Full text · 原文
1,561 字
鹭羽 发自 凹非寺<br>
量子位 | 公众号 QbitAI<br>
最近，清华教授、智谱灵魂人物唐杰聊得有点high。<br>
昨天先是畅聊AI认知，“AI的终局就是AGI，一场猎龙游戏”。引起广泛热议后，一觉醒来今天又在当众征集意见：<br>
各位！下个版本的GLM，你想要啥？<br>
浏览量瞬间干到了40w+，这影响力真够顶的！<br>
不过要说网友们为啥这么捧场，还得倒回去年GLM-4.6刚开源那会儿。<br>
彼时唐杰也问过这么一回，评论区纷纷热情支招，一条条需求后来陆陆续续都在GLM后续版本中有所实现。<br>
真·有求必应·阿拉丁。<br>
所以这次他一张口，懂行的人立马团建去了～有po自己痛点的，也有智谱自家员工在下面留言。<br>
比如这位网友直接列出了自己的愿望清单：更强的Agent能力、超长上下文保持质量、更灵活的API……<br>
更有甚者诚恳祈祷：求你了GLM！做一个类似Codex的桌面应用！！<br>
有趣的是，这次GLM-5.3的评论区，刷得最多的还是——<br>
视觉！<br>
GLM的视觉之痛<br>
两周前，智谱刚刚开源GLM-5.2。<br>
强到离谱！开源界AI编程第一、全球第二，仅屈居于大名鼎鼎的神话级模型Fable-5。<br>
但要说痛点，很明显，也是真的痛：<br>
没视觉啊……<br>
纯文本模型，搞得动百万Token超长上下文和深度逻辑推理，但偏偏没搭载视觉编码器，看不了图也造不出图。<br>
反观拿来对标的Fable-5，它是原生多模态模型，视觉能力应有尽有。<br>
于是GLM用户双双流下羡慕的泪水：我也想拥有TT<br>
而且关键在于，不是智谱做不出视觉。恰恰相反，今年4月智谱发过一个叫GLM-5V-Turbo的模型。<br>
原生多模态的Coding基座，从预训练阶段就把视觉和文本揉在一起，能看懂设计稿、截图、网页界面，然后直接吐出能跑的代码，主打视觉+代码+Agent一体化。<br>
再往前看，智谱也做过不少多模态模型，CogVLM视觉编码器就出自他们之手。唐杰本人发表过的视觉论文，更是一抓一大把。<br>
所以问题压根不是有没有视觉能力，而是智谱没把视觉放进最强旗舰模型中去。<br>
这一点从唐杰过往的发言中也可见一斑，比如去年底的大模型年终总结，他先是肯定多模态是未来。<br>
但随即他又补刀道：<br>
问题是，当下的多模态对提升AGI的智能上界，帮助有限。可能最有效的方式还是分开发展，文本、多模态、多模态生成。当然适度的探索这三者的结合肯定能发现一些很不一样的能力，但这需要勇气和雄厚的资本支持。<br>
你品，你细品。<br>
唐杰这种冲在AI一线的科学家，盯着的始终还是第一性原理——模型智能。视觉可以让模型更好用，但要让模型更聪明，靠的还是复杂推理那套硬功夫。<br>
这就是用户和厂商的视角差异。<br>
AGI对于用户太遥远了，所以用户更在乎的是，眼下贴张图模型能不能接住、截个屏模型能不能看懂。<br>
于是就出现了这条推文里最微妙的拉扯。一边是科学家盯着智能的天花板，觉得视觉只是锦上添花；一边是全世界的开发者都在齐刷刷呼喊视觉。<br>
更何况，对手也来势汹汹。<br>
Kimi K2.5今年1月就是原生多模态了，Qwen3.5-Omni三月份端到端把文本/图像/音频/视频全统一进一个模型，更别说国际上Gemini 3那种原生文图音视频一把抓的。<br>
GLM旗舰款补足视觉，几乎是迫在眉睫。且等接下来端上桌的GLM-5.3。<br>
One More Thing<br>
最后再看看唐杰最近的一些分享吧，还挺值得琢磨的。<br>
（其一）<br>
（其二）<br>
（其三）<br>
（其四）<br>
参考链接：[1]<br>
https://x.com/jietang/status/2071454597521215748?s=20[2]<br>
https://x.com/ZixuanLi_/status/2071491673511674059?s=20[3]<br>
https://m.weibo.cn/status/5247011059141988