智谱科技正式宣布开源其新一代多模态大模型——GLM-4.6V系列，为开发者带来突破性的视觉交互体验。该系列包含高性能的基础版GLM-4.6V（总参数量106B，激活参数12B）与轻量化的GLM-4.6V-Flash（9B版本），全面升级了多模态处理能力，重新定义了”视觉感知到可执行行动”的完整技术链路。
新模型突破性提升上下文窗口至128k tokens，在视觉理解精度上达到同参数级别模型的SOTA水平。更创新性地将Function Call原生集成到视觉模型中，实现了从图像识别到API调用的无缝衔接，彻底打通了”视觉感知→可执行行动”的完整链路。在价格方面，API调用费用较GLM-4.5V下降50%，基础版输入成本为1元/百万tokens，输出成本为3元/百万tokens；轻量版GLM-4.6V-Flash完全免费，特别集成GLM Coding Plan与专用MCP工具，让开发者实现零成本商用部署。
技术亮点全面升级：128k多图长文处理能力
GLM-4.6V系列展现出惊人的多模态处理能力，单轮可同时处理30张高分辨率图片和8万字文本，在Video-MME、MMBench-Video等长视频理解基准测试中取得SOTA表现。这一突破性能力使模型能够高效处理复杂的多模态场景，为长视频理解应用打开了全新可能。
原生Function Call技术革新
通过原生Function Call功能，视觉信号可直接映射为可执行API，无需传统Projector中间环节，调用延迟降低37%，成功率提升18%。这一创新彻底改变了传统视觉模型需要经过”视觉→文本→Prompt”冗长链路的处理方式，大幅提升了交互效率。
统一编码架构优化
模型采用统一的Transformer编码架构，能够同时处理图像、视频和文本数据，在推理过程中实现动态路由，显存占用效率提升30%。这种创新设计既保证了处理精度，又优化了资源利用率，为大规模应用部署提供了坚实保障。
价格与授权策略灵活
针对不同需求场景，智谱科技制定了差异化的价格策略。轻量版GLM-4.6V-Flash完全免费开放，权重与商用License全部解禁，特别适合边缘设备部署和SaaS集成；基础版GLM-4.6V在保持高性能的同时，价格腰斩至原价一半，输入成本为1元/百万tokens，输出成本为3元/百万tokens，约为GPT-4V价格的1/4，大幅降低了企业应用门槛。
开发者工具生态完善
为加速开发者应用落地，智谱科技提供了一系列专用开发工具：
– 专用MCP（Model-Context-Protocol）工具：通过10行代码即可将GLM-4.6V接入VS Code、Cursor等开发环境，实现”框选UI→自动生成前端代码”的智能化开发体验
– GLM Coding Plan：提供50+场景模板（涵盖网页、小程序、脚本等多种应用形式），帮助开发者快速将视觉需求转化为可执行代码并自动部署
– 在线Playground：支持拖拽图片、实时调试Function Call，一键导出Python/Node.js调用片段，大幅缩短开发周期
基准测试成绩亮眼
在权威基准测试中，GLM-4.6V系列展现出卓越性能：
| 基准测试 | GLM-4.6V | GPT-4V | Gemini1.5Pro |
|———|———|——-|————-|
| Video-MME | 74.8% | 69.1% | 72.9% |
| MMBench-Video | 82.1% | 78.4% | 80.6% |
| LongVideoBench（128k） | 65.3% | 58.2% | 62.1% |
商用场景案例丰富
GLM-4.6V系列已在多个垂直领域展现强大应用价值：
– 影视预览：导演上传角色图+分镜后，系统能自动输出30秒预览视频，主体一致性高达96%
– 工业检测：通过拍摄设备面板自动识别异常区域，并调用维修API创建工单，大幅提升质检效率
– 教育课件：教师框选课本插图后，系统能生成3D动画+语音讲解，一键导出PPT，为教育信息化提供创新解决方案
开放路线规划清晰
从即日起，智谱科技已将GLM-4.6V系列的权重、推理代码和MCP工具全部开源，开发者可通过GitHub和Hugging Face平台获取（搜索GLM-4.6V）。未来计划包括：
– 2025年Q1：发布支持1M上下文窗口的版本与端侧INT4量化模型，实现笔记本CPU运行
– 2025年Q2：推出”视觉Agent Store”，让开发者可上架自定义Function Call并按调用量分成
行业观察视角
当多模态技术仍多停留在”看得懂”阶段时，智谱科技通过Function Call原生集成创新，实现了”看得懂+做得出”的突破性进展。这一创新让图片可直接触发API调用，省去了传统视觉→文本→Prompt的冗余链路，极大提升了应用效率。免费9B版本的战略布局有效降低了技术尝鲜门槛，而106B基础版价格腰斩的举措，则显示出智谱科技快速抢占视觉Agent生态的雄心。随着128k长视频理解能力的落地，影视、工业、教育等垂直场景有望率先实现规模化应用落地。AIbase将持续关注其端侧量化与Agent Store的进展，期待这一创新技术生态的进一步发展。
