IT之家 12 月 8 日消息，智譜 AI 今日官宣發布并開源 GLM-4.6V 系列多模態大模型，包括：

GLM-4.6V（106B-A12B）：面向云端與高性能集群場景的基礎版；

GLM-4.6V-Flash（9B）：面向本地部署與低延遲應用的輕量版。

作為 GLM 系列在多模態方向上的一次重要迭代，GLM-4.6V 將訓練時上下文窗口提升到 128k tokens，在視覺理解精度上達到同參數規模 SOTA，并首次在模型架構中將 Function Call（工具調用）能力原生融入視覺模型，打通從「視覺感知」到「可執行行動（Action）」的鏈路，為真實業務場景中的多模態 Agent 提供統一的技術底座。

在性能優化之外，GLM-4.6V 系列相較于 GLM-4.5V 降價 50%，API 調用價格低至輸入 1 元 / 百萬 tokens，輸出 3 元 / 百萬 tokens。

同時，GLM-4.6V-Flash 免費開放使用。

GLM-4.6V 即日起融入 GLM Coding Plan，針對用戶 8 大類場景定向開發了專用 MCP 工具，模型可自主調用最匹配的接口。

智譜 AI 介紹稱，傳統工具調用大多基于純文本，在面對圖像、視頻、復雜文檔等多模態內容時，需要多次中間轉換，帶來信息損失和工程復雜度。GLM-4.6V 從設計之初就圍繞「圖像即參數，結果即上下文」，構建了原生多模態工具調用能力：

輸入多模態：圖像、截圖、文檔頁面等可以直接作為工具參數，無需先轉為文字描述再解析，減少鏈路損耗。

輸出多模態：對于工具返回的統計圖表、渲染后網頁截圖、檢索到的商品圖片等結果，模型能夠再次進行視覺理解，將其納入后續推理鏈路。

模型原生支持基于視覺輸入的工具調用，完整打通從感知到理解到執行的閉環。這使得 GLM-4.6V 能夠應對圖文混排輸出、商品識別與好價推薦、以及輔助型 Agent 場景等更復雜的視覺任務。

GLM-4.6V 在 MMBench、MathVista、OCRBench 等 30+ 主流多模態評測基準上進行了驗證，較上一代模型取得顯著提升。在同等參數規模下，模型在多模態交互、邏輯推理和長上下文等關鍵能力上取得SOTA表現。其中，9B 版本的 GLM-4.6V-Flash 整體表現超過 Qwen3-VL-8B，106B 參數 12B 激活的 GLM-4.6V 表現比肩 2 倍參數量的 Qwen3-VL-235B。

智譜 AI 開放了 GLM-4.6V 的模型權重、推理代碼與示例工程，IT之家附開源地址如下：

GitHub：https://github.com/zai-org/GLM-V

Hugging Face：https://huggingface.co/collections/zai-org/glm-46v

魔搭社區：https://modelscope.cn/collections/GLM-46V-37fabc27818446