GLM-4.5V视觉推理模型开源，百亿参数级性能领先

8月11日，智谱AI正式发布新一代开源视觉推理模型GLM-4.5V。这款总参数达106B（激活参数12B）的模型，号称是目前全球100B级别中效果最佳的开源视觉推理模型。目前已在魔搭社区和Hugging Face平台同步开源，其API调用价格也相当亲民，输入仅需2元/百万tokens，输出6元/百万tokens。

据了解，GLM-4.5V基于智谱新一代旗舰文本基座模型GLM-4.5-Air打造，延续了GLM-4.1V-Thinking的技术路线。在41个公开视觉多模态榜单中，其综合表现达到了同级别开源模型的SOTA水平，涵盖图像、视频、文档理解以及GUI Agent等常见任务场景。

除了在标准测试中的优异表现，GLM-4.5V更注重实际应用场景中的可用性。通过高效的混合训练策略，该模型具备了处理多种视觉内容的能力，能够实现全场景的视觉推理，具体包括：

• 图像推理：场景理解、复杂多图分析、位置识别
• 视频理解：长视频分镜分析、事件识别
• GUI任务：屏幕读取、图标识别、桌面操作辅助
• 复杂图表与长文档解析：研报分析、关键信息提取
• Grounding能力：视觉元素的精准定位

值得一提的是，GLM-4.5V新增了"思考模式"开关功能，用户可以根据实际需求，在快速响应和深度推理之间灵活切换，更好地平衡效率与效果。为了帮助开发者更直观地体验模型能力，智谱AI还同步开源了一款桌面助手应用。

这款桌面应用可以实时截屏、录屏获取屏幕信息，并借助GLM-4.5V的强大能力处理各类视觉推理任务。无论是代码辅助、视频内容分析、游戏解答，还是文档解读等日常需求，它都能成为一个得力的智能助手。智谱AI希望通过模型开源和API服务，赋能更多开发者基于这个多模态基座模型发挥创意，将那些曾经只出现在科幻电影中的场景变为现实。