模型性能与突破 - GLM-4.1V-9B-Thinking在28项评测中拿下23个SOTA，成为10B参数级别效果最好的视觉语言模型（VLM）[3] - 在18项评测中，该模型性能可与8倍参数量的Qwen-2.5-VL-72B竞争甚至超越[3] - 核心突破在于引入思维链（Chain-of-Thought）推理机制和课程采样强化学习（RLCS）[4] 实际应用表现 - 成功解析西班牙超现实主义画家达利的《记忆的永恒》，识别画作中违背物理规律的视觉符号[11] - 准确解答高考数学真题，在多个大模型易翻车的题目中给出简洁精准答案[12][15] - 处理看时钟和日期问题时表现接近人类水平（时间判断存在1分钟偏差）[16][19] - 具备看手相等生活场景应用能力[20][22] 技术架构创新 - 视觉编码器采用AIMv2-Huge架构，使用三维卷积处理视频，静态图片通过复制模拟视频输入[26] - 新增二维旋转位置编码，支持宽高比超200:1的画面和4K以上分辨率[27] - 语言解码器升级为三维旋转位置编码，增强空间关系理解能力[28] - 多层感知机适配器作为视觉与语言模块的桥梁[28] 训练方法论 - 预训练阶段采用双通道并行，12万步训练，批量大小1536，输入长度8192，覆盖图文混合/OCR/定位等多类型数据[31] - 监督微调阶段使用高质量思维链数据，输入长度扩展至32768，批量32，强化复杂因果关系推理[36] - 课程采样强化学习（RLCS）结合RLVR和RLHF，采用由简至难的课程学习策略[40] 商业化进展 - 获得浦东创投集团和张江集团10亿元投资，近期将完成首次交割[5] - 模型已在Github/ModelScope/Hugging Face开源，同步上线MaaS平台API接口[41][42] 核心能力清单 - 超长视频解析（2小时时长分析）[32] - 智能读图问答与理科解题（数学/物理）[32] - 图文识别转换（OCR/表格结构化）[32] - 专业文档处理（金融/政务关键信息提取）[32] - 图像定位标注与GUI界面操作[32] - 看图写代码（前端网页自动生成）[32]