GLM-4.5V
**公開日:**2025年8月11日。(huggingface.co)
モデルの位置づけ
GLM-4.5V は、マルチモーダル理解と視覚推論を対象とする視覚言語モデルで、GLM-4.5-Air を基盤とし、混合エキスパート(MoE)アーキテクチャを採用している。総パラメータ数は1060億、有効化されるパラメータ数は120億。公式にモデルの重みが公開されており、モデルカードにはライセンスが MIT と記載されている。(docs.z.ai)
機能と用途
- テキスト、画像、動画、ファイルを入力として受け付け、テキストを出力する。国際版 API ドキュメントには、最大出力が16K tokens と記載されている。
- 画像および複数画像の推論、動画内のイベント理解、視覚対象の位置特定、図表や長文書の解析に対応する。
- 画面理解と GUI エージェントによる操作支援、ページのスクリーンショットからのウェブページコード生成、文書からの情報抽出、画像とテキストに関する質疑応答に利用できる。
- 応答速度と推論の深さのバランスを取るため、思考モードと非思考モードの切り替えに対応する。(docs.z.ai)
制限
公式によると、テキストのみの質疑応答にはなお改善の余地がある。複雑なプロンプトでは、過度に思考したり、推論を繰り返したり、回答を言い直したりする可能性がある。また、数え上げや特定人物の識別などの視覚認識タスクにも限界がある。重要な結果や自動化操作は検証する必要がある。(github.com)
API 料金
**Z.AI 国際プラットフォームの従量課金料金、米ドル(USD):**100万 tokens あたり入力 $0.60、出力 $1.80。キャッシュヒットした入力は100万 tokens あたり $0.11、キャッシュの保存は期間限定で無料。確認日:2026年11月18日。国際版公式料金ページ。(docs.z.ai)
併せて智谱の中国国内向け公式料金ページも確認したが、このページには JavaScript が必要で、今回の読み取り結果には料金が表示されなかったため、価格を確認できなかった。(open.bigmodel.cn)