Z AI (Zhipu)

A Z.ai é um laboratório de IA que oferece, por uma plataforma de API, a família de modelos de linguagem GLM, modelos de visão, de geração de imagem e de geração de vídeo, além de publicar pesos abertos no Hugging Face.

A documentação para desenvolvedores, em docs.z.ai, descreve um endpoint de chat compatível com o formato da OpenAI, em api.z.ai/api/paas/v4, e traz um exemplo com o SDK da OpenAI apontado para esse endereço.

O catálogo da documentação cobre:

• Modelos de linguagem GLM, com um modelo principal e variantes Flash e FlashX.
• Modelos de visão, que recebem imagens, vídeos e arquivos junto com o texto.
• CogView-4 e GLM-Image, para gerar imagens.
• CogVideoX-3, para gerar vídeo a partir de texto ou de imagem.

A documentação também reúne guias de chamada de funções, saída estruturada, busca na web e chamada de ferramentas em streaming, e oferece um SDK oficial em Python.

No Hugging Face, a organização zai-org publica pesos da família GLM, e os cartões de modelos anteriores trazem licença MIT.

A Z.ai é indicada para desenvolvedores que querem integrar modelos de linguagem, de visão e de geração de mídia por uma API compatível com o formato da OpenAI, e para equipes que preferem executar pesos abertos da família GLM em infraestrutura própria.

Perfis de uso que a documentação oficial sustenta:

• Times que já usam o SDK da OpenAI, porque a documentação mostra o mesmo SDK com o endereço base trocado.
• Produtos que chamam funções ou ferramentas, com guias de chamada de funções, saída estruturada e busca na web.
• Aplicações que analisam imagens, vídeos ou arquivos, com os modelos de visão e a entrada multimodal das variantes Flash e FlashX.
• Produtos que geram imagens ou vídeos, com CogView-4, GLM-Image e CogVideoX-3.
• Equipes de infraestrutura que baixam pesos do zai-org no Hugging Face e os servem com vLLM, SGLang, Transformers, KTransformers ou xLLM, as ferramentas que os cartões de modelo listam.

Pré-requisitos práticos. Para a API, é preciso uma conta e uma chave. Para a geração de vídeo, a chamada é assíncrona, então o código precisa consultar o resultado depois. Para pesos abertos, é preciso GPUs e conferir a licença do modelo exato.

Os principais recursos da Z.ai são a API de chat compatível com o formato da OpenAI, os modelos de linguagem GLM, a entrada multimodal, a geração de imagem e de vídeo, os guias de ferramentas e os pesos abertos.

O que a documentação oficial lista:

• API de chat em api.z.ai/api/paas/v4, compatível com o formato da OpenAI.
• Modelos GLM de linguagem, com variantes Flash e FlashX. A página dessas variantes lista chamada de funções e entrada multimodal de imagens, vídeos e arquivos.
• Modelos de visão, descritos com chamada de ferramentas multimodal nativa.
• Geração de imagem: CogView-4, que usa um codificador GLM bilíngue, e GLM-Image, cuja resposta é uma URL de imagem que o código precisa baixar.
• Geração de vídeo: CogVideoX-3, que aceita texto ou imagem e quadros inicial e final, por chamada assíncrona.
• Guias de chamada de funções, saída estruturada, busca na web e chamada de ferramentas em streaming.
• SDK oficial em Python, com funções, visão, imagem e vídeo.
• Pesos no Hugging Face, com licença MIT nos cartões de modelos anteriores.

Há também um guia de migração entre gerações do modelo principal na documentação.

A Z.ai vale a pena para quem quer texto, visão, imagem e vídeo na mesma plataforma de API e a opção de executar pesos abertos, e é menos indicada para quem precisa de um único formato de resposta síncrono para tudo.

Pontos fortes:

• Uma plataforma cobre linguagem, visão, geração de imagem e geração de vídeo, segundo o catálogo da documentação.
• O endpoint de chat é compatível com o formato da OpenAI, e a documentação mostra o SDK da OpenAI funcionando com a troca do endereço base.
• A documentação traz guias de chamada de funções, saída estruturada, busca na web e chamada de ferramentas em streaming.
• Há pesos abertos no Hugging Face, com licença MIT nos cartões de modelos anteriores.

Pontos de atenção:

• A geração de vídeo é assíncrona, então o código precisa consultar o resultado depois.
• A resposta do GLM-Image é uma URL, e o arquivo precisa ser baixado pelo código.
• A licença dos modelos mais recentes não ficou confirmada, e é preciso ler o cartão de cada um.
• O nome do modelo principal muda de geração em geração, e a documentação mantém um guia de migração para acompanhar.

As alternativas à Z.ai são outros laboratórios com API de modelos de linguagem, alguns também com visão e mídia.

• Qwen: família da Alibaba Cloud com pesos abertos, modelos de visão, áudio e imagem, e API no Model Studio compatível com o formato da OpenAI.
• DeepSeek: API no formato da OpenAI e da Anthropic, com pesos no Hugging Face e janela de contexto de cerca de 1 milhão de tokens.
• Mistral AI: API no formato da OpenAI, com modelos de código, OCR e áudio, e pesos abertos para parte do catálogo.
• Cohere: foco empresarial, com Embed e Rerank para busca e implantação em VPC ou local.
• OpenAI: modelos próprios por API, incluindo imagem, sem pesos para baixar nos modelos principais.

A escolha depende de qual modalidade pesa mais. Se a necessidade é gerar vídeo por API, a Z.ai lista o CogVideoX-3 na documentação, e é preciso verificar o que cada concorrente oferece nesse ponto. Se o critério é licença de pesos, compare modelo a modelo.