Z AI (Zhipu)

Z.ai es un laboratorio de IA que ofrece, mediante una plataforma de API, la familia de modelos de lenguaje GLM, modelos de visión, de generación de imágenes y de generación de video, además de publicar pesos abiertos en Hugging Face.

La documentación para desarrolladores, en docs.z.ai, describe un endpoint de chat compatible con el formato de OpenAI, en api.z.ai/api/paas/v4, e incluye un ejemplo con el SDK de OpenAI apuntando a esa dirección.

El catálogo de la documentación cubre:

• Modelos de lenguaje GLM, con un modelo principal y variantes Flash y FlashX.
• Modelos de visión, que reciben imágenes, videos y archivos junto con el texto.
• CogView-4 y GLM-Image, para generar imágenes.
• CogVideoX-3, para generar video a partir de texto o de una imagen.

La documentación también reúne guías de llamada a funciones, salida estructurada, búsqueda web y llamada a herramientas en streaming, y ofrece un SDK oficial en Python.

En Hugging Face, la organización zai-org publica pesos de la familia GLM, y las fichas de modelos anteriores traen licencia MIT.

Z.ai es para desarrolladores que quieren integrar modelos de lenguaje, de visión y de generación de medios mediante una API compatible con el formato de OpenAI, y para equipos que prefieren ejecutar pesos abiertos de la familia GLM en infraestructura propia.

Perfiles de uso que la documentación oficial respalda:

• Equipos que ya usan el SDK de OpenAI, porque la documentación muestra el mismo SDK con la URL base cambiada.
• Productos que llaman funciones o herramientas, con guías de llamada a funciones, salida estructurada y búsqueda web.
• Aplicaciones que analizan imágenes, videos o archivos, con los modelos de visión y la entrada multimodal de las variantes Flash y FlashX.
• Productos que generan imágenes o videos, con CogView-4, GLM-Image y CogVideoX-3.
• Equipos de infraestructura que descargan pesos de zai-org en Hugging Face y los sirven con vLLM, SGLang, Transformers, KTransformers o xLLM, las herramientas que listan las fichas de los modelos.

Requisitos prácticos. Para la API hace falta una cuenta y una clave. La generación de video es asíncrona, así que el código debe consultar el resultado después. Para pesos abiertos hacen falta GPUs y revisar la licencia del modelo exacto.

Las principales funciones de Z.ai son la API de chat compatible con el formato de OpenAI, los modelos de lenguaje GLM, la entrada multimodal, la generación de imagen y de video, las guías de herramientas y los pesos abiertos.

Lo que lista la documentación oficial:

• API de chat en api.z.ai/api/paas/v4, compatible con el formato de OpenAI.
• Modelos GLM de lenguaje, con variantes Flash y FlashX. La página de esas variantes lista llamada a funciones y entrada multimodal de imágenes, videos y archivos.
• Modelos de visión, descritos con llamada a herramientas multimodal nativa.
• Generación de imagen: CogView-4, que usa un codificador GLM bilingüe, y GLM-Image, cuya respuesta es una URL de imagen que el código debe descargar.
• Generación de video: CogVideoX-3, que acepta texto o una imagen y cuadros inicial y final, mediante una llamada asíncrona.
• Guías de llamada a funciones, salida estructurada, búsqueda web y llamada a herramientas en streaming.
• SDK oficial en Python, con funciones, visión, imagen y video.
• Pesos en Hugging Face, con licencia MIT en las fichas de modelos anteriores.

La documentación también tiene una guía de migración entre generaciones del modelo principal.

Z.ai vale la pena para quien quiere texto, visión, imagen y video en la misma plataforma de API y la opción de ejecutar pesos abiertos, y es menos adecuada para quien necesita un único formato de respuesta síncrono para todo.

Puntos fuertes:

• Una plataforma cubre lenguaje, visión, generación de imagen y generación de video, según el catálogo de la documentación.
• El endpoint de chat es compatible con el formato de OpenAI, y la documentación muestra el SDK de OpenAI funcionando con la URL base cambiada.
• La documentación trae guías de llamada a funciones, salida estructurada, búsqueda web y llamada a herramientas en streaming.
• Hay pesos abiertos en Hugging Face, con licencia MIT en las fichas de modelos anteriores.

Puntos de atención:

• La generación de video es asíncrona, así que el código debe consultar el resultado después.
• La respuesta de GLM-Image es una URL, y el código debe descargar el archivo.
• La licencia de los modelos más recientes no quedó confirmada, y hay que leer la ficha de cada uno.
• El nombre del modelo principal cambia de generación en generación, y la documentación mantiene una guía de migración para seguirlo.

Las alternativas a Z.ai son otros laboratorios con API de modelos de lenguaje, algunos también con visión y medios.

• Qwen: familia de Alibaba Cloud con pesos abiertos, modelos de visión, audio e imagen, y API en Model Studio compatible con el formato de OpenAI.
• DeepSeek: API en el formato de OpenAI y de Anthropic, con pesos en Hugging Face y ventana de contexto de alrededor de 1 millón de tokens.
• Mistral AI: API en el formato de OpenAI, con modelos de código, OCR y audio, y pesos abiertos para parte del catálogo.
• Cohere: enfoque empresarial, con Embed y Rerank para búsqueda y despliegue en VPC o local.
• OpenAI: modelos propios por API, incluida imagen, sin pesos descargables en los modelos principales.

La elección depende de qué modalidad pese más. Si la necesidad es generar video por API, Z.ai lista CogVideoX-3 en su documentación, y hay que verificar qué ofrece cada competidor en ese punto. Si el criterio es la licencia de los pesos, compare modelo por modelo.