-4.6V-FlashX | 軽量・高速 | 128K | より高速なマルチモーダル本番ワークロード |
| GLM-4.6V | 高性能フラッグシップ | 128K | さらに要求の厳しいマルチモーダル推論やエージェントのワークロード |
GLM-4.6V-Flash のユースケース
GLM-4.6V-Flash は、テキストのみのモデルに依存せず視覚理解が必要なアプリケーションに特に適しています。例: ドキュメントとチャート分析、OCR 指向のワークフロー、スクリーンショット理解、動画の質問応答、ビジュアルグラウンディング、マルチモーダルなコーディング支援、ツール対応エージェント。
GLM-4.6V-Flash の制約と考慮事項
本モデルは GLM-4.6V ファミリーの軽量な 9B メンバーであり、より大きな GLM-4.6V フラッグシップと同等とみなすべきではありません。ベンチマークのスコアはタスクや評価プロトコルにより変動します。本番の意思決定では、集計ベンチマーク順位のみに依存せず、想定するアプリケーションの入力、ツール呼び出しフロー、レイテンシ、出力制約を実際に検証してください。
CometAPI で GLM-4.6V-Flash API を使う方法
CometAPI は OpenAI 互換インターフェースを採用しているため、OpenAI SDK と同様の基本パターンで glm-4.6v-flash-free を呼び出せます。CometAPI のベース URL は https://api.cometapi.com/v1 で、REST エンドポイントは /v1/chat/completions です。
Step 1: CometAPI の API キーを取得する
まず CometAPI アカウントにサインインします。アカウントがない場合は CometAPI に登録してください。サインイン後、API トークン管理ページを開き、新しい API キーを作成します。生成されたキーをコピーして安全に保管してください。API リクエストの認証に使用します。
Step 2: GLM-4.6V-Flash モデルを選択する
API リクエストを作成する際、CometAPI のモデル ID glm-4.6v-flash-free を指定します。これは GLM-4.6V-Flash の無料版に対する CometAPI 固有の識別子です。
このモデルはマルチモーダルリクエストをサポートしているため、テキスト・画像・その他の対応する視覚入力を含むタスクに利用できます。
Step 3: API リクエストを構成する
CometAPI のチャットコンプリーションエンドポイントにリクエストを送信します。CometAPI の API キーで認証し、model フィールドを glm-4.6v-flash-free に設定します。
リクエストの内容には、GLM-4.6V-Flash に処理させたい指示を記述します。テキストのみのリクエストでは通常のテキストプロンプトを提供します。視覚分析の場合は、テキスト指示とともに画像を含め、モデルが視覚情報と質問の両方を理解できるようにします。
Step 4: リクエストを送信する
構成したリクエストを CometAPI に送信します。CometAPI はリクエストを GLM-4.6V-Flash に転送し、API を通じてモデルのレスポンスを返します。
レスポンスには生成されたコンテンツと関連する応答情報が含まれます。アプリケーションはモデルの回答を抽出してユーザーに表示するか、プログラムで引き続き処理できます。
Step 5: レスポンスを処理・検証する
レスポンスを受信したら、返されたコンテンツを解析し、アプリケーションで利用します。マルチモーダルアプリケーションの場合、提供した画像や他の視覚コンテンツに対するモデルの解釈がワークフローの要件に合致しているか検証してください。
本番アプリケーションでは、API エラー、リクエストタイムアウト、無効なレスポンスも適切に処理し、要求が完了できない場合でもアプリケーションが正常に復旧できるようにしてください。
CometAPI リクエストでは、次を使用します:
glm-4.6v-flash-free
このモデル ID は提供元の基盤モデル名とは異なります。リクエストでは必ず CometAPI のモデル ID をそのまま使用してください。