从结果上看，GLM-4.6V 表现跟 Qwen3-VL-235B 持平，这个新系列也会同步智谱的Coding Plan里，API的调用价格比GLM-4.5V 降价 50%那就看看它可以完成多少类Gemini3级的多模态任务，这次测试包括前端复刻、图片信息提取、学术分析、长图文写作和视频理解。
先来做前端复刻好了，我直接截取某书的界面，把这张图片甩给了GLM-4.6V复刻
GLM-4.6V的反应很快。生成的代码识别了网页的布局结构，还原了CSS样式，图片的部分用了占位符，没有选择截图原图模糊局部。所以我追加了一个更刁钻的需求，根据每个帖子的主题搜索合适的图片素材填入代码里，
GLM-4.6V找图还找挺准的，那也不能只复刻UI吧，交互我也想复刻下来所以我把点开帖子后的详情页也发过去了，照样是按键，评论，视频进度条等都实现了。
GLM-4.6V的表现蛮不错的，它没有胡堆div，也可以给出自己搜索后的图片，多轮对话叠加交互，给出了干净利落的修改方案。搞定了代码，再来做些枯燥的能丢给AI就绝不自己动手的多模态信息处理。我在一次对话里丢给了它手写表格，发票和手写简历的混合数据。提示语也是复合的，
这其实是一个非常考验模型Grounding，也就是定位能力的任务。传统的OCR往往只能把字读出来，但不知道字在哪，也不知道字之间的关系。
GLM-4.6V有原生多模态的优势，输出结果里，表格被完美还原成了HTML，行列对齐，数据无误。印章识别里没有把印章里的字混成一团，而是精准地将印章单位、名称，税号等分成了不同的Key-Value键值对，封装在JSON里。这种结构化的输出能力，也就是说后续我可以直接把GLM4.6V接入到MCP，实现自动化录入。
OK，难度升级！进入深水区，学术研究与复杂文档分析。我找来了两篇论文，要求它结合这两篇论文的图表对比前后有什么不同，
GLM-4.6V的分析结果是直接带论文细节截图的，表格，架构图，论文引用都可以识别下来的。
我还让它干了一件有趣的事，
它立刻切换了人格，从学者变成了自媒体，提取了论文的核心亮点，配上了夸张的标题，甚至还从原始文档中截取了关键图片，嵌入到文章的合适位置。那GLM-4.6V单次可以阅读多长的文档呢？为了测试GLM-4.6V的文档理解能力，我直接甩给它一份长达114页的文档，那是巴菲特历年的持仓报告。我的问题是故意为难它的，
典型的大海捞针任务，模型需要遍历长文档，提取三年的数据，进行计算比对，最后锁定目标。
我是做了反复验证的，真的在90页找到了对应的表，验算之后跟GLM-4.6V算的也一样。
最后，模型对动态画面的理解同样至关重要。我给它看了一段视频，让它详细描述这个视频，而不是直接根据字幕给总结
7分钟的视频，一刀没剪，33s完成上传读取和结果输出，我还是下载到本地没有字幕文件的状态的。看得出来GLM-4.6V对长视频的理解也上了一个台阶。它能概括视频的主旨，还能捕捉到画面中一闪而过的关键信息，比如爬行动物隐喻的部分，以及不同动物类比的人物角色。这种能力在视频内容的自动审核及检索上照样很好用。测试完这一圈，我的心情是挺复杂的。隔壁的OpenAI被Google的Gemini 3 Pro吓完了，这两天急着要发GPT-5.2来救场。指标传的太唬人了，全部指标都完胜，结果被发现这图还是Banana2做的。。。
有这空不如学学智谱吧，实打实做一个好用的模型。模型应该是在解决问题，而不是制造用量焦虑。当硅谷们把使用门槛提高提高又提高的时候，能有一个随叫随到真能干活的国产模型顶上来，本身就是我们最大的底气。少了一分对被封号的担忧，多了一分对工作流的掌控，这可能才是AI时代，我们最需要的技术护城河。
@ 作者 / 卡尔
© 版权声明
文章版权归作者所有，未经允许请勿转载。
