# 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

- Link: https://paooo.com/aigc-news/14561/
- Published: 2026-06-26T20:12:22+08:00
- Author: Prompt 语宙研究院

⚡ [Prompt](https://paooo.com/ai-image-prompts/) 语宙 AI 导读 · 30 秒核心看点

 * 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。

    ```python
    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。

阅读目录

 * [GLM-4.1V-Thinking是什么](https://paooo.com/aigc-news/14561/#glm41vthinking%e6%98%af%e4%bb%80%e4%b9%88)
 * [GLM-4.1V-Thinking的主要功能](https://paooo.com/aigc-news/14561/#glm41vthinking%e7%9a%84%e4%b8%bb%e8%a6%81%e5%8a%9f%e8%83%bd)
 * [GLM-4.1V-Thinking的技术原理](https://paooo.com/aigc-news/14561/#glm41vthinking%e7%9a%84%e6%8a%80%e6%9c%af%e5%8e%9f%e7%90%86)
 * [GLM-4.1V-Thinking的性能表现](https://paooo.com/aigc-news/14561/#glm41vthinking%e7%9a%84%e6%80%a7%e8%83%bd%e8%a1%a8%e7%8e%b0)
 * [GLM-4.1V-Thinking的项目地址](https://paooo.com/aigc-news/14561/#glm41vthinking%e7%9a%84%e9%a1%b9%e7%9b%ae%e5%9c%b0%e5%9d%80)
 * [如何使用GLM-4.1V-Thinking](https://paooo.com/aigc-news/14561/#%e5%a6%82%e4%bd%95%e4%bd%bf%e7%94%a8glm41vthinking)
 * [GLM-4.1V-Thinking的应用场景](https://paooo.com/aigc-news/14561/#glm41vthinking%e7%9a%84%e5%ba%94%e7%94%a8%e5%9c%ba%e6%99%af)
       * [📝 站长洞察 (Editor’s Insight)](https://paooo.com/aigc-news/14561/#%f0%9f%93%9d-%e7%ab%99%e9%95%bf%e6%b4%9e%e5%af%9f-editor8217s-insight)

![GLM-4.1V-Thinking](https://paooo.com/wp-content/uploads/2026/05/GLM-4.1V-Thinking-
webiste3-1.avif)

## 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](https://paooo.com/wp-content/uploads/2026/05/GLM-4.1V-Thinking-
webiste.avif)

## 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](https://paooo.com/ai-study/)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。

🔬 语宙深潜追问 · 进阶实操拆解

VLM“思考能力”到底提升在哪？

核心在多步推理、跨模态对齐和错误自检能力，而不是单纯识别更准。它更擅长处理图文混合
问答、文档理解和复杂视觉推理，但前提是训练中显式引入思维链式监督。

低成本落地VLM该怎么选场景？

优先选文档审核、票据识别、图文问答和质检这类高频标准化任务。若场景对实时性和部署
成本敏感，小模型更有优势；若长尾复杂推理多，则需要配合检索和规则系统。

🗳️ 读者观点微投票 · 您的实战立场是？

9B视觉语言模型，能替代72B吗？

🕸️ 语宙向量知识图谱 · 语义强关联深度内链

[🏮 所属权威专题：国产大模型选型与资费对比 →](https://paooo.com/topics/domestic-llm-ecosystem/)

 * [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](https://paooo.com/aigc-news/14290/)
 * [智谱开源GLM-4.7-Flash：300亿参数免费调用，编程中文写作翻译全面超越同类模型](https://paooo.com/aigc-news/11889/)
 * [智谱GLM-4.7重磅发布：编码能力登顶开源榜，三大思考模式重塑AI开发](https://paooo.com/aigc-news/12558/)
 * [Qwen3-VL：阿里通义最强视觉语言模型发布，4B/8B版开源，全面超越GPT-5 Mini与Claude4 Sonnet](https://paooo.com/aigc-news/13561/)

[🏛️ Prompt 语宙研究院](https://paooo.com/author/paooo-research/) · Prompt 语宙研究院（
paooo.com Research）专注于前沿多模态大模型架构拆解、AI Agent 工作流评测、AIGC 提示
词工程（Prompt Engineering）与全球高增长 AI 生产力工具实测追踪，致力于为中文开发
者与创作者提供一手、可复现的深度技术洞察。

[📄 Markdown 纯净版](https://paooo.com/aigc-news/14561/?format=md)

💡 这篇内容对您有启发吗？

[📡 RSS 订阅](https://paooo.com/feed/)[✨ 提交 AI 工具 / 合作](https://paooo.com/submit-tool/)

**🚀 Prompt 语宙 AI 创作者生态：**探索 2,800+ 全球实用 AI 工具与高精度生图提示词
咒语库

[🧭 语宙 AI 导航 (ai.paooo.com)](https://ai.paooo.com/)[🎨 AI 生图 Prompt 库](https://paooo.com/ai-image-prompts/)
[📚 核心专题导航](https://paooo.com/topics/)[⚡ AIGC 早报生成器](https://paooo.com/mtool/)
