多模态推理被视为通向通用人工智能（AGI）的关键能力之一，让 AI 能够像人类一样综合感知、理解与决策。其中，视觉-语言模型（VLM）是实现多模态推理的核心基础。

今年 7 月，智谱发布并开源了全球 10B 级效果最强的 VLM——GLM-4.1V-9B-Thinking。该模型以小搏大，展现了小体积模型的极限性能潜力，上线后迅速登上 Hugging Face Trending 榜首，并累计获得超过 13 万次下载。

昨天，智谱又发布了他们在通向 AGI 道路上的又一探索性成果——全球 100B 级效果最佳的开源视觉推理模型GLM-4.5V（总参数 106B，激活参数 12B）。

保持一贯的风格，GLM-4.5V 发布当天即同步在魔搭社区与 Hugging Face 开源。

开源列表：

GitHub：https://github.com/zai-org/GLM-VHugging Face：https://huggingface.co/collections/zai-org/glm-45v-68999032ddf8ecf7dcdbc102魔搭社区：https://modelscope.cn/collections/GLM-45V-8b471c8f97154e

在线体验：

前往z.ai，选择 GLM-4.5V 模型，上传图片或视频，即刻体验；或前往智谱清言APP/网页版，上传图片，开启“推理模式”进行体验。

此外，在保持高精度的同时，GLM-4.5V 兼顾推理速度与部署成本，为企业与开发者提供高性价比的多模态 AI 解决方案，现已上线智谱开放平台BigModel.cn。

API 调用价格：低至输入 2 元/M tokens，输出 6 元/M tokens响应速度：达到 60-80 tokens/sAPI 接口文档：http://docs.bigmodel.cn/api-reference

开源多模态 SOTA

据介绍，GLM-4.5V 基于智谱新一代旗舰文本基座模型 GLM-4.5-Air，延续 GLM-4.1V-Thinking 技术路线，在41个公开视觉多模态榜单中综合效果达到同级别开源模型 SOTA 性能，涵盖图像、视频、文档理解以及 GUI Agent 等常见任务。

在多模态榜单之外，智谱更重视模型在真实场景下的表现与可用性。GLM-4.5V 通过高效混合训练，具备覆盖不同种视觉内容的处理能力，实现全场景视觉推理，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、信息提取）

Grounding 能力（精准定位视觉元素）

同时，模型新增“思考模式”开关，用户可灵活选择快速响应或深度推理，平衡效率与效果。

为帮助开发者直观体验 GLM-4.5V 的模型能力，打造专属于自己的多模态应用，智谱同步开源了一款桌面助手应用。

开源链接：https://huggingface.co/spaces/zai-org/GLM-4.5V-Demo-App

该桌面应用可实时截屏、录屏获取屏幕信息，并依托 GLM-4.5V 处理多种视觉推理任务，日常处理如代码辅助、视频内容分析、游戏解答、文档解读等多类视觉任务，成为一个能看着屏幕和你一起工作娱乐的伙伴。

典型示例 1.视觉定位：精准识别和定位目标物体，应用潜力强大

GLM-4.5V 能够根据用户提问，精准识别、分析、定位目标物体并输出其坐标框。该能力在现实世界拥有广阔的应用场景，例如安全与质量检查、高空遥感监测分析。相较于传统的基于视觉模型的物体识别，GLM-4.5V 凭借更丰富的世界知识与更强大的语义理解能力，能够通过推理理解更复杂的定位指令。

2.前端复刻：输入网页截图或交互视频，即可复刻网页

GLM-4.5V具备强大的推理与代码生成能力，能够对上传的网页截图进行分析，并将其转化为结构化的网页代码。与简单的图像元素识别不同，GLM-4.5V能够深入理解并推断元素间的逻辑关系、布局规则和交互意图，从而生成高度准确且功能完整的网页代码。

值得注意的是，GLM-4.5V在未对视频输入进行专门训练的情况下，也能结合视频理解与代码生成能力，通过其强大的泛化能力对网页交互视频进行分析，输出相应的网页代码，成功复刻视频中展示的网页内容。

在以下示例中，GLM-4.5V能够通过分析用户浏览知乎的视频，精准识别网页中所有元素的内容、样式与布局，并还原其背后的HTML、CSS和Javascript代码，确保运行效果与原始视频高度一致。同时，模型会分析视频帧间的动态变化，建模并实现网页交互逻辑，最终复刻出真正可交互的前端页面。此外，用户可通过圈选标记方式向模型提出修改需求，模型据此进一步优化页面，实现真正的视觉交互闭环。

3.图像识别与推理：视觉神探，精准识别图像细节并推理背景信息

GLM-4.5V具备强大的感知与推理能力。一个典型应用是：在不依赖搜索工具的情况下，模型能通过图像中的细微线索推理出背景信息。例如，上传任意风景或街拍图片后，GLM-4.5V可分析植被特征、气候痕迹、建筑风格等要素，精准推测图片拍摄地点及大致经纬度。

为验证GLM-4.5V的地点识别能力，智谱让其参与"图寻游戏"全球积分赛，与国内两万余名顶尖人类玩家同台竞技。该游戏要求玩家在限定时间内，根据风景街景图片推测拍摄地的经纬度，比拼速度与精度。

- 参赛16小时：GLM-4.5V击败99%的人类玩家

- 参赛7天：模型攀升至全球第66名

这一结果充分证明了GLM-4.5V在复杂视觉推理任务中的卓越表现。

4.复杂文档深度解读: 不止擅长信息提取、总结和翻译，也能表达自己的见解

GLM-4.5V可以阅读长达数十页、含有大量图表的复杂长文本，能够对文本进行总结、翻译、图表提取等操作；此外，还能在给定信息的基础上输出自己的"观点"。与传统的OCR信息提取+文本模型解读的方式不同，GLM-4.5V会像人类一样，以视觉方式读取文档中的每一页图片，避免了信息提取过程中的错误传递，实现了文字与图像的同时理解，因此对于图表、表格等视觉化、结构化信息的保留和解读会更加准确。

例如，给GLM-4.5V上传一份图文并茂的技术报告，让它翻译并解读其中的技术亮点。

5.强大的 GUI Agent 能力，为 Agent 任务打基础

基于强大的视觉推理能力，GLM-4.5V 能够识别和处理电子屏幕画面， 在 GUI 环境中进行对话问答、图标定位等任务。同时，他们将 GUI Agent 的能力融合到基座模型，模型能够结合当前 GUI 界面与用户指令输出相应操作，配合相应的 Agent 软件能够 完成复杂的 GUI Agent 任务，为广大 Agent 项目提供可靠的 基座 模型支持。

例如，给 GLM-4.5V 传入一张陈列了数十个商品的电商页面，让它识别商品图中的折扣价格与标题中的原价，并且计算出折扣比例。

技术细节

GLM-4.5V 由视觉编码器、MLP 适配器和语言解码器三部分组成，支持 64K 多模态长上下文，支持图像与视频输入，并通过三维卷积提升视频处理效率。模型采用双三次插值机制，有效增强了模型对高分辨率及极端宽高比图像的处理能力与稳健性；同时，引入三维旋转位置编码（3D-RoPE），显著强化了模型对多模态信息的三维空间关系的感知与推理能力。

GLM-4.5V 采用三阶段策略：预训练、监督微调（SFT）和强化学习（RL）。其中，在预训练阶段，他们结合大规模图文交错多模态语料和长上下文内容，强化了模型对复杂图文及视频的处理能力；在 SFT 阶段，他们引入了显式“思维链”格式训练样本，增强了 GLM-4.5V 的因果推理与多模态理解能力；最后，RL 阶段，他们引入全领域多模态课程强化学习，通过构建多领域奖励系统（Reward System），结合可验证奖励强化学习（RLVR）与基于人类反馈的强化学习（RLHF），GLM-4.5V 在 STEM 问题、多模态定位、Agent 任务等方面获得全面优化。