Z.ai
OpenRouter経由でZ.aiのGLM視覚モデルを実行します。
v2
Z.ai GLMの視覚言語モデルを次を介して実行: OpenRouter.
対応モデル: GLM 5V Turbo と GLM 5.3 Flash(以前は OpenRouter のステルスモデル「Ox Alpha」として提供されていました)。
任意のテキストプロンプトまたは定義済みのものを指定できます。このブロックは次をサポートします:
オープンプロンプト (
制約なし) - 任意のプロンプトを使って生の応答を生成しますテキスト認識(OCR) (
ocr) - モデルが画像内のテキストを認識します視覚的質問応答 (
visual-question-answering) - モデルがプロンプトで送信した質問に答えますキャプション生成(短) (
caption) - モデルが画像の短い説明を提供しますキャプション生成 (
detailed-caption) - モデルが画像の詳しい説明を提供します単一ラベル分類 (
classification) - モデルが画像内容を提示されたクラスのいずれかに分類します複数ラベル分類 (
multi-label-classification) - モデルが画像内容を提示されたクラスの1つ以上に分類しますプロンプトなし物体検出 (
object-detection) - モデルが画像内の主要な物体のバウンディングボックスを検出して返します構造化出力生成 (
structured-answering) - モデルが指定されたフィールドを持つJSONレスポンスを返します
物体検出は、vlm-exam ベンチマークで検証された各モデルの形式を使用します。両モデルとも次を出力します [x_min, y_min, x_max, y_max] 0〜1000に正規化された整数としてのボックスですが、キー名が異なります: GLM 5V Turbo は box_2d 、GLM 5.3 Flash は bbox_2d。このブロックは、選択されたモデルに対して正しいものを要求し、デコードします。
バージョンの違い
このバージョン (v2) は、ブロック内でモデルの回答をデコードし、次を追加します predictions, error_status と inference_id を、生の output 文字列の横に追加します:
predictionsには、object-detectionタスクのRLEマスク付き検出、そしてclassification/multi-label-classificationタスクの分類予測が入ります。出力の種類は選択されたタスクタイプに従います。predictionsはNoneそれ以外のすべてのタスク(制約なしプロンプト、OCR、キャプション生成、構造化応答、視覚的質問応答)ではerror_statusはTrueは、回答をデコードできなかった場合です。inference_idは画像ごとに生成されます。
別々の roboflow_core/vlm_as_detector@v2 と roboflow_core/vlm_as_classifier@v2 ステップは不要になりました。
すべてのリクエストは、画像を指示テキストの前に1つのユーザーメッセージとして送信します。GLM モデルは OpenRouter 上で拡張推論が既定ですが、このブロックは既定でそれを無効化し(ベンチマーク済みの構成)、それを再度有効にするための reasoning_effort 切り替えスイッチを公開します。GLM 5.3 Flash は推論を必要とし、無効化されている場合は低負荷にフォールバックします。 max_tokens 既定値は 2048 です。より長い回答が必要な場合は、(例: 8192)まで増やしてください。
既定では、このブロックは Roboflow が管理する OpenRouter キーを使用し、Roboflow クレジットから課金されます。ご自身の sk-or-... キーを貼り付けると、OpenRouter を直接呼び出せます。
タイプ識別子
ステップで次の識別子を使用してください "type" フィールド: roboflow_core/zai_vlm@v2 を、ワークフローにステップとして追加します。
プロパティ
名前
型
説明
参照
name
str
このステップの一意の識別子を入力してください。
❌
api_key
str
OpenRouter API キー。既定では Roboflow の管理キーを使用します。ご自身の sk-or-... キーを使えば、Roboflowの課金を介さずにOpenRouterを直接呼び出せます。
✅
privacy_level
str
プロバイダーのプライバシーフィルター。より厳しいレベルではプロバイダープールが狭まり、管理キーでの呼び出しごとのコストが増える場合があります。
❌
max_tokens
int
モデルが応答で生成できるトークンの最大数。既定値は 2048 です。タスクでより長い回答が必要な場合は、明示的に(例: 8192)まで増やしてください。課金はこの上限ではなく、実際に生成されたトークン数に基づきます。
❌
temperature
float
サンプリング温度。既定では未設定のままにして、プロバイダーの既定値を適用します。範囲は 0.0-2.0 です。
✅
max_concurrent_requests
int
画像バッチに対する同時リクエスト数。指定しない場合、ブロックはWorkflows Execution Engineでグローバルに設定された値をデフォルトで使用します。レート制限に達する場合は制限してください。
❌
model_version
str
実行する Z.ai GLM モデル。
✅
task_type
str
モデルが実行するタスクタイプです。値によって必要なパラメータと出力レスポンスが決まります。
❌
prompt
str
モデルに送信するテキストプロンプト。
✅
output_structure
Dict[str, str]
期待される JSON 応答の構造を持つ辞書。
❌
classes
List[str]
使用するクラスの一覧。
✅
reasoning_effort
str
拡張推論の予算。GLM モデルは OpenRouter 上で既定で拡張推論を使用します; なし (既定値)で無効化し、vlm-exam ベンチで検証された構成に一致させます。
❌
この 参照 この列は、 workflow の実行時に利用可能な動的値でプロパティをパラメータ化できる可能性を示します。 バインディング の詳細を参照してください。
実行時互換性
requires_internet - エアギャップ/オフライン展開: このブロックは、完全オフライン/エアギャップ展開からは到達できないサービスに依存します。
入力および出力バインディング
利用可能な接続は、そのバインディング種別に依存します。 Z.ai バージョン v2 に、どのバインディング種別があるか確認してください。
v1
Z.ai GLMの視覚言語モデルを次を介して実行: OpenRouter.
対応モデル: GLM 5V Turbo と GLM 5.3 Flash(以前は OpenRouter のステルスモデル「Ox Alpha」として提供されていました)。
任意のテキストプロンプトまたは定義済みのものを指定できます。このブロックは次をサポートします:
オープンプロンプト (
制約なし) - 任意のプロンプトを使って生の応答を生成しますテキスト認識(OCR) (
ocr) - モデルが画像内のテキストを認識します視覚的質問応答 (
visual-question-answering) - モデルがプロンプトで送信した質問に答えますキャプション生成(短) (
caption) - モデルが画像の短い説明を提供しますキャプション生成 (
detailed-caption) - モデルが画像の詳しい説明を提供します単一ラベル分類 (
classification) - モデルが画像内容を提示されたクラスのいずれかに分類します複数ラベル分類 (
multi-label-classification) - モデルが画像内容を提示されたクラスの1つ以上に分類しますプロンプトなし物体検出 (
object-detection) - モデルが画像内の主要な物体のバウンディングボックスを検出して返します構造化出力生成 (
structured-answering) - モデルが指定されたフィールドを持つJSONレスポンスを返します
物体検出は、vlm-exam ベンチマークで検証された各モデルの形式を使用します。両モデルとも次を出力します [x_min, y_min, x_max, y_max] 0〜1000に正規化された整数としてのボックスですが、キー名が異なります: GLM 5V Turbo は box_2d 、GLM 5.3 Flash は bbox_2d。次を使って解析: 検出器としてのVLM (vlm_as_detector@v2)を使用して model_type="zai" GLM 5V Turbo 用、および model_type="zai-flash" GLM 5.3 Flash 用。
すべてのリクエストは、画像を指示テキストの前に1つのユーザーメッセージとして送信します。GLM モデルは OpenRouter 上で拡張推論が既定ですが、このブロックは既定でそれを無効化し(ベンチマーク済みの構成)、それを再度有効にするための reasoning_effort 切り替えスイッチを公開します。GLM 5.3 Flash は推論を必要とし、無効化されている場合は低負荷にフォールバックします。 max_tokens 既定値は 2048 です。より長い回答が必要な場合は、(例: 8192)まで増やしてください。
既定では、このブロックは Roboflow が管理する OpenRouter キーを使用し、Roboflow クレジットから課金されます。ご自身の sk-or-... キーを貼り付けると、OpenRouter を直接呼び出せます。
タイプ識別子
ステップで次の識別子を使用してください "type" フィールド: roboflow_core/zai_vlm@v1 を、ワークフローにステップとして追加します。
プロパティ
名前
型
説明
参照
name
str
このステップの一意の識別子を入力してください。
❌
api_key
str
OpenRouter API キー。既定では Roboflow の管理キーを使用します。ご自身の sk-or-... キーを使えば、Roboflowの課金を介さずにOpenRouterを直接呼び出せます。
✅
privacy_level
str
プロバイダーのプライバシーフィルター。より厳しいレベルではプロバイダープールが狭まり、管理キーでの呼び出しごとのコストが増える場合があります。
❌
max_tokens
int
モデルが応答で生成できるトークンの最大数。既定値は 2048 です。タスクでより長い回答が必要な場合は、明示的に(例: 8192)まで増やしてください。課金はこの上限ではなく、実際に生成されたトークン数に基づきます。
❌
temperature
float
サンプリング温度。既定では未設定のままにして、プロバイダーの既定値を適用します。範囲は 0.0-2.0 です。
✅
max_concurrent_requests
int
画像バッチに対する同時リクエスト数。指定しない場合、ブロックはWorkflows Execution Engineでグローバルに設定された値をデフォルトで使用します。レート制限に達する場合は制限してください。
❌
model_version
str
実行する Z.ai GLM モデル。
✅
task_type
str
モデルが実行するタスクタイプです。値によって必要なパラメータと出力レスポンスが決まります。
❌
prompt
str
モデルに送信するテキストプロンプト。
✅
output_structure
Dict[str, str]
期待される JSON 応答の構造を持つ辞書。
❌
classes
List[str]
使用するクラスの一覧。
✅
reasoning_effort
str
拡張推論の予算。GLM モデルは OpenRouter 上で既定で拡張推論を使用します; なし (既定値)で無効化し、vlm-exam ベンチで検証された構成に一致させます。
❌
この 参照 この列は、 workflow の実行時に利用可能な動的値でプロパティをパラメータ化できる可能性を示します。 バインディング の詳細を参照してください。
実行時互換性
requires_internet - エアギャップ/オフライン展開: このブロックは、完全オフライン/エアギャップ展開からは到達できないサービスに依存します。
入力および出力バインディング
利用可能な接続は、そのバインディング種別に依存します。 Z.ai バージョン v1 に、どのバインディング種別があるか確認してください。
最終更新
役に立ちましたか?