国产AI大模型公司智谱再次引爆行业关注。上个月开源的GLM-4.1V-Thinking刚拿下HuggingFace Trending第一，累计下载量超13万次；上周又发布了GLM-4.5和GLM-4.5-Air旗舰模型。现在，基于GLM-4.5-Air、沿用GLM-4.1V-Thinking架构训练出的视觉模型GLM-4.5V，直接开源，42项榜单中拿下41个第一。

直接看效果

简单试了几个案例，提示词没有刻意调整，一次通过，效果相当惊艳。

① 猜一猜车型
上传一张车辆照片，让GLM-4.5V识别车牌和型号。模型的思考过程直击重点：首先注意到方向盘上的特斯拉标志，接着发现右上角有Model Y的品牌名称——即便存在镜像和角度问题，依然给出准确判断。

② 猜一猜地点
给定一张照片，其中「北京大学」四个字被刻意打码，让模型猜测。它根据建筑特征、装饰风格以及周围人群活动的密度，准确推断出这是北京大学西门。细节令人惊叹。

③ 提取图片内容，代码生成网站
读取图片中的Markdown格式内容，直接生成一个美观的个人说明前端HTML页面。

④ 提取图片中信息
上传身份证图片，模型自动提取结构化信息并转换为JSON格式。

⑤ 网站截屏复刻
上传一个网站首页的截屏，要求生成前端HTML页面代码，UI尽可能复刻。原图与生成结果对比，细节还原度极高。

⑥ 圈出图片中的物体
这个能力非常实用。上传一张图片，要求圈出帐篷和人，模型不仅输出两个帐篷和人的坐标，还生成一张带标注的图片。接着增加难度：要求圈出《清明上河图》中的轿子，同样精准完成。

项目简介

GLM-4.5V是全球100B级效果最佳的开源视觉推理模型，总参数106B，激活参数12B。已在GitHub与Hugging Face开源。真实场景下的表现与可用性同样出色，覆盖多场景视觉内容处理能力：

• 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：前端复刻、桌面操作辅助
• 复杂图表与长文档解析
• Grounding能力：精准定位视觉元素

为了让开发者快速体验，还同步开源了一个桌面助手应用，能够实时截屏、获取屏幕信息，基于GLM-4.5V的多模态能力让许多有意思的场景落地。

AI正在学会像人类一样，把看到的、听到的、读到的信息融合在一起理解世界，变得越来越“通感”。这种综合处理多种信息并思考的能力，是迈向真正“聪明”AI的关键，而多模态AI正是重要基石。这不仅是技术进步，更可能带来深远的文明影响。不妨亲自上手试试，看看能玩出什么新花样。