94.8分吊打Claude!智谱GLM-5V-Turbo实测:看图写代码终于靠谱了
过去做前端开发,想把设计稿变成可运行代码,要么靠人工还原,要么用那种“视觉识别+代码生成”拼起来的模型——看图挺好,写出来的代码却常常跑不通。GLM-5V-Turbo是智谱今年4月发布的原生多模态编程基座模型,官方说它在设计稿还原这个核心场景上拿了94.8分,比Claude Opus 4.6高出将近18分。真实能力到底怎么样,适合什么场景,这篇文章把关键信息整理出来。
原生多模态融合:和“拼装货”区别在哪
业内把视觉模块外挂到语言模型上的做法叫“视觉语言模型”,本质上还是个纯文本模型加了个摄像头。“看图写代码”时,视觉信息要先被压缩成一维token序列,再塞给语言模型处理,中间容易丢失空间细节,结果就是能认出按钮但不知道它在哪。GLM-5V-Turbo在预训练阶段就把视觉感知融入了推理、规划、工具调用全流程,模型从一开始就在学“看着写”而不是“看着识别完再写”。这种架构叫原生多模态融合,是它和市面上大多数多模态编程工具的核心差异。1
支撑这套架构的是智谱自研的CogViT视觉编码器。它用双教师蒸馏技术,SigLIP2负责语义识别、DINOv3负责纹理理解,配合两阶段训练(掩码建模加对比预训练),直接针对UI布局、按钮位置这类空间感知任务优化。支持从224×224到1024×1024的动态分辨率,任意宽高比的截图都能直接丢进去。上下文窗口200K tokens,超长代码仓库或者持续多轮的对话不会丢细节。
跑分说话:设计稿还原强项在哪,短板在哪
先看最有说服力的成绩——Design2Code基准测试94.8分,Claude Opus 4.6是77.3分,差距将近18分。这个测试用真实设计稿让模型生成代码,再比对视觉相似度、元素匹配度等指标,94.8分意味着生成的网页和原设计稿高度吻合。视觉代码生成测试Flame-VLM-Code上,GLM-5V-Turbo拿到93.8分,Claude Opus 4.6是98.8分反而领先——关于这一点,有人觉得纯视觉代码生成Claude依然最强,另一部分开发者则认为Design2Code才是真实开发场景的核心需求。
在GUI Agent操控测试中,GLM-5V-Turbo在AndroidWorld上拿到75.7分,领先Claude Opus 4.6约14分,领先Kimi K2.5超过32分;WebVoyager网页导航88.5分,三家差距不大都在84到88之间。OSWorld桌面系统操作上Claude Opus 4.6最强,领先约10分。综合来看:设计稿还原是它的绝对强项,Android界面操控有明显优势,桌面端操作还有追赶空间。
很多人担心加了视觉能力之后纯文本编程会变弱。CC-Bench-V2后端编程测试GLM-5V-Turbo拿到22.8分,比自家纯文本版GLM-5-Turbo还高2分;前端编程68.4分也略高于GLM-5-Turbo的68.9分。30多项任务的协同强化学习把“学会看图就不写代码”的偏科问题基本解决了。有评测指出,它在纯文本编程上属于国内第一梯队,满足日常开发场景没问题,但后端代码这类场景和Claude Opus 4.6仍有差距。
适合谁用:对比维度帮你判断
目前GLM-5V-Turbo只通过智谱MaaS平台提供API调用,每百万输入token 1.20美元、每百万输出token 4美元,和纯文本版GLM-5-Turbo价格相同。它深度适配了Claude Code和OpenClaw龙虾框架,接入后Agent能真正看懂屏幕信息,完成“理解环境→制定计划→执行任务”的完整闭环。已有超过200家软件开发企业参与内测,官方数据显示平均代码生成效率提升3.5倍、Bug率下降60%。
选哪个模型取决于具体场景。设计稿还原、前端开发、Android界面自动化这类强视觉需求,用GLM-5V-Turbo有明确优势。追求纯文本编程和复杂推理的极致表现,Claude Opus 4.6更稳。预算敏感、需要开源方案的话,DeepSeek-V4系列是另一个选项。如果工作中经常需要“看图写代码”或者操控手机界面做自动化测试,GLM-5V-Turbo是目前国产模型里这个方向跑分最强的选择。
| 对比维度 | GLM-5V-Turbo | Claude Opus 4.6 | Kimi K2.5 |
|---|---|---|---|
| Design2Code设计稿还原 | 94.8 | 77.3 | 91.3 |
| Flame视觉代码生成 | 93.8 | 98.8 | 88.8 |
| AndroidWorld安卓操控 | 75.7 | 62.0 | 43.1 |
| WebVoyager网页导航 | 88.5 | 88.0 | 84.3 |
| OSWorld桌面操作 | 62.3 | 72.2 | 63.3 |
| 纯文本编程CC-Backend | 22.8 | 26.9 | 25.3 |
| 输入价格(美元/百万token) | 1.20 | 约15 | 约12 |
当前文章无评论,是时候发表评论了