ยืนยันแล้วความเชื่อมั่นของวันที่: ยืนยันแล้วระบุว่าแน่นอนแหล่งที่มาระบุวันที่ชัดเจนเพียงใด: ยืนยันแล้ว กำหนดการ ประมาณการ เลื่อน หรือยังไม่ยืนยันแสดงหมุดทั้งหมดที่เป็น ยืนยันแล้วความเชื่อมั่น 82%ความเชื่อมั่นโดยรวม: 82%แหล่งที่มาและแหล่งอ้างอิงของหมุดยืนยันวันที่ได้ดีเพียงใดค่าเฉลี่ยถ่วงน้ำหนักว่าแหล่งอ้างอิง 6 แหล่ง รวมแหล่งที่มา สนับสนุนเวลาเริ่มและสิ้นสุดของหมุดมากเพียงใด แหล่งอ้างอิงจะมีน้ำหนักลดลงครึ่งหนึ่งทุก ๆ 180 วันที่เก่ากว่าแหล่งล่าสุดแสดงหมุดทั้งหมดที่มีความเชื่อมั่น 75% ขึ้นไป
การอัปเดตโปรเจกต์บนการ์ดโมเดลระบุว่า "2025/08/11: We released GLM-4.5V" OpenRouter[6] ลง z-ai/glm-4.5v เมื่อวันที่ 11 สิงหาคม 2025 และฉบับแก้ไข GLM-4.5V ของเอกสาร arXiv[5] ตามมาในวันที่ 13 สิงหาคม ขณะที่น้ำหนักบน Hugging Face[1] ถูกอัปโหลดเมื่อวันที่ 10 สิงหาคมตามเวลา UTC- เริ่ม
- 11 ส.ค. 2025ความเชื่อมั่น 90%จาก แหล่งที่มา
เปิดตัว GLM-4.5V
แปลอัตโนมัติจากต้นฉบับ
ชื่อต้นฉบับ: GLM-4.5V Released
Z.ai เปิดตัว GLM-4.5V โมเดลวิชัน-ภาษาแบบโอเพนเวตผสมผู้เชี่ยวชาญขนาด 106B พารามิเตอร์ที่ใช้งานจริง 12B สร้างบน GLM-4.5-Air พร้อมสวิตช์โหมดการคิดและความสามารถเอเจนต์ GUI กับการระบุตำแหน่งในภาพ และอ้างว่าได้ผลลัพธ์ระดับล้ำสมัยในกลุ่มโมเดลเปิดขนาดใกล้เคียงกันบนเบนช์มาร์กสาธารณะ 42 รายการ
- Z.ai (Zhipu AI) เปิดตัว GLM-4.5V เมื่อวันที่ 11 สิงหาคม 2025 โมเดลวิชัน-ภาษาแบบโอเพนเวตเรือธงของบริษัท ให้ใช้งานบน Hugging Face, GitHub, แพลตฟอร์ม API ของ Z.ai และ Z.ai Chat ภายใต้สัญญาอนุญาต MIT พร้อมแอปผู้ช่วยบนเดสก์ท็อปที่อ่านหน้าจอพีซีผ่านภาพหน้าจอหรือการบันทึก[1][2]
- สร้างบน GLM-4.5-Air โมเดลข้อความขนาด 106B พารามิเตอร์ที่ใช้งานจริง 12B สืบทอดแนวทางของ GLM-4.1V-Thinking และตามที่ Z.ai ระบุ ให้ประสิทธิภาพระดับล้ำสมัยในกลุ่มโมเดลขนาดเดียวกันบนเบนช์มาร์กวิชัน-ภาษาสาธารณะ 42 รายการ ครอบคลุมภาพ วิดีโอ เอกสาร และเอเจนต์ GUI[1][5]
- แผนภูมิของ Z.ai ให้คะแนน 88.2 บน MMBench v1.1 (Qwen2.5-VL 72B ได้ 88.0), 84.6 บน MathVista, 65.6 บน MathVision เทียบกับ 38.1 ของ Qwen2.5-VL, 35.8 บน OSWorld เทียบกับ 8.8, 57.0 บน AndroidWorld และ 91.3 บน RefCOCO-avg โดยบทความวิจัยระบุเพิ่มว่าแข่งขันได้หรือดีกว่า Gemini-2.5-Flash ในบางงาน รวมถึงการเขียนโค้ดและเอเจนต์ GUI[1][5]
- สวิตช์โหมดการคิด เช่นเดียวกับ GLM-4.5 ช่วยให้ผู้ใช้เลือกระหว่างคำตอบที่รวดเร็วกับการให้เหตุผลเชิงลึก docs.z.ai แสดงราคา $0.60 ต่อหนึ่งล้านโทเค็นอินพุต และ $1.80 ต่อหนึ่งล้านโทเค็นเอาต์พุต โดยมีเอาต์พุตสูงสุด 16K โทเค็น และ OpenRouter แสดงราคาเดียวกันพร้อมบริบท 65,536 โทเค็น[1][2][6]
- GLM-4.5V คือขั้นด้านวิชันระหว่าง GLM-4.5 ที่รองรับเฉพาะข้อความเมื่อกรกฎาคม 2025 กับ GLM-4.6V เมื่อธันวาคม 2025 ซึ่งเพิ่มการเรียกใช้ฟังก์ชันแบบเนทีฟและบริบท 128K[5]
ฟีเจอร์เด่น
- การให้เหตุผลด้านภาพแบบครบวงจร: การเข้าใจฉากและการวิเคราะห์หลายภาพ การแบ่งส่วนวิดีโอยาวและการรู้จำเหตุการณ์ การอ่าน GUI และการใช้งานเดสก์ท็อป การแยกวิเคราะห์รายงานวิจัยและแผนภูมิ และการระบุตำแหน่งที่คืนค่ากรอบสี่เหลี่ยมที่ปรับเป็น 0-1000[1]
- การเขียนโค้ดหน้าเว็บจากภาพหน้าจอหรือการบันทึก และการดำเนินการของเอเจนต์ GUI เช่น การคลิกและการเลื่อน รวมถึงการแก้โจทย์ K12 ที่ผสมข้อความและรูปภาพ[2]
- รายละเอียดสถาปัตยกรรมตามที่ SiliconFlow และ Labellerr รายงาน: 3D-RoPE สำหรับการให้เหตุผลเชิงพื้นที่ 3D convolution สำหรับการรับอินพุตวิดีโออย่างมีประสิทธิภาพ bicubic interpolation สำหรับภาพความละเอียดสูงมากหรืออัตราส่วนภาพสุดขั้ว และการฝึกสามขั้นตอน ได้แก่ pre-training, chain-of-thought SFT และ RL ที่ผสาน RLVR กับ RLHF[3][4]
- โมเดลในตระกูลนี้ใช้เส้นทางโค้ดเดียวกันใน transformers (glm4v_moe) และการให้บริการด้วย vLLM และ SGLang ส่วน GLM-4.1V-9B-Thinking รุ่นพี่น้องเอาชนะ Qwen2.5-VL-72B ใน 29 เบนช์มาร์กทั้งที่มีขนาดเล็กกว่า[1][5]
เกณฑ์มาตรฐาน
แถวบางส่วนจากแผนภูมิ GLM-4.5V ของ Z.ai บน docs.z.ai โดย "*" หมายถึงผลที่ Z.ai ทำซ้ำเอง และ "/" หมายถึงไม่ได้รายงาน[2].
| เกณฑ์มาตรฐาน | GLM-4.5V (106B-A12B, โหมดคิด) | Step-3 (321B-A38B, โหมดคิด) | Qwen2.5-VL 72B (ไม่คิด) | GLM-4.1V 9B (โหมดคิด) | Kimi-VL-2506 (16B-A3B, โหมดคิด) | Gemma-3 27B (ไม่คิด) |
|---|---|---|---|---|---|---|
| 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 (ไม่มีคำบรรยาย) | 74.6 | / | 73.3 | 68.2 | 67.8 | 58.9* |
| VideoMMMU | 72.4 | / | 60.2 | 61.0 | 65.2 | 54.5* |