GLM-4.5V视觉推理模型开源，百亿参数级性能领先

8 月 11 日消息，智谱 AI 今日推出全球 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），并同步在魔搭社区与 Hugging Face 开源。此外，API 调用价格低至输入 2 元 / M tokens，输出 6 元 / M tokens。

从官方介绍获悉，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，其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 AI 同步开源了一款桌面助手应用。

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。我们也希望通过模型开源和 API 服务，赋能更多有想法的开发者，基于多模态基座模型发挥创意和想象，把过去科幻电影中的场景变为现实。