8月11日，智谱ai推出全球100b级效果最佳的开源视觉推理模型 glm-4.5v（总参数 106b，激活参数 12b），并同步在魔搭社区与hugging face开源。此外，api调用价格低至输入2元/m tokens，输出6元/m tokens。
glm-4.5v基于智谱新一代旗舰文本基座模型glm-4.5-air，延续glm-4.1v-thinking 技术路线，在41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。比如，glm-4.5v能够根据用户提问，精准识别、分析、定位目标物体并输出其坐标框。
据介绍，多模态推理被视为通向通用人工智能（agi）的关键能力之一，让ai能够像人类一样综合感知、理解与决策。其中，视觉-语言模型（vision-language model, vlm）是实现多模态推理的核心基础。
