智谱GLM-4V开源发布：不仅能看懂，更学会了“动手”

时间来到2025年，单纯比拼OCR准确率或识图能力的时代已经成为过去。GLM-4.6V的出现，标志着多模态模型开始向“行动派”转型。对开发者而言，现在最大的问题不再是“模型能不能看懂这张图”，而是“既然它能看懂也能操作，我们能用它创造出什么样的新物种？”。

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 👈

2025年12月8日，智谱AI没有预告，直接甩出了一张王牌：GLM-4.6V系列多模态大模型正式上线并全部开源。

如果你还在关注那些只会“看图说话”的模型，那这次你可能要刷新一下认知了。智谱这次的更新，不是简单的参数堆叠，而是试图解决多模态领域一个最尴尬的痛点——大模型不仅要有眼睛，还得有手。

从“解说员”进化为“操作员”

过去我们用视觉大模型，流程通常是这样的：扔一张图给模型，问它“这是什么”，模型回答“这是一个网页报错”。然后呢？然后就没有然后了。你得自己去写代码修复。

GLM-4.6V的核心突破在于“原生多模态工具调用”。这是什么概念？意味着图像、视频不再仅仅是需要被“翻译”成文字的累赘，它们直接成为了函数调用的参数。

模型可以直接读取你的屏幕截图，理解UI布局，然后调用工具去点击、输入，甚至直接生成前端代码并进行视觉修正。它不再是一个站在旁边指指点点的解说员，而是一个能真正下场干活的操作员。对于想做多模态Agent（智能体）的开发者来说，这简直是梦寐以求的基础设施。

两款模型，丰俭由人

这次智谱的刀法依旧精准，推出了两款定位截然不同的模型。

GLM-4.6V (106B)：这是给追求极致性能的玩家准备的。虽然参数量高达106B，但激活参数控制在12B（MoE架构），在云端高性能集群上，它能处理复杂的长文档和深度推理任务。根据最新数据，它的表现直接对标行业顶尖闭源模型。

GLM-4.6V-Flash (9B)：这是给务实派准备的惊喜。9B的体积意味着它可以轻松部署在本地，甚至是一些端侧设备上。虽然是轻量版，但它在OCR、视频理解等高频场景下的表现并不含糊，甚至在这个尺寸下击败了Qwen3-VL-8B等竞品。

更重要的是，全系模型支持128K的超长上下文。什么概念？你可以一次性扔给它一本150页的技术文档，或者一段1小时的视频，它不仅能读完，还能在里面精准地找到你需要的细节。

价格屠夫与开源诚意

技术再好，用不起也是白搭。智谱这次显然是想快速抢占市场。

相比上一代GLM-4.5V，新版API的价格直接腰斩了50%。输入1元/百万tokens，输出3元/百万tokens。而那个可以在本地跑得飞起的Flash版本，智谱直接宣布：免费。

在开源策略上，智谱也没有藏着掖着。权重、推理代码、示例工程全部推上了GitHub和Hugging Face。MIT协议，允许商业使用。这意味着，明天你可能就会看到一大波基于GLM-4.6V的垂直应用如雨后春笋般冒出来。

写在最后

在2025年这个节点，单纯比拼OCR准确率或者识图能力的时代已经过去了。GLM-4.6V的出现，标志着多模态模型开始向“行动派”转型。

对于开发者而言，现在最大的问题不再是“模型能不能看懂这张图”，而是“既然它能看懂也能操作，我们能用它创造出什么样的新物种？”

大模型的下半场，拼的是落地，而GLM-4.6V，显然已经把梯子架好了。