最近，清华教授、智谱AI灵魂人物唐杰在社交媒体上相当活跃。昨天刚聊完AI的终局认知，抛出了“AI的终局就是AGI，一场猎龙游戏”的观点，引发广泛讨论后，今天又当众发起了一次需求征集：
各位！下个版本的GLM，你想要啥？
这条推文刚发出，浏览量就飙到了40w+。其影响力可见一斑。
但要说网友们为何如此捧场，还得往回看。去年GLM-4.6刚开源时，唐杰也做过类似提问。当时的评论区里群策群力，一条条需求后来都陆陆续续在GLM后续版本中得到了实现。那叫一个“有求必应”。
所以这次一开口，懂行的人立刻团建去了——有人po出自己的痛点，连智谱自家员工都下场留言。
比方说，有网友直接拉出一张心愿单：更强的Agent能力、超长上下文保持质量、更灵活的API……
还有更直接的，诚恳祈祷：求你了GLM！做一个类似Codex的桌面应用吧！
不过有趣的是，这次GLM-5.3的评论区刷得最多的，居然还是——视觉能力。
GLM的视觉之痛
两周前，智谱刚刚开源了GLM-5.2。
作为纯文本模型，它强得离谱——百万Token超长上下文、深入的逻辑推理，开源界AI编程第一名，全球第二，仅次于大名鼎鼎的神话级模型Fable-5。
但痛点也真实得扎心：没有视觉能力。
看不了图，也造不出图。反观拿来对标的Fable-5，那是原生多模态，视觉能力应有尽有。于是GLM用户只能流下羡慕的泪水：我也想拥有……
关键在于，智谱不是做不出多模态视觉。今年4月，他们刚发布过一个叫GLM-5V-Turbo的模型：原生多模态Coding基座，从预训练阶段就把视觉和文本揉在一起，能看懂设计稿、截图、网页界面，然后直接吐出能跑的代码，主打视觉+代码+Agent一体化。
再往前看，智谱做过不少多模态模型，CogVLM视觉编码器就出自他们之手。唐杰本人发表过的视觉论文，更是一抓一大把。
所以问题根本不是有没有视觉能力，而是智谱没把视觉放进最强旗舰模型中去。
这一点从唐杰过往的发言中也有迹可循。比如去年底的大模型年终总结里，他先是肯定多模态是未来。但随即话锋一转：
问题是，当下的多模态对提升AGI的智能上界，帮助有限。可能最有效的方式还是分开发展，文本、多模态、多模态生成。当然，适度的探索这三者的结合肯定能发现一些很不一样的能力，但这需要勇气和雄厚的资本支持。
你品，你细品。唐杰这种冲在AI一线的科学家，盯着的始终还是第一性原理——模型智能。视觉可以让模型更好用，但要让模型更聪明，靠的还是复杂推理那套硬功夫。
这就是用户和厂商的视角差异。AGI对于用户太遥远了，他们更在乎的是，眼下贴张图模型能不能接住、截个屏模型能不能看懂。
于是便有了这篇推文里最微妙的拉扯：一边是科学家盯着智能天花板，觉得视觉只是锦上添花；一边是全世界的开发者齐刷刷呼喊视觉能力。
而且，对手也来势汹汹。Kimi K2.5今年1月就是原生多模态了，Qwen3.5-Omni三月份端到端把文本/图像/音频/视频全统一进一个模型；更别说国际上Gemini 3那种原生文图音视频一把抓的。
GLM旗舰款补足视觉，几乎是迫在眉睫。且等接下来端上桌的GLM-5.3。
One More Thing
最后，不妨再看看唐杰最近的一些分享，挺值得琢磨的。
（其一）
（其二）
（其三）
（其四）
