[返回全部研究](/research) 词元映射研究模型实测 # GLM-4.5V 多模态理解与视觉推理实测 刚刚，智谱发布新一代多模态模型GLM-4.5V 有幸提前一天参与了内测，由于内测体验开放的比较晚，于是在睡觉前，进行了一轮体验。 当晚就被GLM-4.5V的“看图猜位置”的能力给震到，于是在睡前发了个朋友圈。  多模态推理被视为通向通用人工智能（AGI）的关键能力之一，要让 AI 能够像人类一样综合感知、理解与决策，视觉能力是核心基础，本次发布的GLM-4.5V就是让模型有了像人一样的视觉能力。 我们先抛开各种让人眼花缭乱的参数和榜单，直接用真实体验说话： **一、图像理解与推理能力** 我测试的第一个案例就是“看图找地点”，让模型在不使用搜索的情况下，通过查看图像中的蛛丝马迹，给出最有可能的地点和大致的经纬度信息。 这是我当晚自己用手机拍的一张照片：  我把照片发给GLM-4.5V，问他这是哪里，他说这是“河南-郑州”  看到这个位置我已经十分震撼了，然后我使用经纬度定位了一下：  模型输出的经纬度地点和真实的拍摄地点相距很近。 这可是在没有任何的提示、任何背景信息的情况下，凭空猜测的位置。 好，聪明的你一定能想到，现在的手机拍照是会携带定位信息，如果使用原图，是有可能图片本身就有定位。 但，我传入的时候已经考虑了这个因素，我传入的是我的截图，而非照片原图。 于是不信邪的我在朋友圈找了一些图片： 首先，看到这张图片 ，作为人类，你会猜他是哪里的照片？  这是GLM-4.5V给出的答案：**北京市**  正确答案是：  GLM-4.5V答对了。 我们再来：我用的是图二，是一张风景照。    朋友们也不信邪，我们再来一个终极难度：  是的，GLM-4.5V猜对了，就是在深圳的**大梅沙海滨公园。** 再来：  后来我发现对于公共景点类的位置，GLM-4.5V甚至能够十分精确的告诉你是在哪个景区，类似于这种图片：  可以直接定位到具体景区位置：  看到这里，你是什么感受？ 也许还不服气，难以理解为什么可以这么强，于是我们在群里进行了多人测试，一一发了自己的照片，以下是结果：        这个准确率和能力我已无话可说。而且以上的Case，我也测了其他模型，没有一个能打的。 发布会后，获得官方信息： * 为了考考 GLM-4.5V 看图猜位置的能力，智谱官方让 GLM-4.5V 参加了图寻游戏的全球积分赛，和国内最顶尖的两万多名人类玩家真实对战。在图寻游戏中，玩家需要在限定时间内，根据像这样的风景街景图，猜出图片所在地的经纬度，看谁猜得更快更准。在加入挑战赛 16 小时后，GLM-4.5V 就击败了 99% 的玩家。在加入积分赛 7 天后，GLM-4.5V 就攀升到第 66 名的成绩，比我们以往任何模型都做得好。  我发朋友圈说GLM-4.5V在这个场景下能够吊打全球AI+99.999%的人类，可能还偏保守了。 二、前端页面复刻能力 GLM-4.5V具备强大的推理和代码能力，对上传的网页截图进行分析，并将其转化为结构化的网页代码。先来一个开胃菜，内部使用的略复杂的CRM系统页面：   左侧原页面，右侧复刻页面，布局和内容都是正确的，就是数据图没有填充上，整体效果还不错。 为了考验一下GLM-4.5V的前端页面复刻的能力，我们玩一个高难度的，不再使用网上已有的知名网站页面，比如：知乎、小红书。因为很有可能页面代码都已经被模型训练过千百遍了。 我直接Vibe Coding新写了一个全新页面，杜绝偷题。那么模型只能依靠视觉查看视频来了解页面的交互、点击动作。 [[购物车.mp4](https://cdn.tokenmap.com.cn/paper/originals/glm-45v-visual-reasoning-tests/C4KCbbPwNo85HoxEALHcjxRynOy-ee7a2afa44cc.mp4)](https://cdn.tokenmap.com.cn/paper/originals/glm-45v-visual-reasoning-tests/C4KCbbPwNo85HoxEALHcjxRynOy-ee7a2afa44cc.mp4) 我把这个页面视频直接丢给了GLM-4.5V  GLM-4.5V生成了三个文件，由于他不能直接输出文件，所以我自己把他输出的代码给复制，粘贴到了本地。 左侧是原网页，右侧是复刻的网页。 [[购物车复刻.mp4](https://cdn.tokenmap.com.cn/paper/originals/glm-45v-visual-reasoning-tests/OMBsb0o6voCyYTxcfjoc2LE8ndc-911bff21cab1.mp4)](https://cdn.tokenmap.com.cn/paper/originals/glm-45v-visual-reasoning-tests/OMBsb0o6voCyYTxcfjoc2LE8ndc-911bff21cab1.mp4) 从这个Case来看，可以感受到GLM-4.5V不仅仅是简单地识别图像元素，而是更能够理解和推断这些元素之间的逻辑关系、布局规则和交互意图，然后生成了功能一致的代码。 更重要的是，据官方披露消息，**GLM-4.5V压根没有专门进行过“看视频”做前端网页复刻的训练，这是模型纯泛化出的能力。** 这就像是：一个厨子只会做番茄炒蛋，从来没学过烘焙。但是在网上看一段『挤奶油裱花做生日蛋糕』的视频，下一秒厨子就能照模照样的挤出同款玫瑰花。 厨子只学过颠勺，没学过用奶油拉花，但是他能够根据颠勺训练出来的的手感和眼力，来搞定做蛋糕拉花的任务。 这就是能力的泛化，技能之间融会贯通。 三、图文结合视觉能力 GLM-4.5V 目前可以阅读长达数十页含有大量图表的复杂长文本，能够对文本进行总结、翻译、图表提取的等操作； 与传统的 OCR 信息提取+文本模型解读的方式不同，GLM-4.5V 会像人类一样，以视觉的方式读取文档中的每一页图片，避免了信息提取过程中的错误传递，读字的同时也能够看图，因此对于图表、表格等视觉化、结构化信息的保留和解读会更加准确。 这是2025年全国物理卷的一道看图题，选择这道题就是因为，如果不理解图片中的信息，那么就不可能答对题目，即使理解图片信息，也要截图文本、图片和物理知识来答对题目。  我首先截图给的是第一二题：  第一二题完整答对，然后第三小题出现了翻车：  我尝试了多次之后发现，是因为图3中的红点影响了模型的判断，GLM-4.5V似乎搞不清楚档位的指向数值。如果我截图把红点截去，GLM-4.5V就可以正确答对：  后续我又使用了时钟的图片进行测试，发现GLM-4.5V在有红色符号、指针的场景下，似乎极易被此类符号给影响，他的注意力更加关注图中的文本、红色标准信息，过于关注会带来负面的影响。 就连在看图猜地点的测试中，也有发现，如果图片中带有文字元素，模型会先去分析文字信息，如果文字与地方反差较大，比如在中国，店名是英文。此时会带偏模型对环境的分析，导致结果不正确。 不过本身是视觉模型，太过于考验推理能力是有些苛刻，第二小题已经能证明模型在结合图片和文本信息进行推理和大题。此外，视觉能力在阅读多图、手写等文档时，相比OCR文字提取，视觉模型查看图文的能力也会更加有用。  模型能够准确的提取出书面内容，即使手写的字体有划线、连笔、红笔补充等等，都能正确的识别。  我们来一个“交通”题： 让模型来做判官，以下交通事故，是哪方的责任？ [[20250811-135111.mp4](https://cdn.tokenmap.com.cn/paper/originals/glm-45v-visual-reasoning-tests/B31lblexRo4zwvxhiIPcNPCenvc-fc3da1857a99.mp4)](https://cdn.tokenmap.com.cn/paper/originals/glm-45v-visual-reasoning-tests/B31lblexRo4zwvxhiIPcNPCenvc-fc3da1857a99.mp4) 模型答对：机动车正常行驶，非机动车横穿马路操作不当导致事故，因此非机动车承担全部责任。这代表着模型不仅能够看到，还能够看明白，拥有了世界知识与更强大的语义理解能力，能够通过推理理解视觉中的信息，完成复杂的推理和判断。 这么强的视觉能力，用于目标检测是第一场景，网页端自带了“目标检测”的功能：  那既然这样，  那我们找一个更加抽象的视觉题目，看图猜人名，粉丝们先猜：  3 2 1  经过以上案例实测，即使不看榜单也应该已经有了感知，这绝对是第一梯队的视觉能力。 **根据官方发布：GLM-4.5V在 42 个公开视觉多模态榜单中综合效果达到同级别开源模型 SOTA 性能，涵盖图像、视频、文档理解以及 GUI Agent** 等常见任务。 成为**100B级效果最好的开源视觉推理模型**  现在GLM-4.5V模型已经开源： * Github：https://github.com/zai-org/GLM-V * Hugging Face：https://huggingface.co/collections/zai-org/glm-45v-68999032ddf8ecf7dcdbc102 * 魔搭社区：https://modelscope.cn/collections/GLM-45V-8b471c8f97154e **如果你想直接体验，以下渠道均可直接免费使用：** 1、在 z.ai 网站选择GLM-4.5V模型。 2、在智谱清言APP/网页版，上传图片，开启“推理模式”进行体验。 此外，GLM-4.5V API 现已上线智谱开放平台 [BigModel.cn](http://bigmodel.cn/)，所有新老用户都可以直接领取 2000 万 Tokens 的免费资源包。 领取链接： * **API 调用价格**：低至输入 2 元/M tokens，输出 6 元/M tokens * **响应速度**：达到 60-80 tokens/s 这是国产团队在通向 AGI 道路上的又一探索性成果， 强且开源。 比大洋对岸的Close AI要令人欣喜得多。 --- * 文中朋友圈图均已获得授权。 * 网图如有侵权，请联系删除。 本文内容 ### 一起探讨更多可能 从一个具体的场景开始聊聊。 [咨询合作](/contact?source=GLM-4.5V%20%E5%A4%9A%E6%A8%A1%E6%80%81%E7%90%86%E8%A7%A3%E4%B8%8E%E8%A7%86%E8%A7%89%E6%8E%A8%E7%90%86%E5%AE%9E%E6%B5%8B) ## 继续探索 [全部研究](/research) [ 模型实测 ### 编程智能体的代码修复轨迹与 Harness 对照 DeepSeek V4 Pro、GLM-5.3 接连更新，豆包推出了 Seed-Evolving，DeepSeek 还发布了自己的 Harness。模型能力在涨，给模型提供工具和执行环境的 Harness 也在进化。](/research/coding-agent-execution-trajectories) [ 模型实测 ### DeepSeek、GLM 与 Kimi 的真实任务对比 说实话，现在的大模型已经多到让人有点选择困难了。](/research/deepseek-glm-kimi-task-comparison) [ 模型实测 ### Doubao Seed 2.1 Pro 工程任务实测 6 月 23 日，火山引擎在北京举办 2026 夏季 FORCE 原动力大会，正式发布豆包大模型 2.1。](/research/doubao-seed-21-pro-engineering-tests)