智谱AI发布GLM-4.5V多模态推理模型
944 阅读
智谱AI刚刚开源了新一代视觉-语言模型（Vision-Language Model, VLM）——GLM-4.5V。该模型基于其旗舰文本基础模型GLM-4.5-Air（总参数量1060亿，激活参数量120亿），延续GLM-4.1V-Thinking的技术路线，在42项公开视觉多模态基准测试中，在同规模模型中实现领先性能。GLM-4.5V面向图像、视频、文档理解以及GUI任务等常见多模态场景，采用Mixture-of-Experts（MoE）架构，并保持开源。
GLM-4.5V的模型特点
GLM-4.5V的开源协议是MIT协议，意味着毫无限制的免费商用授权。其基座模型GLM-4.5-Air本身也是极其优秀的模型，于7月28日开源（详情参考：https://www.datalearner.com/ai-models/pretrained-models/glm-4_5_moe-106b-a12b-0715 ）。
在七月初，其实智谱已经开源了90亿参数规模的GLM-4.1V-9B模型了，本次开源的模型不管是参数量级还是识别能力都更强。但是由于MoE架构，每次激活120亿参数，和GLM-4.1V-9B的推理速度相比，其实可能差异不大。官网给出的是每秒60-80个tokens左右，如果有更好的硬件应该更强。
其主要特点如下：
