今天，智谱正式上线并开源 GLM-4.6V 系列多模态大模型，包括：
- GLM-4.6V（106B-A12B）：面向云端与高性能集群场景的基础版；
- GLM-4.6V-Flash（9B）：面向本地部署与低延迟应用的轻量版。
作为 GLM 系列在多模态方向上的一次重要迭代，GLM-4.6V 将训练时上下文窗口提升到 128k tokens，在视觉理解精度上达到同参数规模 SOTA，并首次在模型架构中将 Function Call（工具调用）能力原生融入视觉模型，打通从「视觉感知」到「可执行行动（Action）」的链路，为真实业务场景中的多模态 Agent 提供统一的技术底座。
在性能优化之外，GLM-4.6V 系列相较于 GLM-4.5V 降价 50%，API 调用价格低至输入 1 元/百万 tokens，输出 3 元/百万 tokens。
同时，GLM-4.6V-Flash 免费供大家使用。
GLM-4.6V 即日起融入 GLM Coding Plan，针对用户 8 大类场景定向开发了专用 MCP 工具，模型可自主调用最匹配的接口。
原生多模态工具调用
传统工具调用大多基于纯文本，在面对图像、视频、复杂文档等多模态内容时，需要多次中间转换，带来信息损失和工程复杂度。
GLM-4.6V 从设计之初就围绕「图像即参数，结果即上下文」，构建了原生多模态工具调用能力：
- 输入多模态：图像、截图、文档页面等可以直接作为工具参数，无需先转为文字描述再解析，减少链路损耗。
- 输出多模态：对于工具返回的统计图表、渲染后网页截图、检索到的商品图片等结果，模型能够再次进行视觉理解，将其纳入后续推理链路。
模型原生支持基于视觉输入的工具调用，完整打通从感知到理解到执行的闭环。这使得 GLM-4.6V 能够应对图文混排输出、商品识别与好价推荐、以及辅助型 Agent 场景等更复杂的视觉任务。
GLM-4.6V 在智能图文混排与内容创作、视觉驱动的识图购物与导购 Agent、前端复刻与多轮视觉交互开发、长上下文的文档与视频理解等场景中表现突出。
同规模开源 SOTA
GLM-4.6V 在 MMBench、MathVista、OCRBench 等 30+ 主流多模态评测基准上进行了验证，较上一代模型取得显著提升。在同等参数规模下，模型在多模态交互、逻辑推理和长上下文等关键能力上取得 SOTA 表现。其中，9B 版本的 GLM-4.6V-Flash 整体表现超过 Qwen3-VL-8B，106B 参数 12B 激活的 GLM-4.6V 表现比肩 2 倍参数量的 Qwen3-VL-235B。
开源与部署
为了让更多开发者和研究者快速上手，我们同步开放了模型权重、推理代码与在线调用能力。
开源资源
我们在主流社区提供 GLM-4.6V 的模型权重、推理代码与示例工程，便于快速集成：
- 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
已支持的推理框架包括 SGLang、vLLM、transformers、xLLM，开发者可以在 GPU 与多种国产 NPU 环境下按需部署 GLM-4.6V 与 GLM-4.6V-Flash。
版权声明：本文内容转自互联网，本文观点仅代表作者本人。本站仅提供信息存储空间服务，所有权归原作者所有。如发现本站有涉嫌抄袭侵权/违法违规的内容， 请发送邮件至1393616908@qq.com 举报，一经查实，本站将立刻删除。
