GLM-4.5V - 智谱推出的最新一代视觉推理模型

发布于 2025-08-11 · GLM-4.5V是智谱开源的最新一代视觉推理模型。模型基于106B参数规模构建，拥有12B激活能力，是目前领先的视觉语言模型（VLM）。模型在GLM-4.1V-Thinking的基础上升级而来，继承其优秀架构，结合新一代文本基座模型GLM-4.5-Air进行训练。

GLM-4.5V是什么

GLM-4.5V 是智谱新一代视觉推理模型，总参数 106B，推理时激活 12B，属于视觉语言模型（VLM）这一类。模型在GLM-4.1V-Thinking的基础上升级，架构沿用下来，再接上新一代文本基座GLM-4.5-Air进行训练。它在视觉理解和推理上的表现都不错，网页前端复刻、grounding、图寻游戏、视频理解这些场景都能直接用，多模态应用也因此有了更多可能。为了让人上手体验 GLM-4.5V 的能力，团队还开源了一款桌面助手，可以实时截屏、录屏，再交给 GLM-4.5V 来处理代码辅助、视频分析、游戏解答、文档解读等视觉任务。

GLM-4.5V的主要功能

视觉理解与推理：能读图像和视频，做物体、场景、人物关系这类的识别，也能处理更复杂的视觉推理。
多模态交互：文本和视觉内容可以混在一起处理，比如按文字描述生成图像，或者反过来给图像配文字。
网页前端复刻：给一张网页设计图，直接生成能用的前端代码。
图寻游戏：按图搜索、按图匹配，比如在一张复杂的画面里找出某个特定目标。
视频理解：能分析视频内容，抓关键信息，做视频摘要、事件检测这一类任务。
跨模态生成：视觉内容能转成文字，文字也能生成画面，两个方向来回换都行。

GLM-4.5V的技术原理

大规模预训练：在 106B 参数的架构上，用大量文本和视觉数据做预训练，让模型学到语言和视觉的联合表示。
视觉语言融合：底层是 Transformer，文本和视觉特征在这里汇合，靠交叉注意力让两边信息互相流通。
激活机制：12B 激活参数不是全程都用，推理时只挑相关的那部分唤醒，算得快一些，性能也跟得上。
结构继承与优化：结构沿用 GLM-4.1V-Thinking，再配上新的文本基座 GLM-4.5-Air 一起训练，性能比前代更进一步。
多模态任务适配：经过微调和优化，视觉问答、图像描述生成、视频理解这些多模态任务都能接。

GLM-4.5V的性能表现

General VQA：通用视觉问答这一项，GLM-4.5V 表现最好，MMBench v1.1 上拿到 88.2 分。
STEM：科学、技术、工程、数学这类任务上 GLM-4.5V 同样领先，MathVista 测试拿到 84.6 分。
Long Document OCR & Chart：长文档和图表的 OCR 测试（OCRBench）里，GLM-4.5V 得了 86.5 分。
Visual Grounding：视觉定位这块，GLM-4.5V 表现突出，RefCOCO+loc (val) 得分 91.3。
Spatial Reasoning：空间推理方面，CV-Bench 测试里 GLM-4.5V 拿到 87.3 分。
Coding：编程任务上，Design2Code 基准里 GLM-4.5V 得分 82.2，代码生成和理解都还稳。
Video Understanding：视频理解也不弱，VideoMME (w/o sub) 上 GLM-4.5V 得分 74.6。

GLM-4.5V的项目地址

GitHub仓库：https://github.com/zai-org/GLM-V/
HuggingFace模型库：https://huggingface.co/collections/zai-org/glm-45v-68999032ddf8ecf7dcdbc102
技术论文：https://github.com/zai-org/GLM-V/tree/main/resources/GLM-4.5V_technical_report.pdf
桌面助手应用：https://huggingface.co/spaces/zai-org/GLM-4.5V-Demo-App

如何使用GLM-4.5V

注册与登录：访问 Z.ai 官网，用邮箱注册账号。注册完直接登录就行。
选择模型：登录后，在模型下拉框里选 GLM-4.5V。
体验功能：
- 网页前端复刻：传一张网页设计图上去，前端代码会自动生成。
- 视觉推理：上传图像或视频，它会做视觉理解、物体识别、场景分析。
- 图寻游戏：把要找的目标图传上去，模型会在复杂场景里找出对应的画面。
- 视频理解：上传视频，模型提取关键信息，给出摘要或者事件检测结果。