智谱开源多模态推理新王者！9B参数挑战72B巨头

昨天，在上海张江科学会堂上，智谱CEO张鹏正式发布GLM-4.1V-Thinking，旨在探索视觉语言模型中推理的上限。这个仅90亿参数的多模态模型，在18项关键测试中逼平甚至超越了参数规模八倍于己的行业巨头Qwen-2.5-VL-72B。

就在发布当天，浦东创投集团与张江集团宣布向智谱注资10亿元战略投资，首笔交割即时完成。

GLM-4.1V-9B-Thinking的诞生，标志着多模态模型从「感知」向「认知」的关键跃迁。在MMStar、MMMU-Pro等28项权威评测中，它获得了23项10B级模型最佳成绩。

而这来源于团队的两大创新机制：一是思维链推理机制，可以让模型像人类一样展示思考过程；二是课程采样强化学习策略，引导AI由浅入深掌握复杂技能。

目前，在arXiv公开的技术报告显示单张RTX 3090显卡即可流畅运行该模型，MIT开源协议允许免费商用。这意味着普通开发者不必依赖昂贵的云计算资源也能在本地部署。

多模态能力的全面进化

在多模态能力方面，GLM-4.1V-9B-Thinking展现出惊人的场景适应性：它能解析长达两小时的视频内容，理清人物关系和事件逻辑；看懂数学题并给出详细解题步骤；甚至识别手机界面元素，帮用户创建日程会议。

在官方演示视频中，它像足球解说员一样实时解说足球赛事，从战术执行到球员跑位，专业程度甚至不亚于人类解说员。这种能力来源于独特的架构设计——视觉编码器采用三维卷积处理视频流，语言解码器则通过3D旋转位置编码增强空间理解。

训练策略的革新之道

智谱团队精心设计了三阶段训练方案。预训练阶段通过海量图文、视频数据建立基础认知；监督微调阶段引入高质量思维链数据集强化推理能力；最关键的强化学习阶段采用课程采样技术，让模型像学生一样从易到难攻克STEM解题、GUI操作等复杂任务。

团队还采用了跨领域泛化设计。当模型在STEM数据上训练时，也同步提升了视觉定位和GUI交互能力——数学推理中培养的逻辑链条，可以迁移到界面操作任务中。

在实际应用场景中，GLM-4.1V-9B-Thinking展现出令人惊叹的多元能力：

有网友对一道2025年高考数学立体几何真题进行实测，它能逐步推导体积计算过程。

Prompt：请帮我解决这个题目，给出详细过程和答案

输出结果如下：

【图片来源于网络，侵删】

这些场景进一步验证了技术报告的核心结论：当强化学习加入训练流程后，模型在GUI操作、视频理解等任务上的性能直线提升。

随着“Agents开拓者计划”的推进，这批开源模型将化身千万智能体，融入教育课件、医疗影像、工业质检的各个环节中。

这或许正孕育着中国AI登顶的下一个支点。