刚刚，智谱开源了他们的最强多模态模型，GLM-4.5V。 * { margin: 0; padding: 0; outline: 0; } body { font-family: “PingFang SC”, system-ui, -apple-system, BlinkMacSystemFont, “Helvetica Neue”, “Hiragino Sans GB”, “Microsoft YaHei UI”, “Microsoft YaHei”, Arial, sans-serif; line-height: 1.6; } .__page_content__ { max-width: 667px; margin: 0 auto; padding: 20px; text-size-adjust: 100%; color: rgba(0, 0, 0, 0.9); padding-bottom: 64px; } .title { user-select: text; font-size: 22px; line-height: 1.4; margin-bottom: 14px; font-weight: 500; } .__meta__ { color: rgba(0, 0, 0, 0.3); font-size: 15px; line-height: 20px; hyphens: auto; word-break: break-word; margin-bottom: 50px; } .__meta__ .nick_name { color: 576B95; } .__meta__ .copyright { color: rgba(0, 0, 0, 0.3); background-color: rgba(0, 0, 0, 0.05); padding: 0 4px; margin: 0 10px 10px 0; } blockquote.source { padding: 10px; margin: 30px 0; border-left: 5px solid ccc; color: #333; font-style: italic; word-wrap: break-word; } blockquote.source a { cursor: pointer; text-decoration: underline; } .item_show_type_0 > section { margin-top: 0; margin-bottom: 24px; } a { color: 576B95; text-decoration: none; cursor: default; } .text_content { margin-bottom: 50px; user-select: text; font-size: 17px; white-space: pre-wrap; word-wrap: break-word; line-height: 28px; hyphens: auto; } .picture_content .picture_item { margin-bottom: 30px; } .picture_content .picture_item .picture_item_label { text-align: center; } img { max-width: 100%; } .pay_subscribe_notice { margin: 30px 0; padding: 20px; background: fffbe6; border: 1px solid ffe58f; border-radius: 8px; } .pay_subscribe_badge { display: inline-block; padding: 4px 12px; background: faad14; color: fff; border-radius: 4px; font-size: 14px; font-weight: 500; margin-bottom: 12px; } .pay_subscribe_desc { font-size: 15px; line-height: 1.8; color: rgba(0, 0, 0, 0.7); margin-bottom: 12px; } .pay_subscribe_hint { font-size: 13px; color: rgba(0, 0, 0, 0.4); } .__bottom-bar__ { display: flex; justify-content: space-between; align-items: center; position: fixed; bottom: 0; left: 0; right: 0; height: 64px; padding: 8px 20px; background: white; box-sizing: border-box; border-top: 1px solid rgba(0, 0, 0, 0.2); } .__bottom-bar__ .left { display: flex; align-items: center; font-size: 15px; white-space: nowrap; } .__bottom-bar__ .right { display: flex; } .__bottom-bar__ .sns_opr_btn { display: flex; align-items: center; user-select: none; background: transparent; border: 0; color: rgba(0, 0, 0, 0.9); font-size: 14px; } .__bottom-bar__ .sns_opr_btn:not(:last-child) { margin-right: 16px; } .__bottom-bar__ .sns_opr_btn > img { margin-right: 4px; }
刚刚，智谱开源了他们的最强多模态模型，GLM-4.5V。
原创 数字生命卡兹克 数字生命卡兹克 2025-08-11 22:00 北京
上上周一的晚上，智谱开源了当今最好的模型之一，GLM-4.5。
然后，这个周一，又是突如其来的，开源了他们现在最好的多模态模型：
GLM-4.5v。
也是4.5系列的，用GLM-4.1V-Thinking的技术路线把GLM-4.5-Air重新训练了一遍，实现了视觉多模态的能力。
模型参数106B总参数，12B激活，这个规模在开源多模态模型里已经算是大块头了。
模型能力也有点东西，在所有的开源多模态模型中，42个评测基准，41个SOTA了。
我说实话，这个看着，还是有点吓人的，我已经很久没看到这么全的评测基准列表了。。。
说明GLM-4.5v，这波是真的自信。
模型已经在多平台开源了，可以任选一个下载。
Github：https://github.com/zai-org/GLM-V
Hugging Face：https://huggingface.co/collections/zai-org/glm-45v-68999032ddf8ecf7dcdbc102
不过106B的量级，消费级还是难部署，如果想用的话，可以去智谱他们的z.ai上用。
嗯，网址就是z.ai。
我也第一时间去做了一下测试。
这里先测的，是用的是专门做评测的朋友拓界AI给的多模态测试题。
比如第一道是游标卡尺的读数，这玩意读起来还是挺费劲的，整数小数要分开读，得非常仔细才行。
反正我是看的一脸懵逼。
而GLM-4.5V，花了一小会，就写出正确答案了。
思考过程并不是非常的冗长复杂，很简洁，所以很快就出来了，这个非常的好评。
然后是第二题，小猫摸球问题，我是已经看花眼了，看这玩意看的我眼睛疼，真的。
问题就是：到底哪个猫摸到了毛线球。
GLM-4.5V也找到正确的答案，还给了正经的操作方法。
我眼花着验证了两次，确实是AI没毛病。
在视觉推理能力上，GLM-4.5v确实有点东西，而且速度快的离谱。
我又试了一个经典的，识别地理位置的case。
就是横店明清宫苑的图片，想看看它能不能正确的分辨出来。
这个测试其实挺有难度的，因为横店的明清宫苑是按照故宫1:1复制的，连细节都做得很到位。
如果模型只是简单地识别建筑风格，很容易就会判断错误。
GPT-5-Thinking在深度思考以后，就来了一个非常抽象的答案。
华清宫什么鬼？
而GLM-4.5V答得很正确，指出了这里是横店的明清宫苑。
这个回答挺让我惊艳的，而是因为它能在如此相似的场景中做出准确判断。这说明模型不是简单的模式匹配，而是真的具备了一定的视觉推理能力。
但我有点没看懂它是怎么分析出来的，于是我又问了一下它，为什么是横店不是故宫。
这回它给出了详细的解答，分了三个点，讲的相当有理有据。
牛逼。
那再试试内景，我找了一个宫殿内景的图片，问他这是哪里。
这轮没有正确回答出来，我还追问了一下，它还是肯定的说是故宫。
说实话，连我自己看这个内景图都有点拿不准，毕竟横店的复制度确实很高，内景的装饰、色彩、布局都做得很像。
看看GPT-5-Thinking，错了。
这个题，连我心中最强的视觉推理模型o3都错了。
横店搓的太像了，真的匠人精神，实在没招。。。
模型在这种情况下出错，也是情有可原。
还有一个我觉得很酷的功能。
目前只有Gemini有的，原生的视频理解。
这里我说一下，很多产品说自己有视频理解能力，或者总结视频，其实不是的。
他们更多的是吧视频里的音频提取出来，找到人说话的部分，然后STT音频转文字变成文字稿，最后再找个大模型总结，不是原生的靠模型能力的视频理解。
我发给它一个我下载下来的二十世纪影业官方的25周年《泰坦尼克号》的混剪，让GLM-4.5V看看里面包含了哪些经典画面。
要知道，视频理解一直是多模态模型的难点。
模型需要理解时间序列、画面转换、场景连贯性等等，这对模型能力和算力的要求是几何级增长的。
GLM-4.5V非常有意思，也确实是让我我比较惊喜的，它思考了一会，给了我一个很全面的回答。
我特地回到视频，看了下对应的时间点。
所有的时间点都一一对应，完全没毛病。
展开它的思考过程，我发现它是真的能理解画面之间的逻辑关系和故事脉络。
GLM-4.5V不是简单地逐帧识别，而是把这些场景串联成一个完整的叙事序列。
从船头的浪漫时刻，到灾难降临后的生离死别，再到最后的救援场面。
不仅识别出了视频中的关键画面，还能准确标注时间点。
这种时空理解能力，在开源模型里确实难得一见。
当然，视频理解也有限制。我试了一下，它只能处理200M以内的视频，再大就不行了。不过对于大多数应用场景来说，这个限制还算合理。
同时，注意是MP4格式，不要传成MOV啥的了。
我还试了下视觉定位功能，它能根据指令在图片里做标记。
我扔了一张流浪地球3的开机大合照，让他帮忙框选出郭导。
圈的很正确。
找出烧烤签子也是不在话下，标记的很精准。
甚至还有一个超级骚的。
圈出他最擅长的运动。。。
果然是篮球。。。
GLM-4.5V实在是太懂了。
除了视觉定位，还有一个很有意思的功能。
网页复刻。
我直接扔给它一个网页截图，让它给我复刻出来。
结果真的震撼到我了，你看这个效果。
框架、结构几乎一样，除了一些设计的样式有一些区别。
不过，讲个大实话，我觉得比智谱自己的官网都好看= =
这种看图写代码的能力，以前基本上就是Gemini、Claude这些顶级闭源模型的专利。
现在开源模型也能做到这种水平，真的是一个巨大的进步。
而且，模型完全开源，你可以直接下载权重，部署在自己的服务器上。
GLM-4.5V的API定价也相当良心。
输入只要2 元/M tokens，输出6 元/M tokens，这个价格在多模态模型里算是相当便宜了。
最后，总结一下。
曾经的国产之光，智谱好像回来了。
连续两个开源GLM-4.5和GLM-4.5V，效果都非常的强。
忽然想起上周OpenAI开源的oss，还有GPT-5这一系列的骚操作。
他们好像是那种守着一座巨大城堡的国王。
偶尔会大发慈悲，从城堡里扔出一些金币，希望平民们就得感恩戴德地冲上去疯抢。
而国内的这些大模型厂商，更像一个热衷于基建的狂人，他根本不屑于守着城堡，他每天都在我们家门口修路、建桥、盖发电站，然后把钥匙直接塞到我们手上，说：
随便用，兄弟，不够再跟我说。
所以，当我这两次，都说智谱牛逼的时候。
我相比表达加赞美的，不仅仅是它在41个基准测试中取得的SOTA。
我赞美的，是这种持续不断的、近乎于偏执的开放精神。
海外Close AI，国内天天Open AI。
AI的未来，不应该只掌握在少数几个巨头的服务器里，从GPT-4o的下线引发的风波，就能看出影响。
它更应该，也必须，绽放在我们每一个人的硬盘上。
以上，既然看到这里了，如果觉得不错，随手点个赞、在看、转发三连吧，如果想第一时间收到推送，也可以给我个星标⭐～谢谢你看我的文章，我们，下次再见。
>/ 作者：卡兹克、dongyi
>/ 投稿或爆料，请联系邮箱：wzglyay@virxact.com
数字生命卡兹克
 阅读 赞  分享 ‘%3E %3Cg transform=‘translate(0 -2.349)‘%3E %3Cpath d=‘M0 2.349h24v24H0z’/%3E %3Cpath fill=‘%23576B95’ d=‘M16.45 7.68c-.954 0-1.94.362-2.77 1.113l-1.676 1.676-1.853-1.838a3.787 3.787 0 0 0-2.63-.971 3.785 3.785 0 0 0-2.596 1.112 3.786 3.786 0 0 0-1.113 2.687c0 .97.368 1.938 1.105 2.679l7.082 6.527 7.226-6.678a3.787 3.787 0 0 0 .962-2.618 3.785 3.785 0 0 0-1.112-2.597A3.687 3.687 0 0 0 16.45 7.68zm3.473.243a4.985 4.985 0 0 1 1.464 3.418 4.98 4.98 0 0 1-1.29 3.47l-.017.02-7.47 6.903a.9.9 0 0 1-1.22 0l-7.305-6.73-.008-.01a4.986 4.986 0 0 1-1.465-3.535c0-1.279.488-2.56 1.465-3.536A4.985 4.985 0 0 1 7.494 6.46c1.24-.029 2.49.4 3.472 1.29l.01.01L12 8.774l.851-.85.01-.01c1.046-.951 2.322-1.434 3.59-1.434 1.273 0 2.52.49 3.472 1.442z’/%3E %3C/g%3E %3C/g%3E %3C/g%3E%3C/svg%3E) 推荐 ’ fill=‘%23000’ fill-opacity=’.9’/%3E%3C/svg%3E) 留言