GLM-4.5：智谱 AI 的次世代多模态基础模型

2025-2026 年基础模型的演进由两个趋势定义：多模态化和效率。只能处理文本的模型已迅速让位给原生理解图像、音频和视频的模型。同时，专家混合（MoE）架构已成为构建既强大又实用千部署的模型的标准方法。智谱 AI 的 GLM-4.5 代表了这些趋势在中文 AI 生态系统中的汇聚。

GLM-4.5 是智谱 AI 的次世代基础模型，建立在 GLM-4 架构之上，具有原生多模态理解、显著改进的推理能力和高效的 MoE 设计。该模型代表了中国迄今最雄心勃勃的开源 AI 发布，在中文和英文基准测试上直接与 GPT-4o、Claude 4 Sonnet 和 Gemini 2.5 竞争。

从 GLM-4 到 GLM-4.5 的飞跃是巨大的。GLM-4 主要是文本模型，事后添加了一些视觉能力，而 GLM-4.5 是原生多模态的：它将图像、音频和视频视为与文本同等的第一类输入。推理管线已经过全面改造，具备思维链能力和结构化工具使用，可与最佳的西方模型相媲美。而 MoE 架构则以极低的推理成本提供 GPT-4 级别的能力。

架构改进

GLM-4 和 GLM-4.5 之间的架构差异显著：

多模态处理管线

GLM-4.5 通过统一架构处理多种输入模态：

flowchart LR
    subgraph Inputs[输入模态]
        Text[文本输入]
        Image[图像输入]
        Audio[音频输入]
        Video[视频输入]
    end

    subgraph Encoders[模态编码器]
        TE[文本编码器<br>GLM Tokenizer]
        IE[视觉编码器<br>SigLIP ViT]
        AE[音频编码器<br>Whisper 风格]
        VE[视频编码器<br>时空编码]
    end

    subgraph Projection[跨模态投影]
        Proj[学习投影层]
    end

    subgraph MoE[MoE Transformer 主干]
        MoELayer1[MoE 层 1<br>8 专家，top-2 路由]
        MoELayer2[MoE 层 2<br>8 专家，top-2 路由]
        MoELayerN[MoE 层 N<br>8 专家，top-2 路由]
    end

    subgraph Outputs[生成]
        Decoder[输出解码器]
        TextOut[生成的文本]
    end

    Text --> TE
    Image --> IE
    Audio --> AE
    Video --> VE

    TE --> Proj
    IE --> Proj
    AE --> Proj
    VE --> Proj

    Proj --> MoELayer1
    MoELayer1 --> MoELayer2
    MoELayer2 --> MoELayerN
    MoELayerN --> Decoder
    Decoder --> TextOut

该架构执行特定模态的编码，将所有模态投影到共享的潜在空间，通过 MoE Transformer 主干处理它们，并生成文本输出。这种统一方法意味着 GLM-4.5 可以在单次前向传递中跨模态进行推理：描述图像的内容同时参考附带的文本，或转录音频同时分析其与视频帧的关系。

性能基准测试

GLM-4.5 在多个基准测试类别中取得了与领先模型竞争的成绩：

GLM-4.5 在中文知识基准测试和数学推理上领先，在多模态任务上表现出色，并展现出强大的智能体性能。它在代码方面落后千 Claude 4 Sonnet，但与 GPT-4o 和 Gemini 2.5 Pro 保持竞争力。

企业应用

该模型的多语言和多模态能力使其特别适合：

• 需要文档分析的中文企业知识管理
• 结合文本、图像和音频的跨语言客户服务
• 针对中文媒体的视频内容分析和摘要
• 需要中英文双语支持的教育应用
• 使用中文医学术语的医疗图像分析

开始使用

请访问 GLM-4.5 GitHub 仓库 获取模型卡片、推理示例和文档。较小的变体可在 Hugging Face 上获取，用于本地部署，而完整模型则可通过智谱 AI API 访问。

常见问题

什么是 GLM-4.5？

GLM-4.5 是智谱 AI 的次世代多模态基础模型，原生处理文本、图像、音频和视频输入，具有增强的推理能力、改进的智能体性能，以及比前代 GLM-4 更强大的中英文双语理解能力。

GLM-4.5 比 GLM-4 增加了哪些新功能？

GLM-4.5 增加了原生多模态输入（图像、音频、视频）、通过思维链和函数调用改进的推理能力、高达 128K Token 的扩展上下文窗口、增强的工具使用，以及提高效率的新型专家混合架构。

GLM-4.5 与 GPT-4o 和 Claude 4 相比如何？

GLM-4.5 在视觉语言任务上与 GPT-4o 具有竞争力，并在中文多模态理解上超越它。在纯文本推理方面，Claude 4 仍然领先，但 GLM-4.5 显著缩小了差距，同时提供更好的双语表现和更高效的 MoE 架构。

GLM-4.5 中的 MoE 架构是什么？

GLM-4.5 使用专家混合（MoE）架构，总参数约 4000 亿，每个 Token 约激活 450 亿参数。这意味着它拥有 400B 模型的能力，但推理成本与 45B 模型相当，使其比密集的 130B 参数 GLM-4 效率高出许多。

GLM-4.5 是开源的吗？

智谱 AI 已在宽松许可下开源了 GLM-4.5 的较小变体（最高 9B 参数）。完整的 400B MoE 变体可通过智谱 API 和 ModelScope 平台提供给经批准的研究合作伙伴。

延伸阅读

• GLM-4.5 GitHub 仓库 – 源代码、模型卡片和部署指南
• 智谱 AI 官方网站 – API 访问和企业解决方案
• GLM-4 完整指南 – 深入了解前代 GLM-4 模型
• ModelScope 平台 – 中文 AI 模型托管和分发平台