关键人物/组织

文本基础模型

Google DeepMind

开发Veo 3

开源视觉模型

视觉推理突破

智谱直播发布全球最佳视觉模型GLM-4.5V，挑战AI视觉领域极限

2025-08-14

7 次查看

0 次互动

智谱直播近日开源了其最新视觉模型GLM-4.5V，该模型基于其旗舰文本基础模型GLM-4.5-Air，拥有106B总参数和12B激活参数。GLM-4.5V在42个公开的视觉语言基准测试中表现出色，达到了同规模模型中的SOTA性能，支持图像、视频和文档理解等多种任务。该模型的推出标志着智谱在视觉推理领域的进一步突破，具备全场景视觉推理能力，能够处理复杂的图像推理和视频理解任务，预计将对AI视觉技术的发展产生深远影响。

AI 智能分析

基于多源数据的智能分析与洞察

智谱直播发布了其最新的视觉模型GLM-4.5V，标志着在多模态视觉推理领域的重要进展。该模型基于GLM-4.5-Air，具有强大的参数配置和出色的性能表现，能够处理多种视觉内容，满足不同应用需求。

事件发展趋势

• 多模态模型的开源趋势
• 视觉推理技术的快速发展

关键洞察

• 新模型在多个视觉基准测试中表现优异
• 开源将促进技术的广泛应用和进一步研究

政策建议

• 关注模型的实际应用案例
• 探索与其他AI技术的结合

AI 分析基于公开数据，仅供参考，不构成任何建议

事件时间线

2025-09-28

17:25

Google 研究揭示：Veo 3 达到了视觉AI领域的“GPT-3”时刻 Google DeepMind 通过对Veo 3进行18,384个最简单的视频生成任务测试后，发现： Veo 3，除了生成视频，还能在没有训练的情况下，自动完成各种复杂的视觉任务，比如找物体、修照片、玩迷宫、解数独。它可以: - 看懂图像：自动识别边缘、轮廓、物体位置、颜色、形状等； - 理解物理：知道什么会

来源：

2025-09-23

23:29

Moondream3 这个小型视觉模型居然比GPT5、Gemini、Claude4都要强！一款新架构的视觉语言模型（VLM），用9B参数的MoE，实际激活参数仅2B。视觉推理能力强：不仅能识别物体，还能理解复杂场景和指令。易于训练和定制：可针对专业视觉任务训练，如医学影像、安防等复杂场景。推理速度快：适合需要实时响应的应用，如无人机巡检、安防监控等。运行成本低：适合大规模图片处

来源：

向阳乔木

2025-08-14

16:10

智谱发布并开源了全球100B级效果最佳的开源视觉推理模型GLM-4.5V，总参数106B，激活参数12B。模型基于智谱新一代文本基座模型GLM-4.5-Air，综合效果在41个公开视觉多模态榜单中达到SOTA水平，支持图像、视频、文档理解及GUI Agent等任务。具备覆盖不同种视觉内容的处理能力，实现全场景视觉推理，包括： ·图像推理（场景理解、复杂多图分析、位置识别） ·视频理解（长

来源：

sitin

2025-08-11

21:56

GLM-4.5V：智谱开源视觉模型 106B总参数，12B激活参数，开源最佳视觉模型。模型：

来源：

Gorden Sun

21:36

刚刚，智谱直播开源其最新视觉模型：GLM-4.5V，多模态，支持图像、视频输入 GLM-4.5V 基于智谱 AI的下一代旗舰文本基础模型 GLM-4.5-Air底座（106B 参数，12B 有源），延续了 GLM-4.1V-Thinking 的技术路线，在 42 个公开的视觉语言基准测试中取得了同规模模型中的 SOTA 性能，涵盖了图像、视频和文档理解等常见任务，以及 GUI 代理操作。实现

来源：

AIGCLINK

相关信息

3个月前

Google Gemini 2.5发布引发AI模型性价比热议

3个月前

OpenAI大幅降价，o3模型API调用费用骤降80%

3个月前

马斯克Grok再升级，4代直播发布引爆AI

3个月前

AI高考数学测试：O3意外落后，Gemini夺冠引发热议

3个月前

OpenAI新德里发布会：ChatGPT语音翻译功能引发热议

3个月前

深度学习模型升级引发AI能力大跃进，行业迎新变革

3个月前

中国DeepSeek引发美国科技股暴跌事件

3个月前

MiniMax M1发布：开源长上下文推理模型引发AI领域震动

3个月前

AI视频井喷：Midjourney领跑，多模态混战