重磅！今年最好的開源9B/106B視覺模型，出現(xiàn)了

大家好，我是袋鼠帝。

我發(fā)現(xiàn)智譜今年下半年是真滴猛。

從7月份那個超強的10B視覺小模型GLM-4.1V-Thinking，再到后來的GLM-4.5V，以及10月編程、Agent領(lǐng)域的GLM-4.6，每一款都打在了我的心巴上。

本來以為到了年底，大家都在忙著做年終總結(jié)，沒什么新東西了。

沒想到，智譜反手又卷起來了..

剛剛，智譜開源了他們最強的視覺模型：GLM-4.6V

讓我興奮的是，這次一口氣開源了兩個尺寸：一個是106B的GLM-4.6V，另一個是9B的GLM-4.6V-Flash（消費級顯卡就能本地部署）。

在同參數(shù)量級下，多模態(tài)交互、邏輯推理、長上下文能力都取得了SOTA（State Of The Art，目前最強）。

太卷了，貌似現(xiàn)在不是SOTA都不好意思發(fā)布..

GLM-4.6V支持128k上下文窗口，可以一次性處理約150頁PDF、200頁PPT、近一小時的關(guān)鍵幀序列。

不僅支持多模態(tài)輸入，還可以多模態(tài)輸出（圖文并茂）

除了視覺能力強，還有工具調(diào)用能力，在z.ai集成了四種工具

一圖勝千言（來自朋友：@甲木，真好用）

體驗下來，我的感覺是：如果你想在本地玩視覺模型，這就是目前的版本答案。

9B的GLM-4.6V-Flash，意味著你不需要那種動輒幾十萬的專業(yè)GPU，哪怕是你家里的游戲本，或者是公司配的消費級顯卡，都能隨便跑起來。

整體表現(xiàn)超過Qwen3-VL-8B

這對于很多注重數(shù)據(jù)隱私，或者需要在邊緣設(shè)備上部署AI的企業(yè)來說，還是比較香的。

我前段時間去杭州給一家國企做培訓(xùn)，參觀了他們的生產(chǎn)車間。在那兒，我看到了一個特別接地氣的AI落地場景：

他們在產(chǎn)品流水線的末端，裝了個攝像頭和傳感器。

每當包裝好的紙箱傳送過來，攝像頭就會咔嚓拍一張，然后傳給旁邊的一臺普通電腦。電腦里跑著一個視覺模型，專門負責檢查這個紙箱有沒有破損，膠帶封沒封好。

大概是下面這種場景（網(wǎng)圖）

當時他們用的是阿里的一個小模型。我問了效果，負責人表示，雖然能用，但誤判率還是不低。一些好好的箱子，也被AI判成了破損，導(dǎo)致工人還得去復(fù)核，挺折騰的。

現(xiàn)在就可以換成GLM-4.6V-Flash試試。同參數(shù)量下的SOTA，意味著在同樣的硬件條件下，它的性能會更好，準確度也會提升。

106B的GLM-4.6V，說大不大，說小也不小。它不像DeepSeek R1那種671B的巨無霸，除了大廠，沒幾個企業(yè)能私有化部署得起。106B，屬于那種努努力，夠一夠，還是能玩得起的。

如果你對性能有要求，又必須把數(shù)據(jù)掌握在自己手里，那這個106B的版本，是一個現(xiàn)階段完美的平衡點。

上次我在成都遇到OneOneTalk的彭總，他就在用一臺2萬多的華碩本，本地跑了一個120B的開源模型：gpt?oss?120b

就是下面這臺性能猛獸

當然，如果你不在乎數(shù)據(jù)上云，直接調(diào)智譜的API，速度和體驗會更好。

目前GLM-4.6V可以在z.ai上使用，也能以MCP的形式接入Agent使用（做本地Agent的眼睛）

還能接入Claude Code當作基模使用。

比如我接入Claude Code之后，讓它執(zhí)行了復(fù)雜的多平臺價格對比，條件篩選商品的任務(wù)。

完成得很好：

GLM-4.6V開源地址匯總，方便大家直達：

GitHub：

https://github.com/zai-org/GLM-V

Hugging Face：

https://huggingface.co/collections/zai-org/glm-46v

魔搭社區(qū)：

https://modelscope.cn/collections/GLM-46V-37fabc27818446

我也第一時間在z.ai上，測試了GLM-4.6V：

之前一直有個難題，就是在那種大合照里，識別出某個人的位置。我試過很多模型，甚至包括Gemini 3，效果都不咋地。

我明明在第一排，從左往右數(shù)的第三個。

我同樣把上次昆明Trae活動的大合照，加上一張我的自拍照，一起扔給了GLM-4.6V。

結(jié)果，GLM-4.6V居然準確的找到了我！這還讓我蠻驚訝的。

這對于以后做智能相冊管理，或者安防監(jiān)控領(lǐng)域來說，太有用了。

z.ai里面還有一個Image Research功能，對我來說挺實用的。

我寫公眾號的時候，經(jīng)常需要找各種配圖、或者封面圖。以前我都是去Google各種搜圖，有時候搜出來的圖很多都不是我想要的。

這次我讓它幫我搜幾張關(guān)于GEO（Generative Engine Optimization）生成式引擎優(yōu)化的圖片。

它搜出來的圖，非常精準，質(zhì)量高。

其中一張，正好就是我上一篇GEO的文章用到的封面圖。

以后我的封面圖工作流又要升級了（增加一個環(huán)節(jié)）。

用NanoBanana Pro生成創(chuàng)意圖的同時，用GLM-4.6V搜圖，最后我只負責選。

說到搜圖，這次的GLM-4.6V還能直接產(chǎn)出圖文并茂的文章

這得益于它的工具調(diào)用能力

比如我讓它生成北京旅游的推文

解讀GEO的PDF論文（論文PDF中的圖片也會被它插入到正確的位置）

上次不是寫了一篇飛書多維表格的教程嘛，在評論區(qū)看到，還是有一些朋友不清楚怎么調(diào)用的NanoBanana Pro API

我給大家演示一下， 你只需要把不懂的部分截圖，丟給GLM-4.6V，它就能幫你把散落在5張圖的API請求，按照想要的形式組裝起來了。

然后我還把一直貼著我車頭停車（可能只差0.5cm就碰到了）的紅車丟給了它..

有高手能評論區(qū)教一下怎么才能停成這樣嗎？？我每次離別人車還有30cm就不敢繼續(xù)靠近了..

除了黑車品牌沒有猜對，其他都對了，挺強的。

上次車停在車位被剮蹭了，去調(diào)監(jiān)控，花了幾個小時終于把逃逸者找到了..

我把最后的維修單丟給GLM-4.6V識別

經(jīng)過我的逐字檢查，準確率非常高，大概是99.9%

它還能識別影帝的情緒～

渣渣輝封神片段：你知道我這五年怎么過的嗎？

劇情、情緒的變化都識別的相當nice。而且非常細節(jié)，角色濕潤的眼眶都識別到了。

除了在z.ai使用，GLM-4.6V還可以接入Claude Code

也可以把GLM-4.6V通過MCP的方式，接入Claude Code。

接入Claude Code，可以參考官方文檔：

https://docs.bigmodel.cn/cn/guide/develop/claude

或者直接修改Claude的settings.json配置文件：

}

配置好之后，重啟Claude，你就擁有了一個有手有眼的本地Agent啦～

既然有手有眼了，那就讓它干點實事兒。

我給這個本地Agent布置了一個較復(fù)雜的任務(wù)：使用playwright MCP，通過瀏覽器查找，進行產(chǎn)品的全網(wǎng)比價，提示詞如下：

Prompt：全程使用playwright MCP工具。先在淘寶上找一款半入耳式藍牙耳機，價格在500-1000元之間。找到銷量第一的那款。然后，拿著這款耳機的型號，去唯品會和京東比價，找到最便宜的那個平臺，并把它加到我的購物車里。

這個任務(wù)，涉及到了多平臺的網(wǎng)頁瀏覽、視覺識別（看價格、看型號）、邏輯判斷（比大小）和操作執(zhí)行，對于現(xiàn)階段的所有視覺大模型來說，都是一個挑戰(zhàn)。

GLM-4.6V負責看網(wǎng)頁信息，Claude Code負責任務(wù)的調(diào)度。兩者配合，居然真的把這個復(fù)雜的流程給跑通了。

美中不足的是漏掉了篩選價格區(qū)間的操作，但其余的任務(wù)幾乎完美實現(xiàn)。

在淘寶找銷量第一的半入耳式藍牙耳機，以及跟唯品會、京東同款耳機比價，最后把價格最劃算的商品都加入了購物車

我覺得雖然GLM-4.6V可以寫代碼，但是它的代碼能力還是會比GLM-4.6差一些

所以我決定讓它在Claude Code里面做GLM-4.6的眼睛

也就是作為MCP-Server使用

claude mcp add -s user zai-mcp-server --env Z_AI_API_KEY=你的智譜apikey -- npx -y "@z_ai/mcp-server"

在settings.json里面把模型換回glm-4.6即可

既然有了眼睛，那復(fù)刻網(wǎng)頁就不用我費勁去描述了。

Prompt：使用zai-mcp-server分析當前目錄下的視頻，分析視頻中的網(wǎng)站的頁面、交互、動效，然后1:1復(fù)刻視頻中的網(wǎng)站

原網(wǎng)站效果

復(fù)刻后的效果

GLM-4.6V負責識別視頻，GLM-4.6負責生成高質(zhì)量的前端代碼。

網(wǎng)頁復(fù)刻得還不錯，至少這個卡片飛來飛去的效果有了，整體交互和動效都有原視頻的影子。要想一次性百分百還原是很難的，畢竟原視頻的動效太棒了。

GLM-4.6V雖然在極致的視覺能力上，它可能還略遜于Gemini 3這種頂級模型。但別忘了，它只有106B。

對于想要私有化部署的企業(yè)來說，這是一個夠一夠就能得著的高性價比選項。

而對于個人開發(fā)者，9B的Flash版本夠我們在本地免費使用了。

不過，我心里也有個小疑問：為什么智譜不直接把視覺能力融合進GLM-4.6里，要分拆成兩個模型呢？有沒有懂的朋友在評論區(qū)給我科普一下？

我猜可能是為了更靈活的部署和更低的推理成本？

順便說一下，行業(yè)+AI，才能真正釋放AI的生產(chǎn)力。

懂業(yè)務(wù)的朋友，真的建議多學(xué)學(xué)怎么用好這些AI模型。

當你能把業(yè)務(wù)痛點和模型能力對接上的那一刻，效率的提升，絕對是指數(shù)級的。

補充：GLM-4.6和GLM-4.6V都在Coding Plan的使用范圍內(nèi)

能看到這里的都是鳳毛麟角的存在！

如果覺得不錯，隨手點個贊、在看、轉(zhuǎn)發(fā)三連吧~

如果想第一時間收到推送，也可以給我個星標?

謝謝你耐心看完我的文章~