GLM-5V-Turbo

GLM-5V-Turbo är Z.ai:s (tidigare Zhipu) första multimodala grundmodell för kod, lanserad i början av april 2026. Den tar emot bilder, video, filer och text och svarar med text, och är byggd för agentarbete: att förstå det den ser, planera och sedan agera. Den är mer en assistent som ser och gör saker än en chattbot.

Typiska användningar enligt Z.ai är att göra om en designskiss eller referensbild till ett körbart webbgränssnitt, att utforska en webbplats tillsammans med Claude Code och skriva kod utifrån den, att hitta layout-, överlappnings- och färgfel i skärmbilder och föreslå rättningar, och att hjälpa agenten OpenClaw att förstå webbsidor, knappar och diagram. Modellen kan också peka ut föremål i bilder med koordinater och följa föremål i video.

Tekniskt bygger den på en ny bildkodare, CogViT, och har tränats med förstärkningsinlärning på över 30 typer av uppgifter, från matematik och naturvetenskap till grafiska agenter och kodagenter. Enligt Z.ai leder den på flera tester för kod utifrån bilder och för bildbaserad sökning, medan Claude Opus 4.6 är bättre på bland annat Vision2Web och OSWorld. Z.ai uppger att den rena textkodningen inte blivit sämre.

Modellen läser upp till 200 000 tokens och skriver upp till 128 000. Den finns bara via Z.ai:s API; inga öppna vikter har släppts, och priset står inte på Z.ai:s egen prislista (nyhetssajten The Decoder uppger 1,20 dollar per miljon tokens in och 4 dollar ut). Senare under året släppte Z.ai GLM-5.3-Flash, som också ser bilder och video.