智谱AI、清华开源新视觉大模型：刷新41项纪录，同级别最强

主要观点总结

本文主要介绍了智谱AI与清华大学联合开源的最新视觉大模型GLM-4.5V，该模型在图像理解、视觉智能体、长文档识别等多项主流测试中创造新记录。GLM-4.5V基于独特的架构体系，将视觉与语言处理紧密融合，引入三维卷积技术提升视频处理效率，支持多模态长上下文输入，处理具有极端宽高比的图像时展现出强大的处理能力和稳健性。此外，文章还介绍了GLM-4.5V在监督微调阶段的研究和训练策略，以及在多个基准测试中的表现。

关键观点总结

关键观点1: 智谱AI与清华大学联合开源的视觉大模型GLM-4.5V在多项主流测试中创造新记录。

GLM-4.5V在图像理解、视觉智能体、长文档识别等42项测试中创造了41项新纪录，成为最佳视觉模型。

关键观点2: GLM-4.5V采用独特且高效的架构体系，融合视觉与语言处理。

模型主要由视觉编码器、MLP适配器和语言解码器三大核心模块组成，视觉编码器接触视觉信息的关键环节，MLP适配器充当“翻译官”，实现视觉与语言的顺畅交流。

关键观点3: GLM-4.5V引入三维卷积技术提升视频处理效率。

该技术使模型能同时考虑时间维度和空间维度的信息，大大加快处理速度。

关键观点4: GLM-4.5V在多模态任务、科学、技术、工程和数学任务、图表理解、长文档处理、空间推理和GUI智能体任务等多个领域表现出色。

在多个基准测试中，GLM-4.5V取得了优异的成绩，大幅超越了其他模型。