GLM-4.6V开源视觉模型评测：9B/106B双版本本地部署与场景应用实战

智谱在今年下半年密集发布了多款高质量模型。继7月的GLM-4.1V-Thinking、随后的GLM-4.5V以及10月的GLM-4.6之后，其在年末再次开源了目前最强的视觉模型：GLM-4.6V。

此次开源提供了两个尺寸版本：参数规模为106B的GLM-4.6V，以及仅为9B的GLM-4.6V-Flash。后者特别引人注目，因其对硬件要求较低，消费级显卡即可实现本地部署。根据官方评测，这两个版本在各自参数量级下，于多模态交互、逻辑推理及长上下文理解等任务上均达到了SOTA（当前最佳）水平。

GLM-4.6V支持高达128K的上下文窗口，可一次性处理约150页PDF文档、200页PPT或近一小时的关键帧视频序列。它不仅支持多模态输入（图文），还能进行多模态输出（图文并茂）。此外，模型还具备工具调用能力，在z.ai平台集成了多种实用工具。

对于希望在本地运行视觉模型的开发者而言，9B的GLM-4.6V-Flash版本堪称当前的最佳选择。它无需昂贵的专业GPU，普通的游戏笔记本或公司配备的消费级显卡即可流畅运行，其综合表现已超越同级别的Qwen3-VL-8B模型。这对于注重数据隐私或需要在边缘设备部署AI应用的企业来说，是一个极具吸引力的解决方案。

一个典型的应用场景是工业质检。例如，在某生产线的末端安装摄像头，对传送带上的产品包装箱进行拍照，随后由部署在本地工控机上的视觉模型实时判断箱体是否有破损、封箱胶带是否完好。过去，这类应用可能受限于小模型的识别准确率，误判率较高。如今，采用GLM-4.6V-Flash这类高性能小模型，有望在同等硬件成本下大幅提升检测精度与效率。

而106B的GLM-4.6V版本，则定位为性能与私有化部署成本的平衡点。它不像数百B、上千B的巨型模型那样令绝大多数企业望而却步，对于有较强性能需求且必须将数据掌握在自己手中的团队，106B是一个经过努力可以实现的部署目标。

当然，如果对数据上云没有顾虑，直接调用智谱的API可以获得更优的速度和体验。目前，GLM-4.6V已可在z.ai上直接使用，也能以MCP（Model Context Protocol）的形式接入智能体（Agent）工作流，或作为基础视觉模型接入Claude Code。

核心能力实测

我们通过z.ai平台对GLM-4.6V进行了一系列能力测试。

1. 复杂图像识别：大合照找人
识别大合影中特定人物的位置一直是视觉模型的难点。我们将一张大型活动合影与一张个人自拍照同时提交给GLM-4.6V，模型成功地从第一排左起第三位准确找到了目标人物。这项能力在智能相册管理、安防监控等领域有很高的实用价值。

2. 图像搜索（Image Research）
模型内置的图像搜索功能对于内容创作者非常实用。例如，当要求其搜索“GEO（生成式引擎优化）”相关图片时，返回的结果精准且质量较高，能有效提升找图效率。

3. 文档与票据信息提取
模型在文档理解方面表现出色。无论是解读复杂的学术PDF（能正确处理文中的图片位置），还是识别车辆维修单等票据信息，都展现了极高的准确率，经逐字核对可达99.9%以上。

4. 视频内容理解
模型能够分析视频片段，理解剧情发展并识别角色情绪的细微变化，例如能捕捉到角色“湿润的眼眶”这样的细节。

本地集成与Agent实战

GLM-4.6V可以方便地集成到本地开发环境中。例如，通过修改Claude Code的settings.json配置文件，即可将其作为视觉模块接入：

{
  "env": {
    "ANTHROPIC_AUTH_TOKEN": "你的智谱开放平台apikey",
    "ANTHROPIC_BASE_URL": "https://open.bigmodel.cn/api/anthropic",
    "API_TIMEOUT_MS": "3000000"
  },
  "model": "glm-4.6v"
}

配置完成后重启，你就拥有了一个具备“视觉”能力的本地智能体。我们为其布置了一个复杂的跨平台比价任务：使用Playwright MCP工具，在淘宝上找到500-1000元价位段销量第一的半入耳式蓝牙耳机，然后前往唯品会和京东搜索同款进行比价，并将最便宜的商品加入购物车。

在这个任务中，GLM-4.6V负责“看清”网页上的商品信息、型号和价格，Claude Code则负责整体任务规划和调度。两者协同成功完成了跨平台浏览、信息识别、逻辑比价和操作执行的全流程，尽管在初始的价格区间筛选步骤上略有疏漏，但整体完成度很高。

另一种高效的用法是，将GLM-4.6V作为专门的视觉MCP服务器，而让代码能力更强的GLM-4.6作为主模型来调度任务。通过以下命令添加MCP服务器：

claude mcp add -s user zai-mcp-server --env Z_AI_API_KEY=你的智谱apikey -- npx -y "@z_ai/mcp-server"

随后，在settings.json中将模型换回glm-4.6即可。这样，智能体就拥有了“眼睛”，可以执行诸如“分析视频中的网站页面与交互效果，并1:1复刻该网站”这类高度依赖视觉理解的任务。在实际测试中，模型成功识别了参考视频中的网页动效与交互，并生成了具有类似视觉效果的前端代码。

模型获取

GLM-4.6V相关资源已开源，您可以从以下地址获取：

• GitHub: https://github.com/zai-org/GLM-V
• Hugging Face: https://huggingface.co/collections/zai-org/glm-46v
• 魔搭社区: https://modelscope.cn/collections/GLM-46V-37fabc27818446

总结

GLM-4.6V的开源为多模态AI的落地提供了更灵活的选择。9B的Flash版本降低了本地部署AI应用的门槛，让个人开发者和中小企业也能享受高性能视觉模型带来的便利。106B版本则在性能与部署成本间取得了良好平衡，适合对私有化有严格要求的企业场景。将此类模型与具体的Python业务逻辑相结合，能够切实解决产业中的实际问题，释放AI的生产力。