GLM-4.5V是由智譜於2025年8月11日推出的開源視覺推理模型，總參數規模106B，激活參數12B，在魔搭社區與Hugging Face平台開源。該模型基於智譜新一代旗艦文本模型GLM-4.5-Air開發，延續GLM-4.1V-Thinking技術路線，在41個公開視覺多模態任務中取得同級別開源模型最佳表現，涵蓋圖像、視頻、文檔理解及GUI Agent等套用場景。GLM-4.5V通過混合訓練實現多場景視覺推理能力，新增“思考模式”功能支持快速回響與深度推理切換。智譜將該模型API定價定為輸入2元/M tokens、輸出6元/M tokens。
基本介紹
- 外文名：GLM-4.5V
- 所屬公司 ：智譜
發展歷史,套用場景,模型簡介,
發展歷史
2025年8月11日，智譜正式推出開源視覺推理模型GLM-4.5V。
套用場景
GLM-4.5V作為智譜推出的視覺推理模型，在AI手機領域實現套用。GLM-4.5V具備強大的螢幕理解與操作執行能力，可穩定應對長達數十步的複雜任務流程，支持微信、淘寶、抖音、美團等超過50個高頻中文套用的核心場景。用戶通過語音指令即可觸發AI自主完成點外賣、訂機票、查房源等操作。通過虛擬手機安全隔離方案確保動作可回放、審計和干預，數據嚴格隔離以保障隱私安全。
模型簡介
GLM-4.5V總參數106B，激活參數12B，在多個多模態榜單達到SOTA性能，並同步在魔搭社區與Hugging Face開源。其API 調用價格為輸入2元/M tokens，輸出6元/M tokens。
GLM-4.5V 基於智譜新一代旗艦文本基座模型 GLM-4.5-Air，延續 GLM-4.1V-Thinking 技術路線，在 41 個公開視覺多模態榜單中綜合效果達到同級別開源模型 SOTA 性能，涵蓋圖像、視頻、文檔理解以及 GUI Agent 等常見任務。
通過高效的混合訓練方式，GLM-4.5V 展現出對多種視覺內容的處理能力，可完成多場景的視覺推理任務，包括：圖像推理（如場景識別、多圖複雜分析、位置判斷）；視頻理解（如長視頻鏡頭拆分、事件識別）；GUI 操作（如螢幕信息讀取、圖示識別、界面操作輔助）；圖表與文檔解析（如研究報告解讀、信息提取）；視覺元素定位（實現精準的 grounding 識別）。此外，GLM-4.5V 新增“思考模式”功能，用戶可根據需求在快速回響與深度推理之間自由切換，兼顧效率與準確性。
