智谱发布GLM-5V-Turbo模型：编程告别纯文本 一张图片就能生成代码

4月2日消息，智谱正式发布面向视觉编程打造的GLM-5V-Turbo多模态Coding基座模型。

该模型从预训练阶段深度融合视觉与文本能力，打破了纯文本输入的编程局限，能看懂设计稿、截图、网页界面并生成可运行代码，真正实现了看得懂画面、写得出代码。

GLM-5V-Turbo拥有三大核心特性：

其一为原生多模态Coding基座，可原生理解图片、视频、设计稿等多模态输入，支持画框、截图等多模态工具调用，上下文窗口拓展至200k，让Agent的感知-行动链路延伸至视觉交互；

其二是兼顾视觉与编程能力，在多模态Coding、GUI Agent等核心基准上表现领先，且通过多任务协同RL技术，保证纯文本场景下的编程、推理能力不退化；

其三是深度适配Claude Code与龙虾场景，可实现“看懂环境→规划动作→执行任务”的完整闭环，还配备全套官方Skills，开箱即可使用。

实测数据显示，GLM-5V-Turbo在设计稿还原、视觉代码生成等基准上均取得领先，在AndroidWorld、WebVoyager等GUI环境操控测试中表现突出，纯文本Coding能力也保持稳定。

在龙虾Agent相关测试中，模型接入后让龙虾拥有真正的视觉能力，在PinchBench等评测中斩获优异成绩，复杂任务执行能力得到验证。

目前GLM-5V-Turbo已落地图像即代码、龙虾视觉赋能等典型场景，能实现前端复刻、GUI自主探索复刻，还能让龙虾完成K线图解读、图文报告生成等任务。

用户可通过AutoClaw、Z.ai等产品体验，也能通过官方API接入，多款官方Skills也已上线ClawHub。