智谱发布视觉语言模型 GLM-4.5V

发布概况

2025 年 8 月 11 日，智谱发布视觉语言模型 GLM-4.5V。^[2] 这是一个同时接受图像或视频与文本输入、以文本作答的模型，随发布一并公开了论文，说明模型本身与训练方法。^[3]

视觉语言模型（vision-language model）可以理解为在纯文本语言模型上加开了一路输入。笼统地说，这类模型学习把视觉特征和词语对应起来，于是关于一张图片的提问，可以像关于一段文字的提问那样被同一个模型回答。正是这种对应关系，让「读一张图表」「描述一段视频」「指出一句话说的是画面里的哪一处」这类原本要靠多个程序串起来完成的事，交给一个模型来做。

基于什么构建

GLM-4.5V 建立在 GLM-4.5-Air 之上，是对 GLM-4.5-Air-Base 做微调（fine-tune）得到的。^[1] GLM-4.5-Air 的总参数量为 1060 亿，其中激活参数为 120 亿。^[1]

这两个数字量的不是一回事。总参数量算的是模型一共存了多少参数；激活参数算的是处理一段输入时真正参与计算的量。两者相差很大，说明它采用了稀疏结构：每处理一个词元（token），只有网络的一部分被调用，因此一次前向计算的开销更接近较小的那个数字，而模型仍保有较大规模的容量。

微调则指从一个已经训练好的基座模型出发继续训练，而不是从零开始训练。这里的基座是 GLM-4.5-Air-Base，GLM-4.5V 是在它基础上进一步调整的产物。^[1]

能做什么

智谱为 GLM-4.5V 列出的能力覆盖几类不同的视觉工作：图像推理、视频理解、图形界面（GUI）任务、复杂图表与长文档解析，以及视觉定位（visual grounding）。^[1]

其中有几项值得展开。图形界面任务指的是像人一样面对软件界面：看清屏幕上有什么，并据此操作。这与描述一张照片是两种不同的能力，因为模型需要找到按钮、输入框这类很小的元素，并把它们和一个目标联系起来。视觉定位指的是把一段文字和图像中的具体区域对应起来：给定一个说法，模型要指出这个说法所指的是画面中的哪一处。图表与长文档解析，则是在表格、坐标轴、小字号注释而不是普通行文中寻找信息的读法。

报告的成绩

智谱表示，在 42 个公开的视觉语言基准上，GLM-4.5V 在同规模模型中达到了最优（state-of-the-art）表现。^[1] 配套论文的表述略有不同：在 42 个基准的几乎全部任务上，它在规模相近的开源模型中取得了最优成绩。^[3] 论文还报告，在编程与图形界面智能体任务上，GLM-4.5V 与 Gemini-2.5-Flash 相当或更好。^[3]

需要说明的是，这些是开发方与论文作者自己给出的对比，评测范围是一组选定的基准。它们能否在独立测试下复现，要靠外部评测来回答，是另一个问题。

许可证与同期模型

GLM-4.5V 以 MIT 许可证发布。^[1] 这是一种宽松的开源许可：允许使用、修改和再分发，也包括用于商业产品，条件是保留许可证声明。对这样一个体量的模型来说，许可条款的重要程度不亚于基准成绩，因为它决定了谁能合法地下载权重、改动权重，并把它装进另一个产品里。

论文提到，GLM-4.5V 是与 GLM-4.1V-9B-Thinking 一同开源的，后者是同一时间发布的另一个体量小得多的视觉语言模型。^[3]

意义

GLM-4.5V 受到的关注，来自两件事的交汇：一个能做图形界面和编程工作的视觉语言模型，以及一份开放许可。能读懂界面并对其操作的模型，是多模态研究中最靠近软件智能体的部分——一个要操纵程序的智能体，需要理解的是屏幕，而不是纯文本。^[3] 把权重以 MIT 许可公开，让没有能力自行训练这类模型的研究者和较小团队也能用上它，也让外部机构可以直接检查、测试论文中的说法。^[1] 至于编程与图形界面智能体任务上与 Gemini-2.5-Flash 相当或更好的结论，若经得起检验，就意味着一个开放许可的模型，恰好在这些任务上与一个被广泛使用的闭源模型处在同一水平线上。^[3]