8 ธันวาคม 2568 Z ai หรือ Zhipu AI เปิดตัว GLM-4.6V AI ที่เข้าใจด้าน Vision (การมองเห็น) ที่อ่านได้ทั้งตัวหนังสือ รูป และ VDO ไม่ใช่แค่ตอบ แต่ยังลงมือทำงานต่อได้เลย เช่น เรียกเครื่องมือไป Crop รูป, อ่านกราฟหรือเขียนโค้ดให้จากภาพหน้าจอ มันถูกออกแบบมาใช้เป็นสมองกลางของระบบที่อยากให้ AI มองเห็น คิด และสั่งเครื่องมือต่าง ๆ เองได้ในตัวเดียว
ทีม Zhipu AI ระบุว่า ได้นำ GLM-4.6V ไปใช้จริงแล้วในงานวิเคราะห์การเงินที่ต้องอ่านเอกสารหลายชุด และงานสรุปถ่ายทอดสดกีฬาแบบเต็มแมตช์ พร้อมจับเหตุการณ์สำคัญตาม timestamp

GLM-4.6V มี 2 รุ่น
- GLM-4.6V (106B) รุ่นใหญ่ ตัวแรง เอาไว้รันบนเซิร์ฟเวอร์หรือ Cloud ได้ลื่นไหล เหมาะกับงานแบบองค์กรจริงจัง
- GLM-4.6V-Flash (9B) รุ่นเล็ก เบา เน้นเร็ว และใช้ทรัพยากรน้อย รันบนเครื่องตัวเอง/ในออฟฟิศ / Edge Device
ความสามารถของ GLM-4.6V
- ประมวลผลทุกอย่างจบในครั้งเดียวได้ เช่น
- ข้อความราว ๆ 150 หน้า
- สไลด์ประมาณ 200 หน้า
- วิดีโอยาวประมาณ 1 ชั่วโมง
- รับงานได้หลากหลาย เช่น
- สร้างรายงานแบบมีโครงสร้างจากเอกสารที่มีทั้งภาพและข้อความผสมกัน
- ตรวจสอบภาพหรือ asset ต่าง ๆ แบบ visual audit
- ช่วย Crop รูปหรือกราฟจากงานวิจัยให้อัตโนมัติระหว่างทำงาน
- ทำ Visual Web Search และตอบคำถามที่มีทั้งข้อความและรูปประกอบ (multimodal queries)
ราคา API
- GLM-4.6V:
- Input: 0.30 ดอลลาร์สหรัฐฯ ต่อ 1M tokens
- Output: 0.90 ดอลลาร์สหรัฐฯ ต่อ 1M tokens
- GLM-4.6V-Flash: ใช้ฟรี
API: https://docs.z.ai/guides/vlm/glm-4.6v
โหลด GLM-4.6V ผ่านทางไหนได้บ้าง
- เรียกใช้งานผ่าน API ที่ interface เข้ากันได้กับ OpenAI
- ทดลองเล่นผ่านหน้าเว็บของ Zhipu: chat.z.ai
- ดาวน์โหลด weights จาก Hugging Face: https://huggingface.co/collections/zai-org/glm-46v
- ใช้งานผ่าน desktop assistant app ที่เผยแพร่บน Hugging Face Spaces
ข้อสรุป:
GLM-4.6V AI จาก Zhipu AI ที่อ่านได้ทั้งตัวหนังสือ รูป และวิดีโอ แล้วช่วยคิด จับใจความ และสื่อสารกลับมาแบบเข้าใจง่ายสำหรับคนทำงานยุคใหม่ มีทั้งรุ่นใหญ่ รันบนคลาวด์ และรุ่นเบา Flash รันบนเครื่องหรือระบบภายใน ที่อยากได้ของแรงแต่กินทรัพยากรไม่เยอะ และเป็นแบบเปิดให้เอาโค้ดไปวางในระบบตัวเองได้สบายใจ




