智谱AI开源GLM-4.1V-Thinking：9B参数模型性能超越72B，视觉语言模型迎来‘思考’时代

import requests
import json

# 设置API接口地址和API Key
api_url = "https://api.zhipuopen.com/v1/glm-4.1v-thinking"
api_key = "your_api_key"

# 准备输入数据
input_data = {
    "image": "image_url_or_base64_encoded_data",
    "text": "your_input_text"
}

# 设置请求头
headers = {
    "Authorization": f"Bearer {api_key}",
    "Content-Type": "application/json"
}

# 发送请求
response = requests.post(api_url, headers=headers, data=json.dumps(input_data))

# 获取结果
result = response.json()
print(result)

from transformers import AutoModelForVision2Seq, AutoProcessor
import torch

# 加载模型和处理器
model_name = "THUDM/glm-4.1v-thinking"
model = AutoModelForVision2Seq.from_pretrained(model_name)
processor = AutoProcessor.from_pretrained(model_name)

# 准备输入数据
image_url = "image_url_or_image_path"
text = "your_input_text"
inputs = processor(images=image_url, text=text, return_tensors="pt")

# 进行推理
with torch.no_grad():
    outputs = model(**inputs)

# 获取结果
result = processor.decode(outputs.logits[0], skip_special_tokens=True)
print(result)

💡 站外导读：在追求更大更强参数的AI竞赛中，智谱AI带来了一股‘小模型、大智能’的清流。其最新开源的GLM-4.1V-Thinking模型，参数量仅为9B级别，却在包含数学推理、文档解析在内的28项权威基准测试中，一举达成23项10B级模型最佳成绩，甚至在18项上与72B参数的顶级模型持平或超越。这不仅是技术的突破，更预示着高性能AI应用正从云端巨头走向更广泛的开发者和企业，解决了AI落地成本与性能难以兼顾的核心痛点。

GLM-4.1V-Thinking是什么

GLM-4.1V-Thinking是智谱AI推出的开源视觉语言模型，专为复杂认知任务设计，支持图像、视频、文档等多模态输入。模型在GLM-4V架构基础上引入思维链推理机制，基于课程采样强化学习策略，系统性提升跨模态因果推理能力与稳定性。模型轻量版GLM-4.1V-9B-Thinking（GLM-4.1V-9B-Base基座模型和GLM-4.1V-9B-Thinking具备深度思考和推理能力）参数量控制在10B级别，在28项权威评测中，有23项达成10B级模型最佳成绩，其中18项持平或超越参数量高达72B的Qwen-2.5-VL，展现出小体积模型的极限性能潜力。

GLM-4.1V-Thinking的主要功能

• 图像理解：精准识别和分析图像内容，支持复杂的视觉任务，如目标检测、图像分类和视觉问答。
• 视频处理：具备时序分析和事件逻辑建模能力，支持处理视频输入，进行视频理解、视频描述和视频问答。
• 文档解析：支持处理文档中的图像和文本内容，支持长文档理解、图表理解和文档问答。
• 数学与科学推理：支持复杂的数学题解、多步演绎和公式理解，能处理STEM领域的推理任务。
• 逻辑推理：支持进行逻辑推理和因果分析，支持复杂的推理任务，如多步推理和逻辑判断。
• 跨模态推理：合视觉和语言信息进行推理，支持图文理解、视觉问答和视觉锚定等任务。

GLM-4.1V-Thinking的技术原理

• 架构设计：基于AIMv2Huge作为视觉编码器，处理和编码图像和视频输入。MLP适配器将视觉特征对齐到语言模型的token空间。语言解码器用GLM作为语言模型，处理多模态token并生成输出。
• 训练方法：基于大规模的图像-文本对、学术文献和知识密集型数据进行预训练，构建强大的视觉语言基础模型。用长链推理（CoT）数据进行监督微调，提升模型的推理能力和人类对齐。基于课程采样强化学习（RLCS），动态选择最具信息量的样本进行训练，提升模型在多种任务上的性能。
• 技术创新：引入思维链推理机制，让模型逐步思考生成详细的推理过程。基于课程采样策略，动态调整训练样本的难度，确保模型在不同阶段都能获得最有效的训练。基于2D-RoPE和3D-RoPE技术，支持任意分辨率和宽高比的图像输入，增强模型的时空理解能力。

GLM-4.1V-Thinking的性能表现

在涵盖MMStar、MMMU-Pro、ChartQAPro、OSWorld在内的28项权威评测中，该模型表现卓越，其中23项指标均达到了10B参数级别模型的顶尖水准。更令人瞩目的是，这23项成绩里，有多达18项与参数量高达72B的Qwen-2.5-VL持平甚至实现了超越。

GLM-4.1V-Thinking的项目地址

• GitHub仓库：https://github.com/THUDM/GLM-4.1V-Thinking
• HuggingFace模型库：https://huggingface.co/collections/THUDM/glm-41v-thinking-6862bbfc44593a8601c2578d
• arXiv技术论文：https://arxiv.org/pdf/2507.01006v1
• 在线体验Demo：https://huggingface.co/spaces/THUDM/GLM-4.1V-9B-Thinking-Demo

如何使用GLM-4.1V-Thinking

• API接口：
  • 注册账号：访问智谱AI开放平台，注册账号并登录。
  • 获取API Key：在平台上创建应用，获取专属的API Key。
  • 调用API：根据API文档，使用HTTP请求调用模型接口，发送输入数据并获取模型的输出结果。例如，使用Python调用API的代码示例：

• 开源模型：
  • 下载模型：访问Hugging Face，找到GLM-4.1V-Thinking模型页面，下载模型文件。
  • 加载模型：使用相应的深度学习框架（如PyTorch）加载模型。
  • 进行推理：将输入数据预处理后输入模型，获取模型的输出结果。例如，使用PyTorch加载模型并进行推理的代码示例：

• 在线体验平台：
  • 访问体验链接：访问Hugging Face平台上的GLM-4.1V-Thinking体验页面。
  • 输入数据：在网页上上传图像或输入文本。
  • 获取结果：点击“运行”按钮，等待模型处理并查看结果。

GLM-4.1V-Thinking的应用场景

• 教育辅导：辅助学生解决数学、科学等学科的复杂问题，提供详细解题步骤和推理过程，帮助学生更好地理解和掌握知识。
• 内容创作：结合图像和文本生成创意内容，如广告文案、社交媒体帖子、新闻报道等，提升内容创作的效率和质量。
• 智能交互：作为智能客服或虚拟助手，理解用户的问题和需求，提供准确、及时的回答和解决方案，支持多模态输入。
• 行业应用：在医疗、金融、工业等领域，辅助专业人员进行数据分析、报告生成、设备监控等任务，提高工作效率和准确性。
• 娱乐与生活：为旅游提供攻略和景点介绍，为美食推荐菜品和烹饪方法，为游戏生成剧情和任务设计，丰富用户的娱乐体验。