本報訊 （記者梁傲男）12月8日，北京智譜華章科技股份有限公司（以下簡稱“智譜”）正式上線并開源GLM-4.6V系列多模態(tài)大模型，包括面向云端與高性能集群場景的基礎(chǔ)版GLM-4.6V（106B-A12B）和面向本地部署與低延遲應(yīng)用的輕量版GLM-4.6V-Flash（9B）。

    據(jù)介紹，GLM-4.6V將訓(xùn)練時上下文窗口提升到128k tokens，在視覺理解精度上達(dá)到同參數(shù)規(guī)模SOTA，首次在模型架構(gòu)中將Function Call（工具調(diào)用）能力原生融入視覺模型，打通從“視覺感知”到“可執(zhí)行行動”的鏈路，為真實業(yè)務(wù)場景中的多模態(tài)Agent（智能體）提供統(tǒng)一的技術(shù)底座。

    該系列模型較GLM-4.5V降價50%，API（應(yīng)用程序編程接口）調(diào)用價格為輸入1元/百萬tokens，輸出3元/百萬tokens，其中GLM-4.6V-Flash免費供用戶使用。GLM-4.6V融入GLM Coding Plan，針對用戶8類場景定向開發(fā)了專用MCP（大模型上下文協(xié)議）工具。

    傳統(tǒng)工具調(diào)用大多基于純文本，在面對圖像、視頻、復(fù)雜文檔等多模態(tài)內(nèi)容時，需要多次中間轉(zhuǎn)換，帶來信息損失和工程復(fù)雜度。

    據(jù)了解，GLM-4.6V從設(shè)計之初就圍繞“圖像即參數(shù)，結(jié)果即上下文”，構(gòu)建了原生多模態(tài)工具調(diào)用能力：圖像、截圖、文檔頁面等可以直接作為工具參數(shù)，無需先轉(zhuǎn)為文字描述再解析，減少鏈路損耗。對于工具返回的統(tǒng)計圖表、渲染后網(wǎng)頁截圖、檢索到的商品圖片等結(jié)果，模型能夠再次進(jìn)行視覺理解，將其納入后續(xù)推理鏈路。

    模型原生支持基于視覺輸入的工具調(diào)用，完整打通從感知到理解到執(zhí)行的閉環(huán)。這使得GLM-4.6V能夠應(yīng)對圖文混排輸出、商品識別與好價推薦以及輔助型Agent場景等更復(fù)雜的視覺任務(wù)。

    智譜方面表示：“智譜多模態(tài)開源周開啟，我們將持續(xù)開源更多前沿模型。擁抱多模態(tài)交互新范式，從GLM-4.6V開始。”

（編輯 張昕）