GLM-5V-Turbo

GLM-5V-TurboはZ.AI初のネイティブマルチモーダルエージェント基盤モデルであり、ビジョンベースのコーディングとエージェント駆動タスク向けに特別に設計されています。ビジョン機能を言語バックエンドに後付けするモデルとは異なり、GLM-5V-Turboはマルチモーダル知覚を推論・計画・ツール使用・実行のコアコンポーネントとして統合しています。CogViTビジョンエンコーダーやMultimodal Multi-Token Prediction（MMTP）などのイノベーションにより、トレーニングと推論の効率を維持しながら、画像・動画・テキストの効率的な処理を可能にする、重要なアーキテクチャ上の進歩を体現しています。

マルチモーダル理解とエージェント実行の交差点に位置するGLM-5V-Turboは、長期的な計画立案、複雑なコーディング、実世界インタラクションを必要とするタスクに優れた性能を発揮します。マルチモーダルコーディングベンチマークで強力な結果を示しつつ、競争力のあるテキストのみのコーディング能力も維持しており、ビジュアル優先・テキスト優先の両方のワークフローに対応できる汎用性を備えています。Claude CodeやOpenClawなどのエージェントフレームワークとの統合に最適化されており、実用的なアプリケーションにおける完全な知覚-計画-実行ループを実現します。

主要なイノベーションには、複数の複雑さレベルにわたってエージェント機能を構築する階層的最適化戦略や、画像認識からディープリサーチまでをサポートする拡張マルチモーダルツールチェーンが含まれます。開発プロセスではエージェントモデル開発に関する重要な知見も得られ、知覚の基盤的役割と、単一的なトレーニングアプローチに対する階層的最適化による効率向上が強調されています。