北京
AGI很遠，但貼張圖能不能被看懂，很近。
這幾天，AI圈最魔幻的一幕發生了。
一個清華教授，沒發新模型，沒開發布會，就在網上隨口問了一句話。
結果瀏覽量啪的一下，干到了40萬+。
這哥們叫唐杰，智譜的靈魂人物。他問的也簡單——
各位！下個版本的GLM，你想要啥？
就這么一句，評論區瞬間炸了。
一、為啥大家這么上頭
說實話，剛看到的時候我也愣了。
不就是征集個意見嗎？至于嗎？
至于。。。
因為這事兒是有"前科"的。
去年GLM-4.6開源那會兒，唐杰也這么問過一回。當時網友們一條條熱情支招，結果你猜怎么著——那些需求后來真就一個個在新版本里實現了。
真·有求必應·阿拉丁。
所以這次他一張口，懂行的人立馬就團建去了。有人列愿望清單，有人@智譜員工，還有人直接跪求：
求你了GLM！做一個類似Codex的桌面應用！！
但刷得最多、最齊刷刷的，是同一個字——
視覺。
二、一個"偏科學霸"的痛
要理解這個字背后的分量，得先看看GLM現在有多猛。
兩周前，智譜剛開源了GLM-5.2。
強到什么程度？在全球百萬開發者盲測的Code Arena上，它拿了1595分，可用模型里排全球第一，只輸給一個還沒對外開放的神話級模型Fable-5。
百萬Token無損上下文、深度邏輯推理、復雜系統工程……樣樣能打。
但偏偏，它有個致命的缺。
它看不見。
一個純文本模型，能吞下整個項目的幾十萬行代碼，卻看不懂你隨手貼的一張設計稿，更別提截個圖讓它幫你改界面了。
于是GLM用戶集體流下了羨慕的淚水：人家Fable-5是原生多模態，看圖、造圖、讀網頁樣樣行，我咋就只能干瞪眼？
最扎心的是——
這事兒壓根不是智譜做不出來。
恰恰相反。早在今年4月，智譜就發過GLM-5V-Turbo，能看懂截圖直接吐代碼。再往前，那個大名鼎鼎的CogVLM視覺編碼器，就是他們做的。唐杰本人寫的視覺論文，更是一抓一大把。
所以問題不是"能不能"，而是——他沒把視覺，放進那個最強的旗艦里。
三、科學家和你，看的不是一個東西
為啥不放？
唐杰自己其實早就給過答案。
在他眼里，多模態當然是未來。但他補了一刀：
當下的多模態，對提升AGI的智能上界，幫助有限。最有效的方式，可能還是分開發展。
你品，你細品。
這就是科學家和普通用戶之間，那道微妙的拉扯。
唐杰這種沖在一線的人，盯著的是模型到底聰不聰明這件事——視覺能讓模型更好用，但讓它更聰明的，是復雜推理那套硬功夫。
可對我們普通人來說，AGI太遠了。
我們要的特別樸素：眼下貼張圖，你能不能接住？截個屏，你能不能看懂？
一邊是科學家望著智能的天花板，覺得視覺只是錦上添花；一邊是全世界的開發者，齊刷刷地喊著同一個字。
這事兒，誰也沒錯。
只是站的地方，不一樣。
四、這一次，可能真的躲不過了
不過這回，留給"分開發展"的時間，恐怕不多了。
因為對手們，全都端著多模態殺過來了。
Kimi K2.5早在1月就原生多模態了，Qwen3.5-Omni三月份直接把文本、圖像、音頻、視頻全塞進一個模型，更別提國際上Gemini 3那種文圖音視頻一把抓的狠角色。
旗艦補視覺，幾乎是迫在眉睫。
而唐杰那句"你想要啥"，與其說是征集，不如說是一次心照不宣的預告。
GLM-5.3，可能就快端上桌了。
其實我挺喜歡這個場面的。
一個頂尖科學家，愿意放下身段，在公開場合問一句"你們想要啥"，然后真的去做。
這背后藏著一個特別樸素的邏輯——
最好的產品，從來不是關起門來拍腦袋想出來的，而是聽出來的。
科學家追的是星辰大海，用戶要的是腳下的路。
而一個偉大的東西，往往就誕生在這兩者的交匯處。
GLM-5.3會不會有視覺，我不知道。
但我知道，當40萬人喊著同一個字的時候，有人在認真聽。
這就夠了。
特別聲明：以上內容(如有圖片或視頻亦包括在內)為自媒體平臺“網易號”用戶上傳并發布，本平臺僅提供信息存儲服務。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
