[‘这篇文章，由AI一键直出⬆️’, ‘今天，智谱发布并开源了’, ‘GLM-4.6V多模态模型’, ‘，一个是向云端服务的106B基础版，一个是面向本地部署的9B轻量版。’, ‘模型下载：’, ‘
https://
huggingface.co/collecti
ons/zai-org/glm-46v
‘, ‘API调用平台：’, ‘
https://www.
bigmodel.cn
‘, ‘MCP调用入口：’, ‘
https://
docs.bigmodel.cn/cn/cod
ing-plan/mcp/vision-mcp-server
‘, ‘开头这篇文章，便是由GLM-4.6V-106B直接生成。’, ‘可以看到，GLM-4.6V除了在视觉理解上能够“看懂”多模态内容外，还具备工具调用能力（Function Call）能够直接做“执行”。’, ‘官方说，这是一个’, ‘原生具备多模态工具调用能力’, ‘的模型。比如，可以处理图文混排、识图购物、导购以及各种Agent场景的复杂视觉任务。’, ‘省流：’, ‘感知→理解→执行，都在一个推理链里完成，无需外部工程化。’, ‘一手实测’, ‘我知道，这么说，你可能还是没懂。下面，我们来看点实际的。’, ‘打开’, ‘Z.ai’, ‘，选择模型“GLM-4.6V”，根据任务需要选择合适的工具，开启“深度思考”，进行体验。’, ‘这里，简单分享几点技巧：’, ‘①建议所有场景都开启深度思考’, ‘，除非是明确的简单行为，比如OCR识别。’, ‘②不需要把所有工具都勾选’, ‘，建议根据自己的任务情况来选择。比如coding任务，它不太需要图像处理、图像搜索和购物搜索，那就把4个工具都关掉。’, ‘③’, ‘如果不知道自己需要什么样的工具，可以’, ‘点下方的胶囊入口’, ‘。’, ‘这里内置了6个场景：’, ‘识图搜图、图文扫描、文档解读、视频
智谱放大招！实测glm-4.6v，它也太会“看图做事”了
目前OCR，从图片中提取文字，千问和GLM-4.6V幻觉极少，几乎0幻觉。豆包开深度思考，还是胡说八道。
通过工具调用搜索识图，千问和GLM各有千秋，看各自的搜索源覆盖了，能搜到，大概率都能识别。GLM搜索会更积极一点，千问经常会摆烂。千问识图目前跟淘宝系有联动，可以识图后转购买链接。冷门内容，豆包调用工具后，识图翻车率依然很高。
在时间推理上，GLM翻车了，因为奇葩的理解方式，豆包估摸准了大概，千问依然稳如老狗。
综合来看，从图片识别和推理能力上看，千问还是一哥（甚至不用思考模式），GLM第二，豆包第三，元宝最差（不过，混元是有后手准备的）。
这个好，之前国内模型，我截了 bug 图片，都无法识别，基本不能用。
这次更新的glm4.6V，一个是视频理解功能，大部分模型现在还不支持这个功能，它可以告诉你视频里发生了啥。
上下文窗口128K， 这次的亮点是视觉理解的精度达到同级别 SOTA 水平+视觉原生工具调用能力，价格上比GLM-4.5V 还能便宜一半。
图像推理：我上传了一张电影演员合照，然后问了右上方一排的三个人演过啥电影， GLM 4.6正确，Gemini 发挥稳定，效果还行。
表格数据读取：弄了一张研报里的数据图， GLM-4.6 基本准确，Gemini发挥稳定。
又试了一个前端任务，直接找了 Runway 的页面发一张图让模型做一个一样的前端， GLM-4.6V 基本可以像素复刻。
不需要把图片转文字，它能直接用截图、文档、照片作为输入，对图表、搜索结果、渲染页面等视觉输出进行理解并加入推理过程。
初步测试下来，还是挺不错的。
当然肯定不能跟 Gemini 比。之前听说glm4.6 比肩 claude 我就试了一下拿他 agent。
当我看到它写成 using namespace 来解决包名错误的时候，我觉得编程这块可能还有较长的路要走。
当然也可能是每个人的体感不太一样。
我的脑子中基本对大模型 coding 的各种问题都相对清晰，哪怕提示词比较朴素，但基本都会落在一个比较明确的方向，不会让大模型去遍历所有的情况。
我自己的体验中，大部分的修改都是在一个相对可控的区间里面。
之前定了一个季度，用了一个多月了，我自己根本用不完。
但说实话 GLM4.6 还是不如 sonnet4.5，更不说 opus4.5 了。不过国内算是最强，性价比无敌。
发布者：Ai探索者，转载请注明出处：https://javaforall.net/270261.html原文链接：https://javaforall.net
