ПОДТВЕРЖДЕНОДостоверность даты: ПОДТВЕРЖДЕНОУказано как окончательноеНасколько твёрдо источник называет дату: подтверждена, запланирована, примерная, перенесена или не проверена.Показать все пины «ПОДТВЕРЖДЕНО»ДОСТОВЕРНОСТЬ 82%Общая достоверность: 82%Насколько источник и ссылки пина подтверждают его даты.Взвешенное среднее того, насколько 6 источников, включая основной, подтверждают время начала и окончания пина; вес источника уменьшается вдвое за каждые 180 дней разницы с самым новымПоказать все пины с достоверностью 75% и выше
В обновлениях проекта на карточке модели написано "2025/08/11: We released GLM-4.5V"; OpenRouter[6] указывает z-ai/glm-4.5v на 11 августа 2025 года, ревизия статьи на arXiv[5] с GLM-4.5V последовала 13 августа, а веса на Hugging Face[1] были загружены 10 августа по UTC.- Начало
- 11 авг. 2025 г.ДОСТОВЕРНОСТЬ 90%от источник
Выпущена GLM-4.5V
Автоматический перевод оригинала
Оригинальное название: GLM-4.5V Released
Z.ai выпустила GLM-4.5V — визуально-языковую модель с открытыми весами и смесью экспертов на 106B с 12B активных параметров, построенную на GLM-4.5-Air, с переключателем режима размышлений и возможностями GUI-агента и привязки к изображению; компания заявляет о результатах уровня state-of-the-art среди открытых моделей схожего размера на 42 публичных бенчмарках.
- Z.ai (Zhipu AI) выпустила GLM-4.5V 11 августа 2025 года — свою флагманскую визуально-языковую модель с открытыми весами, доступную на Hugging Face, GitHub, платформе API Z.ai и в Z.ai Chat под лицензией MIT, вместе с настольным приложением-ассистентом, которое считывает экран ПК по снимкам или записям[1][2]
- Она построена на GLM-4.5-Air — текстовой модели на 106B параметров с 12B активных, продолжает подход GLM-4.1V-Thinking и, по данным Z.ai, достигает уровня state-of-the-art среди моделей того же размера на 42 публичных визуально-языковых бенчмарках, охватывающих изображения, видео, документы и GUI-агентов[1][5]
- По графику Z.ai, модель набирает 88.2 на MMBench v1.1 (Qwen2.5-VL 72B — 88.0), 84.6 на MathVista, 65.6 на MathVision против 38.1 у Qwen2.5-VL, 35.8 на OSWorld против 8.8, 57.0 на AndroidWorld и 91.3 на RefCOCO-avg; в статье добавлено, что в ряде задач, включая программирование и GUI-агентов, она не уступает Gemini-2.5-Flash или превосходит его[1][5]
- Переключатель режима размышлений, как в GLM-4.5, позволяет обменивать быстрые ответы на более глубокие рассуждения; docs.z.ai указывает $0.60 за миллион входных токенов и $1.80 за миллион выходных токенов при выводе до 16K токенов, а OpenRouter указывает те же цены при контексте 65,536 токенов[1][2][6]
- GLM-4.5V — это визуальный этап между текстовой GLM-4.5 июля 2025 года и GLM-4.6V декабря 2025 года, в которой появились нативный вызов функций и контекст 128K[5]
Ключевые возможности
- Визуальные рассуждения во всём спектре: понимание сцен и анализ нескольких изображений, сегментация длинных видео и распознавание событий, чтение графических интерфейсов и управление рабочим столом, разбор исследовательских отчётов и диаграмм, а также привязка, возвращающая ограничивающие рамки, нормированные к 0-1000[1]
- Написание кода веб-страниц по скриншотам или записям и действия GUI-агента, такие как клики и прокрутка, а также решение задач K12, сочетающих текст и изображения[2]
- Детали архитектуры, о которых сообщают SiliconFlow и Labellerr: 3D-RoPE для пространственных рассуждений, 3D-свёртка для эффективного ввода видео, бикубическая интерполяция для изображений очень высокого разрешения или с экстремальным соотношением сторон и три этапа обучения: предобучение, SFT на цепочках рассуждений и RL, сочетающий RLVR и RLHF[3][4]
- Модели семейства используют один и тот же путь кода в transformers (glm4v_moe) и при обслуживании через vLLM и SGLang; родственная GLM-4.1V-9B-Thinking превосходит Qwen2.5-VL-72B в 29 бенчмарках, несмотря на свой размер[1][5]
Бенчмарки
Подмножество строк из таблицы GLM-4.5V от Z.ai на docs.z.ai; "*" отмечает результаты, которые Z.ai воспроизвела сама, а "/" — не опубликованные данные[2].
| Бенчмарк | GLM-4.5V (106B-A12B, с рассуждением) | Step-3 (321B-A38B, с рассуждением) | Qwen2.5-VL 72B (без рассуждения) | GLM-4.1V 9B (с рассуждением) | Kimi-VL-2506 (16B-A3B, с рассуждением) | Gemma-3 27B (без рассуждения) |
|---|---|---|---|---|---|---|
| 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 (без субтитров) | 74.6 | / | 73.3 | 68.2 | 67.8 | 58.9* |
| VideoMMMU | 72.4 | / | 60.2 | 61.0 | 65.2 | 54.5* |