12月8日消息，智谱 AI 今日宣布正式推出并开源 GLM-4.6V 系列多模态大模型，具体包括以下两个版本：

GLM-4.6V（106B-A12B）：该版本是面向云端与高性能集群场景的基础版；

GLM-4.6V-Flash（9B）：这是一个面向本地部署与低延迟应用的轻量级版本。

作为 GLM 系列在多模态方向上的一次重要迭代，GLM-4.6V 将训练时上下文窗口提升至 128k tokens，其在视觉理解精度上达到了同参数规模的 SOTA 水平。尤为值得一提的是，该模型首次在架构中，将 Function Call（工具调用）能力原生融入视觉模型，打通了从“视觉感知”到“可执行行动（Action）”的链路，旨在为真实业务场景中的多模态 Agent 提供统一的技术底座。

除了性能优化，GLM-4.6V 系列相较于 GLM-4.5V 实现了高达 50% 的降价，API 调用价格已降至输入 1 元 / 百万 tokens，输出 3 元 / 百万 tokens。

同时，GLM-4.6V-Flash 版本已免费开放使用。

GLM-4.6V 即日起融入 GLM Coding Plan，针对用户八大类场景定向开发了专用 MCP 工具，模型可自主调用最匹配的接口。

智谱 AI 介绍称，传统的工具调用大多基于纯文本，在面对图像、视频、复杂文档等多模态内容时，往往需要多次中间转换，容易造成信息损失和工程复杂度上升。GLM-4.6V 从设计之初就围绕“图像即参数，结果即上下文”的理念，构建了原生的多模态工具调用能力：

输入多模态：图像、截图、文档页面等内容可以直接作为工具参数，无需先转为文字描述再解析，有效减少了链路损耗。

输出多模态：对于工具返回的统计图表、渲染后网页截图、检索到的商品图片等结果，模型能够再次进行视觉理解，并将其纳入后续推理链路。

这种模型原生支持基于视觉输入的工具调用，完整打通了从感知到理解再到执行的闭环。这使得 GLM-4.6V 能够处理图文混排输出、商品识别与好价推荐、以及辅助型 Agent 场景等更为复杂的视觉任务。

GLM-4.6V 在 MMBench、MathVista、OCRBench 等 30 多个主流多模态评测基准上进行了验证，较上一代模型取得了显著提升。在同等参数规模下，该模型在多模态交互、逻辑推理和长上下文等关键能力上均取得了 SOTA 表现。其中，9B 版本的 GLM-4.6V-Flash 整体表现超越 Qwen3-VL-8B，而 106B 参数、激活12B 的 GLM-4.6V 表现更是比肩参数量为其 2 倍的 Qwen3-VL-235B。

智谱 AI 已开放 GLM-4.6V 的模型权重、推理代码与示例工程，其开源地址如下：

GitHub：https://github.com/zai-org/GLM-V

Hugging Face：https://huggingface.co/collections/zai-org/glm-46v

魔搭社区：https://modelscope.cn/collections/GLM-46V-37fabc27818446