---
title: "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"
url: "https://paooo.com/aigc-news/14561/"
author: "Prompt 语宙研究院"
published_at: "2026-06-26T20:12:22+08:00"
updated_at: "2026-07-22T13:25:59+08:00"
categories: "AI 工具, AIGC 资讯"
tags: "AIGC, GLM-4.1V-Thinking, 思维链推理, 智谱AI, 视觉语言模型"
source: "Prompt 语宙 (https://paooo.com)"
ai_tools_directory: "语宙 AI 导航 (https://ai.paooo.com)"
---

# 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

> 来源：[Prompt 语宙 (paooo.com)](https://paooo.com/aigc-news/14561/) · 作者：Prompt 语宙研究院 · 发布时间：2026-06-26

## AI 30 秒核心看点 (TL;DR)

- 9B级视觉语言模型引入思维链推理，在多模态复杂任务上实现小模型性能跃升。
- 28项权威评测中，23项达到10B最佳，18项与72B顶级模型持平或超越。
- 支持图像、视频、文档、数学与逻辑推理，适合开发者和企业低成本部署。

```
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](https://ai-bot.cn/sites/15446.html)，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。

#### 📝 站长洞察 (Editor’s Insight)

智谱AI此次发布的GLM-4.1V-Thinking，其意义远不止于一次模型迭代。它精准地踩在了当前大模型发展的两个关键趋势上：一是从‘规模竞赛’转向‘效能比竞赛’，通过创新的课程采样强化学习（RLCS）等技术，用不到10B的参数撬动了72B级的性能，为中小企业和边缘计算场景提供了极具吸引力的选择。二是从‘感知’到‘认知’的跃迁，引入的‘思维链’机制，让模型具备了可解释的、逐步推理的能力，这是实现复杂任务自动化和构建可信AI的核心。结合其对开源生态的全面支持（从API、模型到Demo），智谱AI正在构建一个从底层技术到上层应用的完整闭环。这不仅仅是发布了一个工具，更是为AI的民主化和深度应用铺平了道路，标志着视觉语言模型正式进入了‘深度思考’的新阶段。

## 常见问题解答 (FAQ)

### GLM-4.1V-Thinking适合做什么？
它是一款开源视觉语言模型，适合图像理解、视频问答、文档解析、数学推理和跨模态分析等复杂任务，尤其适合需要兼顾性能与成本的开发者和企业应用场景。

### GLM-4.1V-Thinking为什么被称为“思考”模型？
因为它在GLM-4V架构上引入了思维链推理机制，并结合课程采样强化学习，让模型能逐步推理、提升跨模态因果分析能力和输出稳定性。

### GLM-4.1V-Thinking的性能表现如何？
文章提到其9B级轻量版在28项权威评测中有23项达到10B级最佳成绩，且在18项上与72B参数的Qwen-2.5-VL持平或超越，体现出很强的性价比。

---
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/)
