GLM-4.5V ist das Vision-Language-Modell der GLM-4.5-Generation. Es versteht Bilder, Videos, Diagramme und lange Dokumente und kann grafische Bedienoberflächen erkennen und steuern, etwa als GUI-Agent am Desktop oder auf Android. Laut Technical Report erreichte es bei Veröffentlichung in fast allen von 42 Benchmarks Bestwerte unter offenen Modellen vergleichbarer Größe.
Als Sprachmodell dient GLM-4.5-Air, ein Mixture-of-Experts-Modell (MoE) mit 106 Milliarden Parametern, von denen je verarbeitetem Textbaustein (Token) nur 12 Milliarden aktiv sind. Wie bei GLM-4.5 lässt sich die Denkphase (Thinking) ein- und ausschalten. Das Modell steht unter der MIT-Lizenz.
GLM-4.5V (+ GLM-4.5V-FP8)
Z.AI (Zhipu AI)
August 2025
MIT
Multimodal (Bild, Video, Dokumente, GUI), MoE, Hybrid-Reasoning
106 Mrd. total (12 Mrd. aktiv), Basis GLM-4.5-Air
Vision-Encoder (AIMv2-Huge) mit MLP-Projektor und GLM-4.5-Air als Sprachmodell
46
128 Experten, 8 aktiv je Token, 1 geteilter Experte
64.000 Token laut Modellkonfiguration (Ausgabe bis 16.000 Token über die Z.AI-API)
Die vollständigen Modellgewichte im Zahlenformat BF16 mit 16 Bit je Parameter. Die Referenzversion für maximale Genauigkeit.
Die von Z.AI bereitgestellte quantisierte Fassung mit 8 statt 16 Bit je Parameter. Der Speicherbedarf halbiert sich dadurch etwa, ohne dass Sie selbst quantisieren müssen.
Der Nachfolger GLM-4.6V verdoppelt das Kontextfenster und ruft Werkzeuge direkt mit Bildern auf. Als Sprachmodell nutzt GLM-4.5V GLM-4.5-Air.
| Benchmark | GLM-4.5V | Qwen2.5-VL (72B) | GLM-4.1V (9B) | Gemma-3 (27B) |
|---|---|---|---|---|
| MMBench v1.1 | 88,2 | 88,0 | 85,8 | 80,1* |
| MMMU (val) | 75,4 | 70,2 | 68,0 | 62,0* |
| MMMU Pro | 65,2 | 51,1 | 57,1 | 37,4* |
| MathVista | 84,6 | 74,8 | 80,7 | 64,3* |
| MMLongBench-Doc | 44,7 | 35,2* | 42,4 | 28,4* |
| OCRBench | 86,5 | 85,1* | 84,2 | 75,9* |
| ChartQAPro | 64,0 | 46,7* | 59,5 | 37,6* |
| RefCOCO-avg (val) | 91,3 | 90,3 | 85,3 | 2,4* |
| OSWorld | 35,8 | 8,8 | 14,9 | 6,2* |
| AndroidWorld | 57,0 | 35,0 | 41,7 | 4,4* |
| Design2Code | 82,2 | 41,9* | 64,7 | 16,1 |
| VideoMME (ohne Untertitel) | 74,6 | 73,3 | 68,2 | 58,9* |
| VideoMMMU | 72,4 | 60,2 | 61,0 | 54,5* |
Quelle: offizielle GLM-4.5V Veröffentlichung (Z.AI, August 2025). Angaben in Prozent. Mit * markierte Werte hat Z.AI selbst nachgemessen. Qwen2.5-VL und Gemma-3 ohne Denkphase.
Offenes Vision-Modell für Bilder, Videos und GUI-Agenten unter MIT-Lizenz. Wir prüfen mit Ihnen Nutzen, Auslegung und Betriebskosten.
Für das Vortraining hat Z.AI laut Technical Report einen Bestand von über 10 Milliarden Bild-Text-Paaren gesammelt und stark gefiltert. Das Modell lernte zunächst mit kurzen Sequenzen von 8.192 Token und anschließend mit bis zu 32.768 Token, dann auch mit Videos und längeren Dokumenten.
Im Post-Training kombiniert Z.AI Beispiele mit und ohne Denkphase. Anschließend folgt Reinforcement Learning mit Curriculum Sampling: Das Modell übt vor allem an Aufgaben, die für seinen aktuellen Stand weder zu leicht noch zu schwer sind, und lernt aus Bewertungen seiner eigenen Antworten.
GLM-4.5V eignet sich für Organisationen, die Bilder, Videos und Oberflächen mit einem offenen Modell auswerten wollen. In einer KI-Beratung prüfen wir mit Ihnen, ob GLM-4.5V oder der Nachfolger GLM-4.6V besser passt.
Stark als GUI-Agent: Bei OSWorld erreicht GLM-4.5V 35,8, Qwen2.5-VL mit 72 Milliarden Parametern 8,8.
Präzises Grounding: 91,3 bei RefCOCO für die Verortung von Objekten im Bild.
Frontend aus Screenshots: 82,2 bei Design2Code, deutlich vor den Vergleichsmodellen.
Zuschaltbare Denkphase: Tiefes Schlussfolgern nur dort, wo es gebraucht wird.
Kommerziell frei nutzbar: Die MIT-Lizenz erlaubt Einsatz, Anpassung und Weitergabe ohne Nutzungsbeschränkungen.
Kleines Kontextfenster: 64.000 Token, der Nachfolger GLM-4.6V verarbeitet 128.000.
Schwächer bei reinen Textaufgaben: Laut Z.AI gibt es hier noch Verbesserungsbedarf.
Überdenken und Wiederholungen: Bei komplexen Anfragen denkt das Modell teils zu lange nach oder wiederholt die Antwort am Ende.
Grenzen der Wahrnehmung: Z.AI nennt Schwächen beim Zählen und beim Erkennen bestimmter Personen.
Wir planen die Auslegung für GLM-4.5V, übernehmen Inbetriebnahme, Quantisierung und Betrieb und hosten das Modell auf Wunsch DSGVO-konform in unserem zertifizierten Rechenzentrum in Limburg an der Lahn.
GLM-4.5V versteht Bilder, Videos, Diagramme und lange Dokumente. Es kann Objekte im Bild verorten, Webseiten aus Screenshots nachbauen und grafische Oberflächen als GUI-Agent bedienen.
Z.AI nennt keine Mindestausstattung. Als Richtwert gilt das zugrunde liegende Sprachmodell GLM-4.5-Air: mit FP8-Gewichten eine H200 oder zwei H100. Für Videos kommt Speicher für den KV-Cache hinzu, den Zwischenspeicher für bereits verarbeitete Teile einer Anfrage.
GLM-4.6V verdoppelt das Kontextfenster auf 128.000 Token und ruft Werkzeuge direkt mit Bildern auf. Bei Dokumenten und Frontend-Aufgaben liegt der Nachfolger vorn. Mehr dazu auf unserer Seite zu GLM-4.6V.
Ja. Z.AI veröffentlicht die Gewichte unter der MIT-Lizenz. Sie dürfen das Modell kommerziell einsetzen, anpassen und weitergeben, ohne Nutzungsbeschränkungen oder Umsatzgrenzen.
Ja. Über unsere GPU Cloud stellen wir die nötige Rechenleistung bereit. Alternativ bündelt der MaaS Proxy verschiedene Modelle über eine einheitliche Schnittstelle. Beide Wege betreiben wir DSGVO-konform in Deutschland.
Möchten Sie individuell beraten werden?
Unsere KI-Experten sind für Sie da!
