/ Модель

Характеристики

Контекст
65 536 токенов
Параметры
8,8 млрд
Размер весов
20,6 ГБ
Лицензия
MIT
Архитектура
glm4v · dense
Базовая модель
GLM-4.1V-9B-Thinking
Библиотека
transformers
Опубликована
25 июл 2025

GLM-4.1V-9B-Thinking

Изображение и текст → текст6 профессий

GLM-4.1V-9B-Thinking — двуязычная зрительно-языковая модель для диалога и рассуждений по изображениям и тексту.

78скачиваний за 30 дней2лайкавеса обновлены25 июл 2025

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Тесты пользователейпока нет

Никто ещё не опубликовал тест этой модели. Соберите бенчмарк из своих задач — результат появится здесь.

  1. Добавьте модель в бенчмарк

    Вместе с другими моделями категории «Изображение → текст» — сравнение идёт внутри одной категории.

  2. Опишите свои задачи

    Напишите запросы, при необходимости приложите файлы и эталонные ответы.

  3. Запустите и опубликуйте

    Модели ответят на каждую задачу, судья оценит ответы. Опубликованный результат появится на этой странице.

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

GLM-4.1V-9B-Thinking — мультимодальная модель семейства GLM-4V от Zhipu AI, опубликованная в формате Unsloth. Это дообученная модель с архитектурой Glm4vForConditionalGeneration и 8,8 млрд параметров, предназначенная для диалога и рассуждений по тексту и изображениям. Она поддерживает английский и китайский языки и контекст до 65 536 токенов.

Модель рассчитана на решение задач, где нужно совместно анализировать изображение и текст: отвечать на вопросы по изображению, разбирать визуальные задачи и вести диалог с учётом изображения. README заявляет поддержку произвольных соотношений сторон и изображений разрешением до 4K, а также улучшенные результаты на ряде бенчмарков VLM благодаря подходу с рассуждениями и обучению с подкреплением.

Модель распространяется под лицензией MIT. Указанные возможности и результаты основаны на описании разработчика; качество может различаться в зависимости от задачи и входных данных.

Сценарии применения

  • ответы на вопросы по содержимому изображений
  • решение математических задач с визуальными данными
  • анализ диаграмм и графиков
  • мультимодальный диалог с изображениями
  • понимание изображений с разными соотношениями сторон

Ограничения

Модель описана как исследовательская разработка с заявленными бенчмарками; фактическое качество зависит от конкретной задачи. Для изображений заявлено разрешение до 4K, но это не гарантирует одинаковую точность на всех форматах и типах визуальных данных.

Для каких профессий подходит6

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

[!NOTE] Includes Unsloth chat template fixes! For llama.cpp, use --jinja

GLM-4.1V-9B-Thinking

Model Introduction

Vision-Language Models (VLMs) have become foundational components of intelligent systems. As real-world AI tasks grow increasingly complex, VLMs must evolve beyond basic multimodal perception to enhance their reasoning capabilities in complex tasks. This involves improving accuracy, comprehensiveness, and intelligence, enabling applications such as complex problem solving, long-context understanding, and multimodal agents.

Based on the GLM-4-9B-0414 foundation model, we present the new open-source VLM model GLM-4.1V-9B-Thinking, designed to explore the upper limits of reasoning in vision-language models. By introducing a "thinking paradigm" and leveraging reinforcement learning, the model significantly enhances its capabilities. It achieves state-of-the-art performance among 10B-parameter VLMs, matching or even surpassing the 72B-parameter Qwen-2.5-VL-72B on 18 benchmark tasks. We are also open-sourcing the base model GLM-4.1V-9B-Base to support further research into the boundaries of VLM capabilities.

rl

Compared to the previous generation models CogVLM2 and the GLM-4V series, GLM-4.1V-Thinking offers the following improvements:

  1. The first reasoning-focused model in the series, achieving world-leading performance not only in mathematics but also across various sub-domains.
  2. Supports 64k context length.
  3. Handles arbitrary aspect ratios and up to 4K image resolution.
  4. Provides an open-source version supporting both Chinese and English bilingual usage.

Benchmark Performance

By incorporating the Chain-of-Thought reasoning paradigm, GLM-4.1V-9B-Thinking significantly improves answer accuracy, richness, and interpretability. It comprehensively surpasses traditional non-reasoning visual models. Out of 28 benchmark tasks, it achieved the best performance among 10B-level models on 23 tasks, and even outperformed the 72B-parameter Qwen-2.5-VL-72B on 18 tasks.

bench

Quick Inference

This is a simple example of running single-image inference using the transformers library.
First, install the transformers library from source:

pip install git+https://github.com/huggingface/transformers.git

Then, run the following code:

from transformers import AutoProcessor, Glm4vForConditionalGeneration
import torch

MODEL_PATH = "THUDM/GLM-4.1V-9B-Thinking"
messages = [
    {
        "role": "user",
        "content": [
            {
                "type": "image",
                "url": "https://upload.wikimedia.org/wikipedia/commons/f/fa/Grayscale_8bits_palette_sample_image.png"
            },
            {
                "type": "text",
                "text": "describe this image"
            }
        ],
    }
]
processor = AutoProcessor.from_pretrained(MODEL_PATH, use_fast=True)
model = Glm4vForConditionalGeneration.from_pretrained(
    pretrained_model_name_or_path=MODEL_PATH,
    torch_dtype=torch.bfloat16,
    device_map="auto",
)
inputs = processor.apply_chat_template(
    messages,
    tokenize=True,
    add_generation_prompt=True,
    return_dict=True,
    return_tensors="pt"
).to(model.device)
generated_ids = model.generate(**inputs, max_new_tokens=8192)
output_text = processor.decode(generated_ids[0][inputs["input_ids"].shape[1]:], skip_special_tokens=False)
print(output_text)

For video reasoning, web demo deployment, and more code, please check our GitHub.

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
Glm4vForConditionalGeneration
Ревизия весов
64cdc53

0 моделей