GLM-4.5V 视觉语言模型

是什么

GLM-4.5V 是智谱（Zhipu）于 2025 年 8 月 11 日发布的视觉语言模型（vision-language model），可以同时接收图像、视频和文字输入，并用文字作答。^[2] 它是在 GLM-4.5-Air-Base 上微调得到的，因此底层沿用 GLM-4.5-Air：总参数 106B，其中 12B 处于激活状态。^[1] 总参数与激活参数的区别在于，模型处理每一步时只调用其中一部分，因此可以存下较大的知识量，同时把单步计算控制在较小规模。模型卡把 GLM-4.5-Air 称为智谱 AI 的下一代旗舰文本基础模型。^[1]

由来

GLM-4.5V 属于智谱的 GLM-V 多模态模型系列。介绍它与前代模型的技术报告 arXiv 2507.01006 由 GLM-V Team 于 2025 年 7 月 1 日提交。^[4] 在这一系列的时间线上，它接在 GLM-4.1V-9B-Thinking 之后，之后是 2025 年 12 月发布的 GLM-4.6V。^[3][2] 技术报告指出，GLM-4.1V-9B-Thinking 与 GLM-4.5V 都已开源。^[4]

能做什么

这个模型面向一组较广的多模态任务：图像推理、视频理解、GUI（图形用户界面）任务、复杂图表与长文档解析，以及视觉定位（visual grounding，即找出图像中与某段文字对应的区域）。^[1] 其中视频理解覆盖长视频分段与事件识别，GUI 任务包括读屏、图标识别和桌面操作辅助。^[1]

与 GLM-4.5 一样，它带有思考模式（thinking mode）开关。^[1] 这类开关的作用是让模型有两种作答方式：直接给出答案，或先写出一段较长的推理过程再给结论；使用者可以按任务难度决定是否多花这部分时间。

怎么训练

技术报告说，模型使用「带课程采样的强化学习」（Reinforcement Learning with Curriculum Sampling，RLCS），来提升在 STEM 解题、视频理解、编程、视觉定位和 GUI 智能体等方向上的表现。^[4] 强化学习的常见做法是让模型自己生成候选答案，再按答案的好坏给出奖励，模型朝着奖励更高的方向调整；课程采样指的是训练题目如何挑选和排序——按一定次序推进，而不是全程使用固定的混合比例。

结果

智谱表示，该模型在 42 个公开视觉语言基准上取得了同规模模型中的最优成绩。^[1] 技术报告称，在编程和 GUI 智能体等任务上，GLM-4.5V 与 Gemini-2.5-Flash 相当或更好。^[4] 这些比较由开发方在发布时给出。

在发展中的位置

GLM-4.5V 以 MIT 许可证发布，对使用和修改的限制很少，这对希望在自己的机器上部署多模态模型的团队来说更省事。^[1] 在智谱的模型线上，它位于 GLM-4.1V-9B-Thinking 与 GLM-4.6V 之间，是这一串开源多模态发布中的一环，而不是孤立的单个模型。^[3][2] 它列出的能力——图像推理、长文档解析、视频理解和界面操作——也大致能代表这一时期视觉语言模型被要求完成的事情。