這兩個(gè)月來(lái)，國(guó)產(chǎn)AI的發(fā)展勢(shì)頭可以用四個(gè)字概括：勢(shì)如破竹。
上個(gè)月，智譜發(fā)布的 GLM-4.1V-Thinking 一舉沖上了 HuggingFace Trending 榜首，總下載量已突破13萬(wàn)次。
上周，又推出了旗艦多模態(tài)模型GLM-4.5 和輕量版GLM-4.5-Air，技術(shù)圈瞬間沸騰。
這周，智譜再次扔下“核彈”——基于 GLM-4.5-Air 架構(gòu)，訓(xùn)練出更強(qiáng)大的視覺(jué)推理模型 GLM-4.5V，并且毫不猶豫地 全量開(kāi)源。
更夸張的是，在42 個(gè)權(quán)威多模態(tài)榜單 中，GLM-4.5V 拿下了 41 項(xiàng) SOTA（全球最佳）。 一句話：在開(kāi)源視覺(jué)推理領(lǐng)域，它幾乎是無(wú)敵的存在。
01 GLM-4.5V 究竟強(qiáng)在哪？
如果說(shuō)普通的視覺(jué)模型只是“看得清”，那 GLM-4.5V 則是“看得懂、想得通、還會(huì)自己動(dòng)手”。
它的三個(gè)核心能力，讓它不只是個(gè)識(shí)圖工具，而更像一個(gè)擁有視覺(jué)和常識(shí)的大腦：
① 多模態(tài)融合推理
能同時(shí)理解圖像、文字、視頻等多種信息，并在一個(gè)上下文中推理，這意味著它不僅能識(shí)別圖片，還能結(jié)合文字背景得出更準(zhǔn)確的結(jié)論。
類比一下，這就像一個(gè)工程師看圖紙時(shí)，不僅看到了線條，還理解了設(shè)計(jì)目的，并能立即判斷可行性。
② 長(zhǎng)上下文記憶
可以連續(xù)處理數(shù)十張圖片、幾分鐘視頻或長(zhǎng)文檔，并保持邏輯一致，不會(huì)出現(xiàn)“前一句和后一句不沾邊”的問(wèn)題。 這對(duì)長(zhǎng)流程的任務(wù)（比如視頻內(nèi)容分析、長(zhǎng)文檔解析）非常關(guān)鍵。
③ Grounding 精準(zhǔn)定位
不只是說(shuō)“這是一個(gè)貓”，而是能告訴你它在畫(huà)面中的精確坐標(biāo)，甚至能直接生成可用的標(biāo)注文件，讓 AI 從“感知”走向“可操作”。
02 模型規(guī)格：真正的 100B 級(jí)視覺(jué)推理猛獸
- 總參數(shù)：106B
- 激活參數(shù)：12B
- 輸入類型：圖像 / 文本 / 視頻
?? GitHub：https://github.com/zai-org/GLM-V?? Hugging Face：https://huggingface.co/zai-org/GLM-4.5V
03 能力覆蓋面有多廣？
- 圖像推理：場(chǎng)景理解、多圖分析、位置識(shí)別
- 視頻理解：長(zhǎng)視頻分鏡、事件識(shí)別
- GUI 任務(wù)：前端頁(yè)面復(fù)刻、桌面操作輔助
- 圖表與文檔解析：結(jié)構(gòu)化提取、自動(dòng)標(biāo)注
- Grounding 定位：精準(zhǔn)框選視覺(jué)元素
簡(jiǎn)單來(lái)說(shuō)，它既能幫你看懂一份復(fù)雜的財(cái)報(bào)圖表，也能復(fù)刻一個(gè)網(wǎng)頁(yè) UI，甚至能像人類助手一樣操作電腦界面。
04 桌面助手：多模態(tài)能力落地的“利器”
為了讓開(kāi)發(fā)者更快上手，智譜還同步開(kāi)源了 GLM-4.5V 桌面助手，支持：
- 實(shí)時(shí)截屏并分析
- 獲取屏幕信息
- 基于視覺(jué)推理執(zhí)行自動(dòng)化任務(wù)
寫(xiě)在最后
從 GLM-4.1V-Thinking 到 GLM-4.5V，智譜用一波接一波的開(kāi)源操作證明： 國(guó)產(chǎn)大模型，不只是能打，還能 打到世界第一。
未來(lái)的多模態(tài) AI 或?qū)⒊絾渭兊摹肮ぞ摺苯巧?，成為能夠理解、推理與協(xié)作的數(shù)字伙伴。 它們正在用另一種方式，重塑我們的工作和生活。
