智谱这边正式推出了视觉推理模型GLM-4.5V，而且还开源了！这可是全球100B级里效果最顶的开源视觉推理模型，也是智谱在通用人工智能（AGI）这条路上往前迈的一大步。现在，这模型已经在魔搭社区和Hugging Face同步开放了，总参数有106B，激活参数是12B，不得不说，多模态推理技术这是要进入新阶段啦。
模型的核心优势和性能到底怎么样
GLM-4.5V是在智谱新一代旗舰文本基座模型GLM-4.5-Air的基础上开发的，跟GLM-4.1V-Thinking的技术路线是一脉相承的。在41个公开的视觉多模态榜单里，它的综合性能在同级别开源模型中是最厉害的（也就是常说的SOTA），像图像、视频、文档理解、GUI Agent这些任务，它都能搞定。
具体来说，通过高效的混合训练，GLM-4.5V实现了全场景的视觉推理，比如：
- 图像推理、视频理解、GUI任务处理这些都不在话下；
- 复杂的图表和长文档，它也能解析明白；
- 还有精准的Grounding（视觉定位）能力。
其实最值得一提的是，这模型新增加了“思考模式”开关，大家可以根据自己的需求，选快速响应还是深度推理，这样就能灵活平衡效率和效果啦。
和同类模型比，优势在哪呢
在不少基准测试里，GLM-4.5V的表现都很突出：
- 通用视觉问答（VQA）：在MMBench v.1里拿了88.2分，比Qwen2.5-VL（88.0分）这些同类模型还高一点；
- STEM领域：MMMU（val）测试得了75.4分，MathVista达到84.6分，看来它的逻辑和数学推理能力是真不弱；
- 长文档与图表处理：MMLongBench-Doc得44.7分，ChartQAPro达64.0分，比多数开源模型都强不少；
- 视频理解：VideoMME（w/ sub）测试得80.7分，在同类模型里也是领先的。
有啥实用工具和资源支持呢
为了方便开发者体验，智谱清言还同步开源了一款桌面助手应用，能实时截屏、录屏获取屏幕信息，靠着GLM-4.5V来完成代码辅助、视频内容分析、游戏解答、文档解读这些任务，简直就是大家工作和娱乐时的“可视化伙伴”。
不过呢，还有个好消息，GLM-4.5V的API已经在智谱开放平台（BigModel.cn）上线了，新老用户都能领到2000万Tokens的免费资源包。而且它的API调用价格也挺实惠，输入低至2元/M tokens、输出6元/M tokens，响应速度能达到60-80tokens/s，在保证高精度的同时，推理速度和部署成本也兼顾到了，给企业和开发者提供了性价比很高的多模态AI解决方案。
技术细节和怎么获取呢
GLM-4.5V由视觉编码器、MLP适配器和语言解码器三部分组成，支持64K多模态长上下文以及图像、视频输入。技术方面，它通过三维卷积提升了视频处理效率，用双三次插值机制增强了对高分辨率及极端宽高比图像的处理能力，还引入了三维旋转位置编码（3D-RoPE）来强化多模态信息的三维空间关系感知与推理能力。
开发者想获取这模型，可以去这些平台：
相关文章
