猫头虎AI分享：GLM-4.6V 开源了！从看懂图片到能自己跑任务的多模态怪兽，终于来了

近期，智谱 AI 又抛来一个重磅更新：GLM-4.6V 系列正式上线并开源！

这一次的更新，说句不夸张的话，是我最近看到的多模态模型里最有“从研究走向真实 Agent”味道的。

本次开源包含两款模型👇

• GLM-4.6V（106B-A12B）：云端/集群版本，适合算力豪横的同学
• GLM-4.6V-Flash（9B）：轻量小钢炮，本地部署友好，关键是 免费

从性能到价格，这代模型可以说是“把门槛按在地上摩擦”：

• 视觉精度同规模 SOTA
• 上下文窗口拉到 128k tokens
• 调用价格直接砍 50%
• Flash 小模型直接 免费体验

而最让我眼前一亮的是这一句：

首次将 Function Call 原生融入视觉模型，让图片直接变成工具调用参数。

这是多模态 Agent 真正起飞的信号。

下面就跟着猫头虎来一起扒一扒这只新模型到底多能打👇

---

🐯🦉原生视觉工具调用：从“看见”到“做事”

以往工具调用基本是纯文本世界的事。多模态工具链往往这么走：

图片 → 文字描述 → 工具参数 → 工具结果 → 再把图片结果转描述 → 再推理

中间损耗巨大，也很费工程师头发。

GLM-4.6V 直接砍掉所有中间步骤。

模型架构的理念很简单粗暴：

图像就是参数，工具结果就是上下文。

这意味着：

• 输入图片、截图、文档页面……都能直接变工具参数
• 工具返回的图片、图表、网页截图……还能继续被模型“看”、继续推理

也就是说，这模型真正打通了：

视觉感知 → 任务理解 → 工具调用 → 再视觉理解 → 决策输出

这才是真·多模态 Agent。

---

🐯🦉场景1：自动图文混排，内容创作者狂喜

对我们这种常年做内容的博主来说，这段 demo 看得我热泪盈眶。

GLM-4.6V 能干啥？

• 直接吃论文、PPT、研报等复杂图文
• 自动抽取结构化内容
• 自动为内容选图，甚至直接从原文截关键图
• 图片还能自动“视觉审核”，过滤无关或丑图
• 最终输出可直接发公众号/小红书的图文稿

案例：输入主题即可自动生成资讯内容。

---

🐯🦉场景2：识图购物 & 自动比价，真正的导购 Agent

我看到第二个 demo 时只想说一句：

淘宝逛街时代，结束了。

GLM-4.6V 能自动完成：

1. 看街拍图 → 识别你要“搜同款”
2. 自动调用 image_search 在多平台找货
3. 对不同平台的内容做清洗、对齐、过滤
4. 自动生成一张 Markdown 导购表格
   包含：平台、价格、缩略图、匹配度、差异说明、购买链接

案例：搜同款、比价、自动生成清单。

这已经不是简单的“给你推荐”，
这是一个懂你、会看图、能比价、能决策的购物助理。

---

🐯🦉场景3：前端复刻：设计稿 → 代码，一条龙生成

对于前端朋友来说，这代模型的更新非常致命：

• 上传截图，自动识别布局、组件、配色
• 产出 HTML / CSS / JS，几乎像素级还原
• 支持视觉交互修改
  你框出一个按钮说：“往左移一点，改深蓝”，
  它自动定位代码并修改

案例：前端复刻与多轮修改。

我自己试了下 Flash 版，惊到我了：
小模型也能用，非常丝滑。

---

🐯🦉场景4：128k 上下文，超长文档 & 视频理解

128k tokens 是一种什么概念？

• 150 页报告
• 200 页 PPT
• 一小时视频

全部一次塞进去。

---

🐯🦉同规模 SOTA，多项指标炸裂

GLM-4.6V 在 30+ 多模态基准上全面测过，整体拉满：

• GLM-4.6V-Flash（9B） > Qwen3-VL-8B
• GLM-4.6V（106B-A12B）≈ Qwen3-VL-235B（2x 参数）

直接上图👇

---

🐯🦉开源 & 资源入口（原文全部保留）

如果你是开发者，下面这部分你会非常喜欢：

🔓 开源资源

• GitHub：https://github.com/zai-org/GLM-V
• Hugging Face：https://huggingface.co/collections/zai-org/glm-46v
• 魔搭社区：https://modelscope.cn/collections/GLM-46V-37fabc27818446

支持的推理框架包括：

• SGLang
• vLLM
• transformers
• xLLM

可部署在 GPU 与多种国产 NPU 上。

---

☁️ 在线调用 & 开放平台

• 开放平台：https://docs.bigmodel.cn/cn/guide/models/vlm/glm-4.6v
• 视觉 MCP 工具：https://docs.bigmodel.cn/cn/coding-plan/mcp/vision-mcp-server

在线体验入口：

• z.ai：选择 GLM-4.6V 即可体验
• 智谱清言 APP / 网页版：开启“推理模式”就能多模态推理

技术 Blog：z.ai/blog/glm-4.6v

---

🐯🦉 碎碎念：多模态 Agent 真的来了

这一代更新最大的意义不是“模型更强了”，而是：

多模态 → 原生工具调用 → 能把任务独立完成

这意味着：

📌不是“帮你回答问题”，
而是“帮你做事”。

📌不是“给你建议”，
而是“执行整个任务链路”。

从内容创作，到购物导购，到工程开发，到长文档理解……
GLM-4.6V 正在真正让 AI 从“语言助手”进化为“视觉+行动的 Agent”。

智谱这波多模态开源周，也正式拉开帷幕。
更多模型、更多能力，值得期待。

猫头虎继续盯着，后续继续给你们更新🐯🦉📡

——完——