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。
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。
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？
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，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：https://zhipuaishengchan.datasink.sensorsdata.cn/t/bv
- 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。
