GLM-4.6V ist das offene Vision-Language-Modell von Z.AI. Es versteht Bilder, Videos und Dokumente und kann als erstes GLM-Vision-Modell Werkzeuge direkt mit Bildern aufrufen (Function Calling). Screenshots oder Dokumentseiten gehen ohne Umweg über Text an ein Werkzeug, visuelle Ergebnisse wie Diagramme fließen zurück in die Antwort. Das Kontextfenster von 128.000 Token reicht laut Z.AI für rund 150 Seiten komplexer Dokumente oder ein einstündiges Video.
Das Hauptmodell ist ein Mixture-of-Experts-Modell (MoE) aus vielen spezialisierten Teilnetzen. Von 106 Milliarden Parametern sind je verarbeitetem Textbaustein (Token) nur 12 Milliarden aktiv. Für den lokalen Betrieb mit geringer Latenz gibt es GLM-4.6V-Flash mit 9 Milliarden Parametern. Beide stehen unter der MIT-Lizenz.
GLM-4.6V (+ GLM-4.6V-FP8 und GLM-4.6V-Flash)
Z.AI (Zhipu AI)
Dezember 2025
MIT
Multimodal (Bild, Video, Dokumente), MoE, Hybrid-Reasoning, natives Function Calling
GLM-4.6V: 106 Mrd. total (12 Mrd. aktiv), Flash: 9 Mrd.
Vision-Encoder mit MLP-Projektor und MoE-Sprachmodell, Flash als dichtes Modell
46 (GLM-4.6V), 40 (Flash)
128 Experten, 8 aktiv je Token, 1 geteilter Experte (GLM-4.6V)
128.000 Token
Das Hauptmodell mit 106 Milliarden Parametern als BF16-Referenz und als offizielle FP8-Fassung. Bei FP8 sind die Gewichte mit 8 statt 16 Bit gespeichert, der Speicherbedarf halbiert sich etwa.
Kompakte Variante mit 9 Milliarden Parametern für den lokalen Betrieb und Anwendungen mit geringer Latenz. Sie liegt in vielen Tests nur wenige Punkte hinter dem Hauptmodell.
| Benchmark | GLM-4.6V | GLM-4.6V-Flash | GLM-4.5V | Qwen3-VL-235B-A22B-Thinking |
|---|---|---|---|---|
| MMMU (Val) | 76,0 | 71,1 | 75,4 | 80,6 |
| MMMU-Pro | 66,0 | 60,6 | 65,2 | 69,3 |
| MathVista | 85,2 | 82,7 | 84,6 | 85,8 |
| VideoMMMU | 74,7 | 70,1 | 72,4 | 80,0 |
| MMLongBench-Doc | 54,9 | 53,0 | 44,7 | 56,2 |
| LVBench | 59,5 | 49,5 | 53,8 | 63,6 |
| OCRBench | 86,5 | 84,7 | 86,5 | 87,5 |
| CharXiv (Reasoning) | 63,2 | 59,6 | 58,4 | 66,1 |
| Design2Code | 88,6 | 69,8 | 82,2 | 93,4 |
| OSWorld | 37,2 | 21,1 | 35,8 | 38,1 |
| WebVoyager | 81,0 | 71,8 | 84,4 | 30,4* |
| RefCOCO-avg (val) | 88,6 | 85,6 | 91,3 | 92,4 |
Quelle: offizielle GLM-4.6V Veröffentlichung (Z.AI, Dezember 2025). Angaben in Prozent. Mit * markierte Werte hat Z.AI selbst nachgemessen.
Offenes Vision-Modell mit nativem Function Calling unter MIT-Lizenz. Wir prüfen mit Ihnen Nutzen, Auslegung und Betriebskosten.
Z.AI veröffentlicht für GLM-4.6V keine detaillierten Angaben zu Trainingsdaten und Verfahren. Bekannt ist, dass das Kontextfenster im Training auf 128.000 Token erweitert wurde. Wie die Vorgängergeneration trainiert wurde, beschreibt Z.AI im Technical Report zu GLM-4.5V.
GLM-4.6V eignet sich für Organisationen, die Dokumente, Bilder und Oberflächen mit einem offenen Modell automatisiert auswerten wollen. In einer KI-Beratung prüfen wir mit Ihnen, ob das Hauptmodell oder die Flash-Variante passt.
Natives multimodales Function Calling: Bilder und Screenshots gehen ohne Umweg über Text an Werkzeuge.
Starke Dokumentenanalyse: Bei MMLongBench-Doc steigt der Wert gegenüber GLM-4.5V von 44,7 auf 54,9.
Frontend aus Screenshots: Mit 88,6 bei Design2Code deutlich vor GLM-4.5V (82,2).
Lokale Flash-Variante: GLM-4.6V-Flash läuft auf einer einzelnen GPU.
Kommerziell frei nutzbar: Die MIT-Lizenz erlaubt Einsatz, Anpassung und Weitergabe ohne Nutzungsbeschränkungen.
Schwächer bei reinen Textaufgaben: Laut Z.AI gibt es hier noch deutlichen Verbesserungsbedarf.
Überdenken und Wiederholungen: Bei komplexen Anfragen denkt das Modell teils zu lange nach oder wiederholt die Antwort am Ende.
Grenzen der Wahrnehmung: Z.AI nennt Schwächen beim Zählen und beim Erkennen bestimmter Personen.
Nicht in allen Tests vorn: Qwen3-VL in der Größe 235B liegt bei MMMU, VideoMMMU und Design2Code vorn.
Wir planen die Auslegung für GLM-4.6V, übernehmen Inbetriebnahme, Quantisierung und Betrieb und hosten das Modell auf Wunsch DSGVO-konform in unserem zertifizierten Rechenzentrum in Limburg an der Lahn.
GLM-4.6V versteht Bilder, Videos und lange Dokumente und kann Werkzeuge direkt mit Bildern aufrufen. Typische Aufgaben sind Dokumentenanalyse, das Nachbauen von Webseiten aus Screenshots und die Bedienung grafischer Oberflächen als GUI-Agent.
Z.AI nennt keine Mindestausstattung. Als Richtwert gilt das gleich große Sprachmodell GLM-4.5-Air: mit FP8-Gewichten eine H200 oder zwei H100. Die Flash-Variante läuft auf einer einzelnen GPU.
Das Hauptmodell hat 106 Milliarden Parameter und ist für Server und Cluster gedacht. Flash hat 9 Milliarden Parameter und ist auf lokalen Betrieb und geringe Latenz ausgelegt. In den meisten Tests liegt Flash nur wenige Punkte zurück, bei Agenten-Aufgaben wie OSWorld ist der Abstand größer.
Das Kontextfenster wächst von 64.000 auf 128.000 Token, und GLM-4.6V ruft Werkzeuge erstmals direkt mit Bildern auf. Mehr zum Vorgänger lesen Sie auf unserer Seite zu GLM-4.5V.
Ja. Z.AI veröffentlicht die Gewichte unter der MIT-Lizenz. Sie dürfen das Modell kommerziell einsetzen, anpassen und weitergeben, ohne Nutzungsbeschränkungen oder Umsatzgrenzen.
Möchten Sie individuell beraten werden?
Unsere KI-Experten sind für Sie da!
