GLM-5V-Turbo の詳細解説（25 分読了）

著者:GLM-V チーム: Wenyi Hong, Xiaotao Gu, Ziyang Pan, Zhen Yang, Yuting Wang, Yue Wang, Yuanchang Yue, Yu Wang, Yanling Wang, Yan Wang, Xijun Liu, Wenmeng Yu, Weihan Wang, Wei Li, Shuaiqi Duan, Sheng Yang, Ruiliang Lv, Mingdao Liu, Lihang Pan, Ke Ning, Junhui Ji, Jinjiang Wang, Jing Chen, Jiazheng Xu, Jiale Zhu, Jiale Cheng, Ji Qi, Guobing Gan, Guo Wang, Cong Yao, Zijun Dou, Zihao Zhou, Zihan Wang, Zhiqi Ge, Zhijie Li, Zhenyu Hou, Zhao Xue, Zehui Wang, Zehai He, Yusen Liu, Yukuo Cen, Yuchen Li, Yuan Wang, Yijian Lu, Yanzi Wang, Yadong Xue, Xinyu Zhang, Xinyu Liu, Wenkai Li, Tianyu Tong, Tianshu Zhang, Shengdong Yan, Qinkai Zheng, Mingde Xu, Licheng Bao, Jiaxing Xu, Jiaxin Fan, Jiawen Qian, Jiali Chen, Jiahui Lin, Haozhi Zheng, Haoran Wang, Haochen Li, Fan Yang, Dan Zhang, Chuangxin Zhao, Chengcheng Wu, Boyan Shi, Bowei Jia, Baoxu Wang, Peng Zhang, Debing Liu, Bin Xu, Juanzi Li, Minlie Huang, Yuxiao Dong, Jie Tang

PDF を表示

HTML（実験的）

**

要約：私たちは、マルチモーダルエージェントのためのネイティブ基盤モデルへの一歩として GLM-5V-Turbo を発表します。基盤モデルが実環境にますます展開される中、エージェントとしての能力は言語推論だけでなく、画像、動画、ウェブページ、ドキュメント、GUI といった多様な文脈を知覚し、解釈し、行動する能力にも依存します。GLM-5V-Turbo はこの目的を中心に構築されており、マルチモーダル知覚は言語モデルへの補助的なインターフェースとしてではなく、推論、計画、ツール使用、実行の核心コンポーネントとして統合されています。本報告書では、モデル設計、マルチモーダルトレーニング、強化学習、ツールチェーンの拡張、およびエージェントフレームワークとの統合にわたる GLM-5V-Turbo の主な改善点について要約します。これらの進展により、マルチモーダルコーディング、視覚的ツール使用、およびフレームワークベースのエージェントタスクにおいて強力なパフォーマンスを発揮しつつも、競合するテキストのみのコーディング能力を維持しています。さらに重要なのは、私たちの開発プロセスがマルチモーダルエージェント構築のための実践的な洞察を提供し、マルチモーダル知覚の中心的役割、階層的最適化、そして信頼性の高いエンドツーエンド検証の重要性を浮き彫りにしている点です。

主題:

コンピュータビジョンとパターン認識 (cs.CV)

引用形式:

arXiv:2604.26752 [cs.CV]

(または、このバージョンの場合は

arXiv:2604.26752v1 [cs.CV])

https://doi.org/10.48550/arXiv.2604.26752

arXiv-issued DOI via DataCite

## 提出履歴

From: Wenyi Hong [メールを表示]

[v1]**

Wed, 29 Apr 2026 14:49:37 UTC (18,650 KB)