这个国产模型让我的龙虾睁开了眼睛！
这个国产模型让我的龙虾睁开了眼睛！
来源：htmlDecode("AI产品黄叔")
原文链接：https://mp.weixin.qq.com/s/wzJAnG5hFh1IQP1jDqS3Cw
最近智谱放了个新模型出来，叫 GLM-5V-Turbo 。
说实话，一开始我没太当回事——市面上多模态模型一大堆，谁还没个"能看图"的能力？但用了一周之后，我改观了。
这个模型的定位很特别： 它不是"能看图的聊天机器人"，而是面向视觉编程的多模态 Coding 基座模型 。翻译成人话就是：它能看懂画面，然后直接写代码、直接干活、直接操控你的电脑。
我把它接到了我的 Claude Code 和知识库的体系里，作为基座来跑，效果确实让我意外。
下面是我实际测下来的 5 个 case，全部是真实场景，没有美化。
01 发张照片就能查嘌呤
先说个私事：黄叔有过痛风前科。
虽然这两年发作少了，但最近可能不忌口，隐隐有点要犯的感觉。于是我想，能不能做个东西，拍张食物照片就能知道哪些该少吃？
基于 GLM-5V-Turbo，我搞了一个 Skill： 用户发食物图片 → 模型识别图中每种食物 → 查嘌呤数据库 → 高嘌呤的画红框标注 → 返回标注图 + 文字摘要
整个过程，开发也非常简单。跟 GLM-5V-Turbo 描述需求，迭代了两三轮，逻辑就完整了。GLM 的 Coding 能力从 GLM-5 之后我是相当放心的——这点后面还会提到。
这里有个细节值得说： 整个流程里其实没有 Claude 的事 。我用 CC switch 接入 Claude Code 作为执行框架，但底层跑的全部是 GLM-5V-Turbo。视觉识别、坐标定位、嘌呤匹配、Python 标注脚本生成、飞书回传——全链路一个模型搞定。
为什么能做到这一点？因为 GLM-5V-Turbo 从预训练阶段就深度融合了视觉和文本能力，不是在文本模型上外挂一个视觉模块。这意味着它理解图片的方式和写代码的方式是同一个认知体系——"看得懂"和"写得出"之间没有断层。
02 批改作业——比题库软件还细
我家有娃，作业这事儿逃不掉。
之前用过一些题库类 App，但它们对错题的解析往往比较模板化，“因为所以”一套标准答案就完了。我就想，能不能让龙虾来干这事？
试了一下，效果出奇地好。
不只是判断对错，它还能给出详细的解题过程、步骤拆解，甚至主动提醒易错点。最关键的是， 我只用了一个简单的提示词，没写任何针对性 Skill ，它就把整套批改+解析的工作完成了。
这背后其实是 GLM-5V-Turbo 的文档理解能力在起作用。它在衡量多模态检索与问答的基准测试上表现领先，对图文混排内容的理解精度很高——不是“看到文字就 OCR 提取”，而是真正理解版面结构和语义关系。
03 那能不能帮我去直接开发网页？
这个 case 让我最震惊。
事情是这样的：我之前给 AI 编程社群做了一个官网页面，当时主要内容方向是 AI 编程。但最近决定调整社群定位，转向 Agent 方向。那官网肯定得改啊。
正常流程是什么？出设计稿 → 给前端提需求 → 来回对三轮 → 上线，至少折腾半天。
我的操作是：把现有网站链接和课程文档发给龙虾，说一句“帮我重新设计一个 Agent 社群的官网”。
然后……它真的做到了。
不只是搭了个大概架子。它仔细读了我课程的内容、原先官网的设计调性，生成了全新的两条学习路径页面——左图是原来的线上课程介绍页，右图是 GLM-5V-Turbo 设计的新版本：
左图是现在的线上课程介绍，然后右图是 GLM 给我设计的。
04 一句话复刻App
既然图像即代码，那我想再来测试一下，大家先看下面两张图，哪张是原版，哪张是GLM-5V-Turbo复刻的：
第一眼是不是挺难察觉的，当然也有一些差别，哈哈
是的，右边的那张是GLM-5V-Turbo复刻的，提示词就一句话：
中间我看了一次结果，发现效果不大好，让它自己检查自己修复，于是它自己不断地去观察，调整，调了几轮后就很接近完美了：
这就是 GLM-5V-Turbo 主打的“ 图像即代码” 能力： 前端复刻 ：发草图、设计稿、截图、录屏甚至一个 URL，直接生成完整可运行的前端工程 GUI 自主探索复刻 ：结合 Claude Code 等框架，它能自主浏览目标网站、梳理页面跳转关系、采集视觉素材，最后基于探索结果直接复现整个站点 交互式编辑 ：增删模块、修改文案样式、调整布局，还能补充按钮反馈、弹窗切换、表单联动
官方给的数据是 Design2Code 92.6 分 ，超过 Kimi K2.5 的 91.3；
BrowseComp-VL 48.7 分 ，大幅领先 K2.5 的 42.9。
数据归数据，但我自己的体感是： 视觉细节的还原度上，它确实比同尺寸竞品更准 。透明度层级、背景渐变、组件间距这些靠"真的看懂才能还原"的东西，它吃得更透。
05 一句话出专题报告——图文并茂那种
这个 case 说起来简单，但做起来很难。
我给了它一个非常简单的提示词，让它帮我做一份专题报告。要求是： 图文并茂，配图要精准，排版要专业 。
一轮对话加一次修正，结果出来了。
我之前还真不敢相信一个模型能把这件事做到这种程度——它不只是写了文字，而是自动从资料中定位和截取最关键的图表，将其嵌入到合适的位置。配图全面、结构化描述清晰、标记图片来源便于溯源。
这属于 GLM-5V-Turbo 的 多模态 Deep Research（深度调研） 能力范畴。它的工具链从纯文本扩展到了视觉交互：画框、截图、读网页（含图片），Agent 的感知-行动链路不再局限于文字。
06 散步时把截图丢给龙虾——它自己改好了文档
最近和一个合作方准备出一系列课程。对方发了几张截图给我，说希望文档里补充一些更深度的内容。
我的操作：在外面散步的时候，把截图丢给龙虾，把文档链接也丢给它，加上一句话指令。
然后我就继续散步了。
过了会来看，它已经自己读完了截图里的所有修改意见，对应到文档的具体位置，完成了修改润色。
我把结果发给对方，对方的回复是让我笑了：
这个场景看似简单，但它验证了一个很重要的能力： 跨模态的信息理解和迁移 。截图里的视觉信息 → 文档里的文本位置 → 语义级别的修改——这三步跳跃，需要一个模型同时具备视觉理解、文档结构感知和文本生成能力。
而 GLM-5V-Turbo 恰好在这三个维度上都做了深度优化。
几个你可能关心的问题
它和别的多模态模型有什么不一样？
市面上的多模态模型很多，但大多数是“文本模型 + 视觉编码器”的拼接架构。GLM-5V-Turbo 不一样，它是 原生多模态 ——从预训练阶段就让视觉和文本能力深度融合。
这带来的实际差异是： 别的模型可能是“看到图 → 转成文字描述 → 再处理”，中间有信息损耗 GLM-5V-Turbo 是“直接理解视觉语义 → 直接输出代码或动作”，链路更短更准
Coding 能力会退化吗？
很多人担心加了视觉能力之后，纯文本编程能力会下降。这一点官方数据也给了解释：GLM-5V-Turbo 在 CC-Bench-V2 的 Backend、Frontend、Repo Exploration 三项核心基准上均保持稳定表现。同时，在衡量龙虾 Agent 任务执行质量的 PinchBench、ClawEval、ZClawBench 上也取得了优异成绩。
换句话说： 视觉能力的引入并没有以牺牲纯文本能力为代价 。这背后是多任务协同 RL 等技术手段在起作用。
龙虾场景表现如何？
如果你用 AutoClaw 或 OpenClaw，GLM-5V-Turbo 的视觉能力会和 Claw 执行能力深度打通，支持“看懂环境 → 规划动作 → 执行任务”的完整闭环。
在 AndroidWorld、WebVoyager 等 GUI 操控基准上表现突出。ClawEval 的成绩远超 K2.5 并接近 Claude Opus 4.6。通俗地说： 以前龙虾看不见屏幕只能靠坐标盲操，现在能真正看懂界面元素再行动 。
我用下来感觉很爽，可以省钱了，还好用！
怎么接入？
目前有几种方式： 1. API / Coding Plan 接入 ：通过 Bigmodel 手机号或 Z.ai API 平台 UID 开白，可以接到 Claude Code、OpenClaw 等 Agent 框架 2. Z.ai 网页版 ：直接在 chat.z.ai 上体验 3. AutoClaw 接入 ：智谱自家的龙虾框架，下载地址 autoglm.zhipuai.cn/autoclaw/
所有 Coding Plan 用户已开放使用。
我的真实感受
用了这一阵，我对 GLM-5V-Turbo 的整体评价是： 它不是一个“什么都能聊”的通用助手，而是一个“看了就能动手”的专业工具 。
如果你的日常工作流里有大量“看图 → 写代码”、“看图 → 做分析”、“看图 → 操控界面”的任务，这个模型目前在这个细分领域的性价比是最高的。尤其是配合 Claude Code 或 AutoClaw 使用时，视觉能力和执行能力的打通会产生明显的效率跃升。
纯文本 Agent 是半成品，接上眼睛才是完全体。这句话，我现在信了。