GLM 4.5V
3923°
Z.ai | 65,536 代幣上下文 | $0.60/M 輸入，$1.80/M 輸出。GLM-4.5V 是一款視覺語言基礎模型，專為多模態代理應用打造。基於混合專家（MoE）架構，擁有 106B 參數及 12B 啟用參數，在影片理解、圖像問答、OCR 及文件解析方面達到最先進成果，並在前端網頁編碼、定位及空間推理上取得顯著提升。它提供混合推理模式：「思考模式」用於深度推理，「非思考模式」用於快速回應。推理行為可透過 reasoning enabled 布林值切換。詳情請參閱我們的文件。
本模型的指南
全部指南
船長筆記
2026-10-13 的筆記
GLM-4.5V 是 Z.ai 的旗艦視覺語言模型，基於 1060 億參數的 MoE 架構，推理時啟用 120 億參數。涵蓋完整視覺任務範圍——影像與影片理解、文件解析、OCR、GUI 操作與定位，並允許您在 API 層級切換深度推理模式與快速回應模式。權重開放，API 價格遠低於多數前沿多模態模型。
以...聞名
- 可切換思考模式：深度推理或快速回應，由單一布林值控制。
- 強大的影片理解能力，包括長影片分段與事件識別。
- GUI 代理任務：螢幕閱讀、圖示辨識、桌面操作輔助。
- OCR、圖表解析及長文件分析，涵蓋研究報告與密集表格。
- 精確視覺定位——在影像中定位特定元素。
注意
- 擁有 1060 億參數，自架需求極高硬體，多數用戶將使用 API。
- 上下文長度為 65,536 代幣——能力強大，但若需超長文件處理，仍不及 20 萬代幣以上等級。
- Z.ai 是較新興的 API 供應商，使用前請確認正常運作時間與速率限制。
可嘗試的提示詞
解析密集文件
我附上一份多頁研究報告的影像。請擷取執行摘要中的關鍵發現，列出所有數字結果於表格中，並標示任何圖表或數據未在文字中提及的部分。
從截圖執行 GUI 任務
這是一張桌面應用程式截圖。請辨識所有可互動元素——按鈕、下拉選單、輸入欄位——並根據標籤或圖示描述其可能功能。然後建議匯出檔案所需的點擊順序。
圖片空間推理
看這張圖片，告訴我三個主要物件的空間關係：哪個最靠近鏡頭，哪個最遠，哪個部分遮擋了另一個。請先逐步說明推理過程，再給出最終答案。
比較
- GLM 5.3 FlashX僅限 API 模型1,048,576 代幣上下文 · $0.37/M 輸入，$1.25/M 輸出
- GLM Flash Latest僅限 API 模型1,048,576 代幣上下文 · $0.02/M 輸入，$0.72/M 輸出
- GLM 5V Turbo僅限 API 模型202,752 代幣上下文 · $1.20/M 輸入，$4.00/M 輸出
- GLM 5 Turbo僅限 API 模型202,752 代幣上下文 · $1.20/M 輸入，$4.00/M 輸出
更多來自 z-ai 的文字模型
常見問題
- 權重是開放的嗎？我可以本地運行 GLM-4.5V 嗎？
- 是的，權重已在 Hugging Face（zai-org/GLM-4.5V）公開。1060 億參數且推理啟用 120 億，您需要大量 GPU 記憶體，下載前請參考 VRAM 指南。
- GLM-4.5V 價格與上下文視窗多大？
- 透過 Z.ai API，輸入代幣每百萬 0.60 美元，輸出代幣每百萬 1.80 美元，上下文視窗為 65,536 代幣。
- GLM-4.5V 與 GLM-4.1V-9B 有何不同？
- GLM-4.5V 是基於 1060 億 MoE 架構的旗艦型號，GLM-4.1V-9B-Thinking 是同系列的 90 億小型模型。兩者皆支援思考模式，但 GLM-4.5V 目標是 42 項視覺語言任務的更高基準表現，代價是更高計算需求。
船長評語一款嚴肅的開放權重多模態模型，當您需要 GUI 代理、影片理解或文件解析時非常適合——不僅僅是影像聊天。
Hugging Face 上的模型卡
船長根據模型自身描述與模型卡撰寫這些筆記。價格與上下文大小為撰寫時提供者資料，可能會變動。
Ranking badge
Updated Oct 22, 2026
Made this model? Show this badge on your page.
Paste it into your Hugging Face card or Civitai description.
這個分數是怎麼累積的
這個模型目前還沒有任何來源的流行度數據，所以它會有一個低於 7,000° 的替代數字，讓列表保持完整。它永遠不會排在有數據的模型前面。一旦有來源報告數據，細項就會顯示在這裡。
詞彙表：這裡使用的術語
- 熱度分數
- 一個數字，表示模型目前的使用和需求程度，範圍從 0° 到 9,999°。本網站所有標示「最熱門」的排行榜都是依此排序，沒有其他排序依據。
- 底線
- 每個有實際數據的模型起始於 7,000°。分數範圍是 0° 到 9,999°；底線以下保留給沒有數據的模型，確保有數據的模型總是排名較前。底線對所有人相同，不影響排名；超過底線的度數才是評分依據。
- 下載等值
- 分數中視為下載的所有項目加總：下載本身、每個種子節點算 1,000、每張 AI Horde 圖像和每次生成網站的執行算一。
- 對數刻度
- 以十為單位計數，不是以一為單位：從 1,000 到 10,000 下載增加的度數，和從 10,000 到 100,000 增加的度數相同。這樣能防止巨頭壓過其他模型。
- 喜歡數
- 來自各來源的讚和喜歡，每個在對數刻度上算半個下載量。
- 採用率
- 模型目前每天的下載次數，根據兩次來源讀取的差異計算。權重是下載量的四分之一。
- 實測與估算
- 實測表示有兩個來源的讀數，且差異是真實的。估算表示只知道今天的總數，過去的數據則分散在模型的整個生命週期；網站會說明顯示的是哪一種。
- 種子節點
- 指在線上保留權重檔案供他人透過種子下載的人，或是提供相同服務的鏡像站。每一個種子節點算作1,000次下載。
- AI Horde
- 一個志願者網絡，利用捐贈的電腦免費生成圖片。它用某模型生成的圖片數量是公開的，每張圖片算作一次下載。
- 生成網站
- 自己托管模型並讓人使用它生成圖片的網站，例如PixAI、SeaArt和Yodayo。它們的下載量和Civitai一樣，每次生成算一次下載。
- OpenRouter 代幣
- 透過 API 提供的文字模型，如 Claude 或 GPT，沒有權重可下載，因此使用量以代幣計算：過去30天內透過 OpenRouter（許多應用使用的閘道）讀取和生成的文字片段。每 10,000,000 代幣算作一次下載。來源：OpenRouter (openrouter.ai/rankings)，CC BY 4.0。
- 完整模型（檢查點）
- 權重本身，是能獨立生成的檔案。它會有額外加分，因為其他附加檔案都依賴它。
- LoRA和嵌入
- 小型附加檔案，用來引導別人的權重走向某種風格、角色或概念。它們無法獨立運行。
- 家族與權重
- 模型所建立的基礎，例如SD 1.5、SDXL、Flux或Wan。每個模型都繼承其家族權重的發布日期。
- 年齡
- 根據家族權重發布時間距今多久，扣除的度數：每年150°，最多750°。它會保留那些有多年累積下載的舊模型，防止它們從排行榜頂端消失。
- 家族加成
- 針對本站目前推廣的某個家族的LoRA給予的小幅度限制加成，會在分解中顯示。
- 替代分數
- 給尚無來源報告的模型一個穩定的最低分，讓列表保持完整。它永遠不會高於有數據的模型。
- 全新！(寬限期)
- 不到 7 天的新模型會顯示「全新！」而非分數，且不列入排名。分數從第一天開始計算，但一天大的模型成長最快，若不等待，週榜首將永遠是昨天剛出的模型，而非持續一週的。
- 趨勢
- 模型在某段時間內的成長與典型模型同期成長的比較。比典型快表示上升，比典型慢表示下降。
- 典型模型
- 目錄中的中間值：一半模型在該期間成長較快，一半較慢。
GLM 4.5V 是 Text / LLM 系列的文字模型,收錄於 ModelTrends.ai——一個唯讀的開源 AI 圖片、影片與文字模型目錄。將它與其他 Text / LLM 模型比較,並查看熱度分數了解趨勢。
依模型系列瀏覽
Text / LLM 模型
434
Anima 模型
528
Chroma 模型
19
Fibo 模型
2
Flux 模型
1,496
Flux 2 / Klein 模型
1,239
Flux 3 模型
3
Moss 模型
3
Iris 模型
1
MiniMax H3 模型
364
Hunyuan 模型
204
Ideogram 模型
20
Krea2 模型
717
Qwen 模型
20
Qwen2 模型
47
Ltx2 模型
153