Z.ai 官方宣布开源视觉语言模型 GLM-4.5V。该模型在同尺寸开源模型中表现领先，覆盖 40+ 公共基准测试，主打多模态视觉推理能力。GLM-4.5V 基于 GLM-4.5-Air 基座，采用 106B 参数的 MoE（专家混合）架构，延续 GLM-4.1V-Thinking 的“思考式”技术路线，并提供线上体验与 API 接入。
一、模型定位与技术路线
- 面向通用视觉推理与多模态智能体的开源 VLM。
- 基于 GLM-4.5-Air，MoE 总参数约 106B，活跃参数约 12B。
- 引入“思考模式/快速模式”切换：在深度推理与响应时延间灵活权衡。
- 继续沿用 GLM-4.1V-Thinking 的可扩展强化学习与推理范式。
二、能力范围与典型任务
- 图像理解与多图推理：场景理解、跨图对齐、空间关系推断。
- 视频理解：长视频分段、事件识别、时间索引式讲解。
- 文档与表格：长文档阅读、OCR、表格抽取、图表解析。
- GUI/Agent 场景：屏幕读图、元素定位、点击/滑动等操作规划。
- Grounding：精确的目标框定位与布局理解。
三、基准表现与规模定位
- 官方称在同体量开源模型上实现领先，覆盖 41–42 项公开基准。
- 重点指标覆盖图像问答、视频理解、OCR/DocVQA、图表问答、空间与前端理解等方向。
- 目标是在“可复现实证 + 工程可用性”之间取得平衡，而非只追逐分数。
四、开放形态与使用方式
- 开源权重与模型卡：提供标准与 FP8 变体，便于推理与部署。
- 代码与评测：开放仓库与示例，支持 Transformers 快速上手。
- 在线体验与 API：提供网页对话与官方平台 API，支持多模态输入。
- 许可与生态：采用开源许可；配套评测仓库、演示 Space 与社区讨论区。
五、落地建议（工程视角）
- 资源规划：MoE 大模型部署建议先用在线 API/FP8 试点，再评估本地多卡。
- 评测校准：用自有样本做 A/B，关注长文档鲁棒性与解析准确率。
- 安全与合规：为 OCR/文档场景增加脱敏、红线词与数据留痕策略。
- 观测与回放：记录输入输出与思考轨迹（如有），便于回溯与持续优化。
- 组合范式：与检索/工具调用结合，构建端到端多模态智能体工作流。
Q&A 常见问题
Q：GLM-4.5V 是否开源？许可是什么？
A：是开源模型，模型卡标注为 MIT 许可。
Q：具体支持哪些模态？
A：支持图像、视频、文本与文件等输入；输出为文本，可附带边界框坐标等结构化信息。
Q：如何快速体验？
A：可直接使用官网在线对话；也可通过官方 API 或 Hugging Face Demo 体验。
Q：本地如何上手推理？
A：官方提供 Transformers 示例与推理脚本；亦提供 FP8 变体降低显存压力。生产环境可先走 API，再评估自托管成本。
Q：与 GLM-4.1V-Thinking 的关系？
A：承袭其“思考式”训练与推理思路，并在更大规模的 MoE 架构上实现有效扩展。
Hugging Face（GLM-4.5V 模型卡）
https://huggingface.co/zai-org/GLM-4.5V
GitHub（GLM-4.5 系列与基座说明）
https://github.com/zai-org/GLM-4.5
在线体验（Chat）
