智譜、視覚コーディングモデル「GLM-5V-Turbo」公開　手書きラフや画面録画からコード生成

頭の中にあるUIのアイデアをコードに落とし込む作業は、いまだに手間のかかるステップです。プロンプトで言葉を尽くしても、マージンが崩れたり動きが伝わらなかったりするのが常でした。

智譜（Z AI）は新たな視覚コーディングモデル「GLM-5V-Turbo」を公開しました。手書きの雑なラフスケッチやUIのスクリーンショット、さらには操作中の画面録画を読み込ませるだけで、見た目をそのまま反映した実行可能なコードを出力します。

粗い手書き図から、アニメーション付きのWeb復元まで

GLM-5V-Turboはネイティブなマルチモーダル構造を備え、200Kのコンテキストウィンドウに対応しています。テキストだけでなく、画像、動画、ドキュメントをプロンプト内にまとめて流し込めます。

実用面で面白いのが、入力の粗さに対する寛容さです。メモ用紙に走り書きしたような不格好なワイヤーフレームであっても、レイアウトの意図を汲み取って動くアプリのコードを組み立ててくれます。さらにスタイル参照用の画像を添えれば、骨組みを維持したまま指定のビジュアルテイストを適用可能です。

極めつけは動画入力です。既存サイトの操作録画を渡すと、サイト全体の構成を復元するだけでなく、画面内のアニメーション効果までコードに落とし込みます。いくつかのデザイン系ベンチマークでは、Kimi K2.5だけでなくClaude Opus 4.6を上回るスコアを記録したとしています。

自律型エージェントとの連携を標準装備

単に画像からコードを書くだけではありません。画枠指定やマルチモーダル検索、スクリーンショット取得、Webページ閲覧といった視覚系ツール群を標準でサポートしています。

これにより、AIが自律的にWebサイトを巡回してページ構造を整理し、素材を収集したうえでサイトを丸ごと複製するような「GUI探索」が可能になりました。

外部ツールとの親和性も高く、Claude CodeやOpenClawといったコーディングエージェントに深く適合しており、公式のSkills群も最初から用意されています。現在はAPIおよびZ AIのチャットプラットフォーム上で利用可能です。

なぜ重要か

マルチモーダルモデルによるUI生成競争は激化していますが、静止画にとどまらず「画面録画の動きまで読み取ってコード化する」領域に踏み込んできた点は大きな進歩です。

個人開発者やデザイナーにとって、動くプロトタイプを作成するハードルは劇的に下がります。気に入ったUIのインタラクションを録画して渡すだけで叩き台ができあがるなら、初期の実装コストは大幅に浮くはずです。

自前のチャットUIに閉じこもるのではなく、Claude CodeやOpenClawといった外部のエージェント環境に即座に組み込める形で提供した判断も極めて合理的と言えます。

ただし、プロトタイプとして動くことと、保守しやすいプロダクションコードが書けることの間には依然として開きがあります。吐き出されたコードの構造やコンポーネント設計が現場の要求に耐えうるものかどうかは、実際の開発現場で使い込みながら見極める必要があります。