智東西
作者 江宇
編輯 漠影

智東西4月2日?qǐng)?bào)道，今日，“國(guó)產(chǎn)大模型第一股”智譜發(fā)布了其首個(gè)多模態(tài)Coding基座模型GLM-5V-Turbo，將AI大模型的感知邊界從純文本推到視覺世界。這是繼GLM-5-Turbo之后，智譜短時(shí)間內(nèi)在Coding基座模型上的又一次快速迭代。

據(jù)官方新聞稿介紹，GLM-5V-Turbo不僅能讀懂代碼，還能“看懂畫面再寫代碼”。給定一張?jiān)O(shè)計(jì)稿截圖，它能直接生成完整可運(yùn)行的前端工程；在接入OpenClaw、AutoClaw等龍蝦Agent之后，它也能看懂屏幕、讀懂K線圖、瀏覽各類網(wǎng)頁(yè)，然后自主完成一整套長(zhǎng)程任務(wù)。

得益于出色的視覺編程性能，GLM-5V-Turbo在海外引發(fā)了廣泛的關(guān)注，截至發(fā)稿前，其官方推文已經(jīng)獲得了130萬(wàn)+的瀏覽量，海外開發(fā)者甚至夸張地打趣道：“對(duì)Anthropic來說，現(xiàn)在游戲結(jié)束了。”

X網(wǎng)友@Zaid表示，“Anthropic現(xiàn)在的處境岌岌可危。”

如今，放眼整個(gè)行業(yè)來看，GLM-5V-Turbo推出的意義正變得越來越清晰：當(dāng)Coding模型開始進(jìn)入真實(shí)生產(chǎn)環(huán)境，光靠文本確實(shí)已經(jīng)不夠用了，而剛剛發(fā)布的GLM-5V-Turbo，將為「視覺編程」新范式提供一個(gè)全新的啟示。

一、上手實(shí)測(cè)：看見即復(fù)刻，圖像即代碼

說再多不如直接上手。我們用三個(gè)實(shí)測(cè)案例，看看GLM-5V-Turbo在不同輸入方式下的前端復(fù)刻能力。

案例一：畫個(gè)草圖，也能復(fù)刻？

先從最離譜的場(chǎng)景開始，我們只給GLM-5V-Turbo畫幾個(gè)框框，讓它做個(gè)酷炫的音樂播放器。結(jié)果模型還真搞得像模像樣，布局合理、配色協(xié)調(diào)、連播放控件都安排得明明白白，讓它改個(gè)配色也是言出法隨。建議各位產(chǎn)品經(jīng)理抓緊體驗(yàn)，以后改需求再也不用看前端的臉色了。

案例二：輸入網(wǎng)址，直接復(fù)刻

這是GLM-5V-Turbo的主打功能之一。因?yàn)槟Ｐ陀袕?qiáng)大的GUI Agent能力，只要給它一個(gè)目標(biāo)網(wǎng)站URL，它就能自主瀏覽頁(yè)面，梳理布局結(jié)構(gòu)、采集視覺素材與交互細(xì)節(jié)，然后直接生成完整可運(yùn)行的前端工程。不需要手動(dòng)截圖、不需要描述需求，一個(gè)鏈接就夠了。

例如，我們讓GLM-5V-Turbo復(fù)刻這個(gè)頗具設(shè)計(jì)感的網(wǎng)站：https://niore.webflow.io/

這是復(fù)刻效果，可以看到，不論是布局、字體，甚至是插圖都非常相似。

案例三：輸入錄屏，還原動(dòng)效

將一段網(wǎng)頁(yè)操作錄屏發(fā)給模型，GLM-5V-Turbo能從視頻中理解頁(yè)面的動(dòng)態(tài)交互邏輯——滾動(dòng)效果、彈窗切換、表單聯(lián)動(dòng)、按鈕反饋等，然后將這些交互細(xì)節(jié)還原為可運(yùn)行的代碼。不只是”還原長(zhǎng)什么樣”，而是”還原怎么動(dòng)”。

我們把這個(gè)美食網(wǎng)站的錄屏發(fā)給GLM-5V-Turbo，讓它復(fù)刻一下。

▲錄屏

可以看到，網(wǎng)站的布局、照片、字體都比較還原，浮現(xiàn)動(dòng)效和字體特效這類動(dòng)態(tài)細(xì)節(jié)也基本復(fù)刻到位。

▲結(jié)果

二、技術(shù)探索：不是簡(jiǎn)單“加了個(gè)視覺模塊”

與以往傳統(tǒng)方法不同，GLM-5V-Turbo不是在一個(gè)純文本Coding模型上“外掛”了一個(gè)視覺理解模塊，而是從預(yù)訓(xùn)練階段就開始進(jìn)行文本與視覺能力的深度融合，解決了“視覺能力與純文本編程和推理能力無(wú)法兼得”的問題。

具體來說，智譜團(tuán)隊(duì)研發(fā)了新一代CogViT視覺編碼器，在通用物體識(shí)別、細(xì)粒度理解、幾何與空間感知上均做到了領(lǐng)先水平，同時(shí)設(shè)計(jì)了一套兼容多模態(tài)輸入且推理友好的MTP結(jié)構(gòu)，在多模態(tài)場(chǎng)景下實(shí)現(xiàn)了較高的推理效率。

更關(guān)鍵的是，在強(qiáng)化學(xué)習(xí)階段，智譜團(tuán)隊(duì)采用了30+任務(wù)類型的協(xié)同優(yōu)化策略，覆蓋STEM推理、視覺grounding、視頻理解、GUI Agent等多個(gè)子領(lǐng)域。這種多任務(wù)協(xié)同強(qiáng)化學(xué)習(xí)的好處在于，它有效緩解了單領(lǐng)域訓(xùn)練容易出現(xiàn)的不穩(wěn)定性，也就是說，不會(huì)因?yàn)槟骋豁?xiàng)能力的提升而犧牲其他能力。

而且從評(píng)測(cè)數(shù)據(jù)來看，這套方案確實(shí)跑通了。

在多模態(tài)Coding維度，GLM-5V-Turbo在設(shè)計(jì)稿還原、視覺代碼生成、多模態(tài)檢索與問答、視覺探查等基準(zhǔn)上均取得領(lǐng)先表現(xiàn)；在衡量真實(shí)GUI環(huán)境操控能力的AndroidWorld、WebVoyager等基準(zhǔn)上同樣表現(xiàn)突出。

而在純文本Coding維度，GLM-5V-Turbo在CC-Bench-V2的Backend、Frontend和Repo Exploration三項(xiàng)核心測(cè)試中保持了穩(wěn)定表現(xiàn)——也就是說，視覺能力的引入并沒有拖累純文本編程能力。

用一句話總結(jié)：GLM-5V-Turbo不是在“看圖”和“寫代碼”之間做取舍，而是“全都要”。

結(jié)語(yǔ)：Coding基座模型的下一步，是“看見世界”

從GLM-5-Turbo到GLM-5V-Turbo，智譜在Coding基座模型上的迭代邏輯非常清晰：先讓模型在文本世界里把任務(wù)跑通，再讓它“看見”視覺世界，從而進(jìn)入更廣闊的應(yīng)用空間。

這背后的判斷是：Agent時(shí)代，模型能力不只由智能水平定義，還由它能處理的context容量定義。一個(gè)只能處理純文本的模型，哪怕推理能力再?gòu)?qiáng)，在真實(shí)世界里的應(yīng)用邊界也是有限的。因?yàn)檎鎸?shí)世界的信息，絕大多數(shù)以圖片、視頻、界面等視覺形式存在。

從這個(gè)角度來看，GLM-5V-Turbo不只是智譜的一次產(chǎn)品更新，更像是一個(gè)行業(yè)信號(hào)：Coding模型的競(jìng)爭(zhēng)，正在從“誰(shuí)的代碼寫得好”升級(jí)到“誰(shuí)能看懂世界并寫出代碼”。

而隨著越來越多的Coding模型開始進(jìn)入真實(shí)生產(chǎn)環(huán)境，“看得懂、寫得出、跑得通”這三項(xiàng)能力的整合程度，將成為區(qū)分模型之間差距的關(guān)鍵維度。

這場(chǎng)競(jìng)賽，才剛剛進(jìn)入深水區(qū)。