GLM-5.3-Flash Vision: Bilder an ein 1M-Kontext-Modell senden

Die meisten Vision-Modelle zwingen Sie zur Wahl: Bild oder viel Text. GLM-5.3-Flash kombiniert native Bildeingabe mit einem Kontextfenster von 1.048.576 Tokens in derselben Anfrage und ermöglicht damit multimodale Workflows, die beides gleichzeitig benötigen.

Apidog noch heute ausprobieren

Dieser Leitfaden zeigt die Nutzlast, sinnvolle Workflows, Grenzen und Kosten.

Nativ statt adapterbasiert

Frühere Vision-Modelle von Z.ai, etwa GLM-5V-Turbo und GLM-4.6V, waren separate Endpunkte mit eigenen Modell-IDs. GLM-5.3 verarbeitet Vision über Adapter.

GLM-5.3-Flash verarbeitet Bilder dagegen nativ: im selben Modell, Aufruf und Kontext wie Text. Das bedeutet eine Modell-ID, Abrechnung, Ratenbegrenzung und einen gemeinsamen Kontext für Bild und Text.

Für ältere Modelle siehe den GLM-5V-Turbo API-Leitfaden und den GLM-4.6V-Leitfaden.

Die Nutzlast

Bilder werden als typisierte Inhaltsblöcke gesendet. content ist deshalb ein Array statt eines Strings:

from openai import OpenAI
import os

client = OpenAI(
    [REDACTED CREDENTIAL],
    base_url="https://api.z.ai/api/paas/v4/",
)

response = client.chat.completions.create(
    model="glm-5.3-flash",
    messages=[
        {
            "role": "user",
            "content": [
                {"type": "text", "text": "What is wrong with this layout on mobile?"},
                {
                    "type": "image_url",
                    "image_url": {"url": "https://example.com/mobile-view.png"},
                },
            ],
        }
    ],
)

print(response.choices[0].message.content)

Für lokale oder private Bilder verwenden Sie eine Base64-Daten-URL:

import base64
from pathlib import Path

def image_block(path: str) -> dict:
    data = base64.b64encode(Path(path).read_bytes()).decode("utf-8")
    suffix = Path(path).suffix.lstrip(".").replace("jpg", "jpeg")
    return {
        "type": "image_url",
        "image_url": {"url": f"data:image/{suffix};base64,{data}"},
    }

Für mehrere Bilder benötigen Sie mehrere Blöcke:

content = [
    {"type": "text", "text": "Image 1 is the design. Image 2 is what we built. List the differences."},
    image_block("design.png"),
    image_block("built.png"),
]

Die Reihenfolge zählt. Platzieren Sie erklärenden Text vor dem jeweiligen Bild und beschriften Sie mehrere Bilder explizit, damit das Modell Referenzen zuverlässig zuordnen kann.

Grundlagen zu Einrichtung und Authentifizierung finden Sie im API-Leitfaden.

Lohnenswerte Workflows

Screenshot-Debugging

Z.ai beschreibt den Einsatz für Schnittstellen, Rendering-Ergebnisse und Interaktions-Feedback. Senden Sie fehlerhaftes Rendering und Quellcode zusammen:

content = [
    {"type": "text", "text": "This component renders incorrectly below 400px. Here is the screenshot and the source."},
    image_block("bug-mobile.png"),
    {"type": "text", "text": f"```
{% endraw %}
jsx\n{component_source}\n
{% raw %}
```"},
]

Das Modell kann das tatsächliche Rendering analysieren, statt sich auf eine menschliche Problembeschreibung zu verlassen.

Designvergleich

Vergleichen Sie zwei Bilder direkt. Das eignet sich als weicher CI-Check für visuelle Regressionen: Ein Diff-Tool erkennt geänderte Pixel, das Modell priorisiert, welche Unterschiede ein Mensch prüfen sollte.

Verwenden Sie das Ergebnis nicht als alleinige Grundlage, um Deployments zu blockieren. Ein Modellvergleich ist eine Einschätzung, keine zuverlässige Behauptung.

Dokumente mit ihrer Spezifikation prüfen

Der 1M-Kontext erlaubt es, lange Spezifikationen und gerenderte Artefakte gemeinsam zu prüfen:

content = [
    {"type": "text", "text": f"Specification:\n\n{spec_text}"},
    {"type": "text", "text": "Below is the generated report. Does it satisfy every requirement above? List gaps."},
    image_block("generated-report.png"),
]

Eine 40-seitige Spezifikation und ein Bild in einem Prompt wären mit einem 128K-Kontextfenster und adapterbasierter Vision kaum praktikabel. Das ist die zentrale neue Fähigkeit.

Die Release Notes von Z.ai nennen außerdem Bürodokumente und Finanzforschung als Ziel-Workflows für das agentische Verhalten des Modells.

Diagramme und Dashboards

Fordern Sie für Diagrammextraktion JSON an und validieren Sie es anschließend:

content = [
    {"type": "text", "text": "Extract the series in this chart as JSON: [{label, values: [...]}]
Return only JSON."},
    image_block("quarterly.png"),
]

Validieren Sie gegen ein Schema. Diagrammlesen kann selbstbewusst falsche Werte liefern; Schema-Validierung erkennt Formfehler, aber keine plausiblen falschen Zahlen.

Für dedizierte Dokumentenextraktion kann ein Spezialmodell besser geeignet sein. Siehe GLM-OCR für das Dokumentenverständnis.

Video und Dateien

Z.ai dokumentiert Video- und Dateieingaben über denselben Inhaltsblock-Mechanismus.

Behandeln Sie diese Unterstützung vorsichtig: Video ist neu, nur begrenzt dokumentiert und deutlich weniger erprobt als Bildeingabe. Außerdem bedeutet eine Modellfunktion nicht automatisch, dass Ihr Gateway sie unterstützt.

Testen Sie Video mit eigenen Medien und Ihrem tatsächlichen Anbieter, bevor Sie Ihre Anwendung darauf aufbauen.

Wo es Schwächen zeigt

Native Multimodalität bedeutet nicht automatisch zuverlässige Multimodalität. Berücksichtigen Sie diese Fehlermodi:

• Zuversichtliche Zahlen aus Diagrammen: Gezeichnete Linien können zu präzise formatierten, aber falschen Werten führen. Bei wichtigen Zahlen verwenden Sie die Quelldaten statt eines Diagrammbilds.
• Kleiner Text: Dichte UI-Screenshots, niedrig aufgelöste Tabellen und komprimierter Code verschlechtern die Ergebnisse. Schneiden Sie relevante Bereiche zu, statt das gesamte Bild stark zu verkleinern.
• Räumliche Präzision: „Der Button überlappt das Eingabefeld“ ist meist zuverlässig. „Der Button ist 12 Pixel zu weit links“ meist nicht.
• Reihenfolge und Referenzen: Bei mehreren Bildern kann das Modell Details dem falschen Bild zuordnen. Beschriften Sie Bilder und halten Sie die Anzahl niedrig, wenn Präzision entscheidend ist.

Diese Grenzen gelten allgemein für Vision-Sprachmodelle. Auch der Intelligence-Index-Score von 57 hebt sie nicht auf. Gestalten Sie Workflows so, dass falsche Antworten erkannt werden, bevor sie umgesetzt werden.

Kosten

Bilder verbrauchen Eingabe-Tokens und werden als solche abgerechnet; es gibt keinen separaten Bildzuschlag.

Der Listenpreis beträgt 0,15 $ pro Million Eingabe-Tokens beziehungsweise 0,075 $ während des Einführungsrabatts bis zum 9. September 2026. Hochauflösende Bilder können viele Tokens verbrauchen, daher beeinflusst die Auflösung die Kosten direkt.

reasoning_effort ist standardmäßig auf max gesetzt und rechnet Argumentation als Ausgabe-Tokens ab. Für einfache Bildextraktion ist low meist günstiger und ausreichend. Weitere Details finden Sie in der Preisübersicht.

Bildkosten kontrollieren

Praktische Reihenfolge:

• Vor dem Skalieren zuschneiden: Senden Sie den relevanten Bereich in hoher Auflösung, statt den gesamten Bildschirm zu halbieren.
• Auflösung an die Frage anpassen: „Ist das Layout defekt?“ verträgt starkes Herunterskalieren. „Was steht in dieser Fehlermeldung?“ nicht.
• Unveränderte Bilder nicht erneut senden: Bereits gesendete Bilder bleiben im Kontext. Wiederholtes Anhängen verursacht erneut Kosten.
• reasoning_effort bewusst setzen: Für einfache Extraktion ist max selten nötig.

Das usage-Objekt jeder Antwort liefert die tatsächliche Token-Anzahl. Das ist zuverlässiger, als Kosten aus der Dateigröße abzuleiten.

Multimodale Aufrufe testen

Multimodale Anfragen sind manuell schwer zu testen: Base64-Daten-URLs sind lang, Curl-Befehle unlesbar und Freitext-Antworten machen Regressionen leicht übersehbar.

Nutzen Sie einen kleinen, festen Satz an Referenzbildern und erwarteten Antworten. Validieren Sie strukturierte Extraktion immer gegen ein Schema.

Apidog hilft dabei, Bild-Payloads in gespeicherten Anfragen statt Shell-Befehlen zu verwalten, API-Schlüssel als Umgebungsvariablen zu speichern und Assertions für JSON-Extraktionen anzulegen. Wenn Sie Modelle oder Anbieter wechseln, zeigt ein erneuter Testlauf, ob der Vision-Pfad weiterhin funktioniert.

FAQ

Unterstützt GLM-5.3 auch Bilder? Nicht nativ. GLM-5.3 leitet Vision über separate Adapter. Flash ist das nativ multimodale Modell; Details stehen in unserem Vergleich.

Wie viele Bilder pro Anfrage? Mehrere, jeweils als eigener image_url-Block. Die praktische Grenze ist Ihr Kontextbudget.

URL oder Base64? Beides funktioniert. Verwenden Sie öffentliche URLs für bereits gehostete Bilder und Base64 für lokale oder private Bilder.

Akzeptiert es Video? Z.ai dokumentiert Videoeingaben, aber die Funktion ist neu und wenig erprobt. Testen Sie sie mit eigenen Medien und Ihrem Anbieter.

Werden Bilder anders abgerechnet? Nein. Sie verbrauchen Eingabe-Tokens, daher beeinflusst die Auflösung die Kosten.