智谱AI推出GLM-5V-Turbo：为“龙虾”装上视觉之眼

什么是 GLM-5V-Turbo？

2026年4月2日，智谱 AI 正式发布了 GLM-5V-Turbo。这是一款专为视觉编程场景打造的多模态 Coding 基座模型。与传统的纯文本编程模型不同，GLM-5V-Turbo 从预训练阶段就深度融合了视觉与文本能力，使其具备了“看图写代码”的核心技能。

该模型能够直接理解设计稿、屏幕截图和网页界面，并据此生成完整且可运行的代码。其上下文窗口扩展至 200K，并支持画框、截图、读网页等多模态工具调用，极大地降低了开发者构建视觉应用的门槛。

核心特性：为龙虾装上眼睛

在 AI Agent（智能体）领域，GLM-5V-Turbo 的发布具有里程碑意义，它被形象地描述为“为龙虾装上了眼睛”。

• 真正的视觉感知：接入该模型后，OpenClaw、AutoClaw 等“龙虾”智能体拥有了真正的视觉理解能力。它们不再盲目操作，而是能看懂屏幕上的 GUI 元素、图表和网页布局。

• 完整任务闭环：实现了从“看懂环境”到“规划动作”再到“执行任务”的完整闭环。

• 实战技能上线：AutoClaw 已经上线了“股票分析师”技能。借助 GLM-5V-Turbo，龙虾可以直接读懂 K 线图和券商研报图表，60 秒内并行采集四路数据源，并自动生成图文并茂的研报。

性能评测与行业反馈

GLM-5V-Turbo 在多项权威基准测试中表现优异，证明了其在视觉能力增强的同时，未牺牲纯文本编程能力。

• 基准测试领先：在设计稿还原（Design2Code）、视觉代码生成（Vision2Web）、AndroidWorld、WebVoyager 等基准测试中均取得领先成绩。

• Agent 任务表现出色：在衡量龙虾 Agent 任务执行质量的 PinchBench、ClawEval、ZClawBench 上表现突出。

• 行业认可：字节跳动 TRAE、美团、快手万擎等企业参与了内测。整体反馈认为，其视觉能力的引入并未削弱纯文本编程能力，依然稳居国内第一梯队。

📊 部分基准测试对比（分数越高越好）

表格

<svg xmlns="http://www.w3.org/2000/svg" width="18" height="18" viewBox="0 0 24 24"></svg>

测试项目	GLM-5V-Turbo	Kimi	Claude Opus 4.6
Design2Code (设计稿还原)	94.8	91.3	77.3
Flame-VLM-Code (代码生成)	93.8	88.8	98.8
AndroidWorld (安卓操作)	75.7	43.1	62.0
WebVoyager (网页浏览)	88.5	84.3	88.0

如何使用与体验

智谱 AI 为开发者提供了多种接入和体验方式：

• 官方 Skills：已上线 ClawHub，涵盖图像 Captioning、视觉 Grounding、文字识别、表格识别、文生图等能力，支持一键安装。

• 直接体验：用户可通过 AutoClaw 或 Z.ai 平台直接体验其强大的视觉交互能力。

• API 接入：开发者可以通过 BigModel 开放平台 API 将其集成到自己的应用中。

GLM-5V-Turbo 的推出，标志着 AI 从“纯文本对话”向“视觉交互与操作”的重要跨越，为未来的智能体应用奠定了坚实的视觉基础。