智谱开源的GLM-4.5V 能力强大到离谱！免费2000万token赠送（内有详细教程）
智谱开源的GLM-4.5V 能力强大到离谱！免费2000万token赠送（内有详细教程）
智谱开源的GLM 4.5V 能力强大到离谱！免费2000万token赠送（内有详细教程） 智谱开源的GLM 4.5V 能力强大到离谱！免费2000万token赠送（内有详细教程） Modified November 2, 2025 下面这个是它复刻的除了部分图标用符号图标替代和模块排列、字体样式颜色有些许改变外，元素和文字复刻的分毫不差！ 更重要的是， 这是一个可以编辑的页面 ，意味着我们可以更改里面的每一个元素，甚至还能在线访问！ https://chat.z.ai/space/v0zu46hvd6m0 art 视频理解 这个功能对很多自媒体人来说应该是刚需吧！ 视频总结拆分镜，总有会员在等你…… 很多扣子工作流提供的视频总结功能，其实就是把视频音频转成文字，加上标题文案进行 分析 总结，根本做不到视频画面帧的识别。 我把我视频号上一个多镜头转换的AI视频扔给它，让它总结分镜脚本： 视频脚本：《多元视界》 核心风格 ：赛博朋克+奇幻+国潮+生活美学，以快速剪辑和视觉冲击传递“打破边界”的主题。 【场景1：赛博蓝调·人像特写】 • 画面： 蓝发女性（齐刘海、大框黑红镜片眼镜），面部有“LIVING ALONE”纹身，背景蓝绿色渐变，侧光勾勒轮廓，营造冷冽未来感。 • 镜头： 近景→中景（缓慢推拉），聚焦面部神态（眼神飘忽、嘴唇微张），突出赛博朋克质感。 • 时长： 5秒 …… 【场景5：国潮机械·青花瓷手】 • 画面： 机械手（白底蓝花，关节处金属齿轮裸露），在纯白空间中缓慢摆动，背景模糊的城堡剪影。 • 镜头： 特写→全景（多角度切换），重点展示“传统青花瓷+未来机械”的冲突美感（如指尖蓝花细节、关节转动声） • 时长：6秒 …… 【场景7：产品静物·蓖麻油之韵】 • 画面： Flora蓖麻油瓶（棕色玻璃、白色标签），旁置白色兰花，柔和漫射光，背景浅灰渐变。 • 镜头： 静物特写（缓慢旋转），突出产品质感（瓶身反光、标签文字）。 • 时长： 3秒 总共7个镜头，全部识别出来， 并且画面细节都识别得清清楚楚 。人像面部的纹身、机械手上的青花瓷花纹，连最后化妆品上品牌文字也都识别正确。 再上传了一个 manus当初刚发布时候的介绍视频，直接让它总结： 没毛病，但因为视频有音频和字幕，它是不是也只是识别了音频和屏幕上的字幕呢？直接问人物出现时间。 我仔细看了一遍，完全正确。再提升一下难度：PDF简历出现在第几秒？ 神了！可以看到字幕还没开始介绍上传PDF的操作，GLM4.5V纯粹是从画面里的信息找到了出现PDF简历的画面，整个过程 不到 1分钟。 总 结 不知道还有多少朋友记得，在去年10月份的时候，智谱AI发布过一款agent AutoGLM，可以通过简单的文字/语音指令，AI就能自动控制手机点外卖、发朋友圈、订酒店；还能操作电脑发邮件，回消息…… 。 我第一时间就申请进行了内测，虽然看起来很美好，但实际用下来问题很多，执行任务时间过长，会被弹窗干扰误判，执行复杂任务失败等等，后面渐渐我就没用了。 但这种种问题，归根结底其实都只是AI模型能力不足，在经过了9个月发展后，智谱AI带来了全新的GLM 4.5V，超强的视觉推理能力让它能完成更复杂的工作。那相对应的，AutoGLM 2.0还会远吗？ 不知不觉就写了3000字的内容了，申请的 GLM 4.5V API Key如何使用？怎么把它的视觉能力接入ComfyUI？这些内容我们就放到下个文章讲吧，给大家留点悬念，哈哈！ 以上就是今天的全部内容，如果觉得对你有帮助的话，快去试试吧，希望评论区能看到你的作品， 公众号功能升级， 试试双击屏幕就能点赞支持！ 我是黄彬，一个陪你玩转AI新工具的探索者。我们下期再见！ 工作流&模型获取 公众号对话框回复：250811 (新lora已添加到网盘中) 推荐阅读 • 没有最快，只有更快？阿里Qwen Image进入3秒出图新纪元！SOTA开源模型，一键生成中文艺术字体！ • Qwen image 新出加速Lora，15秒极速生成图片！生态圈逐渐完善，开始进入生产力阶段 • OpenAI GPT OSS 本地部署保姆级教程！普通人也能轻松玩转！ • 阿里开源图片生成模型Qwen image，中英文宣传海报/PPT/文案直出，文字类图像大模型天花板！ • 炸裂！Wan2.2史诗更新，开源视频模型GPT时刻到来，最强开源AI视频模型入门级讲解，包你有用 • 你对豆包的强大一无所知！复刻爆款动态卡通小人合影手把手教学 没有最快，只有更快？阿里Qwen Image进入3秒出图新纪元！SOTA开源模型，一键生成中文艺术字体！ Qwen image 新出加速Lora，15秒极速生成图片！生态圈逐渐完善，开始进入生产力阶段 OpenAI GPT OSS 本地部署保姆级教程！普通人也能轻松玩转！ 阿里开源图片生成模型Qwen image，中英文宣传海报/PPT/文案直出，文字类图像大模型天花板！ 炸裂！Wan2.2史诗更新，开源视频模型GPT时刻到来，最强开源AI视频模型入门级讲解，包你有用 你对豆包的强大一无所知！复刻爆款动态卡通小人合影手把手教学 下面这个是它复刻的除了部分图标用符号图标替代和模块排列、字体样式颜色有些许改变外，元素和文字复刻的分毫不差！ 更重要的是， 这是一个可以编辑的页面 ，意味着我们可以更改里面的每一个元素，甚至还能在线访问！ https://chat.z.ai/space/v0zu46hvd6m0 art 视频理解 这个功能对很多自媒体人来说应该是刚需吧！ 视频总结拆分镜，总有会员在等你…… 很多扣子工作流提供的视频总结功能，其实就是把视频音频转成文字，加上标题文案进行 分析 总结，根本做不到视频画面帧的识别。 我把我视频号上一个多镜头转换的AI视频扔给它，让它总结分镜脚本： 视频脚本：《多元视界》 核心风格 ：赛博朋克+奇幻+国潮+生活美学，以快速剪辑和视觉冲击传递“打破边界”的主题。 【场景1：赛博蓝调·人像特写】 • 画面： 蓝发女性（齐刘海、大框黑红镜片眼镜），面部有“LIVING ALONE”纹身，背景蓝绿色渐变，侧光勾勒轮廓，营造冷冽未来感。 • 镜头： 近景→中景（缓慢推拉），聚焦面部神态（眼神飘忽、嘴唇微张），突出赛博朋克质感。 • 时长： 5秒 …… 【场景5：国潮机械·青花瓷手】 • 画面： 机械手（白底蓝花，关节处金属齿轮裸露），在纯白空间中缓慢摆动，背景模糊的城堡剪影。 • 镜头： 特写→全景（多角度切换），重点展示“传统青花瓷+未来机械”的冲突美感（如指尖蓝花细节、关节转动声） • 时长：6秒 …… 【场景7：产品静物·蓖麻油之韵】 • 画面： Flora蓖麻油瓶（棕色玻璃、白色标签），旁置白色兰花，柔和漫射光，背景浅灰渐变。 • 镜头： 静物特写（缓慢旋转），突出产品质感（瓶身反光、标签文字）。 • 时长： 3秒 总共7个镜头，全部识别出来， 并且画面细节都识别得清清楚楚 。人像面部的纹身、机械手上的青花瓷花纹，连最后化妆品上品牌文字也都识别正确。 再上传了一个 manus当初刚发布时候的介绍视频，直接让它总结： 没毛病，但因为视频有音频和字幕，它是不是也只是识别了音频和屏幕上的字幕呢？直接问人物出现时间。 我仔细看了一遍，完全正确。再提升一下难度：PDF简历出现在第几秒？ 神了！可以看到字幕还没开始介绍上传PDF的操作，GLM4.5V纯粹是从画面里的信息找到了出现PDF简历的画面，整个过程 不到 1分钟。 总 结 不知道还有多少朋友记得，在去年10月份的时候，智谱AI发布过一款agent AutoGLM，可以通过简单的文字/语音指令，AI就能自动控制手机点外卖、发朋友圈、订酒店；还能操作电脑发邮件，回消息…… 。 我第一时间就申请进行了内测，虽然看起来很美好，但实际用下来问题很多，执行任务时间过长，会被弹窗干扰误判，执行复杂任务失败等等，后面渐渐我就没用了。 但这种种问题，归根结底其实都只是AI模型能力不足，在经过了9个月发展后，智谱AI带来了全新的GLM 4.5V，超强的视觉推理能力让它能完成更复杂的工作。那相对应的，AutoGLM 2.0还会远吗？ 不知不觉就写了3000字的内容了，申请的 GLM 4.5V API Key如何使用？怎么把它的视觉能力接入ComfyUI？这些内容我们就放到下个文章讲吧，给大家留点悬念，哈哈！ 以上就是今天的全部内容，如果觉得对你有帮助的话，快去试试吧，希望评论区能看到你的作品， 公众号功能升级， 试试双击屏幕就能点赞支持！ 我是黄彬，一个陪你玩转AI新工具的探索者。我们下期再见！ 工作流&模型获取 公众号对话框回复：250811 (新lora已添加到网盘中) 推荐阅读 • 没有最快，只有更快？阿里Qwen Image进入3秒出图新纪元！SOTA开源模型，一键生成中文艺术字体！ 没有最快，只有更快？阿里Qwen Image进入3秒出图新纪元！SOTA开源模型，一键生成中文艺术字体！ • Qwen image 新出加速Lora，15秒极速生成图片！生态圈逐渐完善，开始进入生产力阶段 Qwen image 新出加速Lora，15秒极速生成图片！生态圈逐渐完善，开始进入生产力阶段 • OpenAI GPT OSS 本地部署保姆级教程！普通人也能轻松玩转！ OpenAI GPT OSS 本地部署保姆级教程！普通人也能轻松玩转！ • 阿里开源图片生成模型Qwen image，中英文宣传海报/PPT/文案直出，文字类图像大模型天花板！ 阿里开源图片生成模型Qwen image，中英文宣传海报/PPT/文案直出，文字类图像大模型天花板！ • 炸裂！Wan2.2史诗更新，开源视频模型GPT时刻到来，最强开源AI视频模型入门级讲解，包你有用 炸裂！Wan2.2史诗更新，开源视频模型GPT时刻到来，最强开源AI视频模型入门级讲解，包你有用 • 你对豆包的强大一无所知！复刻爆款动态卡通小人合影手把手教学 你对豆包的强大一无所知！复刻爆款动态卡通小人合影手把手教学 🔗 原文链接： https://mp.weixin.qq.com/s/3l5s7Xhw... https://mp.weixin.qq.com/s/3l5s7Xhw... 原创 黄彬的AI工具箱 AI智识新语2025年8月14日 08:28 云南 大家好，我是黄彬，一个AI新技术的探索者。 感谢大家的支持与关注，我 将持续与大家分享AI各领域的知识与心得！文章涉及到的模型与工作流， 请关注公众号后在文末获取。 国内AI大模型杀疯了！就在8月11日，智谱发布了GLM4.5V模型，并同步开源到了 魔搭社区与 Hugging Face 。这 是一款强大的视觉推理模型，能够让AI和人类一样“看”见。 在AI生图与Lora训练领域， 图片反推提示词是一个必备技能，并且极度依赖视觉模型性能。 （像 Florence、 JoyCaption 等都是comfyui上优秀的开源视觉模型 ） 顺便提下： LightX2V 发布的 8步加速Lora已经更新到1.1版本，同时发布了尺寸更小的bf16量化版，实测效果更好，已更新到网盘内： 没有最快，只有更快？阿里Qwen Image进入3秒出图新纪元！SOTA开源模型，一键生成中文艺术字体！ 没有最快，只有更快？阿里Qwen Image进入3秒出图新纪元！SOTA开源模型，一键生成中文艺术字体！ 我们先来看下智谱新发布的GLM 4.5V能力有多离谱！ 我先上传了一张7月份在北京圆明园拍摄的黄花阵迷宫的照片，让它猜一下这是哪？ 经过一番思考以后，它得出结论是陕西咸阳的汉阳陵遗址， 翻车了吗？ 图片是从我从亭子里面拍出去的，没有太明显的特征和特色建筑，确实不好判断，打开它的思考过程看一下： 卧槽！ 差一点就成功了 ，它一开始就想到了或许是圆明园，只是被中式雕刻误导了（它甚至连亭子柱子上雕刻的花纹都分析了） 于是，我提示了一句：错了，这里是户外。 果然，它迅速调整了思路，准确得出这里就是圆明园！虽然没精确到黄花阵，但准确度已经相当高了。 GLM 4.5V的强大还不仅限于此，我们后面会逐一测试。 一、GLM 4.5V简介 看下智谱AI 的模型发布路线，整个一个开源狂魔： 7月，他们开源的 GLM 4.1V Thinking 登上 HuggingFace Trending 第一 ，模型累计获得超过 13 万次下载。 7月28日，又开源发布了更强大的 GLM 4.5 和 GLM 4.5 Air 旗舰模型，仅一天时间，就 登顶 Hugging Face 全球第一 。 8月11日，基于 GLM 4.5 Air 沿用 GLM 4.1V Thinking 的结构，训练出了更大更强的 新一代视觉推理模型 GLM 4.5V ，并且同步开源。 在41个视觉多模态测试榜单中达到了SOTA性能。 GLM 4.5V 模型特点 GLM 4.5V 是一个拥有 106B总参数、12B 激活参数的 VLM模型。它能实现全场景视觉推理，包括： 1、 图像推理 （场景理解、复杂多图分析、位置识别）； 2、 视频理解 （长视频分镜分析、事件识别）； 3、 GUI 任务 （屏幕读取、图标识别、桌面操作辅助）； 4、 复杂图表与长文档解析 （研报分析、信息提取）； 5、 Grounding 能力 （精准定位视觉元素）。 简单来说，就是： 能看图，能看视频，能看网页和桌面，能看图表和文档，能定位元素位置。 黄老师小课堂： 1.B是模型参数量，1B代表十亿(billion)，所以106B就代表1060亿参数。 2.VLM是 （Vision Language Model，视觉 语言模型），代表模型拥有视觉能力，可以看到东西 。 3. Grounding 能力是指 将自然语言文本与视觉场景之间进行对齐或连接的能力，也就是能定位文字描述在图像中的准确位置。 二、模型安装与使用 虽然是开源模型，但模型有106B，普通电脑是无法部署的。我们有2个方法用上GLM 4.5V： 一是直接到官网使用 ，目前免费； 二是通过API的方式来本地调用， 这个要收费，不过目前有活动可以白嫖2000万token! 速度要快，活动随时可能结束，领取后一个月内有效。 通过链接先注册领取2000 万 GLM 4.5 Tokens，再到 控制台 活动资讯 处领取2000万GLM 4.5V的Tokens！(2个模型是不一样的，带V的是才是视觉模型) https://www.bigmodel.cn/invite?icode=jk556LzC5kCiESVqufmELHHEaazDlIZGj9HxftzTbt4%3D 领取成功后，我们点击右上角的API Key新建一个API。 API就是你访问大模型的专属接口，通过对应的API Key就可以调用服务器上的大模型能力。进入新建页面后，点击添加新的API Key。 取一个名称，方便区分不同的API用途。 新建好后，点击Key后面的复制按钮就可以复制下来，保存好备用。 本地推荐环境：ComfyUI升级到 最新版，安装相关节点后到文末网盘下载对应模型和我修改过的工作流使用。 三、在线体验 我们打开智谱AI的官网看下： https://chat.z.ai/ (这个网址应该花了不少钱……) 整个界面非常简单，记得看下 上方模型有没有切换到GLM 4.5V ，选中4.5V模型后，下方就会出现对应的4个能力： 地点识别、视觉定位、网页复制、视频理解 ，我们逐个来看下： 地点识别 文章一开始我用的就是这个能力，我们再试一次，这次图片是颐和园拍的，但没有知名特色建筑，这种普通的垂柳亭子湖水，我说是昆明大观楼，估计也有人相信。 直接看回答 🐂🍺，一次猜对！ 视觉定位 这上面照片的下半部分，我让它找下图片上的蜻蜓和垃圾。对眼力有自信的朋友，可以先点开大图找一下。 绝了！！！ 说实话，连我自己一开始都被纸片吸引了注意力，只看到纸片旁边的蜻蜓，完全没注意到最左边还有一只蜻蜓。 网页复刻 我从V0上找了个很复杂的网页，截图发给GLM 4.5V让它复刻：