开源通用视觉语言模型GLM-4.1V-Thinking技术分享

合集 · 多模态模型 (7)

Description

以小博大，GLM-4.1V-9B-Thinking凭借 9B 的模型尺寸，成功占领 Hugging Face Trending第一🎉
GLM-4.1V-Thinking是一款支持图像、视频、文档等多模态输入的通用推理型大模型，专为复杂认知任务设计。它在GLM-4V架构基础上引入“思维链推理机制（Chain-of-Thought Reasoning）”，采用“课程采样强化学习策略（RLCS, Reinforcement Learning with Curriculum Sampling）”，系统性提升模型跨模态因果推理能力与稳定性。
其轻量版GLM-4.1V-9B-Thinking模型参数控制在10B级别，在兼顾部署效率的同时实现性能突破。该模型在MMStar、MMMU-Pro、ChartQAPro、OSWorld等28项权威评测中，有23项达成10B级模型的最佳成绩，其中18项更是持平或超越参数量高达72B的Qwen-2.5-VL，充分展现了小体积模型的极限性能潜力。GLM-4.1V-9B-Thinking标志着GLM系列视觉模型实现从感知走向认知的关键跃迁。
【开源地址】Github：https://github.com/THUDM/GLM-4.1V-Thinking
Hugging Face：https://huggingface.co/THUDM/GLM-4.1V-9B-Thinking