智谱推出视觉编程基座模型 GLM-5V-Turbo,上下文扩至 200k
智谱发布多模态 Coding 基座模型 GLM-5V-Turbo,可理解图片、视频、设计稿与文档版面,上下文窗口扩展至 200k,并在 AutoClaw 智能体中接入视觉能力。
海宇数科 · 事件日期 · 更新于 · 约 3 分钟 · 1 次阅读

智谱于4月2日发布多模态 Coding 基座模型 GLM-5V-Turbo,该模型面向视觉编程场景,将图像、视频、设计稿与文档版面纳入模型输入范围,目标是把 AI 智能体的感知对象从纯文本扩展至界面与设计内容。
核心突破:看得懂画面,写得出代码
作为原生多模态 Coding 基座,GLM-5V-Turbo 把视觉理解与代码生成放在同一模型中处理。
模型可理解图片、视频、设计稿以及复杂的文档版面,并支持画框、截图、读取网页等视觉工具调用方式。
上下文窗口扩展至 200k,使智能体在处理大型工程项目或长篇技术文档时具备更长的信息承载能力。
在多模态 Coding 与 GUI Agent 等基准测试中,该模型以较小尺寸取得领先表现,同时在纯文本场景下保持逻辑推理能力不退化。
典型场景:从“草图”到“成品”的秒级跨越
开发者向模型发送草图、设计稿截图或一段操作录屏后,模型可理解其中的布局、配色与交互逻辑,生成完整可运行的前端工程,并还原视觉细节。
结合 Claude Code 等框架,GLM-5V-Turbo 可自主浏览网页、梳理页面跳转关系并采集素材,使复刻能力从依据单张图延伸至主动探索。
该模型支持通过对话增删模块、修改文案或调整布局,以交互方式完成代码迭代。
上述场景构成智谱为视觉编程描述的工作流:从输入草图或录屏,到生成前端工程,再到对话式修改。
赋能“龙虾”:AutoClaw 迎来视觉进化
在智谱自研智能体 AutoClaw(龙虾)中接入 GLM-5V-Turbo 后,原本只处理文字任务的能力扩展至视觉内容。
AutoClaw 可直接解读 K 线走势图、估值区间图及券商研报中的图表。
该智能体支持四路数据源在 60 秒内并行采集,并自动生成图文分析报告或 PPT。 智谱将这一接入定位为 AutoClaw 的视觉能力升级,使其输出从纯文本扩展至图文并茂的形式。
行业观察:编程不再是“盲人摸象”
GLM-5V-Turbo 的发布意味着智谱把 AI 的理解范围从语法逻辑推进至感知逻辑:模型不仅能读代码,也能读取屏幕上的界面与操作环境。 当 AI 能够看见屏幕并理解人类操作环境时,全自动编程辅助(Agentic Coding)才具备展开的条件,这是智谱在该模型上给出的判断。
