上上周一的晚上，智譜開源了當(dāng)今最好的模型之一，GLM-4.5。

然后，這個(gè)周一，又是突如其來的，開源了他們現(xiàn)在最好的多模態(tài)模型：

GLM-4.5v。

也是4.5系列的，用GLM-4.1V-Thinking的技術(shù)路線把GLM-4.5-Air重新訓(xùn)練了一遍，實(shí)現(xiàn)了視覺多模態(tài)的能力。

模型參數(shù)106B總參數(shù)，12B激活，這個(gè)規(guī)模在開源多模態(tài)模型里已經(jīng)算是大塊頭了。

模型能力也有點(diǎn)東西，在所有的開源多模態(tài)模型中，42個(gè)評(píng)測(cè)基準(zhǔn)，41個(gè)SOTA了。

我說實(shí)話，這個(gè)看著，還是有點(diǎn)嚇人的，我已經(jīng)很久沒看到這么全的評(píng)測(cè)基準(zhǔn)列表了。。。

說明GLM-4.5v，這波是真的自信。

模型已經(jīng)在多平臺(tái)開源了，可以任選一個(gè)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(jí)，消費(fèi)級(jí)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(wǎng)址就是z.ai。

我也第一時(shí)間去做了一下測(cè)試。

這里先測(cè)的，是用的是專門做評(píng)測(cè)的朋友拓界AI給的多模態(tài)測(cè)試題。

比如第一道是游標(biāo)卡尺的讀數(shù)，這玩意讀起來還是挺費(fèi)勁的，整數(shù)小數(shù)要分開讀，得非常仔細(xì)才行。

反正我是看的一臉懵逼。

而GLM-4.5V，花了一小會(huì)，就寫出正確答案了。

思考過程并不是非常的冗長(zhǎng)復(fù)雜，很簡(jiǎn)潔，所以很快就出來了，這個(gè)非常的好評(píng)。

然后是第二題，小貓摸球問題，我是已經(jīng)看花眼了，看這玩意看的我眼睛疼，真的。

問題就是：到底哪個(gè)貓摸到了毛線球。

GLM-4.5V也找到正確的答案，還給了正經(jīng)的操作方法。

我眼花著驗(yàn)證了兩次，確實(shí)是AI沒毛病。

在視覺推理能力上，GLM-4.5v確實(shí)有點(diǎn)東西，而且速度快的離譜。

我又試了一個(gè)經(jīng)典的，識(shí)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(gè)測(cè)試其實(shí)挺有難度的，因?yàn)闄M店的明清宮苑是按照故宮1:1復(fù)制的，連細(xì)節(jié)都做得很到位。

如果模型只是簡(jiǎn)單地識(shí)別建筑風(fēng)格，很容易就會(huì)判斷錯(cuò)誤。

GPT-5-Thinking在深度思考以后，就來了一個(gè)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(gè)回答挺讓我驚艷的，而是因?yàn)樗茉谌绱讼嗨频膱?chǎng)景中做出準(zhǔn)確判斷。這說明模型不是簡(jiǎn)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(diǎn)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(xì)的解答，分了三個(gè)點(diǎn)，講的相當(dāng)有理有據(jù)。

牛逼。

那再試試內(nèi)景，我找了一個(gè)宮殿內(nèi)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(shí)話，連我自己看這個(gè)內(nèi)景圖都有點(diǎn)拿不準(zhǔn)，畢竟橫店的復(fù)制度確實(shí)很高，內(nèi)景的裝飾、色彩、布局都做得很像。

看看GPT-5-Thinking，錯(cuò)了。

這個(gè)題，連我心中最強(qiáng)的視覺推理模型o3都錯(cuò)了。

橫店搓的太像了，真的匠人精神，實(shí)在沒招。。。

模型在這種情況下出錯(cuò)，也是情有可原。

還有一個(gè)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(chǎn)品說自己有視頻理解能力，或者總結(jié)視頻，其實(shí)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(zhuǎn)文字變成文字稿，最后再找個(gè)大模型總結(jié)，不是原生的靠模型能力的視頻理解。

我發(fā)給它一個(gè)我下載下來的二十世紀(jì)影業(yè)官方的25周年《泰坦尼克號(hào)》的混剪，讓GLM-4.5V看看里面包含了哪些經(jīng)典畫面。

要知道，視頻理解一直是多模態(tài)模型的難點(diǎn)。

模型需要理解時(shí)間序列、畫面轉(zhuǎn)換、場(chǎng)景連貫性等等，這對(duì)模型能力和算力的要求是幾何級(jí)增長(zhǎng)的。

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

我特地回到視頻，看了下對(duì)應(yīng)的時(shí)間點(diǎn)。

所有的時(shí)間點(diǎn)都一一對(duì)應(yīng)，完全沒毛病。

展開它的思考過程，我發(fā)現(xiàn)它是真的能理解畫面之間的邏輯關(guān)系和故事脈絡(luò)。

GLM-4.5V不是簡(jiǎn)單地逐幀識(shí)別，而是把這些場(chǎng)景串聯(lián)成一個(gè)完整的敘事序列。

從船頭的浪漫時(shí)刻，到災(zāi)難降臨后的生離死別，再到最后的救援場(chǎng)面。

不僅識(shí)別出了視頻中的關(guān)鍵畫面，還能準(zhǔn)確標(biāo)注時(shí)間點(diǎn)。

這種時(shí)空理解能力，在開源模型里確實(shí)難得一見。

當(dāng)然，視頻理解也有限制。我試了一下，它只能處理200M以內(nèi)的視頻，再大就不行了。不過對(duì)于大多數(shù)應(yīng)用場(chǎng)景來說，這個(gè)限制還算合理。

同時(shí)，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(jù)指令在圖片里做標(biāo)記。

我扔了一張流浪地球3的開機(jī)大合照，讓他幫忙框選出郭導(dǎo)。

圈的很正確。

找出燒烤簽子也是不在話下，標(biāo)記的很精準(zhǔn)。

甚至還有一個(gè)超級(jí)騷的。

圈出他最擅長(zhǎng)的運(yùn)動(dòng)。。。

果然是籃球。。。

GLM-4.5V實(shí)在是太懂了。

除了視覺定位，還有一個(gè)很有意思的功能。

網(wǎng)頁復(fù)刻。

我直接扔給它一個(gè)網(wǎng)頁截圖，讓它給我復(fù)刻出來。

結(jié)果真的震撼到我了，你看這個(gè)效果。

框架、結(jié)構(gòu)幾乎一樣，除了一些設(shè)計(jì)的樣式有一些區(qū)別。

不過，講個(gè)大實(shí)話，我覺得比智譜自己的官網(wǎng)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(jí)閉源模型的專利。

現(xiàn)在開源模型也能做到這種水平，真的是一個(gè)巨大的進(jìn)步。

而且，模型完全開源，你可以直接下載權(quán)重，部署在自己的服務(wù)器上。

GLM-4.5V的API定價(jià)也相當(dāng)良心。

輸入只要2 元/M tokens，輸出6 元/M tokens，這個(gè)價(jià)格在多模態(tài)模型里算是相當(dāng)便宜了。

最后，總結(jié)一下。

曾經(jīng)的國(guó)產(chǎn)之光，智譜好像回來了。

連續(xù)兩個(gè)開源GLM-4.5和GLM-4.5V，效果都非常的強(qiáng)。

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(guó)王。

偶爾會(huì)大發(fā)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(guó)內(nèi)的這些大模型廠商，更像一個(gè)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(fā)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(dāng)我這兩次，都說智譜牛逼的時(shí)候。

我相比表達(dá)加贊美的，不僅僅是它在41個(gè)基準(zhǔn)測(cè)試中取得的SOTA。

我贊美的，是這種持續(xù)不斷的、近乎于偏執(zhí)的開放精神。

海外Close AI，國(guó)內(nèi)天天Open AI。

AI的未來，不應(yīng)該只掌握在少數(shù)幾個(gè)巨頭的服務(wù)器里，從GPT-4o的下線引發(fā)的風(fēng)波，就能看出影響。

它更應(yīng)該，也必須，綻放在我們每一個(gè)人的硬盤上。

以上，既然看到這里了，如果覺得不錯(cuò)，隨手點(diǎn)個(gè)贊、在看、轉(zhuǎn)發(fā)三連吧，如果想第一時(shí)間收到推送，也可以給我個(gè)星標(biāo)?～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(qǐng)聯(lián)系郵箱：wzglyay@virxact.com