国产 AI 这两个月的节奏，可以用四个字形容：不讲武德。

上个月，智谱开源的 GLM-4.1V-Thinking 冲上 HuggingFace Trending 榜首，累计下载量突破 13 万次。 上周，又推出了旗舰多模态模型 GLM-4.5 和轻量版 GLM-4.5-Air，技术圈瞬间沸腾。

这周，智谱再次扔下“核弹”——基于 GLM-4.5-Air 架构，训练出更强大的视觉推理模型 GLM-4.5V，并且毫不犹豫地 全量开源。

更夸张的是，在 42 个权威多模态榜单 中，GLM-4.5V 拿下了 41 项 SOTA（全球最佳）。 一句话：在开源视觉推理领域，它几乎是无敌的存在。

01 GLM-4.5V 究竟强在哪？

如果说普通的视觉模型只是“看得清”，那 GLM-4.5V 则是“看得懂、想得通、还会自己动手”。

它的三个核心能力，让它不只是个识图工具，而更像一个拥有视觉和常识的大脑：

① 多模态融合推理

能同时理解图像、文字、视频等多种信息，并在一个上下文中推理，这意味着它不仅能识别图片，还能结合文字背景得出更准确的结论。

类比一下，这就像一个工程师看图纸时，不仅看到了线条，还理解了设计目的，并能立即判断可行性。

② 长上下文记忆

可以连续处理数十张图片、几分钟视频或长文档，并保持逻辑一致，不会出现“前一句和后一句不沾边”的问题。 这对长流程的任务（比如视频内容分析、长文档解析）非常关键。

③ Grounding 精准定位

不只是说“这是一个猫”，而是能告诉你它在画面中的精确坐标，甚至能直接生成可用的标注文件，让 AI 从“感知”走向“可操作”。

02 模型规格：真正的 100B 级视觉推理猛兽

• 总参数：106B

• 激活参数：12B

• 输入类型：图像 / 文本 / 视频

03 能力覆盖面有多广？

• 图像推理：场景理解、多图分析、位置识别

• 视频理解：长视频分镜、事件识别

• GUI 任务：前端页面复刻、桌面操作辅助

• 图表与文档解析：结构化提取、自动标注

• Grounding 定位：精准框选视觉元素

简单来说，它既能帮你看懂一份复杂的财报图表，也能复刻一个网页 UI，甚至能像人类助手一样操作电脑界面。

04 桌面助手：多模态能力落地的“利器”

为了让开发者更快上手，智谱还同步开源了 GLM-4.5V 桌面助手，支持：

• 实时截屏并分析

• 获取屏幕信息

• 基于视觉推理执行自动化任务