Model Releases
GLM-4.5V: El Nuevo Gigante Multimodal de Zhipu AI
Zhipu AI presenta GLM-4.5V, un modelo de 106B parámetros diseñado para tareas complejas de visión y lenguaje con soporte open source.
11 de agosto de 2025
Model ReleaseGLM-4.5V
Introducción: La Llegada de GLM-4.5V
En el panorama competitivo de la inteligencia artificial china, Zhipu AI ha confirmado el lanzamiento de su modelo insignia multimodal, GLM-4.5V, el 11 de agosto de 2025. Este desarrollo marca un hito significativo en la evolución de los modelos de lenguaje grandes (LLM) hacia capacidades visuales nativas. A diferencia de las implementaciones anteriores que requerían procesamiento externo, GLM-4.5V integra la comprensión visual y lingüística en una arquitectura unificada de 106 mil millones de parámetros.
La relevancia de este modelo radica en su naturaleza de código abierto, lo que permite a la comunidad de desarrolladores auditar, modificar y desplegar la tecnología sin las barreras de costo de los modelos cerrados. Zhipu AI busca consolidar su posición como líder en la región, ofreciendo una alternativa viable a los gigantes occidentales mediante un enfoque de eficiencia y transparencia técnica. El lanzamiento coincide con una aceleración en la carrera de modelos de frontera en China, impulsada por la demanda de infraestructura local y chips domésticos.
- Lanzamiento oficial: 11 de agosto de 2025
- Proveedor: Zhipu AI
- Categoría: Multimodal (Visión y Lenguaje)
- Licencia: Open Source
Características Clave y Arquitectura
GLM-4.5V se basa en una arquitectura Mixture of Experts (MoE) avanzada que permite una inferencia eficiente a pesar de su gran tamaño. El modelo procesa tokens visuales y textuales simultáneamente mediante una capa de fusión temprana, lo que reduce la latencia en comparación con los enfoques de dos etapas. Esta estructura permite al modelo entender no solo el contenido visual, sino también la relación espacial y contextual entre elementos en una imagen.
La ventana de contexto se ha expandido significativamente para soportar documentos largos y videos complejos. Los ingenieros pueden configurar el modelo para manejar hasta 256,000 tokens, lo que facilita el análisis de documentos técnicos extensos junto con referencias visuales. Además, la optimización de los parámetros de 106B se centra en la precisión de la razón lógica, asegurando que la generación de texto mantenga la coherencia con los datos visuales ingresados.
- Parámetros: 106B (Mixture of Experts)
- Ventana de Contexto: 256k tokens
- Capacidad: Visión, Audio y Texto
- Entrenamiento: Chips domésticos (Huawei Ascend)
Rendimiento y Benchmarks
En términos de rendimiento, GLM-4.5V demuestra una mejora sustancial sobre su predecesor GLM-4. En el benchmark MMLU, el modelo alcanza un puntaje de 85.2%, superando a competidores directos en tareas de razonamiento lógico y ciencias. Para desarrolladores, la métrica más crítica es HumanEval, donde GLM-4.5V logra un 88% de precisión en la generación de código Python, comparable a modelos de pago como Claude Opus.