国产 AI 再放大招！智谱开源 GLM-4.5V，视觉推理能力“屠榜”全球

最新推荐文章于 2025-11-24 18:29:32 发布
原创 最新推荐文章于 2025-11-24 18:29:32 发布 · 581 阅读 · 5 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#人工智能


这两个月来，国产 AI 的发展势头可以用四个字概括：势如破竹。

上个月，智谱开源的GLM-4.1V-Thinking一炮而红，直接冲上HuggingFace趋势榜榜首，下载量迅速突破13万次。

上周，又推出了旗舰多模态模型 GLM-4.5 和轻量版 GLM-4.5-Air，技术圈瞬间沸腾。

这周，智谱再次扔下“核弹”——基于 GLM-4.5-Air 架构，训练出更强大的视觉推理模型 GLM-4.5V，并且毫不犹豫地 全量开源。

更夸张的是，在 42 个权威多模态榜单 中，GLM-4.5V 拿下了 41 项 SOTA（全球最佳）。 一句话：在开源视觉推理领域，它几乎是无敌的存在。

图片

01 GLM-4.5V 究竟强在哪？

如果说普通的视觉模型只是“看得清”，那 GLM-4.5V 则是“看得懂、想得通、还会自己动手”。

它的三个核心能力，让它不只是个识图工具，而更像一个拥有视觉和常识的大脑：

① 多模态融合推理

能同时理解图像、文字、视频等多种信息，并在一个上下文中推理，这意味着它不仅能识别图片，还能结合文字背景得出更准确的结论。

类比一下，这就像一个工程师看图纸时，不仅看到了线条，还理解了设计目的，并能立即判断可行性。

② 长上下文记忆

可以连续处理数十张图片、几分钟视频或长文档，并保持逻辑一致，不会出现“前一句和后一句不沾边”的问题。 这对长流程的任务（比如视频内容分析、长文档解析）非常关键。

③ Grounding 精准定位

不只是说“这是一个猫”，而是能告诉你它在画面中的精确坐标，甚至能直接生成可用的标注文件，让 AI 从“感知”走向“可操作”。

02 模型规格：真正的 100B 级视觉推理猛兽

  • 总参数：106B

  • 激活参数：12B

  • 输入类型：图像 / 文本 / 视频

📂 GitHub：https://github.com/zai-org/GLM-V📂 Hugging Face：https://huggingface.co/zai-org/GLM-4.5V

03 能力覆盖面有多广？

  • 图像推理：场景理解、多图分析、位置识别

  • 视频理解：长视频分镜、事件识别

  • GUI 任务：前端页面复刻、桌面操作辅助

  • 图表与文档解析：结构化提取、自动标注

  • Grounding 定位：精准框选视觉元素

简单来说，它既能帮你看懂一份复杂的财报图表，也能复刻一个网页 UI，甚至能像人类助手一样操作电脑界面。

04 桌面助手：多模态能力落地的“利器”

为了让开发者更快上手，智谱还同步开源了 GLM-4.5V 桌面助手，支持：

  • 实时截屏并分析

  • 获取屏幕信息

  • 基于视觉推理执行自动化任务

写在最后

从 GLM-4.1V-Thinking 到 GLM-4.5V，智谱用一波接一波的开源操作证明： 国产大模型，不只是能打，还能 打到世界第一。

未来的多模态 AI 或将超越单纯的“工具”角色，成为能够理解、推理与协作的数字伙伴。 它们正在用另一种方式，重塑我们的工作和生活。

推荐阅读：
从零开始打造AI测试平台：文档解析与知识库构建详解
Qwen3-32B国产大模型本地应用实战：LangChain + vLLM 打造企业级智能体核心引擎
AI术语详解：从新手到专家的43个核心概念指南
2025大模型平台选择指南：从个人助手到企业智能体，解读五大场景

精选文章：
MCP、LLM与Agent：企业AI实施的新基建设计方案
2025大语言模型部署实战指南：从个人开发到企业落地全栈解决方案
10分钟无痛部署！字节Coze开源版喂饭教程

学社精选：

技术平台与工具

自研工具与开放资源

人工智能测试开发学习专区

智谱多模态系列：GLM-4.5V 环境配置与本地部署
不积跬步，无以至千里！
08-25 929
智谱多模态大模型GLM-4.5V环境配置与本地部署一站式教程！
智谱发布GLM-4.5：原生融合推理、代码与智能体的统一大模型，开启AI新范式
这里汇聚了前沿的技术分享与实用的开发技巧，带你探索从创意到企业的技术创业之路。
08-28 766
智谱AI发布新一代大语言模型GLM-4.5，首次实现推理、代码生成与智能体能力的原生融合。该模型采用统一架构设计，支持复杂推理、多语言代码生成及自主任务执行，性能接近Claude-3-Sonnet水平。GLM-4.5推出355B旗舰版和106B轻量版双版本，API定价显著低于国际同类产品（输入0.8元/百万tokens）。模型已全面开源，提供HuggingFace、ModelScope等平台下载和在线体验。这一突破性技术为构建高效AI系统提供了新基础，标志着大模型向统一智能范式的重要演进。
国产大模型全梳理：从 DeepSeek 到讯飞星火，谁才是当之无愧的 “老大”？
qq_46094651的博客
08-16 1210
国产大模型全梳理：从 DeepSeek 到讯飞星火，谁才是当之无愧的 “老大”？
探索YOLOv5：领先的视觉AI技术
gitblog_00430的博客
08-09 316
YOLOv5，由Ultralytics开发的领先开源视觉AI项目，不仅在目标检测领域表现卓越，更在最新的实例分割技术上取得了突破。YOLOv5通过其高效的算法和优化的模型，为用户提供了一个快速、准确且易于部署的解决方案。 ## 项目技术分析 YOLOv5的核心技术在于其能够快速且准确地识别和分割图像中的对象。通过使用最新的深度学习技术，YOLOv5在保持高速度的同时，实现了业界领先的准确率。此...
10个令人惊叹的开源AI项目，诞生了！
weixin_53707653的博客
04-15 4192
最近精选了10个最震撼的开源AI工具。这些项目覆盖数据处理、机器学习框架、图像生成等多个领域，相信总有一个能激发你的灵感火花。我之所以选择它们是因为它们涵盖了从数据整理到语音技术等各种 AI 优点。
【建议收藏】八大开源计算机视觉项目分享
BuluAI的博客
07-17 4617
本文将为您介绍6个计算机视觉相关的开源项目，这些项目非常实用且功能强大，不仅在CV技术方面具有重要意义，而且为计算机视觉应用的发展提供了有力的支持。
AI视觉新突破！GLM-4.5V多模态AI神器全面测评！长视频理解能力倍增，轻松实现监控视频查找目标人物！OCR能力倍增，识别手写处方、模糊PDF扫描件无压力！106B参数MoE架构超越GPT4
m0_71165399的博客
08-12 1560
最近AI圈又有大动作了！智谱AI推出了全新的GLM-4.5V视觉语言模型，说实话，看完技术文档后我有点兴奋——这家伙可能真的要改变我们和AI交互的方式。
大模型——国产 AI 智谱开源了 GLM-4.5V，杀疯了
08-13 368
国产AI公司智谱AI近期开源了视觉大模型GLM-4.5V，在42个榜单中获得41个SOTA（最佳表现）。该模型基于GLM-4.5-Air架构，具备强大的多模态能力，包括图像识别、场景理解、GUI任务处理、文档解析等。实测显示，GLM-4.5V能够准确识别特斯拉车型、推断北京大学西门位置、提取身份证信息生成JSON、复刻网页前端代码，甚至能在复杂图片中精准圈出物体。目前模型已在GitHub和HuggingFace开源，并配套发布了桌面助手应用，开发者可快速体验其多模态能力。这一突破使AI向"通感&q
开源版“Her”！智谱 AI 开源 GLM-4-Voice：中英文实时交互语音模型
士多啤梨先生の博客
10-26 1938
智谱 AI 推出并开源端到端语音模型 GLM-4-Voice，能理解和生成中英文语音，进行实时语音对话，并可根据用户指令改变语音属性。
4个惊艳的AI项目，开源了！
Jack-Cui
04-02 2759
AI一键生成视频
10个简单易学的AI计算机视觉开源项目，新手入门！
Tecsae的博客
04-22 5091
人工智能（AI）最具挑战性的主题之一是计算机视觉技术。在过去的几年中，随着计算机视觉的应用不断增加，AI计算机视觉技术持续用于多个新领域，包括机器人技术，安防监测和医疗保健等。 在本文中，我们列出了十个最受开发者的计算机视觉项目以及它们的可用数据集，可供AI初学者尝试： 1 |颜色检测 在此项目中，模型的目标是检测图像中的每种颜色。该项目对编辑图片和识别图像很有用。另一个较为受欢迎的颜色...
35个Github优质开源AI项目，开发者最喜欢的还是计算机视觉！
Tecsae的博客
11-26 3535
机器学习是使计算机无需明确编程即可学习的能力的研究领域。 ML是一个人们曾经遇到过的最令人兴奋的技术之一。 从名称可以明显看出，它为计算机提供了与人类更相似的能力：学习能力。 如今，机器学习正在被人类用在很多领域。我们比较了将近22,000个机器学习开源工具和项目，从中选出了35个优秀的机器学习项目。 <计算机视觉> 1、Detectron：用于物体检测研究的FAIRs研究平台...
【小白入门】2021 计算机视觉开源项目整理
梁瑛平的博客
08-24 2478
【小白入门】2021 计算机视觉个人开源项目整理Github：Yolov5-Deepsort：PaddleDetection-Yolov5：Tianchi-PANDA-rank13：Point-Transformers-with-Quantization：yolov5-distillation-5.0：PARL-DQN-daxigua：企业实体识别APP：Yolov5-Flask-VUE：yolov3-vehicle-detection-paddle：PaddleDetection-Pedestrians-
基于学习的人工智能（1）为什么学习？
致力于大数据+AI 的应用创新。
11-24 211
学习是人类最重要的认知活动之一，贯穿我们的一生。出生后，我们无时无刻不在学习：从父母那里学说话，自己尝试走路，从小伙伴那里学会折纸飞机，从老师那里学到语文、数学等各种知识。研究人员始终将光源和风扇放在同一侧，经由学习，玉米幼苗逐渐学会了“有风的地方就会有光”的规律。之后，研究人员移去光源，并改变风扇方向，玉米幼苗依然按照所学知识，向风扇方向生长。1959 年，美国计算机学家亚瑟·塞缪尔设计了一款可以自我学习的跳棋程序，并将这一新方法称为“机器学习”，从而开启了机器自我学习的道路。
中国计算机学会（CCF）推荐学术会议-A（人工智能）：ACL 2026
iaast的博客
11-24 330
大会官网：https://2026.aclweb.org/录用率：20.3%（1699/8360，2025年）时间地点：2026年7月2日-加州·美国。截稿时间：2026年1月5日。CCF推荐：A（人工智能）
2025企业微信AI落地新趋势：微盛AI·企微管家破解内外增长难题
最新发布
weisheng00的博客
11-24 530
2025年企业微信AI落地的三大关键趋势：微盛AI·企微管家通过智能客服、精准营销和内部协作三大场景，帮助企业实现200%的客服效率提升、90%的报修响应提速和50%的员工效能增长。作为企业微信生态最大ISV服务商，微盛依托"AI+SCRM"双引擎，已服务160家500强企业，提供合规AI聊天Agent、生态闭环整合及私有化部署方案，有效解决数据孤岛问题，90%客户在3个月内实现AI能力全员覆盖。
RAG 的诞生：为了让 AI 不再“乱编”
weixin_44876263的博客
11-24 185
RAG全称，中文为“检索增强生成”。其核心思想是：在生成答案时，不仅依赖大模型内部的训练知识，还能够实时访问外部知识库或文档，从而生成更加准确和可靠的内容。就像一个学生回答问题，不仅依靠自己记忆，还会去图书馆查资料，然后结合记忆和查到的资料回答问题。你问模型：“请告诉我最新的新能源补贴政策。纯模型可能只靠训练记忆，回答的是过时或模糊的信息。RAG 模型会先去查最新政策文件，再结合训练知识生成答案，因此更准确。检索资料：先找到相关文档或信息。结合生成：把找到的资料和问题一起输入模型，让模型生成答案。
基于华为开发者空间实现花卉识别
优快云高校俱乐部官方博客
11-21 1737
基于华为开发者空间实现花卉识别
智谱GLM4.5测评
08-05
GLM-4.5 是智谱推出的一款高性能开源AI模型，其在多个评测基准上表现优异。根据综合评测，GLM-4.5 在包括 MMLU Pro、AIME 24、MATH 500、SciCode、GPQA、HLE、LiveCodeBench、SWE-Bench Verified、Terminal-Bench、...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值