GLM-5V-Turbo: Toward a Native Foundation Model for Multimodal Agents
本条目由 AI 按收录标准筛选与撰写，经独立的 AI 核查在原文中逐条找到依据，未经人工审核；数字与结论以原文为准。
相关报告
收录理由
该报告为arXiv技术报告，说明CogViT视觉编码器、多模态多令牌预测、预训练与监督微调、大规模多任务强化学习基础设施，以及工具链扩展、ImageMining基准与外部智能体框架集成和评测设置。
关键要点
- 报告将GLM-5V-Turbo定位为多模态智能体原生基础模型，使感知、推理、规划、工具调用与执行在同一流程中整合。
- 训练侧采用CogViT与Multimodal Multi-Token Prediction，并在超过30个任务类别上开展联合强化学习。
- 多模态工具使用评测中，该模型在ImageMining得30.7分，在BrowseComp-VL得51.9分。
- 多模态编码场景下，该模型在Design2Code得94.8分；纯文本编码在CC-Backend得22.8分、CC-Frontend得68.4分。
- 自建基准ImageMining含217个测试用例，跨七个领域，并设五类推理任务以评估“用图像思考与深搜”。
- 相较GLM-4.6V，该模型在MMSearch-Plus得30.0分，并在BrowseComp-VL与ImageMining等任务上报告更高表现。