Сравнение моделей Gemma 3 4B vs GLM 4.6V

× google/gemma-3-4b-it

Gemma 3 вводит мультимодальность, поддерживая входы «изображение+текст» и текстовые выходы. Она обрабатывает контекст до 128k токенов, понимает более 140 языков и предлагает улучшенные возможности в математике, рассуждениях и чате, включая структурированные выходы и вызов функций.

× z-ai/glm-4.6v

GLM-4.6V — крупная мультимодальная модель, предназначенная для высокоточной визуальной интерпретации и рассуждений на длинном контексте по изображениям, документам и смешанным медиа. Она поддерживает до 128K токенов, обрабатывает сложные макеты страниц и графики напрямую как визуальные входы и интегрирует нативный мультимодальный вызов функций, связывая восприятие с выполнением инструментов. Модель также поддерживает чередуемую генерацию изображений и текста и рабочие процессы реконструкции UI, включая преобразование скриншотов в HTML и итеративное визуальное редактирование.