GLM-4.6V ist Z.AIs Vision-Modell mit einem Unterscheidungsmerkmal: nativem Tool-Calling für Bilder und Videos. Bilder lassen sich direkt an Tools übergeben, und visuelle Rückgaben fließen ohne Text-Umweg zurück ins Reasoning. Das macht GLM-4.6V besonders stark bei Frontend-Automation, Video-Reasoning und Dokumentenanalyse. Eine schlanke Flash-Variante mit 9 Milliarden Parametern ermöglicht zudem ressourcenschonende Deployments.
GLM-4.6V (+ Flash-Variante 9B)
Z.AI (Zhipu AI)
Dezember 2025
MIT
Multimodal (VLM), MoE, natives Tool-Calling
106 Mrd. (Hauptmodell) / 9 Mrd. (Flash)
ViT-Encoder (AIMv2-Huge) + MLP-Projektor + LLM-Decoder
128.000 Token
Offizielle Angaben von Z.AI (Auswahl):
| Benchmark | GLM-4.6V | Kategorie |
|---|---|---|
| MathVista | 88,2 | Visuelle Mathematik |
| WebVoyager | 81,0 | Web-Agentik |
Quelle: Z.AI Blog. Gute Ergebnisse über 20+ Evaluationen zum Release.
Natives visuelles Tool-Calling eröffnet neue Agenten-Workflows. Wir bewerten mit Ihnen den Nutzen für Ihren Anwendungsfall.
GLM-4.6V nutzt einen von AIMv2-Huge abgeleiteten ViT-Encoder mit MLP-Projektor vor dem LLM-Decoder. Das native Tool-Calling für Bilder/Videos ist das zentrale Unterscheidungsmerkmal.
Bei Long-Context-Dokumenten übertrifft GLM-4.6V teils deutlich größere Modelle – ein Vorteil für dokumentenlastige Agenten.
Für multimodale Agenten mit Werkzeugnutzung.
Natives visuelles Tool-Calling (Besonderheit)
Flash-Option für kleine Hardware
Stark bei Long-Context-Dokumenten
Offen unter MIT-Lizenz
Aktive Parameter/Details spärlich dokumentiert
Vision-Deployment komplexer
128K-Kontext
Wir setzen GLM-4.6V für Ihre multimodalen Agenten auf und betreiben es DSGVO-konform aus Deutschland.
