GLM-4.6V

概览与定位

GLM-4.6V 是 Zhipu AI（Z.ai）面向视觉-语言任务的新迭代多模态大模型系列，相对 GLM-4.5V 进行了全面升级。官方介绍显示，该系列在训练阶段将上下文规模扩展至 128K，并首次引入原生的 Function Calling，用于跨“视觉感知”与“可执行动作”的闭环，多用于真实业务场景中的多模态 Agent。参见 Z.ai 开发者文档 与 Hugging Face 模型卡。

架构与技术规格

该版本在公开页面被标注为约 106–108B 参数规模的多模态模型（组织页显示 108B；新闻稿与简介多以“106B-A12B”表述，对应稀疏 MoE 架构下约 12B 激活参数规模）。训练期间上下文为 128K（训练设置），适配长文档与多文档场景。详见 Hugging Face 与 文档。

模态与核心能力

该模型支持图像+文本输入、文本输出，强调多模态文档理解（版面结构、图表、表格、图形联合解析）、前端界面复刻与视觉编辑，以及在生成过程中进行跨模态的内容组织。引入原生 Function Calling 后，可将视觉输入直接作为工具参数参与调用，支持在视觉-检索-执行链路中的工具使用闭环。详见 官方文档。

性能与基准

官方展示其在同等参数量级上的多模态理解达到领先水平（SoTA @ similar scale），并给出若干基准与示例；具体得分以模型卡/文档附图为准。参见 模型卡。

应用与限制

推荐应用包括多模态文档理解、UI 还原与编辑、图表/检索-增强内容生产，以及需要视觉驱动工具使用的业务型 Agent。模型卡同时提示若干局限（如纯文本 QA 仍有改进空间、复杂提示下可能出现重复思考等），详见 模型卡。

获取方式与许可

权重已在 Hugging Face 发布，许可为 MIT；推理可使用 vLLM 或 SGLang，开发者文档与示例代码已提供。参见 Hugging Face、文档 与 GLM-V GitHub。