智谱 AI 于 12 月 8 日正式开源了其新一代多模态模型 GLM-4.6V 系列，包含面向高性能场景的 106B 版本与轻量本地部署的 9B Flash 版。此次升级不仅将训练上下文窗口一举推至 128K tokens，更在模型架构中做了一个关键变革：让工具调用（Function Call）成为视觉模型的原生能力。这意味着，模型不再止步于识别图像，而是能自主调用工具、处理结果并持续执行——从看清世界到动手完成的路径被首次彻底打通。
其中最值得关注的突破，是 “图像即参数，结果即上下文” 这一设计理念。传统多模态流程中，图像需先转为文字描述再调用工具，环节繁琐且信息易损耗。而 GLM-4.6V 允许截图、图表、文档页面等直接作为工具参数输入，并可将工具返回的图片、网页等重新纳入视觉理解链路，实现闭环任务处理。无论是根据街拍图自动调用搜图工具比价生成导购清单，还是解析长文档后跨页抽取数据制成对比表格，模型都能在单次推理中自主规划并完成。
在性能表现上，GLM-4.6V 同样给出了扎实的成绩。在 MMBench、MathVista、OCRBench 等 30 余项多模态评测中，其整体精度达到同参数规模下的 SOTA水平。具体来看，9B 轻量版整体表现已超越 Qwen3-VL-8B，而 106B 版本则凭借 12B 激活参数，在多项任务中比肩参数量 2 倍于自身的 Qwen3-VL-235B，显示出优异的效率与能力。
具体落地到应用层面，GLM-4.6V 适配四大核心场景：
- 智能图文创作：能理解复杂图文并自动调用工具配图、审核质量，直接输出结构化内容
- 视觉购物导购：可完成从识图、比价到生成导购清单的完整流程
- 前端代码复刻：能够实现接近像素级的网页设计稿还原，并支持基于截图的自然语言交互修改
- 长文档与视频理解：得益于 128K 长上下文，可一次性处理百余页文档或小时级视频，实现跨页、跨帧的深度分析与信息精准定位
此番升级还伴随着大幅降价——API 调用价格较上一代降低 50%，轻量版 GLM-4.6V-Flash 更将免费开放。可谓是能力跃进与成本优化双重驱动。
302.AI 现已接入 GML-4.6V 系列模型 API，本期实测将针对 GLM-4.6V 展开多维度的实测对比，直观感受其在多模态任务中的实际应用表现。
I. 实测模型基础信息
（1）各实测模型在 302.AI 的价格：
| 模型名称 | 说明 | 上下文 | 302.AI内的价格 |
| glm-4.6v | 输入长度[0, 32k] | 128000 | 输入：$0.145/ 1M tokens输出：$0.43/ 1M tokens |
| 输入长度[32k,128k] | 128000 | 输入：$0.29/ 1M tokens输出：$0.86/ 1M tokens | |
| gemini-3-pro-preview | 输入/输出<=200K tokens | 1000000 | 输入：$2/ 1M tokens输出：$12/ 1M tokens |
| 输入/输出>200K tokens | 1000000 | 输入：$4/ 1M tokens输出：$18/ 1M tokens | |
| gpt-5.1 | 400000 | 输入：$1.25/ 1M tokens输出：$10/ 1M tokens |
（2）测评目的：
本评测侧重模型对逻辑，数学，编程，人类直觉，多模态等问题的测试，非专业前沿领域的权威测试。旨在观察对比模型的进化趋势，提供选型参考。
（3）测评方法：
本次测评使用302.AI收录的题库进行独立测试。3款模型分别就逻辑与数学（共10题），人类直觉（共7题），编程模拟（共12题）以及多模态推理（共20题）进行案例测试，对应记分规则取最终结果，下文选取代表性案例进行展示。
题库地址：https://docs.google.com/spreadsheets/d/1sBxs60yWsxc9I5Va8Rjc1_le1Omg2hOXbwqOzpImZio/edit?gid=0#gid=0
💡记分规则：
按满分10分记分，设定对应扣分标准，最终取每轮得分的平均值。
（4）测评工具：
302.AI 的API超市→在线使用
II. 测试结果总览
302.AI 题库测试结果：
302.AI 多模态模型测评分数总榜单：
III. 案例展示
下文主要展示多模态相关案例
案例1：逻辑推理
测试点：细粒度感知，推理能力，因果与事件判断
提示词：三维视角图形推断：请从ABCD中选出正确视角
答案：C
GLM-4.6V 推断错误
附 GPT-5.1 和 Gemini 3 Pro 的答案，均推断正确：
提示词：请将图中打乱顺序的漫画按照逻辑排列出正确顺序 正确答案：E→F→A→C→B→D
GLM-4.6V 误读了图F所示的鸟持枪的意图，偏离漫画原本逻辑导致排序答案错误。
附 GPT-5.1 的回答，仅有B和C这两个容易混淆的图顺序错误，其他顺序排列正确，漫画内涵解读上已经非常接近原意了。
案例2：认知与文化理解
测试点：基础感知，逻辑关联，世界知识，文化理解
提示词：
图中作品属于以下哪一种风格？
A：印象派，B：后印象派，C：现代主义，D：达达主义
GLM-4.6V 判断正确
提示词：请判断图上表情包想表达什么？
GLM-4.6V 似乎并未能理解这个梗图的背后含义，只输出了一些表层理解。
附 Gemini 3 Pro 的满分回答：
提示词：这则漫画想表达什么？
GLM-4.6V 判断基本正确，推断合理
再来看看依然稳定发挥的 Gemini 3 Pro 的回答，从幽默感和“个性”来讲，与 Gemini 3 Pro 的对比显得 GLM-4.6V 的输出较为理性务实
案例3：OCR识别
测试点：模糊信息识别、数据提取、图表分析
给出一张模糊且有字迹遮盖的信息图片
提示词：将图中表格识别为可直接复制的Markdown内容
GLM-4.6V 返回的内容如下，清晰直观，基本无误，信息缺失部分也标注了“未填写”
进阶一下，尝试让模型将这个图表信息处理为可视化数据图：
GLM-4.6V 准确提取信息后生成了对应的基础数据表格、票房占比饼状图、周度票房柱状图以及数据卡片，但是生成的饼状图存在明显数据错误。
案例4：前端复刻
测试点：视觉理解加+工具调用
提示词：复刻图中网页
对于这个 Suno 网页的复刻案例，GLM-4.6V 的完成度算中规中矩，抛开复杂的交互逻辑，单从布局和基本内容的视觉还原来讲，并未实现所谓“像素级前端复刻”（例如第二页作者名“Mojano”写错为“Mojava”），样式细节也存在偏差（第二页歌曲卡片的播放量位置变为了右下角）等问题
案例5：视频理解
测试点：视频理解，细粒度推理
给出一段 AI 生成存在明显bug的视频，让模型分析这段视频所出现的不合理之处
GLM-4.6V 的回答并未抓住重点，看似言之有理，但视频所描述画面并非发生在罚球情况下，故推理有误。
附 Gemini 3 Pro 的回答，起码明确指出了穿模漏洞和人物运动轨迹违反物理常识的问题。
IV. GLM-4.6V 模型实测结论
基于本次实测，我们对 GLM-4.6V 可以得出以下几个核心结论：
首先，必须承认，GLM-4.6V 类似于一位特点鲜明的“偏科生”，从其在不同维度的测评表现来看，模型发挥存在显著的场景分化，工程实用性强，而认知灵活性稍显不足，这表明模型的核心能力聚焦于执行而非感知。换句话说，其突破点在于架构设计所指向的工具调用与任务闭环能力，而非泛化的多模态理解精度。
其次，这种“偏科”体现在具体表现上：在OCR表格识别、艺术风格判断等结构化、有明确规则的任务中，它输出稳定、理性规范，展现出扎实的工程化潜力。然而，一旦面临需要强推理（如三维空间想象、漫画逻辑排序）或深层次文化理解（如解读网络梗图）的场景时，它便容易显得照本宣科，缺乏一丝灵性和精准度。
这一分化恰恰揭示了它的适用场景——即在处理定义清晰的任务时更具优势。也就是说，对于那些需要从复杂文档中提取信息、将图表转化为数据、或进行标准化识别的实际任务，GLM-4.6V 会是一个高效、可信的工具。结合 API 价格的大幅下调与轻量版的免费开源策略，也算是为开发者提供了一个高性价比的视觉任务自动化入口。
综合而言，GLM-4.6V 代表了一条务实的技术路径： 它不执着于在所有感知赛道上争冠，而是聚焦于将视觉信号切实转化为可执行的动作。但同时，其在真实任务中与顶尖闭源模型的对比表现也清晰地提醒我们： 在奋力奔向执行高地时，作为基石的感知与认知基本功，仍需持续锤炼，那段可提升空间依然是其迈向顶尖过程中不可忽视的追索之路。
V. 如何在 302.AI 上使用
1. 聊天机器人中使用
步骤指引 ：应用超市→机器人→聊天机器人→立即体验
选择模型：国产模型→glm-4.6v/glm-4.6v-flash→确认→创建
2. 使用模型 API
步骤指引：API超市→语言大模型→智谱→glm-4.6v/glm-4.6v-flash
点击【立即体验】在线调用 API
想即刻体验 GLM-4.6V 系列模型？
👉立即注册免费试用302.AI，开启你的AI之旅！👈
为什么选择302.AI？
● 灵活付费：无需月费，按需付费，成本可控
● 丰富功能：从文字、图片到视频，应有尽有，满足多种场景需求
● 开源生态：支持开发者深度定制，打造专属AI应用
● 易用性：界面友好，操作简单，快速上手
