本文へスキップ

GLM-4V-9B

中英二言語の視覚対話ができる多モーダルモデル

公式サイトを見る

GLM-4V-9B とは

本モデルは新世代の事前学習モデルと紹介され、1120x1120 の高解像度で中国語・英語の複数ターン対話と視覚理解を扱うと説明されている。

できること

  • 画像を処理し説明のテキストを生成する
  • 中国語と英語で複数ターンの対話を行う
  • 文字認識や図表の理解を扱う

導入の手順

  • Python のライブラリを読み込む
  • AutoTokenizer で THUDM/glm-4v-9b のトークナイザを取得する
  • テキストと RGB 画像を用意し対話テンプレートを適用する

長所と短所

✓ 良い点

  • Python による呼び出しとテキスト生成が記される
  • モデル重みの利用規約が添えられる

! 注意したい点

  • 呼び出しには Python の複数ライブラリが必要
  • 入力画像は RGB へ変換する

よくある質問

解像度は?

資料は 1120x1120 の高解像度と説明。

呼び出し方は?

手順は Python のライブラリ読み込みを挙げる。

最終評価日: 2026-11-15

その他 AIチャットボット ツール

すべて見る →

評価方法