KhoGameHub – Diễn đàn Công Nghệ & Gaming, nơi chia sẻ trò chơi PC, Console, Retro online và phần mềm hữu ích

Z.ai vừa công bố GLM-4.6V, một mô hình thị giác đa modal mã nguồn mở được thiết kế để gọi công cụ (tool-calling) một cách native, nhằm cải thiện khả năng suy luận liên quan đến hình ảnh và văn bản. Theo thông báo, GLM-4.6V hướng tới các ứng dụng yêu cầu tương tác chương trình với các dịch vụ bên ngoài — từ OCR, chỉnh sửa ảnh đến truy vấn cơ sở dữ liệu — trong khi cố gắng giảm hiện tượng suy diễn sai (hallucination) và tăng cường tính thực tế trong phản hồi.

GLM-4.6V được giới thiệu là một mô hình đa modal có khả năng "gọi công cụ" một cách bản địa: thay vì chỉ xuất đầu ra văn bản thuần túy, mô hình có thể sinh ra các lệnh hoặc cuộc gọi tới API ngoại vi được định nghĩa trước, cho phép hệ thống tổng hợp đầu ra kết hợp nhiều nguồn lực phần mềm. Cách tiếp cận này phản ánh xu hướng mới trong nghiên cứu AI: tích hợp chặt chẽ giữa mô hình ngôn ngữ/multimodal và hệ sinh thái công cụ bên ngoài để thực hiện nhiệm vụ phức tạp hơn một cách an toàn và minh bạch.

Theo Z.ai, GLM-4.6V được huấn luyện và tinh chỉnh để tối ưu cho việc suy luận đa bước với dữ liệu hình ảnh và văn bản, đồng thời hỗ trợ cấu trúc gọi hàm (function calling) giúp nhà phát triển gắn kết mô hình vào pipeline xử lý dữ liệu, tự động hóa tác vụ hoặc kết hợp với các mô đun xử lý ảnh, tìm kiếm hình ảnh, OCR và các hệ thống backend khác.

Mô hình được phát hành dưới dạng mã nguồn mở, mở đường cho cộng đồng nghiên cứu và kỹ sư phần mềm triển khai, kiểm thử và tuỳ chỉnh cho nhiều kịch bản sử dụng. Việc mở mã cũng cho phép kiểm định các khía cạnh đạo đức, an toàn và độ chính xác dữ liệu, khi mà các mô hình đa modal luôn chịu áp lực kiểm soát sai lệch và thông tin sai lệch.

Trong thực tế, GLM-4.6V có thể hữu ích cho các nhà phát triển xây dựng ứng dụng hỗ trợ khách hàng bằng hình ảnh, hệ thống phân tích tài liệu scan (kết hợp OCR + trích xuất thông tin), công cụ chỉnh sửa hình ảnh có thể được điều khiển bằng ngôn ngữ, hoặc các agent tự động cần tiếp cận dữ liệu ngoại vi để hoàn thành chuỗi hành động. Khả năng gọi công cụ trực tiếp giúp giảm khối lượng xử lý thủ công và nâng cao tính mô-đun cho hệ thống.

Tuy nhiên, Z.ai cũng thừa nhận giới hạn về dữ liệu huấn luyện, rủi ro sai lệch trong nhận diện hình ảnh và những thách thức an toàn khi cho phép mô hình điều khiển hệ thống bên ngoài. Các nhà phát triển được khuyến cáo kiểm thử rộng rãi, đặt cơ chế giám sát và ràng buộc quyền truy cập khi triển khai trong môi trường sản xuất.

Việc Z.ai phát hành GLM-4.6V mã nguồn mở là một bước đi đáng chú ý trong làn sóng mô hình đa modal có khả năng kết hợp hành động với suy luận. Nó mở ra cơ hội để cộng đồng thử nghiệm các chiến lược tích hợp công cụ, đồng thời đặt ra yêu cầu cao hơn về kiểm soát an toàn, minh bạch và đánh giá hiệu năng trong các kịch bản thực tế. Với tư cách là một nền tảng có thể gọi công cụ, GLM-4.6V có tiềm năng trở thành nhân tố quan trọng trong hệ sinh thái ứng dụng AI, nếu được triển khai cẩn trọng và minh bạch.

Để tìm hiểu chi tiết hơn về thông báo và các phân tích liên quan, đọc bài gốc tại VentureBeat: VentureBeat — Z.ai debuts GLM-4.6V. Bạn cũng có thể tham khảo các nguồn tài nguyên mô hình và thảo luận cộng đồng tại Hugging Face: Hugging Face.