大模型角力视觉推理，推理AI新时代来临

输入一个PPT，自动生成汇报内容、演讲稿；输入一段"苏超"视频，得到一段足球解说……如今的大语 言模型不只会看文字，还会看图片、视频。 7月2日，智谱发布并开源视觉语言大模型GLM-4.1V-Thinking。这款通用推理型大模型支持图像、视 频、文档等多模态输入，可用于复杂认知任务。 "就像人一样。眼睛看到了复杂的视觉信号，不光是简单的信号接收，还可以根据视觉信号进一步推 理，理解复杂的物理世界。"在现场演示时，智谱CEO张鹏介绍道，智谱基于预训练构造了视觉理解模 型，监督微调使其初步具备推理能力，再基于深度学习大幅提高推理能力，在业内首次把推理能力和视 觉理解能力有机结合在一起。 人类不仅希望AI能思考，还希望AI能执行——通过自主智能体的方式，现有的大模型能力能转化成真 正的生产力。 此前，大模型可以用于代码生成；而视觉推理能力使得AI能够"看懂"和"理解"视觉信息，比如用户界面 （UI）的设计图、原型图甚至屏幕截图，可以辅助产品经理生成代码重构用户界面。 "视觉推理能力还可以用于智能体，让它理解GUI（图形用户界面），比如理解手机、PC上复杂的用户 操作界面，形成精准的操作逻辑。"据张鹏介绍，GLM- ...