视觉推理模型Top1易主了，智谱GLM-4.6V开源

这一次，AI真的是快要砸掉我的饭碗了。

因为如果你现在想根据NeurIPS 2025的最佳论文写一篇公众号文章，只需要把它丢给AI并且附上一句话：

帮我解读这篇论文，并写一个图文并茂的微信公众号推送来介绍这篇文章。

只需静候几分钟，AI就水灵灵地把完整的微信公众号科普文章给呈现了出来，来感受一下这个feel：

不得不说啊，这个AI从标题开始就真的把最最最重要的关键信息“NeurIPS 2025最佳论文”精准抓了出来。

并且“Gates一下”，更是把名词动词化，是有点语言编辑功底在身上的。

回头细看这个AI处理的过程。

首先，它会根据这篇论文的内容，先处理文字的部分，将文章分为了引言、核心问题、破局之道、实验结果、深入分析、结论与展望这六大部分，是符合一篇论文解读文章的逻辑。

然后AI会把论文中要引用的图片和表格进行适当的裁剪和标注，并插进文章里面，还会在图片下方附上图注：

一气呵成，真的是“文字+图片+排版”一气呵成。

那么这到底是何许AI是也？

不卖关子，它就是智谱最新升级的新一代视觉推理模型——GLM-4.6V。

在深度体验一波之后，我们发现写图文并茂的公众号推文，还只是GLM-4.6V能力的一隅。

接下来，老规矩，一波实测，走起~

学生党看论文，更方便了

首先来到智谱的官网（https://chat.z.ai/），在左上方模型下拉菜单中选择GLM-4.6V。

然后根据任务的需求，我们可以在输入框下方快速选择任务类型，也可以在工具选项中勾选图像识别、图像处理、图像搜索或购物搜索等工具。

像刚才我们写公众号文章时，就选择了“文档智读”功能（会默认勾选“图像处理”工具）。

研究论文、报告，更方便了

同样是在“文档智读”功能下，看论文这件事已经变得太便捷了。

例如我们上传Transformer和Mamba两篇论文，然后附上一句Prompt：

结合这两篇论文的图表，对比一下Transformer和Mamba模型的异同，并帮我思考一下大模型架构下一步该如何发展？

同样是几分钟后，一份图文并茂的对比分析就诞生了（上下滑动浏览）：

可以看到，GLM-4.6V先是对Transformer和Mamba架构分别做了核心特点的介绍；然后以表格和图文的形式对二者进行了关键维度上的对比；最后也是对大模型架构的未来发展方向做出了总结。

如此功能之下，不仅仅是对比看论文，像是研究、分析报告这类任务也会派上大用场。

这一次，我直接“喂”给GLM-4.6V四份财报（苹果、谷歌、亚马逊和Meta）：

帮我对比这四家公司Q3财报，图表形式做分析。

GLM-4.6V的思考过程同样是调取了各个财报中的关键图表和数据，然后先是汇总成了一份对比表格，再对关键指标做了逐一的解析，最终给出了关键性结论。

甚至你可以不用提供任何资料，只需要一句话就能生成报告：

搜索一下最近新出“豆包AI手机”，并生成图文并茂的报告。

由此可见，在GLM-4.6V的加持之下，解读论文、报告，统统都变成了一句话的事儿。

一张图复刻B站网页版

GLM-4.6V还有一个特别有意思的功能，它只需要看一眼网站，就能高度复刻出来！

我们先截取B站首页的截图：

然后开启“图片识别”和“图片处理”两个工具，并简单一句话下达指令：

复刻这个网站，网站里包含的图片也要复刻出来。

然后GLM-4.6V就开始唰唰唰地“敲代码”：

同样是几分钟的时间，一个高度还原B站首页的完整HTML和CSS代码就搞定了：

我们还可以对初始结果做进一步的优化，例如来上一句：

把主题变成深色模式。

再细如页面里的排版布局，统统都可以通过自然语言的方式来做调整。

不得不说，这种玩法可以给前端程序员省了不少的工作量；而且还有个福利哦——价格更便宜了。

GLM-4.6V系列相较于GLM-4.5V降价50%，API 调用价格低至输入 1 元/百万tokens，输出 3 元/百万 tokens。

而且据说GLM-4.6V已经进入到智谱的Coding Plan套餐里喽~

长视频也是能hold住

在文档、图片之后，另一种多模态——视频，GLM-4.6V也能处理。

我们以Ilya在多伦多大学的一段演讲为例：

这一次，我们点击输入框下面的“视频理解”功能，然后让GLM-4.6V来对视频内容做总结：

10分钟时长的视频内容，GLM-4.6V只需要几十秒的时间就能将其总结到位：

进一步的，你还可以要求GLM-4.6V来翻译视频中Ilya演讲的所有内容：

以后看AI大佬英文演讲的视频，真的是方便太多了。

万物皆可GLM-4.6V

除了我们上面提到的案例之外，还有好多好多真实场景都能用的上GLM-4.6V.

例如想解一下一道考研数学真题的解法，咱们就把题目截图丢给它：

帮我解答这道题。

GLM-4.6V会很快分析解题的详细过程并给出正确答案：C。

再如你看到一张可视化的图表，想要把它转换成数据：

同样的操作，同样一句话，就可以完成了：

值得一提的是，哪怕是手机拍照拍下来的图片、表格等，也都是可以一键OCR的哦~

包括古文手稿：

GLM-4.6V知道需要按照从右到左、从上到下的顺序来阅读：

还有视觉任务中经常用的目标检测，在GLM-4.6V这里也是可以搞定的。

例如我们给一张猫咪们的合影，然后Prompt如下：

识别图中所有猫的品种。请以合法的JSON格式返回结果，结果是一个list，每一个list元素对应一个目标检测结果dict，dict的key由label、bbox_2d组成，值分别为检测到的猫的品种和结果坐标框。例如：[

{‘label’: ‘金渐层-1’, ‘bbox_2d’: [1,2,3,4]}, {‘label’: ‘金渐层-2’, ‘bbox_2d’: [4,5,6,7]}]

不一会儿的功夫，GLM-4.6V就会框出所有猫咪：

{“label”: “虎斑猫-1”, “bbox_2d”: [95,152,192,825]}, 

{“label”: “虎斑猫-2”, “bbox_2d”: [185,332,310,852]}, 

{“label”: “暹罗猫-1”, “bbox_2d”: [295,352,428,902]}, 

{“label”: “美短-1”, “bbox_2d”: [415,520,508,922]}, 

{“label”: “缅因猫-1”, “bbox_2d”: [498,262,603,852]}, 

{“label”: “英短-1”, “bbox_2d”: [603,452,697,872]}, 

{“label”: “挪威森林猫-1”, “bbox_2d”: [685,120,797,832]}, 

{“label”: “虎斑猫-3”, “bbox_2d”: [802,482,882,832]}

再经过渲染，我们就得到了经典的目标检测效果：

已经是开源里的SOTA了

从整体实测过程和结果来看，GLM-4.6V在体感上是非常丝滑的。

而之所以如此，也离不开它背后自身实力的迭代升级。

这次智谱升级的GLM-4.6V分为了两个版本，分别是：

• GLM-4.6V（106B-A12B）：面向云端与高性能集群场景的基础版
• GLM-4.6V-Flash（9B）：面向本地部署与低延迟应用的轻量版

智谱不仅将这个版本的视觉推理模型的上下文窗口大小提升到了128K tokens，在MMBench、MathVista、OCRBench等30多个主流多模态评测Benchmark中，也是取得了同级别SOTA的结果！

其中9B版本的GLM-4.6V-Flash整体表现超过Qwen3-VL-8B，106B参数12B激活的GLM-4.6V表现比肩2倍参数量的Qwen3-VL-235B。

除了评测榜单结果之外，智谱还将GLM-4.6V背后的技术细节也亮了出来——

首次在模型架构中将Function Call（工具调用）能力原生融入视觉模型，打通从“视觉感知”到“可执行行动”（Action）的链路，为真实业务场景中的多模态 Agent 提供统一的技术底座。

评测结果、技术实力固然重要，但到了AI发展的现阶段，到底实不实用、好不好用才是真正能让AI应用杀出自己一片天地的护城河。

从这次深度实测结果来看，GLM-4.6V，绝对是做到了这一点的那个AI。

最后，如果小伙伴对GLM-4.6V感兴趣，链接就放下面了，赶紧去体验吧~

GLM-4.6V地址：https://chat.z.ai

文章来自于微信公众号 “量子位”，作者 “量子位”