GLM-4.5V 解读：多模态推理之王

引言

视觉语言模型 (VLM) 的发展日新月异，它们已经能够出色地完成看图说话、视觉问答等任务。然而，当面对更复杂的、需要多步推理、跨领域知识、甚至与外部环境交互的挑战时，传统的 VLM 往往会暴露出其“思考深度”不足的短板。

例如，解决一道包含图表的 STEM 问题，不仅需要识别图表内容，还需要运用数学和物理知识进行推理。又或者，作为 GUI 智能体，模型需要理解屏幕上的视觉元素，并规划出一系列操作来完成特定任务。这些都对 VLM 的通用多模态推理能力提出了更高的要求。

现有的开源 VLM，大多通过大规模预训练来构建基础能力，但在如何系统性地、可扩展地提升其推理能力方面，尤其是如何通过强化学习 (Reinforcement Learning, RL) 来解锁模型的全部潜力，仍然是一个充满挑战的课题。

在这样的背景下，智谱 AI 和清华大学 KEG 实验室联合推出了 GLM-4.5V，一个旨在推动通用多模态推理边界的 VLM。它不仅仅是一个性能强大的模型，更重要的是，它提出了一套以推理为中心 (reasoning-centric) 的训练框架，特别是其创新的带课程采样的强化学习 (Reinforcement Learning with Curriculum Sampling, RLCS) 方案。

本文将作为 GLM-4.5V 的深度技术解读，带你深入剖析其模型架构、数据驱动的预训练策略、创新的 RLCS 框