实测智谱GLM-4.6V，国产多模态Agent底座模型中的最强者

本次发布包含2个版本：

GLM-4.6V：总参数量为1060亿，单次推理时激活参数约120亿，其视觉理解精度在同参数模型中处于最优水平，适用于云端及高性能应用场景；GLM-4.6V-Flash：总参数量为90亿，具备更轻量化、更快速的特点，适合进行本地部署。

GLM-4.6V 首次把 Function Call（工具调用）能力整合到视觉模型中，使大模型兼具“眼睛”与“双手”的功能，不仅能原生处理各类复杂视觉任务，还可基于对视觉信息的理解主动调用工具来完成后续相关操作。

比如，GLM-4.6V 可以直接“看懂”结构复杂、包含大量图表和示意图的论文，并重新整理成一篇人人都能看懂的图文并茂的文章；

仅凭一张截图，就能拆解页面结构，复刻出几乎一模一样的前端页面。

01. 实测表现

打开z.ai，在页面左上角选择模型GLM-4.6V。

官网：https://chat.z.ai

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

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

GLM-4.6V 可以调用图像识别、图像处理、图像搜索、购物搜索4种工具。

在输入框的下方，官方预先设置了一系列典型的功能示例，像万能识搜、图文扫描、文档智读、视频理解、智能比价以及数理解题等都包含在内。只要选择其中任意一个功能，GLM - 4.6V 就会自动调用与之相匹配的工具。

case1 万能识搜

提示词：这是哪里，几月适合去旅游？

GLM-4.6V 具备原生的视觉理解能力，直接调用识图工具识别图片中的内容，再搜索相关知识给出回复。

case2 图文扫描

提示词：提取图片中的信息，转为excel表格。

GLM-4.6V 对内容和布局的理解非常准确。

再尝试复杂一点的：

提示词：帮我扫描出来这款猫粮的原料、成分表和其他说明，并分析适合2岁小猫长期吃吗？

GLM-4.6V 也准确的识别出原料组成和产品成分，并且基于这些内容进行分析。

case3 文档智读

上周，中国科学技术大学潘建伟教授带领的团队于国际顶尖学术期刊《物理评论快报》（PRL）发表了最新研究成果，该成果在量子物理领域实现了突破性进展，为爱因斯坦与玻尔之间持续一个世纪的学术争论画上了句号。

我找到了论文原文，让 GLM-4.6V 帮我们分析分析。

这篇论文主要研究的是量子力学里的“量子非定域性”问题——简单说就是两个纠缠的量子粒子，不管离多远，一个状态变了另一个会立刻跟着变，就像“心灵感应”一样。 爱因斯坦和玻尔的世纪之辩，核心就是争这个：爱因斯坦觉得这肯定是因为粒子之间有我们没发现的“隐变量”（就像藏起来的信号），不然违反“光速最快”的相对论；玻尔却认为量子世界本来就是这样“诡异”，没有隐变量，粒子状态在测量前根本不确定。 这篇论文厉害在哪儿？它用“贝尔不等式”做实验验证——如果隐变量存在，实验结果会满足这个不等式；如果量子非定域性是真的，就会打破它。论文通过更严谨的实验（比如排除了粒子之间“偷偷传信号”的可能），明确证明贝尔不等式被打破了，也就是说：爱因斯坦错了，玻尔的量子非定域性才是对的。这就像给这场吵了几十年的辩论盖了个章，所以说它“终结”了世纪之辩。 除了学术上把量子力学的基础钉得更牢，对普通人来说也有实在影响：比如现在炒得火的量子通信（像量子保密通信），就是靠量子纠缠的“不可窃听”特性——只要有人窃听，量子状态就会变，接收方立刻能发现，这能让我们的信息更安全；未来的量子计算机，也得靠量子纠缠来实现超高速计算，到时候处理复杂问题（比如新药研发、天气预报）会比现在的电脑快成千上万倍，直接改变我们的生活。

GLM-4.6V 不仅能理解复杂的图表内容，还能把关键信息重新整理，用图文并茂的方式讲清楚。

case4 视频理解

提示词：这是白日梦想家的经典片段，它具体用到了哪些镜头语言，分镜设计有什么亮点？

GLM-4.6V 给出的解读非常专业，整个视频讲述了什么内容，用了哪些镜头，这些镜头语言表达了什么情绪…比我理解的深刻多了。

case5 数理解题

提示词：解答图中问题。

GLM-4.6V 可以结合视觉信息与外部知识进行组合推理，解题思路非常清晰。

case6 智能比价

提示词：请帮我搜索与图中赵露思耳环类似的平价同款。

GLM-4.6V 直接帮我找到了好几个同款平替，识别挺准确的，而且不同平台都有~

case7 图文内容创作

提示词：搜索一下视觉模型的发展过程，生成一个图文并茂的报告。

case 8 复刻前端网页

提示词：复刻截图中的网页，页面中涉及的所有图片素材必须直接使用真实图片和视频，不要用 placeholder 或占位元素。

视觉理解、结构推理与代码生成可一次性完成，生成的网页和原图几乎没差别，哪怕是截图里的浮窗结构都能准确识别并完整还原！导航栏的每个选项还都提前留好了跳转的位置。

02. 一些分享

实际体验后发现，GLM-4.6V 不仅具备识别画面细节的能力，还能将图像与自然语言的语义关联起来，理解画面所传达的内容以及信息间的内在联系，整个交互过程十分流畅。

使用过程中，建议一直开启深度思考功能，这样模型给出的回复质量会更优。在进行前端复刻操作时，建议关闭工具功能；而在其他场景下，可根据具体任务需求自定义设置，或者直接保留官方选项里的默认配置就可以了。

这个强大的视觉能力还会融入到智谱的 Coding Plan，每个月最低只需要20元，可以直接使用最新模型能力，日常用非常香。

随着这类能力逐步成熟，视觉信息将会深度参与决策、规划与行动本身，而现实世界的画面，都将成为系统可以直接理解和调用的一等信息源。

视觉模型能力的提升，不只是给 AI 一双眼睛一双手，而是在为下一代智能体参与现实世界打开通道。

未来的机器人不再需要被精确编程去执行某个动作，而是能够理解类似“去拿衣柜里最右侧的红色毛衣”这样的自然指令。

原文链接：GLM-4.6V发布即开源，国产最强多模态Agent底座模型