41个榜单SOTA！智谱最新开源GLM-4.5V实测：看图猜地址、视频秒变代码

主要观点总结

智谱推出GLM-4.5V开源多模态视觉推理模型，该模型在42个公开榜单中41项达到SOTA。功能涵盖图像、视频、文档理解等。此次更新带来很多惊喜，包括强化模型的视觉推理能力，提供全新的玩法，如看图猜地址、Grounding能力等。模型新增“思考模式”开关，可自由决定是否启用推理功能。此外，该模型具有精准识别和定位目标物体的能力。技术创新方面，GLM-4.5V由视觉编码器、MLP适配器和语言解码器三部分组成，支持64K多模态长上下文。采用三阶段训练策略，包括预训练、监督微调（SFT）和强化学习（RL）。更多细节可查看发布的技术报告。

关键观点总结

关键观点1: GLM-4.5V模型的能力亮点

GLM-4.5V是一个开源多模态视觉推理模型，具有强大的图像、视频、文档理解能力。新增了许多玩法，如看图猜地址、Grounding能力等。模型能够精准识别和定位目标物体，具有强大的视觉推理能力。

关键观点2: GLM-4.5V模型的技术特点

GLM-4.5V由视觉编码器、MLP适配器和语言解码器三部分组成，支持64K多模态长上下文。引入三维旋转位置编码和双三次插值机制，增强了对高分辨率和极端宽高比图像的适应性。采用三阶段训练策略，包括预训练、监督微调（SFT）和强化学习（RL），强化了模型对复杂图文及视频的处理能力。

关键观点3: GLM-4.5V模型的实用性

GLM-4.5V模型将不同模态的信息优势结合，能够模拟人类利用多种感官综合感知世界的方式。其用例从单一走向多元，整体价值从演示Demo走向实用。在提升人机交互自然度、提高专业工作效率、创造新内容形态等方面具有巨大潜力。