sophnet/GLM-4.5V

GLM-4.5V 是智谱 AI 推出的旗舰级多模态视觉推理模型，核心定位为“全场景视觉理解+深度推理”的开源多模态新标杆。

• 超大规模 MoE 架构：总参数 106B，激活参数仅 12B，在 41 个公开多模态榜单中达到同级别开源 SOTA
• 全模态输入支持：原生处理图像、视频、PDF/Word 等文档及 GUI 屏幕画面，实现统一视觉推理
• 真实场景能力突出：可精准定位物体坐标、复刻网页前端代码、推断街景拍摄地经纬度，甚至参与人类竞赛排名全球前 66
• 思考模式灵活切换：支持“快速响应”与“深度推理”双模式，平衡效率与输出质量

───────────────────────────────────────────────────────────────────

核心能力

👁️ 精准视觉定位（Grounding）：根据自然语言描述（如“从右数第二瓶啤酒”）输出精确坐标框，适用于质检、遥感等实业场景

🖥️ GUI 智能体操作：看懂电商页面、办公软件界面，自动识别价格、图标并执行点击、编辑等操作指令

📄 复杂文档深度解读：像人类一样“看图读文”，同步理解图表、表格与文字，避免 OCR 信息丢失

🎬 长视频语义推理：分析多帧视频动态变化，还原交互逻辑，甚至从录屏复刻可运行的 HTML 页面

🧠 世界知识融合推理：结合植被、建筑、气候等视觉线索，无需搜索即可推断图片拍摄地点与背景信息

───────────────────────────────────────────────────────────────────

相关评测

《从视觉语言到GUI交互：智谱GLM-4.5V挑战顶级闭源模型实测》