刚刚，智谱开源了他们的最强多模态模型，GLM-4.5v

上周一的晚上，智谱开源了当今最好的模型之一，GLM-4.5。然后，这个周一，又是突如其来的，开源了他们现在最好的多模态模型：GLM-4.5v。

也是4.5系列的，用GLM-4.1V-Thinking的技术路线把GLM-4.5-Air重新训练了一遍，实现了视觉多模态的能力。

模型参数106B总参数，12B激活，这个规模在开源多模态模型里已经算是大块头了。

模型能力也有点东西，在所有的开源多模态模型中，42个评测基准，41个SOTA了。

我说实话，这个看着，还是有点吓人的，我已经很久没看到这么全的评测基准列表了。。。

说明GLM-4.5v，这波是真的自信。

模型已经在多平台开源了，可以任选一个下载。Github：https://github.com/zai-org/GLM-VHugging Face：https://huggingface.co/collections/zai-org/glm-45v-68999032ddf8ecf7dcdbc102不过106B的量级，消费级还是难部署，如果想用的话，可以去智谱他们的z.ai上用。嗯，网址就是z.ai。

我也第一时间去做了一下测试。

这里先测的，是用的是专门做评测的朋友拓界AI给的多模态测试题。

比如第一道是游标卡尺的读数，这玩意读起来还是挺费劲的，整数小数要分开读，得非常仔细才行。

反正我是看的一脸懵逼。

而GLM-4.5V，花了一小会，就写出正确答案了。

思考过程并不是非常的冗长复杂，很简洁，所以很快就出来了，这个非常的好评。

然后是第二题，小猫摸球问题，我是已经看花眼了，看这玩意看的我眼睛疼，真的。

问题就是：到底哪个猫摸到了毛线球。

GLM-4.5V也找到正确的答案，还给了正经的操作方法。

我眼花着验证了两次，确实是AI没毛病。

在视觉推理能力上，GLM-4.5v确实有点东西，而且速度快的离谱。

我又试了一个经典的，识别地理位置的case。

就是横店明清宫苑的图片，想看看它能不能正确的分辨出来。

这个测试其实挺有难度的，因为横店的明清宫苑是按照故宫1:1复制的，连细节都做得很到位。

如果模型只是简单地识别建筑风格，很容易就会判断错误。

GPT-5-Thinking在深度思考以后，就来了一个非常抽象的答案。

华清宫什么鬼？

而GLM-4.5V答得很正确，指出了这里是横店的明清宫苑。

这个回答挺让我惊艳的，而是因为它能在如此相似的场景中做出准确判断。这说明模型不是简单的模式匹配，而是真的具备了一定的视觉推理能力。

但我有点没看懂它是怎么分析出来的，于是我又问了一下它，为什么是横店不是故宫。

这回它给出了详细的解答，分了三个点，讲的相当有理有据。

牛逼。

那再试试内景，我找了一个宫殿内景的图片，问他这是哪里。

这轮没有正确回答出来，我还追问了一下，它还是肯定的说是故宫。

说实话，连我自己看这个内景图都有点拿不准，毕竟横店的复制度确实很高，内景的装饰、色彩、布局都做得很像。

看看GPT-5-Thinking，错了。

这个题，连我心中最强的视觉推理模型o3都错了。

横店搓的太像了，真的匠人精神，实在没招。。。

模型在这种情况下出错，也是情有可原。

还有一个我觉得很酷的功能。

目前只有Gemini有的，原生的视频理解。

这里我说一下，很多产品说自己有视频理解能力，或者总结视频，其实不是的。

他们更多的是吧视频里的音频提取出来，找到人说话的部分，然后STT音频转文字变成文字稿，最后再找个大模型总结，不是原生的靠模型能力的视频理解。

我发给它一个我下载下来的二十世纪影业官方的25周年《泰坦尼克号》的混剪，让GLM-4.5V看看里面包含了哪些经典画面。

要知道，视频理解一直是多模态模型的难点。

模型需要理解时间序列、画面转换、场景连贯性等等，这对模型能力和算力的要求是几何级增长的。

GLM-4.5V非常有意思，也确实是让我我比较惊喜的，它思考了一会，给了我一个很全面的回答。

我特地回到视频，看了下对应的时间点。

所有的时间点都一一对应，完全没毛病。

展开它的思考过程，我发现它是真的能理解画面之间的逻辑关系和故事脉络。

GLM-4.5V不是简单地逐帧识别，而是把这些场景串联成一个完整的叙事序列。

从船头的浪漫时刻，到灾难降临后的生离死别，再到最后的救援场面。

不仅识别出了视频中的关键画面，还能准确标注时间点。这种时空理解能力，在开源模型里确实难得一见。

当然，视频理解也有限制。我试了一下，它只能处理200M以内的视频，再大就不行了。不过对于大多数应用场景来说，这个限制还算合理。

同时，注意是MP4格式，不要传成MOV啥的了。

我还试了下视觉定位功能，它能根据指令在图片里做标记。

我扔了一张流浪地球3的开机大合照，让他帮忙框选出郭导。

圈的很正确。

找出烧烤签子也是不在话下，标记的很精准。

甚至还有一个超级骚的。

圈出他最擅长的运动。。。

果然是篮球。。。

GLM-4.5V实在是太懂了。

除了视觉定位，还有一个很有意思的功能。

网页复刻。

我直接扔给它一个网页截图，让它给我复刻出来。

结果真的震撼到我了，你看这个效果。

框架、结构几乎一样，除了一些设计的样式有一些区别。

不过，讲个大实话，我觉得比智谱自己的官网都好看= =

这种看图写代码的能力，以前基本上就是Gemini、Claude这些顶级闭源模型的专利。

现在开源模型也能做到这种水平，真的是一个巨大的进步。

而且，模型完全开源，你可以直接下载权重，部署在自己的服务器上。

GLM-4.5V的API定价也相当良心。

输入只要2 元/M tokens，输出6 元/M tokens，这个价格在多模态模型里算是相当便宜了。

最后，总结一下。

曾经的国产之光，智谱好像回来了。

连续两个开源GLM-4.5和GLM-4.5V，效果都非常的强。

忽然想起上周OpenAI开源的oss，还有GPT-5这一系列的骚操作。

他们好像是那种守着一座巨大城堡的国王。

偶尔会大发慈悲，从城堡里扔出一些金币，希望平民们就得感恩戴德地冲上去疯抢。

而国内的这些大模型厂商，更像一个热衷于基建的狂人，他根本不屑于守着城堡，他每天都在我们家门口修路、建桥、盖发电站，然后把钥匙直接塞到我们手上，说：

随便用，兄弟，不够再跟我说。

所以，当我这两次，都说智谱牛逼的时候。

我相比表达加赞美的，不仅仅是它在41个基准测试中取得的SOTA。

我赞美的，是这种持续不断的、近乎于偏执的开放精神。

海外Close AI，国内天天Open AI。

AI的未来，不应该只掌握在少数几个巨头的服务器里，从GPT-4o的下线引发的风波，就能看出影响。

它更应该，也必须，绽放在我们每一个人的硬盘上。

>/ 作者：卡兹克

>/ 投稿或爆料，请联系邮箱：wzglyay@virxact.com