探秘GLM-4-6V开源发布：多模态AI模型API降价50%开放商用

12月8日，智谱AI正式宣布发布并开源GLM-4.6V系列多模态大模型，具体包含两款：

免费影视、动漫、音乐、游戏、小说资源长期稳定更新！ 👉 点此立即查看 👈

GLM-4.6V（106B-A12B）：专为云端服务与高性能集群场景打造的基础版本；

GLM-4.6V-Flash（9B）：面向本地部署与低延迟应用场景的轻量化版本。

作为GLM系列在多模态方向上的一次重要升级，GLM-4.6V将训练时上下文窗口提升到128k tokens，其视觉理解精度达到了同参数规模的SOTA水平。此次迭代首次在模型架构中将Function Call（工具调用）能力原生融入视觉模型，打通了从“视觉感知”到“可执行行动（Action）”的链路，为真实业务场景中的多模态Agent提供了统一的技术底座。

除了性能优化，GLM-4.6V系列相较GLM-4.5V价格下降50%，API调用价格低至输入1元 / 百万tokens，输出3元 / 百万tokens。

同时，GLM-4.6V-Flash将免费开放使用。

GLM-4.6V即日起融入GLM Coding Plan，针对用户8大类场景定向开发了专用MCP工具，模型可自主调用最匹配的接口。

智谱AI介绍称，传统工具调用大多基于纯文本，在面对图像、视频、复杂文档等多模态内容时，往往需要多次中间转换，容易导致信息损耗和工程复杂度上升。GLM-4.6V从设计之初就围绕“图像即参数，结果即上下文”的理念，构筑了原生多模态工具调用能力：

输入多模态：图像、截图、文档页面等可以直接作为工具参数，无需先转为文字描述再解析，减少了链路损耗。

输出多模态：对于工具返回的统计图表、渲染后网页截图、检索到的商品图片等结果，模型能够再次进行视觉理解，并将其纳入后续推理链路。

模型原生支持基于视觉输入的工具调用，完整打通从感知到理解再到执行的闭环。这使得GLM-4.6V能够应对图文混排输出、商品识别与好价推荐，以及辅助型Agent场景等更复杂的视觉任务。

GLM-4.6V在MMBench、MathVista、OCRBench等30多个主流多模态评测基准上进行了验证，较上一代模型取得显著提升。在同等参数规模下，模型在多模态交互、逻辑推理和长上下文等关键能力上均取得了SOTA表现。其中，9B版本的GLM-4.6V-Flash整体表现超过Qwen3-VL-8B，而106B参数12B激活的GLM-4.6V表现则比肩2倍参数量的Qwen3-VL-235B。

智谱AI开放了GLM-4.6V的模型权重、推理代码与示例工程，附开源地址如下：

GitHub：https://github.com/zai-org/GLM-V

Hugging Face：https://huggingface.co/collections/zai-org/glm-46v

魔搭社区：https://modelscope.cn/collections/GLM-46V-37fabc27818446