12 月 8 日消息，智譜 AI 今日官宣發(fā)布并開源 GLM-4.6V 系列多模態(tài)大模型，包括：

GLM-4.6V（106B-A12B）：面向云端與高性能集群場(chǎng)景的基礎(chǔ)版；

GLM-4.6V-Flash（9B）：面向本地部署與低延遲應(yīng)用的輕量版。

作為 GLM 系列在多模態(tài)方向上的一次重要迭代，GLM-4.6V 將訓(xùn)練時(shí)上下文窗口提升到 128k tokens，在視覺理解精度上達(dá)到同參數(shù)規(guī)模 SOTA，并首次在模型架構(gòu)中將 Function Call（工具調(diào)用）能力原生融入視覺模型，打通從「視覺感知」到「可執(zhí)行行動(dòng)（Action）」的鏈路，為真實(shí)業(yè)務(wù)場(chǎng)景中的多模態(tài) Agent 提供統(tǒng)一的技術(shù)底座。

在性能優(yōu)化之外，GLM-4.6V 系列相較于 GLM-4.5V 降價(jià) 50%，API 調(diào)用價(jià)格低至輸入 1 元 / 百萬(wàn) tokens，輸出 3 元 / 百萬(wàn) tokens。

同時(shí)，GLM-4.6V-Flash 免費(fèi)開放使用。

GLM-4.6V 即日起融入 GLM Coding Plan，針對(duì)用戶 8 大類場(chǎng)景定向開發(fā)了專用 MCP 工具，模型可自主調(diào)用最匹配的接口。

智譜 AI 介紹稱，傳統(tǒng)工具調(diào)用大多基于純文本，在面對(duì)圖像、視頻、復(fù)雜文檔等多模態(tài)內(nèi)容時(shí)，需要多次中間轉(zhuǎn)換，帶來(lái)信息損失和工程復(fù)雜度。GLM-4.6V 從設(shè)計(jì)之初就圍繞「圖像即參數(shù)，結(jié)果即上下文」，構(gòu)建了原生多模態(tài)工具調(diào)用能力：

輸入多模態(tài)：圖像、截圖、文檔頁(yè)面等可以直接作為工具參數(shù)，無(wú)需先轉(zhuǎn)為文字描述再解析，減少鏈路損耗。

輸出多模態(tài)：對(duì)于工具返回的統(tǒng)計(jì)圖表、渲染后網(wǎng)頁(yè)截圖、檢索到的商品圖片等結(jié)果，模型能夠再次進(jìn)行視覺理解，將其納入后續(xù)推理鏈路。

模型原生支持基于視覺輸入的工具調(diào)用，完整打通從感知到理解到執(zhí)行的閉環(huán)。這使得 GLM-4.6V 能夠應(yīng)對(duì)圖文混排輸出、商品識(shí)別與好價(jià)推薦、以及輔助型 Agent 場(chǎng)景等更復(fù)雜的視覺任務(wù)。

GLM-4.6V 在 MMBench、MathVista、OCRBench 等 30+ 主流多模態(tài)評(píng)測(cè)基準(zhǔn)上進(jìn)行了驗(yàn)證，較上一代模型取得顯著提升。在同等參數(shù)規(guī)模下，模型在多模態(tài)交互、邏輯推理和長(zhǎng)上下文等關(guān)鍵能力上取得SOTA表現(xiàn)。其中，9B 版本的 GLM-4.6V-Flash 整體表現(xiàn)超過(guò) Qwen3-VL-8B，106B 參數(shù) 12B 激活的 GLM-4.6V 表現(xiàn)比肩 2 倍參數(shù)量的 Qwen3-VL-235B。

智譜 AI 開放了 GLM-4.6V 的模型權(quán)重、推理代碼與示例工程，附開源地址如下：

GitHub：https://github.com/zai-org/GLM-V

Hugging Face：https://huggingface.co/collections/zai-org/glm-46v

魔搭社區(qū)：https://modelscope.cn/collections/GLM-46V-37fabc27818446