剛剛，智譜開源了他們的最強多模態模型，GLM-4.5V。

上上周一的晚上，智譜開源了當今最好的模型之一，GLM-4.5。

然后，這個周一，又是突如其來的，開源了他們現在最好的多模態模型：

GLM-4.5v。

也是4.5系列的，用GLM-4.1V-Thinking的技術路線把GLM-4.5-Air重新訓練了一遍，實現了視覺多模態的能力。

模型參數106B總參數，12B激活，這個規模在開源多模態模型里已經算是大塊頭了。

模型能力也有點東西，在所有的開源多模態模型中，42個評測基準，41個SOTA了。

我說實話，這個看著，還是有點嚇人的，我已經很久沒看到這么全的評測基準列表了。。。

說明GLM-4.5v，這波是真的自信。

模型已經在多平臺開源了，可以任選一個下載。

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

Hugging Face：https://huggingface.co/collections/zai-org/glm-45v-68999032ddf8ecf7dcdbc102

不過106B的量級，消費級還是難部署，如果想用的話，可以去智譜他們的z.ai上用。

嗯，網址就是z.ai。

我也第一時間去做了一下測試。

這里先測的，是用的是專門做評測的朋友拓界AI給的多模態測試題。

比如第一道是游標卡尺的讀數，這玩意讀起來還是挺費勁的，整數小數要分開讀，得非常仔細才行。

反正我是看的一臉懵逼。

而GLM-4.5V，花了一小會，就寫出正確答案了。

思考過程并不是非常的冗長復雜，很簡潔，所以很快就出來了，這個非常的好評。

然后是第二題，小貓摸球問題，我是已經看花眼了，看這玩意看的我眼睛疼，真的。

問題就是：到底哪個貓摸到了毛線球。

GLM-4.5V也找到正確的答案，還給了正經的操作方法。

我眼花著驗證了兩次，確實是AI沒毛病。

在視覺推理能力上，GLM-4.5v確實有點東西，而且速度快的離譜。

我又試了一個經典的，識別地理位置的case。

就是橫店明清宮苑的圖片，想看看它能不能正確的分辨出來。

這個測試其實挺有難度的，因為橫店的明清宮苑是按照故宮1:1復制的，連細節都做得很到位。

如果模型只是簡單地識別建筑風格，很容易就會判斷錯誤。

GPT-5-Thinking在深度思考以后，就來了一個非常抽象的答案。

華清宮什么鬼？

而GLM-4.5V答得很正確，指出了這里是橫店的明清宮苑。

這個回答挺讓我驚艷的，而是因為它能在如此相似的場景中做出準確判斷。這說明模型不是簡單的模式匹配，而是真的具備了一定的視覺推理能力。

但我有點沒看懂它是怎么分析出來的，于是我又問了一下它，為什么是橫店不是故宮。

這回它給出了詳細的解答，分了三個點，講的相當有理有據。

牛逼。

那再試試內景，我找了一個宮殿內景的圖片，問他這是哪里。

這輪沒有正確回答出來，我還追問了一下，它還是肯定的說是故宮。

說實話，連我自己看這個內景圖都有點拿不準，畢竟橫店的復制度確實很高，內景的裝飾、色彩、布局都做得很像。

看看GPT-5-Thinking，錯了。

這個題，連我心中最強的視覺推理模型o3都錯了。

橫店搓的太像了，真的匠人精神，實在沒招。。。

模型在這種情況下出錯，也是情有可原。

還有一個我覺得很酷的功能。

目前只有Gemini有的，原生的視頻理解。

這里我說一下，很多產品說自己有視頻理解能力，或者總結視頻，其實不是的。

他們更多的是吧視頻里的音頻提取出來，找到人說話的部分，然后STT音頻轉文字變成文字稿，最后再找個大模型總結，不是原生的靠模型能力的視頻理解。

我發給它一個我下載下來的二十世紀影業官方的25周年《泰坦尼克號》的混剪，讓GLM-4.5V看看里面包含了哪些經典畫面。

要知道，視頻理解一直是多模態模型的難點。

模型需要理解時間序列、畫面轉換、場景連貫性等等，這對模型能力和算力的要求是幾何級增長的。

GLM-4.5V非常有意思，也確實是讓我我比較驚喜的，它思考了一會，給了我一個很全面的回答。

我特地回到視頻，看了下對應的時間點。

所有的時間點都一一對應，完全沒毛病。

展開它的思考過程，我發現它是真的能理解畫面之間的邏輯關系和故事脈絡。

GLM-4.5V不是簡單地逐幀識別，而是把這些場景串聯成一個完整的敘事序列。

從船頭的浪漫時刻，到災難降臨后的生離死別，再到最后的救援場面。

不僅識別出了視頻中的關鍵畫面，還能準確標注時間點。

這種時空理解能力，在開源模型里確實難得一見。

當然，視頻理解也有限制。我試了一下，它只能處理200M以內的視頻，再大就不行了。不過對于大多數應用場景來說，這個限制還算合理。

同時，注意是MP4格式，不要傳成MOV啥的了。

我還試了下視覺定位功能，它能根據指令在圖片里做標記。

我扔了一張流浪地球3的開機大合照，讓他幫忙框選出郭導。

圈的很正確。

找出燒烤簽子也是不在話下，標記的很精準。

甚至還有一個超級騷的。

圈出他最擅長的運動。。。

果然是籃球。。。

GLM-4.5V實在是太懂了。

除了視覺定位，還有一個很有意思的功能。

網頁復刻。

我直接扔給它一個網頁截圖，讓它給我復刻出來。

結果真的震撼到我了，你看這個效果。

框架、結構幾乎一樣，除了一些設計的樣式有一些區別。

不過，講個大實話，我覺得比智譜自己的官網都好看= =

這種看圖寫代碼的能力，以前基本上就是Gemini、Claude這些頂級閉源模型的專利。

現在開源模型也能做到這種水平，真的是一個巨大的進步。

而且，模型完全開源，你可以直接下載權重，部署在自己的服務器上。

GLM-4.5V的API定價也相當良心。

輸入只要2 元/M tokens，輸出6 元/M tokens，這個價格在多模態模型里算是相當便宜了。

最后，總結一下。

曾經的國產之光，智譜好像回來了。

連續兩個開源GLM-4.5和GLM-4.5V，效果都非常的強。

忽然想起上周OpenAI開源的oss，還有GPT-5這一系列的騷操作。

他們好像是那種守著一座巨大城堡的國王。

偶爾會大發慈悲，從城堡里扔出一些金幣，希望平民們就得感恩戴德地沖上去瘋搶。

而國內的這些大模型廠商，更像一個熱衷于基建的狂人，他根本不屑于守著城堡，他每天都在我們家門口修路、建橋、蓋發電站，然后把鑰匙直接塞到我們手上，說：

隨便用，兄弟，不夠再跟我說。

所以，當我這兩次，都說智譜牛逼的時候。

我相比表達加贊美的，不僅僅是它在41個基準測試中取得的SOTA。

我贊美的，是這種持續不斷的、近乎于偏執的開放精神。

海外Close AI，國內天天Open AI。

AI的未來，不應該只掌握在少數幾個巨頭的服務器里，從GPT-4o的下線引發的風波，就能看出影響。

它更應該，也必須，綻放在我們每一個人的硬盤上。

以上，既然看到這里了，如果覺得不錯，隨手點個贊、在看、轉發三連吧，如果想第一時間收到推送，也可以給我個星標?～謝謝你看我的文章，我們，下次再見。

>/ 作者：卡茲克、dongyi

>/ 投稿或爆料，請聯系郵箱：wzglyay@virxact.com