GLM-4.6V 初探：国产 AI 能边写边自己配图了

写文章时总会遇到需要插图解释的地方，之前分享过即梦可以为文章全文配图了。

《即梦AI竟然可以全文一键配图了？ - 掘金》

但终归还需要手动复制、粘贴，体验没有那么完美。

常用的 AI 我当时也尝试了，只有 Gemini 给出了图文混排的结果。

如今，国产模型给出了选择------GLM-4.6V，一键搞定图文混排内容创作。

GLM-4.6V

GLM 的 V 系列是智谱模型中的多模态大模型，效果一直不错。

本次发布包括两款模型：

• GLM-4.6V（106B-A12B）：面向云端与高性能集群场景的基础版；
• GLM-4.6V-Flash（9B）：面向本地部署与低延迟应用的轻量版。

其中，Flash 版本依然免费提供给大家使用。

这次发布的主要内容如下：

• 训练时上下文窗口提升到 128k tokens，在视觉理解精度上达到同参数规模 SOTA。
• 首次在模型架构中将 Function Call（工具调用）能力原生融入视觉模型，打通从**「视觉感知」到「可执行行动（Action）」**的链路。

我们直接到 z.ai 上体验下"工具调用能力原生融入视觉模型"是什么感受。

原生多模态工具调用实测

场景比较简单，我让 GLM-4.6V 帮我写一篇 Gemini 3 Pro 的科普文章，重要的是输出要图文混排。

提示词

帮我写一篇介绍 Gemini 3 pro 的科普文章，需要图文并茂

截图中可以看到思考过程中就可以调用图片搜索工具（Function），查找适合的图片以供使用。

后续也确实在文章中使用了上面的图片，并针对图片进行了文字解释。

整个过程完全自动化，一轮对话就能得到一篇图文并茂的高质量文章了。

结语

这意味着，以后的内容创作，终于不用在不同模型间来回切换了。

但我认为意义远不止这一点。

多模态大模型中的"多"一直指的是可以支持的种类多，而不是一轮对话中的语料模态"多"。

现在，使用 GLM-4.6V，我们可以一次性传递文字、图片两种模态，后续语音、视频估计也会陆续出现。

这种模型能力的提升，将会更加精准的描述真实世界，相应的，模型后续的服务水平也一定会再次提升。