北京
鷺羽 發(fā)自 凹非寺
量子位 | 公眾號 QbitAI
最近，清華教授、智譜靈魂人物唐杰聊得有點high。
昨天先是暢聊AI認知，“AI的終局就是AGI，一場獵龍游戲”。引起廣泛熱議后，一覺醒來今天又在當眾征集意見：
各位！下個版本的GLM，你想要啥？
瀏覽量瞬間干到了40w+，這影響力真夠頂?shù)模?/p>
不過要說網(wǎng)友們?yōu)樯哆@么捧場，還得倒回去年GLM-4.6剛開源那會兒。
彼時唐杰也問過這么一回，評論區(qū)紛紛熱情支招，一條條需求后來陸陸續(xù)續(xù)都在GLM后續(xù)版本中有所實現(xiàn)。
真·有求必應·阿拉丁。
所以這次他一張口，懂行的人立馬團建去了～有po自己痛點的，也有智譜自家員工在下面留言。
比如這位網(wǎng)友直接列出了自己的愿望清單：更強的Agent能力、超長上下文保持質(zhì)量、更靈活的API……
更有甚者誠懇祈禱：求你了GLM！做一個類似Codex的桌面應用！！
有趣的是，這次GLM-5.3的評論區(qū)，刷得最多的還是——
視覺！
GLM的視覺之痛
兩周前，智譜剛剛開源GLM-5.2。
強到離譜！開源界AI編程第一、全球第二，僅屈居于大名鼎鼎的神話級模型Fable-5。
但要說痛點，很明顯，也是真的痛：
沒視覺啊……
純文本模型，搞得動百萬Token超長上下文和深度邏輯推理，但偏偏沒搭載視覺編碼器，看不了圖也造不出圖。
反觀拿來對標的Fable-5，它是原生多模態(tài)模型，視覺能力應有盡有。
于是GLM用戶雙雙流下羨慕的淚水：我也想擁有TT
而且關(guān)鍵在于，不是智譜做不出視覺。恰恰相反，今年4月智譜發(fā)過一個叫GLM-5V-Turbo的模型。
原生多模態(tài)的Coding基座，從預訓練階段就把視覺和文本揉在一起，能看懂設計稿、截圖、網(wǎng)頁界面，然后直接吐出能跑的代碼，主打視覺+代碼+Agent一體化。
再往前看，智譜也做過不少多模態(tài)模型，CogVLM視覺編碼器就出自他們之手。唐杰本人發(fā)表過的視覺論文，更是一抓一大把。
所以問題壓根不是有沒有視覺能力，而是智譜沒把視覺放進最強旗艦模型中去。
這一點從唐杰過往的發(fā)言中也可見一斑，比如去年底的大模型年終總結(jié)，他先是肯定多模態(tài)是未來。
但隨即他又補刀道：
問題是，當下的多模態(tài)對提升AGI的智能上界，幫助有限。可能最有效的方式還是分開發(fā)展，文本、多模態(tài)、多模態(tài)生成。當然適度的探索這三者的結(jié)合肯定能發(fā)現(xiàn)一些很不一樣的能力，但這需要勇氣和雄厚的資本支持。
你品，你細品。
唐杰這種沖在AI一線的科學家，盯著的始終還是第一性原理——模型智能。視覺可以讓模型更好用，但要讓模型更聰明，靠的還是復雜推理那套硬功夫。
這就是用戶和廠商的視角差異。
AGI對于用戶太遙遠了，所以用戶更在乎的是，眼下貼張圖模型能不能接住、截個屏模型能不能看懂。
于是就出現(xiàn)了這條推文里最微妙的拉扯。一邊是科學家盯著智能的天花板，覺得視覺只是錦上添花；一邊是全世界的開發(fā)者都在齊刷刷呼喊視覺。
更何況，對手也來勢洶洶。
Kimi K2.5今年1月就是原生多模態(tài)了，Qwen3.5-Omni三月份端到端把文本/圖像/音頻/視頻全統(tǒng)一進一個模型，更別說國際上Gemini 3那種原生文圖音視頻一把抓的。
GLM旗艦款補足視覺，幾乎是迫在眉睫。且等接下來端上桌的GLM-5.3。
One More Thing
最后再看看唐杰最近的一些分享吧，還挺值得琢磨的。
（其一）
（其二）
（其三）
（其四）
參考鏈接：
[1]
https://x.com/jietang/status/2071454597521215748?s=20
[2]
https://x.com/ZixuanLi_/status/2071491673511674059?s=20
[3]
https://m.weibo.cn/status/5247011059141988
特別聲明：以上內(nèi)容(如有圖片或視頻亦包括在內(nèi))為自媒體平臺“網(wǎng)易號”用戶上傳并發(fā)布，本平臺僅提供信息存儲服務。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
