智谱AI开源了其最强多模态模型GLM-4.5V，一个在42个评测基准中拿下41个SOTA的重量级选手。它不仅在视觉推理上表现卓越，还具备原生视频理解、网页复刻等高级功能，为开源社区带来了前所未有的强大工具。
智能速览
GLM-4.5V是一个106B参数的开源多模态模型，在41项评测中取得SOTA。
展现了强大的视觉推理能力，正确解决了复杂的视觉难题。
具备原生视频理解能力，能识别关键场景并精准标注时间点。
支持视觉定位和网页复刻等高级功能，效果媲美顶级闭源模型。
模型完全开源且API定价低廉，大幅降低了使用门槛。
精华内容
GLM-4.5V的发布不仅是一次性能的飞跃，更是在开源社区投下的一枚重磅炸弹。通过一系列实测，可以发现其背后蕴含的强大视觉推理与多场景理解能力。
视觉推理新高度
GLM-4.5V在视觉推理任务上表现出色。在游标卡尺读数这类需要精细观察的测试中，它能快速给出正确答案。
在“小猫摸球”这类易混淆的图像识别问题上，模型同样精准定位，并给出合理解释。
更具挑战性的是，它能准确分辨出与故宫高度相似的横店明清宫苑，并详细阐述了判断依据，其推理深度甚至超过了GPT-5-Thinking等模型。不过，在面对细节极其逼真的宫殿内景图时，模型也会出现误判，这表明其仍有提升空间。
原生视频理解力
GLM-4.5V支持原生视频理解，而非简单的音频转文字摘要。在一段《泰坦尼克号》混剪视频的测试中，模型不仅识别出了船头飞翔、生离死别等多个经典画面，还精准标注了它们出现的时间点。
这种能力说明模型能够理解视频的时空序列和故事脉络，将离散的帧串联成完整的叙事。目前，该功能支持最大200MB的MP4格式视频，足以覆盖大部分日常应用场景。
实用功能展示
GLM-4.5V的视觉定位功能十分实用。根据指令，它可以在图片中精准圈出特定对象，如在合照中标记出导演，或识别出烧烤签子，甚至能根据人物形象推断其擅长的运动。
此外，其网页复刻能力令人印象深刻。仅需一张网页截图，模型就能生成结构、布局高度相似的代码，效果直追Gemini和Claude等顶级闭源模型，为前端开发提供了全新思路。
开放与可及性
作为一款拥有106B总参数和12B激活参数的大型模型，GLM-4.5V选择完全开源，用户可以在GitHub和Hugging Face上自由下载权重。
对于难以进行本地部署的用户，可以通过z.ai平台在线体验。其API定价也极具竞争力，输入仅为2元/M tokens，输出为6元/M tokens，让强大的多模态能力变得更加触手可及。
