Lanzamiento de GLM-4.5V

• Z.ai (Zhipu AI) lanzó GLM-4.5V el 11 de agosto de 2025, su modelo insignia de visión y lenguaje de pesos abiertos, disponible en Hugging Face, GitHub, la plataforma API de Z.ai y Z.ai Chat bajo la licencia MIT, junto con una aplicación de asistente de escritorio que lee la pantalla del PC mediante capturas o grabaciones^[1][2]
• Está construido sobre GLM-4.5-Air, el modelo de texto de 106B parámetros con 12B parámetros activos, continúa el enfoque de GLM-4.1V-Thinking y, según Z.ai, alcanza un rendimiento de vanguardia entre modelos del mismo tamaño en 42 benchmarks públicos de visión y lenguaje que abarcan imágenes, vídeo, documentos y agentes de GUI^[1][5]
• El gráfico de Z.ai le asigna 88.2 en MMBench v1.1 (Qwen2.5-VL 72B, 88.0), 84.6 en MathVista, 65.6 en MathVision frente a 38.1 de Qwen2.5-VL, 35.8 en OSWorld frente a 8.8, 57.0 en AndroidWorld y 91.3 en RefCOCO-avg; el artículo añade que es competitivo con Gemini-2.5-Flash o mejor en algunas tareas, incluidas programación y agentes de GUI^[1][5]
• Un interruptor de Modo de Razonamiento, como en GLM-4.5, permite a los usuarios cambiar respuestas rápidas por un razonamiento más profundo; docs.z.ai lista $0.60 por millón de tokens de entrada y $1.80 por millón de tokens de salida con hasta 16K tokens de salida, y OpenRouter lista lo mismo con un contexto de 65,536 tokens^[1][2][6]
• GLM-4.5V es el paso de visión entre GLM-4.5, solo de texto, de julio de 2025 y GLM-4.6V de diciembre de 2025, que añadió llamadas a funciones nativas y un contexto de 128K^[5]

Características destacadas

• Razonamiento visual de espectro completo: comprensión de escenas y análisis de varias imágenes, segmentación de vídeos largos y reconocimiento de eventos, lectura de interfaces gráficas y manejo del escritorio, análisis de informes de investigación y gráficos, y localización que devuelve cuadros delimitadores normalizados de 0-1000^[1]
• Programación de páginas web a partir de capturas de pantalla o grabaciones y acciones de agentes de GUI como hacer clic y deslizar, además de resolución de problemas de K12 que combinan texto e imágenes^[2]
• Detalles de la arquitectura según SiliconFlow y Labellerr: 3D-RoPE para el razonamiento espacial, convolución 3D para una entrada de vídeo eficiente, interpolación bicúbica para imágenes de resolución muy alta o proporción extrema, y tres etapas de entrenamiento: preentrenamiento, SFT con cadena de pensamiento y RL que combina RLVR y RLHF^[3][4]
• Los modelos de la familia comparten una misma ruta de código en transformers (glm4v_moe) y en el servicio con vLLM y SGLang; el hermano GLM-4.1V-9B-Thinking supera a Qwen2.5-VL-72B en 29 pruebas de referencia pese a su tamaño^[1][5]

Pruebas de referencia

Un subconjunto de filas del gráfico de GLM-4.5V de Z.ai en docs.z.ai; "*" marca los resultados que Z.ai reprodujo por sí misma y "/" lo no informado^[2].