GLM-4.1V-9B-Thinking標志著GLM系列視覺模型實現從感知走向認知的關鍵躍遷。

據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）”，系統性提升模型跨模態因果推理能力與穩定性。

其輕量版 GLM-4.1V-9B-Thinking 模型參數控制在10B級別，在兼顧部署效率的同時實現性能突破。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量高達72B的Qwen-2.5-VL，充分展現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系列視覺模型實現從感知走向認知的關鍵躍遷。

本文為IPO早知道原創

作者｜Stone Jin