智譜GLM-4.1V-Thinking登頂HuggingFace Trending全球第一
GLM-4.1V-9B-Thinking標志著GLM系列視覺模型實現(xiàn)從感知走向認知的關鍵躍遷。
據(jù)IPO早知道消息，GLM-4.1V-9B-Thinking憑借9B的模型尺寸，日前成功登頂HuggingFace Trending第一。
作為一款支持圖像、視頻、文檔等多模態(tài)輸入的通用推理型大模型，GLM-4.1V-Thinking專為復雜認知任務設計。它在 GLM-4V 架構基礎上引入“思維鏈推理機制（Chain-of-Thought Reasoning）”，采用“課程采樣強化學習策略（RLCS, Reinforcement Learning with Curriculum Sampling）”，系統(tǒng)性提升模型跨模態(tài)因果推理能力與穩(wěn)定性。
其輕量版 GLM-4.1V-9B-Thinking 模型參數(shù)控制在10B級別，在兼顧部署效率的同時實現(xiàn)性能突破。該模型在MMStar、MMMU-Pro、ChartQAPro、OSWorld 等28項權威評測中，有23項達成10B級模型的最佳成績，其中18項更是持平或超越參數(shù)量高達72B的Qwen-2.5-VL，充分展現(xiàn)了小體積模型的極限性能潛力。
通過有效的混合訓練，GLM-4.1V-9B-Thinking融合了豐富的多模態(tài)模型能力，包括但不限于：
視頻理解：能夠解析最長兩小時的視頻內容，通過推理對視頻中的時間、人物、事件和邏輯關系進行準確分析；
圖像問答：對圖像中的內容進行深入分析和解答，具備較強的邏輯能力和世界知識；
學科解題：支持對數(shù)學、物理、生物、化學等學科問題的看圖解題，通過推理給出詳細的思考過程；
文字識別：對圖片和視頻中的文字和圖表內容進行準確抽取和結構化輸出；
文檔解讀：對金融、政務、教育等領域的文檔內容進行準確的原生理解、抽取、提煉和問答；
Grounding：識別圖片中的特定區(qū)域并抽取坐標位置，支持各種需要定位信息的下游任務；
GUI Agent：識別網(wǎng)頁、電腦屏幕、手機屏幕等交互界面元素，支持點擊、滑動等指令執(zhí)行能力；
代碼生成：能夠基于輸入的圖片文字內容自動編寫前端代碼，看圖寫網(wǎng)頁。
某種程度上而言，GLM-4.1V-9B-Thinking標志著GLM系列視覺模型實現(xiàn)從感知走向認知的關鍵躍遷。
本文為IPO早知道原創(chuàng)
作者｜Stone Jin
本文來源：IPO早知道
來源：IPO早知道
重要提示：本文僅代表作者個人觀點，并不代表樂居財經立場。 本文著作權，歸樂居財經所有。未經允許，任何單位或個人不得在任何公開傳播平臺上使用本文內容；經允許進行轉載或引用時，請注明來源。聯(lián)系請發(fā)郵件至ljcj@leju.com，或點擊【聯(lián)系客服】
網(wǎng)友評論
相關推薦
原創(chuàng)
樂居財經
07-09
進深
07-09
最新文章推薦
原創(chuàng)
樂居財經
07-09
