智谱放大招!GLM-5V-Turbo「看一眼屏幕就能写代码」,近3000人点赞,Anthropic被宣判"Game Over"?
【导读】智谱旗下 Z.ai 突然上线 GLM-5V-Turbo——一个能直接看图、看视频、看设计稿写出可运行代码的多模态编程模型。官方发布帖瞬间引爆推特,67万人围观、近3000赞。有人高呼"Anthropic 的游戏结束了",也有人泼冷水:34.2% 的幻觉率,跑得再快也只是在更快地胡说八道。这场围绕"眼睛+代码"的军备竞赛,到底谁在吹牛?
深夜炸弹:一条推文引爆整个AI编程圈
4月1日深夜,Z.ai 官方账号扔出一条推文,没有任何预热,没有发布会,就三行字加一个暗色系的产品 Logo:
"Introducing GLM-5V-Turbo: Vision Coding Model"
「介绍 GLM-5V-Turbo:视觉编码模型。」
就这么朴素。但转发、点赞、收藏的数字在几小时内疯了一样往上窜——3100+ 赞、470+ 转发、2000+ 收藏、67万+浏览。
▲ Z.ai 官方发布推文,67万次浏览,3100+赞
这条推文到底说了什么,让这么多人坐不住了?
三个核心卖点:
第一,原生多模态编码——图片、视频、设计稿、文档布局,统统能"看懂"然后直接输出代码。
第二,视觉与编程能力均衡——在多模态编码、工具调用、GUI Agent 等核心基准上全面领先,而且加了视觉能力之后,纯文本编程不退化。
第三,与 Claude Code 和 OpenClaw 深度协同——直接接入主流 Agent 工作流,完成"看懂环境→规划动作→执行任务"的完整闭环。
Benchmark 屠榜:Design2Code 94.8,AndroidWorld 75.7,全面碾压?
官方紧接着放出了一张令人窒息的成绩单。
▲ 官方基准测试对比,GLM-5V-Turbo 多项指标大幅领先
数据触目惊心——
多模态编码赛道:Design2Code 拿下94.8 分(Kimi K2.5 只有 91.3,Claude Opus 4.6 是 77.3),Flame-VLM-Code93.8 分,Vision2Web31.0 分(对手最高 43.5)。
工具调用赛道:ImageMining30.7 分,BrowseComp-VL51.9 分,多项搜索评估同样领跑。
GUI Agent 赛道——这才是真正的杀手锏:OSWorld 62.3,AndroidWorld 75.7,WebVoyager 88.5。什么概念?就是你把模型丢进一个真实的手机或浏览器环境里,让它自己操作界面完成任务,这个分数意味着它能搞定绝大多数场景。
"GLM-5V-Turbo leads in benchmarks for design draft reconstruction, visual code generation, multimodal retrieval and QA, and visual exploration."
「GLM-5V-Turbo 在设计稿还原、视觉代码生成、多模态检索与问答、视觉探查等基准测试中全面领先。」
"看屏写代码"到底意味着什么?三个场景让你秒懂
听起来很炫,但这个模型到底能干嘛?根据智谱官方文档,核心打法瞄准了三个开发者最痛的场景:
场景一:设计稿直接变前端代码。设计师出了 Figma 截图或参考图,模型能理解布局、配色、组件层级和交互逻辑,然后直接吐出完整可运行的前端工程。官方的目标是"像素级一致性"——不是差不多,是几乎一模一样。
场景二:截图修Bug。前端开发最崩溃的事是什么?一看就知道样式不对,但定位是 CSS 还是 DOM 的问题要翻半天。现在拿一张 Bug 页面的截图丢给模型,它能识别样式错位、组件重叠、颜色偏差等渲染问题,然后直接生成修复代码。
场景三:GUI Agent 自主探索。接入 Claude Code 或 OpenClaw 之后,模型变成了 Agent 的"眼睛"——自己打开浏览器,自己梳理页面跳转,自己采集交互细节,自己写出代码。看懂环境→规划动作→执行任务,一条龙。
用 yishan 的话说:
"对大伙来说,智能体元能力的深度内嵌比较值得关注呢,可与 Claude Code 和 OpenClaw 等代理深度协同工作。"
▲ yishan 认为 Agent 元能力深度内嵌是最值得关注的亮点
推特炸了:有人喊"Game Over",47万人围观
GLM-5V-Turbo 发布后几小时内,推特上的反应堪称两极分化的教科书。
先说"吹爆派"。
Zaid 一条推文把气氛直接拉到了最高点:
"It's game over for Anthropic now"
「Anthropic 的游戏结束了。」
▲ Zaid 的"Game Over"推文,近2700赞,47万次浏览
近2700赞,47万人围观。一条六个单词的推文就能炸成这样,足以说明这个赛道的情绪有多躁动。
AshutoshShrivastava 的反应更加直白:
"Holy moly, Zai just shipped GLM-5V-Turbo, a vision coding model."
「我的天,Z.ai 直接发了个视觉编码模型。」
▲ 海外开发者对 GLM-5V-Turbo 的震惊反应
中文社区同样沸腾。Berryxia.AI 用四个字总结了这个模型最大的卖点:
"真正实现「看屏写代码」"
▲ 中文社区的"看屏写代码"口径迅速传播
而 Chubby 的长推则是信息密度最高的第三方总结——把能力点、技术栈、Agent 生态一次讲完:
"It's built on a next-gen CogViT visual encoder with 30+ task collaborative RL, and is designed to work with agent frameworks like Claude Code and OpenClaw."
「它基于新一代 CogViT 视觉编码器构建,支持 30 多个任务的协作式强化学习,并可与 Claude Code 和 OpenClaw 等智能体框架配合使用。」
▲ Chubby 的技术总结推文,1.5万次浏览
泼冷水的来了:34.2%幻觉率,"跑得快只是在更快地胡说八道"
但推特上不全是欢呼声。BridgeBench 用一组数据精准地往这场狂欢里扔了一盆冰水:
"GLM 5V Turbo ranks #14 on BridgeBench Hallucination. 71.4 score. 34.2% fabrication rate."
「GLM 5V Turbo 在 BridgeBench 幻觉排名中列第14位。得分71.4。制造率34.2%。」
三分之一的时间,它都在自信满满地编造关于你代码的谎言。
接下来那句话才是真正的杀手:
"Speed without accuracy is just hallucinating faster."
「速度若不精准,只是幻觉中更快而已。」
▲ BridgeBench 指出 GLM-5V-Turbo 34.2% 的幻觉率,与 Claude Haiku 4.5 相当
这条推文的杀伤力在于——它不是在否定 GLM-5V-Turbo 的速度和多模态能力,而是精准地戳中了一个核心问题:你生成的代码能信吗?
跑得快、能看图,这些都很酷。但如果每三行代码里就有一行在胡编,那这个"Vision Coding Model"的实际生产价值就要打一个巨大的问号。
还有一个尴尬:上线了,但你可能用不了?
TestingCatalog 的转述提到 GLM-5V-Turbo "available on Z AI Chat and Coding plans",看起来很美好。
▲ TestingCatalog 报道 GLM-5V-Turbo 上线
但评论区马上有人纠正:
"Not available on coding plans now."
「目前 coding plan 上还用不了。」
TestingCatalog 自己也跟进确认:"True, trial only"——目前只是试用阶段。
这意味着,即便你已经付费订阅了 Z.ai 的 Coding Plan,也不一定能直接用上这个模型。具体的开放策略和权限,目前还在变动中。
不过好消息是,API 层面已经开放。OpenRouter 上已经能看到 GLM-5V-Turbo 的模型卡——200K 上下文窗口、128K 最大输出,定价$1.20/百万输入 token,$4/百万输出 token。
▲ Mark Kretschmann 转述官方三大卖点并附基准测试数据
技术底牌:CogViT + 30任务强化学习 + Agent元能力注入
抛开情绪,来看看 GLM-5V-Turbo 的技术牌面。
根据官方文档,这次升级是四个层面的系统性改进:
第一层,原生多模态融合。新一代CogViT视觉编码器 +MTP(Multi-Task Pre-training)结构,从架构层面就把"看"和"写"融在一起,而非后期拼接。
第二层,30+ 任务协同强化学习。覆盖 STEM、grounding、视频理解、GUI Agent、coding agent 等场景——用30多种不同类型的任务同时训练,让模型不只是"会看图",而是"看了图知道该干嘛"。
第三层,Agentic 数据与任务构造。可控、可验证的数据体系,在预训练阶段就注入了 Agentic 元能力——也就是说,Agent 的"感知-规划-执行"不是外挂,是从骨子里长出来的。
第四层,多模态工具链扩展。画框、截图、读网页(含图片识别)等工具能力——让模型能主动调用外部工具,而非被动接收输入。
规格上也相当猛:200K 上下文窗口,128K 最大输出 token。这意味着你可以一次性塞进去一整套设计稿加文档,它一口气就能吐出完整的工程代码。
真正的战争:从Demo到生产,谁先解决"可信度"
回到那个最根本的问题——GLM-5V-Turbo 到底改变了什么?
往大了说,"看屏写代码"这个方向确实击中了三条最容易爆的叙事线:设计稿→前端工程、截图→修Bug、GUI Agent→自动探索复刻。每一条都直指开发者的日常痛点。
官方帖下方一条回复说得很中肯:
"Generating code from a mockup is never the actual bottleneck."
「从设计稿生成代码,从来不是真正的瓶颈。」
这话扎心但实在。真正的工程瓶颈在于数据流、状态管理、测试覆盖、迭代维护——这些才是从Demo到生产之间那条巨大的鸿沟。
GLM-5V-Turbo 目前证明了自己在"看"和"写"上都有两把刷子。但34.2% 的幻觉率像一把悬在头顶的达摩克利斯之剑——你敢把它写的代码直接丢进生产环境吗?
这场"视觉编码模型"的军备竞赛才刚刚开始。智谱已经亮出了底牌,Anthropic、OpenAI、Google 会怎么应对?
有一件事是确定的:AI 编程的下一个战场,已经不再只是"读文字写代码",而是"看世界写代码"。至于谁能先把幻觉率压到个位数——那才是真正的 Game Over。
— END —

