官方背景
GLM-4V（又名 GLM-V）是智谱 AI 与清华大学 THUDM 联合推出的开源多模态视觉语言模型，基于 GLM-4-9B 底座扩展而来。它不是纯文本模型加点图像接口的简版，而是从训练阶段就做了中英双语、图文混合的打磨，尤其在中文 OCR 与文档理解上做了专项优化——对中文场景下的表格、公式、招牌、扫描件识别明显强于通用视觉模型。以 MIT 许可开源权重，可自由商用与本地部署，是国产多模态开源里的主力选手之一。
核心能力
① 1120×1120 高分辨率输入：原生支持高分辨率图像，看文档、看图表细节不丢；② 中英双语多轮图文对话，中文 OCR / 文档理解专项优化；③ 9B 参数的紧凑规模，FP16 权重约 18GB，BF16 推理至少 24GB 显存（RTX 3090 / 4090 / A10 / A100 可跑），4-bit 量化后降至约 9–11GB，RTX 3060 / 4070 这类消费级卡也能跑；④ MMMU 评测约 48.3；⑤ 支持 ModelScope / Hugging Face 下载，可用 vLLM 起 OpenAI 兼容服务，吞吐数倍于原生 Transformers。
应用场景
中文文档 / 票据 / 表格识别：拍张发票或论文页，直接问核心观点与数字；教育辅导：上传数学题 / 化学方程式截图解析步骤；电商与内容：商品图自动生成卖点文案；无障碍：为视障用户描述照片内容；私有化部署：对数据敏感的企业把模型放在内网，做智能安检、医疗影像辅助等。想「免费 + 中文强 + 消费级显卡能跑」的多模态模型，GLM-4V 是很务实的选择。
定价与可及性
开源权重完全免费（MIT），本地部署零调用费，消费级显卡即可起步——FP16 需 24GB 显存，4-bit 量化约 9GB 即可。云端可通过智谱 BigModel 开放平台（bigmodel.cn）按 token 计费调用（参考价输入约 $0.05 / 百万 token、输出约 $0.25 / 百万 token）。权重与推理代码在 ModelScope（ZhipuAI/glm-4v-9b）与 Hugging Face 同步开放，按官方保姆级教程用 transformers≥4.44 + 一张 4090 就能本地跑起来。
GLM-4V · GLM-4V（又名 GLM-V）是智谱 AI 与清华大学 THUDM 联合推出的开源多模态视觉语言模…
暂无评论内容