CONFIRMADOConfiança da data: CONFIRMADOInformado como definitivoQuão firme a fonte é sobre a data: confirmada, agendada, estimada, adiada ou não verificada.Mostrar todos os pins CONFIRMADO82% DE CONFIANÇAConfiança geral: 82%Quanto a fonte e as referências do pin sustentam suas datas.Média ponderada de quanto 6 referências, incluindo a fonte, sustentam os horários de início e fim do pin; uma referência conta metade a cada 180 dias a mais em relação à mais recenteMostrar todos os pins com confiança de 75% ou mais
As atualizações do projeto no cartão do modelo dizem "2025/08/11: We released GLM-4.5V"; a OpenRouter[6] lista o z-ai/glm-4.5v em 11 de agosto de 2025 e a revisão do GLM-4.5V no artigo do arXiv[5] veio em 13 de agosto, enquanto os pesos no Hugging Face[1] foram enviados em 10 de agosto UTC.- Início
- 11 de ago. de 202590% DE CONFIANÇAde a fonte
Lançamento do GLM-4.5V
Traduzido automaticamente do original
Título original: GLM-4.5V Released
A Z.ai lança o GLM-4.5V, um modelo de visão e linguagem de pesos abertos com mistura de especialistas de 106B e 12B de parâmetros ativos, construído sobre o GLM-4.5-Air com uma chave de Modo de Raciocínio e habilidades de agente de GUI e de ancoragem visual, e afirma resultados de ponta entre modelos abertos de tamanho semelhante em 42 benchmarks públicos.
- A Z.ai (Zhipu AI) lançou o GLM-4.5V em 11 de agosto de 2025, seu modelo carro-chefe de visão e linguagem de pesos abertos, disponível no Hugging Face, no GitHub, na plataforma de API da Z.ai e no Z.ai Chat sob a licença MIT, junto com um aplicativo assistente para desktop que lê a tela do PC por capturas de tela ou gravações[1][2]
- Ele é construído sobre o GLM-4.5-Air, o modelo de texto de 106B parâmetros com 12B ativos, dá continuidade à abordagem do GLM-4.1V-Thinking e, segundo a Z.ai, alcança desempenho de ponta entre modelos do mesmo tamanho em 42 benchmarks públicos de visão e linguagem que abrangem imagens, vídeo, documentos e agentes de GUI[1][5]
- O gráfico da Z.ai lhe atribui 88.2 no MMBench v1.1 (Qwen2.5-VL 72B: 88.0), 84.6 no MathVista, 65.6 no MathVision contra 38.1 do Qwen2.5-VL, 35.8 no OSWorld contra 8.8, 57.0 no AndroidWorld e 91.3 no RefCOCO-avg; o artigo acrescenta que ele é competitivo com o Gemini-2.5-Flash ou melhor em algumas tarefas, incluindo programação e agentes de GUI[1][5]
- Uma chave de Modo de Raciocínio, como no GLM-4.5, permite trocar respostas rápidas por um raciocínio mais profundo; a docs.z.ai lista $0.60 por milhão de tokens de entrada e $1.80 por milhão de tokens de saída com até 16K tokens de saída, e o OpenRouter lista o mesmo com contexto de 65,536 tokens[1][2][6]
- GLM-4.5V é a etapa de visão entre o GLM-4.5, só de texto, de julho de 2025 e o GLM-4.6V de dezembro de 2025, que adicionou chamada de funções nativa e um contexto de 128K[5]
Principais recursos
- Raciocínio visual de espectro completo: compreensão de cenas e análise de várias imagens, segmentação de vídeos longos e reconhecimento de eventos, leitura de interfaces gráficas e operação do desktop, análise de relatórios de pesquisa e gráficos, e grounding que devolve caixas delimitadoras normalizadas de 0-1000[1]
- Codificação de páginas web a partir de capturas de tela ou gravações e ações de agentes de GUI, como clicar e deslizar, além da resolução de problemas K12 que combinam texto e imagens[2]
- Detalhes da arquitetura relatados pela SiliconFlow e pela Labellerr: 3D-RoPE para raciocínio espacial, convolução 3D para entrada de vídeo eficiente, interpolação bicúbica para imagens de resolução muito alta ou proporção extrema e três etapas de treinamento: pré-treinamento, SFT com cadeia de raciocínio e RL combinando RLVR e RLHF[3][4]
- Os modelos da família compartilham o mesmo caminho de código no transformers (glm4v_moe) e no serviço com vLLM e SGLang; o modelo irmão GLM-4.1V-9B-Thinking supera o Qwen2.5-VL-72B em 29 benchmarks apesar do tamanho[1][5]
Benchmarks
Um subconjunto de linhas do gráfico do GLM-4.5V da Z.ai em docs.z.ai; "*" marca resultados que a própria Z.ai reproduziu e "/" o que não foi informado[2].
| Benchmark | GLM-4.5V (106B-A12B, com raciocínio) | Step-3 (321B-A38B, com raciocínio) | Qwen2.5-VL 72B (sem raciocínio) | GLM-4.1V 9B (com raciocínio) | Kimi-VL-2506 (16B-A3B, com raciocínio) | Gemma-3 27B (sem raciocínio) |
|---|---|---|---|---|---|---|
| MMBench v1.1 | 88.2 | 81.1* | 88.0 | 85.8 | 84.4 | 80.1* |
| MMStar | 75.3 | 69.0* | 70.8 | 72.9 | 70.4 | 60.0* |
| MMMU (val) | 75.4 | 74.2 | 70.2 | 68.0 | 64.0 | 62.0* |
| MMMU Pro | 65.2 | 58.6 | 51.1 | 57.1 | 46.3 | 37.4* |
| MathVista | 84.6 | 79.2* | 74.8 | 80.7 | 80.1 | 64.3* |
| MathVision | 65.6 | 64.8 | 38.1 | 54.4 | 54.4* | 39.8* |
| AI2D | 88.1 | 83.7* | 87.6* | 87.9 | 81.9* | 80.2* |
| MMLongBench-Doc | 44.7 | 31.8* | 35.2* | 42.4 | 42.1 | 28.4* |
| OCRBench | 86.5 | 83.7 | 85.1* | 84.2 | 86.9 | 75.9* |
| RefCOCO-avg (val) | 91.3 | 20.2* | 90.3 | 85.3 | 33.6* | 2.4* |
| OSWorld | 35.8 | / | 8.8 | 14.9 | 8.2 | 6.2* |
| AndroidWorld | 57.0 | / | 35.0 | 41.7 | / | 4.4* |
| WebVoyagerSom | 84.4 | / | 40.4* | 69.0 | / | 34.8* |
| Design2Code | 82.2 | 34.1 | 41.9* | 64.7 | 38.8 | 16.1 |
| VideoMME (sem legendas) | 74.6 | / | 73.3 | 68.2 | 67.8 | 58.9* |
| VideoMMMU | 72.4 | / | 60.2 | 61.0 | 65.2 | 54.5* |