金磊 發(fā)自 凹非寺

量子位 | 公眾號(hào) QbitAI

這一次，AI真的是快要砸掉我的飯碗了。

因?yàn)槿绻悻F(xiàn)在想根據(jù)NeurIPS 2025的最佳論文寫一篇公眾號(hào)文章，只需要把它丟給AI并且附上一句話：

幫我解讀這篇論文，并寫一個(gè)圖文并茂的微信公眾號(hào)推送來介紹這篇文章。

只需靜候幾分鐘，AI就水靈靈地把完整的微信公眾號(hào)科普文章給呈現(xiàn)了出來，來感受一下這個(gè)feel（上下滑動(dòng)瀏覽）：

不得不說啊，這個(gè)AI從標(biāo)題開始就真的把最最最重要的關(guān)鍵信息“NeurIPS 2025最佳論文”精準(zhǔn)抓了出來。

并且“Gates一下”，更是把名詞動(dòng)詞化，是有點(diǎn)語言編輯功底在身上的。

回頭細(xì)看這個(gè)AI處理的過程。

首先，它會(huì)根據(jù)這篇論文的內(nèi)容，先處理文字的部分，將文章分為了引言、核心問題、破局之道、實(shí)驗(yàn)結(jié)果、深入分析、結(jié)論與展望這六大部分，是符合一篇論文解讀文章的邏輯。

然后AI會(huì)把論文中要引用的圖片和表格進(jìn)行適當(dāng)?shù)牟眉艉蜆?biāo)注，并插進(jìn)文章里面，還會(huì)在圖片下方附上圖注：

一氣呵成，真的是“文字+圖片+排版”一氣呵成。

那么這到底是何許AI是也？

不賣關(guān)子，它就是智譜最新升級(jí)的新一代視覺推理模型——GLM-4.6V

在深度體驗(yàn)一波之后，我們發(fā)現(xiàn)寫圖文并茂的公眾號(hào)推文，還只是GLM-4.6V能力的一隅。

接下來，老規(guī)矩，一波實(shí)測(cè)，走起~

學(xué)生黨看論文，更方便了

首先來到智譜的官網(wǎng)（https://chat.z.ai/），在左上方模型下拉菜單中選擇GLM-4.6V。

然后根據(jù)任務(wù)的需求，我們可以在輸入框下方快速選擇任務(wù)類型，也可以在工具選項(xiàng)中勾選圖像識(shí)別、圖像處理、圖像搜索或購(gòu)物搜索等工具。

像剛才我們寫公眾號(hào)文章時(shí)，就選擇了“文檔智讀”功能（會(huì)默認(rèn)勾選“圖像處理”工具）。

研究論文、報(bào)告，更方便了

同樣是在“文檔智讀”功能下，看論文這件事已經(jīng)變得太便捷了。

例如我們上傳Transformer和Mamba兩篇論文，然后附上一句Prompt：

結(jié)合這兩篇論文的圖表，對(duì)比一下Transformer和Mamba模型的異同，并幫我思考一下大模型架構(gòu)下一步該如何發(fā)展？

同樣是幾分鐘后，一份圖文并茂的對(duì)比分析就誕生了（上下滑動(dòng)瀏覽）：

可以看到，GLM-4.6V先是對(duì)Transformer和Mamba架構(gòu)分別做了核心特點(diǎn)的介紹；然后以表格和圖文的形式對(duì)二者進(jìn)行了關(guān)鍵維度上的對(duì)比；最后也是對(duì)大模型架構(gòu)的未來發(fā)展方向做出了總結(jié)。

如此功能之下，不僅僅是對(duì)比看論文，像是研究、分析報(bào)告這類任務(wù)也會(huì)派上大用場(chǎng)。

這一次，我直接“喂”給GLM-4.6V四份財(cái)報(bào)（蘋果、谷歌、亞馬遜和Meta）：

幫我對(duì)比這四家公司Q3財(cái)報(bào)，圖表形式做分析。

GLM-4.6V的思考過程同樣是調(diào)取了各個(gè)財(cái)報(bào)中的關(guān)鍵圖表和數(shù)據(jù)，然后先是匯總成了一份對(duì)比表格，再對(duì)關(guān)鍵指標(biāo)做了逐一的解析，最終給出了關(guān)鍵性結(jié)論。

甚至你可以不用提供任何資料，只需要一句話就能生成報(bào)告：

搜索一下最近新出“豆包AI手機(jī)”，并生成圖文并茂的報(bào)告。

由此可見，在GLM-4.6V的加持之下，解讀論文、報(bào)告，統(tǒng)統(tǒng)都變成了一句話的事兒。

一張圖復(fù)刻B站網(wǎng)頁(yè)版

GLM-4.6V還有一個(gè)特別有意思的功能，它只需要看一眼網(wǎng)站，就能高度復(fù)刻出來！

我們先截取B站首頁(yè)的截圖：

然后開啟“圖片識(shí)別”和“圖片處理”兩個(gè)工具，并簡(jiǎn)單一句話下達(dá)指令：

復(fù)刻這個(gè)網(wǎng)站，網(wǎng)站里包含的圖片也要復(fù)刻出來。

然后GLM-4.6V就開始唰唰唰地“敲代碼”：

同樣是幾分鐘的時(shí)間，一個(gè)高度還原B站首頁(yè)的完整HTML和CSS代碼就搞定了：

我們還可以對(duì)初始結(jié)果做進(jìn)一步的優(yōu)化，例如來上一句：

把主題變成深色模式。

再細(xì)如頁(yè)面里的排版布局，統(tǒng)統(tǒng)都可以通過自然語言的方式來做調(diào)整。

不得不說，這種玩法可以給前端程序員省了不少的工作量；而且還有個(gè)福利哦——價(jià)格更便宜了

GLM-4.6V系列相較于GLM-4.5V降價(jià)50%，API 調(diào)用價(jià)格低至輸入 1 元/百萬tokens輸出 3 元/百萬 tokens

而且據(jù)說GLM-4.6V已經(jīng)進(jìn)入到智譜的Coding Plan套餐里嘍~

長(zhǎng)視頻也是能hold住

在文檔、圖片之后，另一種多模態(tài)——視頻，GLM-4.6V也能處理。

我們以Ilya在多倫多大學(xué)的一段演講為例：

視頻地址：https://mp.weixin.qq.com/s/Lboi50dy3SZoODxAJUheBQ

這一次，我們點(diǎn)擊輸入框下面的“視頻理解”功能，然后讓GLM-4.6V來對(duì)視頻內(nèi)容做總結(jié)：

10分鐘時(shí)長(zhǎng)的視頻內(nèi)容，GLM-4.6V只需要幾十秒的時(shí)間就能將其總結(jié)到位：

進(jìn)一步的，你還可以要求GLM-4.6V來翻譯視頻中Ilya演講的所有內(nèi)容：

以后看AI大佬英文演講的視頻，真的是方便太多了。

萬物皆可GLM-4.6V

除了我們上面提到的案例之外，還有好多好多真實(shí)場(chǎng)景都能用的上GLM-4.6V.

例如想解一下一道考研數(shù)學(xué)真題的解法，咱們就把題目截圖丟給它：

幫我解答這道題。

GLM-4.6V會(huì)很快分析解題的詳細(xì)過程并給出正確答案：C。

再如你看到一張可視化的圖表，想要把它轉(zhuǎn)換成數(shù)據(jù)

同樣的操作，同樣一句話，就可以完成了：

值得一提的是，哪怕是手機(jī)拍照拍下來的圖片、表格等，也都是可以一鍵OCR的哦~

包括古文手稿

GLM-4.6V知道需要按照從右到左、從上到下的順序來閱讀：

還有視覺任務(wù)中經(jīng)常用的目標(biāo)檢測(cè)，在GLM-4.6V這里也是可以搞定的。

例如我們給一張貓咪們的合影，然后Prompt如下：

識(shí)別圖中所有貓的品種。請(qǐng)以合法的JSON格式返回結(jié)果，結(jié)果是一個(gè)list，每一個(gè)list元素對(duì)應(yīng)一個(gè)目標(biāo)檢測(cè)結(jié)果dict，dict的key由label、bbox_2d組成，值分別為檢測(cè)到的貓的品種和結(jié)果坐標(biāo)框。例如：[
{‘label’: ‘金漸層-1’, ‘bbox_2d’: [1,2,3,4]}, {‘label’: ‘金漸層-2’, ‘bbox_2d’: [4,5,6,7]}]

不一會(huì)兒的功夫，GLM-4.6V就會(huì)框出所有貓咪：

{“l(fā)abel”: “虎斑貓-1”, “bbox_2d”: [95,152,192,825]},{“l(fā)abel”: “虎斑貓-2”, “bbox_2d”: [185,332,310,852]},{“l(fā)abel”: “暹羅貓-1”, “bbox_2d”: [295,352,428,902]},{“l(fā)abel”: “美短-1”, “bbox_2d”: [415,520,508,922]},{“l(fā)abel”: “緬因貓-1”, “bbox_2d”: [498,262,603,852]},{“l(fā)abel”: “英短-1”, “bbox_2d”: [603,452,697,872]},{“l(fā)abel”: “挪威森林貓-1”, “bbox_2d”: [685,120,797,832]},{“l(fā)abel”: “虎斑貓-3”, “bbox_2d”: [802,482,882,832]}

再經(jīng)過渲染，我們就得到了經(jīng)典的目標(biāo)檢測(cè)效果：

已經(jīng)是開源里的SOTA了

從整體實(shí)測(cè)過程和結(jié)果來看，GLM-4.6V在體感上是非常絲滑的。

而之所以如此，也離不開它背后自身實(shí)力的迭代升級(jí)。

這次智譜升級(jí)的GLM-4.6V分為了兩個(gè)版本，分別是：

• GLM-4.6V（106B-A12B）：面向云端與高性能集群場(chǎng)景的基礎(chǔ)版
• GLM-4.6V-Flash（9B）：面向本地部署與低延遲應(yīng)用的輕量版

智譜不僅將這個(gè)版本的視覺推理模型的上下文窗口大小提升到了128K tokens，在MMBench、MathVista、OCRBench等30多個(gè)主流多模態(tài)評(píng)測(cè)Benchmark中，也是取得了同級(jí)別SOTA的結(jié)果！

其中9B版本的GLM-4.6V-Flash整體表現(xiàn)超過Qwen3-VL-8B，106B參數(shù)12B激活的GLM-4.6V表現(xiàn)比肩2倍參數(shù)量的Qwen3-VL-235B。

除了評(píng)測(cè)榜單結(jié)果之外，智譜還將GLM-4.6V背后的技術(shù)細(xì)節(jié)也亮了出來——

首次在模型架構(gòu)中將Function Call（工具調(diào)用）能力原生融入視覺模型，打通從“視覺感知”到“可執(zhí)行行動(dòng)”（Action）的鏈路，為真實(shí)業(yè)務(wù)場(chǎng)景中的多模態(tài) Agent 提供統(tǒng)一的技術(shù)底座。

評(píng)測(cè)結(jié)果、技術(shù)實(shí)力固然重要，但到了AI發(fā)展的現(xiàn)階段，到底實(shí)不實(shí)用、好不好用才是真正能讓AI應(yīng)用殺出自己一片天地的護(hù)城河。

從這次深度實(shí)測(cè)結(jié)果來看，GLM-4.6V，絕對(duì)是做到了這一點(diǎn)的那個(gè)AI。

最后，如果小伙伴對(duì)GLM-4.6V感興趣，鏈接就放下面了，趕緊去體驗(yàn)吧~

GLM-4.6V地址：
https://chat.z.ai