本報記者 梁傲男

    8月11日晚間，北京智譜華章科技股份有限公司（以下簡稱“智譜”）推出全球100B級效果最佳的開源視覺推理模型GLM-4.5V（總參數(shù)106B，激活參數(shù)12B），并同步在魔搭社區(qū)與HuggingFace開源。

    這是智譜在通向通用人工智能（AGI）道路上的又一探索性成果。

    GLM-4.5V基于智譜新一代旗艦文本基座模型GLM-4.5-Air，延續(xù)GLM-4.1V-Thinking技術(shù)路線，在41個公開視覺多模態(tài)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GUIAgent等常見任務(wù)。

    智譜供圖

    在多模態(tài)榜單之外，智譜更重視模型在真實場景下的表現(xiàn)與可用性。GLM-4.5V通過高效混合訓練，具備覆蓋不同種視覺內(nèi)容的處理能力，實現(xiàn)全場景視覺推理，包括：圖像推理（場景理解、復雜多圖分析、位置識別）、視頻理解（長視頻分鏡分析、事件識別）、GUI任務(wù)（屏幕讀取、圖標識別、桌面操作輔助）、復雜圖表與長文檔解析（研報分析、信息提?。?、Grounding能力（精準定位視覺元素）

    同時，模型新增“思考模式”開關(guān)，用戶可靈活選擇快速響應(yīng)或深度推理，平衡效率與效果。

    在保持高精度的同時，GLM-4.5V兼顧推理速度與部署成本，為企業(yè)與開發(fā)者提供高性價比的多模態(tài)AI解決方案。API調(diào)用價格低至輸入2元/Mtokens，輸出6元/Mtokens。

    在技術(shù)細節(jié)方面，GLM-4.5V由視覺編碼器、MLP適配器和語言解碼器三部分組成，支持64K多模態(tài)長上下文，支持圖像與視頻輸入，并通過三維卷積提升視頻處理效率。模型采用雙三次插值機制，有效增強了模型對高分辨率及極端寬高比圖像的處理能力與穩(wěn)健性；同時，引入三維旋轉(zhuǎn)位置編碼（3D-RoPE），顯著強化了模型對多模態(tài)信息的三維空間關(guān)系的感知與推理能力。

    此外，GLM-4.5V采用三階段策略：預(yù)訓練、監(jiān)督微調(diào)（SFT）和強化學習（RL）。其中，在預(yù)訓練階段，智譜結(jié)合大規(guī)模圖文交錯多模態(tài)語料和長上下文內(nèi)容，強化了模型對復雜圖文及視頻的處理能力；在SFT階段，智譜引入了顯式“思維鏈”格式訓練樣本，增強了GLM-4.5V的因果推理與多模態(tài)理解能力；最后，RL階段，智譜引入全領(lǐng)域多模態(tài)課程強化學習，通過構(gòu)建多領(lǐng)域獎勵系統(tǒng)（RewardSystem），結(jié)合可驗證獎勵強化學習（RLVR）與基于人類反饋的強化學習（RLHF），GLM-4.5V在STEM問題、多模態(tài)定位、Agent任務(wù)等方面獲得全面優(yōu)化。

    多模態(tài)推理被視為通向通用人工智能的關(guān)鍵能力之一，讓AI能夠像人類一樣綜合感知、理解與決策。其中，視覺-語言模型（Vision-LanguageModel，VLM）是實現(xiàn)多模態(tài)推理的核心基礎(chǔ)。

    今年7月份，智譜發(fā)布并開源了全球10B級效果的VLM——GLM-4.1V-9B-Thinking。該模型以小博大，展現(xiàn)了小體積模型的極限性能潛力，上線后迅速登上HuggingFaceTrending榜首，并累計獲得超過13萬次下載。

（編輯 張明富）