--- title: "智谱开源GLM-4.5V：106B参数视觉推理新标杆，代码复刻、视频理解多场景实测" url: "https://paooo.com/aigc-news/14290/" author: "Prompt 语宙研究院" published_at: "2026-06-25T08:12:22+08:00" updated_at: "2026-06-07T20:22:29+08:00" categories: "AI 工具, AIGC 资讯" tags: "GLM-4.5V, 多模态大模型, 开源模型, 智谱AI, 视觉推理模型" source: "Prompt 语宙 (https://paooo.com)" ai_tools_directory: "语宙 AI 导航 (https://ai.paooo.com)" --- # 智谱开源GLM-4.5V：106B参数视觉推理新标杆，代码复刻、视频理解多场景实测 > 来源：[Prompt 语宙 (paooo.com)](https://paooo.com/aigc-news/14290/) · 作者：Prompt 语宙研究院 · 发布时间：2026-06-25 ## AI 30 秒核心看点 (TL;DR) - 106B参数、12B激活的GLM-4.5V，定位新一代视觉推理VLM，兼顾能力与推理效率。 - 在MMBench 88.2、MathVista 84.6、OCRBench 86.5等测试中表现突出，覆盖VQA、OCR、定位与视频理解。 - 支持网页前端复刻、视频理解、图寻游戏等场景，并提供桌面助手、GitHub与HuggingFace资源。 > **💡 站外导读：**随着多模态AI的浪潮席卷而来，视觉理解与推理能力正成为衡量下一代大模型智能的核心标尺。行业亟需能够深度融合文本与视觉信息、解决复杂现实场景任务的强大基座。智谱AI开源的GLM-4.5V模型应运而生，它以106B的庞大参数规模与高效的12B激活设计，在多项权威基准测试中取得领先成绩，直击开发者在前端代码生成、视频内容分析、游戏交互等具体场景中的效率与智能化痛点。 ## GLM-4.5V是什么 GLM-4.5V是智谱推出的最新一代视觉推理模型。模型基于106B参数规模构建，拥有12B激活能力，是目前领先的视觉语言模型（VLM）。模型在[GLM-4.1V-Thinking](https://ai-bot.cn/glm-4-1v-thinking/)的基础上升级而来，继承其优秀架构，结合新一代文本基座模型[GLM-4.5-Air](https://ai-bot.cn/glm-4-5/)进行训练。模型在视觉理解、推理能力上表现卓越，适用网页前端复刻、grounding、图寻游戏、视频理解等场景，有望推动多模态应用的进一步发展。为帮助开发者直观体验 GLM-4.5V 的强大能力并打造专属多模态应用，团队开源了一款桌面助手应用，能实时截屏、录屏，借助 GLM-4.5V 模型处理代码辅助、视频分析、游戏解答、文档解读等多种视觉任务。 ## GLM-4.5V的主要功能 - **视觉理解与推理**：能理解和分析图像、视频等视觉内容，进行复杂的视觉推理任务，例如识别物体、场景、人物关系等。 - **多模态交互**：支持文本与视觉内容的融合处理，例如根据文本描述生成图像，或者根据图像生成文本描述。 - **网页前端复刻**：根据网页设计图生成前端代码，实现快速的网页开发。 - **图寻游戏**：支持基于图像的搜索和匹配任务，例如在复杂场景中找到特定目标。 - **视频理解**：支持分析视频内容，提取关键信息，进行视频摘要、事件检测等任务。 - **跨模态生成**：支持从视觉内容生成文本，或者从文本生成视觉内容，实现多模态内容的无缝转换。 ## GLM-4.5V的技术原理 - **大规模预训练**：模型基于106B参数的预训练架构，用海量的文本和视觉数据进行训练，学习语言和视觉的联合表示。 - **视觉语言融合**：采用Transformer架构，将文本和视觉特征进行融合，基于交叉注意力机制实现文本与视觉信息的交互。 - **激活机制**：模型设计12B激活参数，用在推理过程中动态激活相关的参数子集，提高计算效率和推理性能。 - **结构继承与优化**：继承GLM-4.1V-Thinking的优秀结构，结合新一代文本基座模型GLM-4.5-Air进行训练，进一步提升性能。 - **多模态任务适配**：基于微调和优化，模型能适应多种多模态任务，例如视觉问答、图像描述生成、视频理解等。 ## GLM-4.5V的性能表现 - **General VQA**：GLM-4.5V在通用视觉问答任务中表现最佳，尤其在MMBench v1.1基准测试中得分高达88.2。 - **STEM**：GLM-4.5V在科学、技术、工程和数学相关任务中同样领先，例如在MathVista测试中获得84.6的高分。 - **Long Document OCR & Chart**：在处理长文档和图表的OCRBench测试中，GLM-4.5V以86.5分展现卓越的性能。 - **Visual Grounding**：GLM-4.5V在视觉定位任务上表现突出，RefCOCO+loc (val)测试得分为91.3。 - **Spatial Reasoning**：在空间推理能力方面，GLM-4.5V在CV-Bench测试中取得87.3分的优异成绩。 - **Coding**：在编程任务中，GLM-4.5V在Design2Code基准测试中得分82.2，显示其在代码生成和理解方面的能力。 - **Video Understanding**：GLM-4.5V在视频理解方面同样表现出色，在VideoMME (w/o sub)测试中得分74.6。 ## GLM-4.5V的项目地址 - **GitHub仓库**：https://github.com/zai-org/GLM-V/ - **HuggingFace模型库**：https://huggingface.co/collections/zai-org/glm-45v-68999032ddf8ecf7dcdbc102 - **技术论文**：https://github.com/zai-org/GLM-V/tree/main/resources/GLM-4.5V_technical_report.pdf - **桌面助手应用**：https://huggingface.co/spaces/zai-org/GLM-4.5V-Demo-App ## 如何使用GLM-4.5V - **注册与登录**：访问[ Z.ai](https://ai-bot.cn/z-ai/) 官网，用邮箱注册账号。完成注册后，登录账号。 - **选择模型**：在登录后，在模型选择下拉框中选择GLM-4.5V。 - **体验功能**： **网页前端复刻**：上传网页设计图，模型将自动生成前端代码。 - **视觉推理**：上传图像或视频，模型将进行视觉理解、物体识别、场景分析等任务。 - **图寻游戏**：上传目标图像，模型将在复杂场景中找到匹配的图像。 - **视频理解**：上传视频文件，模型将提取关键信息，生成视频摘要或事件检测结果。 ## GLM-4.5V的API 调用价格 - **输入**：2 元/M tokens - **输出**：6 元/M tokens - **响应速度**：达到 60-80 tokens/s ## GLM-4.5V的应用场景 - **网页前端复刻**：上传网页设计图，模型快速生成前端代码，助力开发者高效实现网页开发。 - **视觉问答**：用户上传图像并提问，模型根据图像内容生成准确答案，可用在教育、智能客服等领域。 - **图寻游戏**：在复杂场景中快速找到目标图像，适用于安防监控、智能零售及娱乐游戏开发。 - **视频理解**：分析视频内容，提取关键信息生成摘要或检测事件，优化视频推荐、编辑及监控。 - **图像描述生成**：为上传的图像生成精准描述文本，辅助视障人士理解图像，提升社交媒体分享体验。 #### 📝 站长洞察 (Editor's Insight) 智谱开源GLM-4.5V，绝非一次简单的模型迭代，而是国产多模态大模型向‘全能视觉推理工具’演进的关键一步。其12B的激活参数设计，巧妙地在性能与效率间取得了平衡，预示着‘大参数、小激活’将成为未来模型部署的主流范式之一。更值得关注的是，其在Coding（Design2Code）和Long Document OCR等任务上的强势表现，表明多模态能力正从‘感知’层向复杂的‘执行与生成’层深度渗透，这将直接赋能前端开发自动化、智能办公等垂直领域的生产力革命。配套桌面助手的开源，更是降低体验门槛、构建开发者生态的聪明之举。在GPT-4o、Gemini等国际巨头环伺下，GLM-4.5V以全栈开源、性能对标、场景落地的组合拳，展现了中国AI力量在核心模型层的快速追赶与创新自信。 ## 📊 GLM-4.5V 与多模型基准评测对比表 > 核心发现：图中显示 GLM-4.5V 在多数视觉推理与多模态基准上取得最高或接近最高分，整体表现明显领先于对比模型。 | Benchmark | GLM-4.5V | Step-3 | Qwen2.5-VL | GLM-4.1V | Kimi-VL-2506 | Gemma-3 | | --- | --- | --- | --- | --- | --- | --- | | MMBench v1.1 | 88.2 | 81.1* | 88.0 | 85.8 | 84.4 | 80.1* | | MMBench v1.1 (CN) | 88.3 | 81.5* | 86.7* | 84.7 | 80.7* | 84.8* | | MMStar | 75.3 | 69.0* | 70.8 | 72.9 | 70.4 | 60.0* | | BLINK (val) | 65.3 | 62.7* | 58.0* | 65.1 | 53.5* | 52.9* | | MUIRBench | 75.3 | 75.0* | 62.9* | 74.7 | 63.8* | 50.3* | | HallusionBench | 65.4 | 64.2 | 56.8* | 63.2 | 59.8* | 45.8* | | ZeroBench (sub) | 23.4 | 23.0 | 19.5* | 19.2 | 16.2* | 17.7* | | GeoBench | 79.7 | 72.9 | 74.3* | 76.0 | 48.0* | 57.5* | | MMMU (val) | 75.4 | 74.2 | 70.2 | 68.0 | 64.0 | 62.0* | | MMU Pro | 65.2 | 58.6 | 51.1 | 57.1 | 46.3 | 37.4* | ## 常见问题解答 (FAQ) ### GLM-4.5V适合做哪些多模态任务？ 它适合视觉问答、图像/视频理解、OCR与图表解析、视觉定位、空间推理、网页前端复刻、图寻游戏等任务，尤其适合需要文本与视觉联合推理的应用场景。 ### GLM-4.5V的性能实测怎么样？ 文中给出的基准表现包括：MMBench v1.1 88.2、MathVista 84.6、OCRBench 86.5、RefCOCO+loc 91.3、CV-Bench 87.3、Design2Code 82.2、VideoMME 74.6，整体覆盖面较广。 ### GLM-4.5V怎么使用和调用？ 可通过Z.ai官网注册登录后选择GLM-4.5V体验，也可参考其GitHub、HuggingFace模型库、技术报告和桌面助手应用。API价格为输入2元/M tokens、输出6元/M tokens，响应速度约60-80 tokens/s。 --- 探索 2,800+ 全球实用 AI 工具与官方直达入口：[语宙 AI 导航 (https://ai.paooo.com/)](https://ai.paooo.com/)