Zhipu AI y el laboratorio THUDM de la Universidad de Tsinghua presentaron formalmente GLM-4V-9B, un modelo multimodal abierto de 9.000 millones de parámetros diseñado para cerrar la brecha entre modelos visuales comerciales propietarios y soluciones autohospedadas. Equipado con un codificador visual que admite de forma nativa imágenes de hasta 1120x1120 píxeles sin reducción forzada de resolución, GLM-4V-9B sobresale en la extracción de texto extremadamente denso (OCR), comprensión de diagramas técnicos complejos, gráficos financieros y diálogo visual bilingüe de alta fidelidad, superando a arquitecturas de mayor escala en evaluaciones académicas estándar como MME, MathVista y DocVQA.
Capítulo 01
La noticia en una frase
Zhipu AI lanza GLM-4V-9B, modelo multimodal abierto de 9B con procesamiento de imágenes hasta 1120x1120, OCR denso bilingüe y razonamiento visual avanzado.
La arquitectura procesa imágenes en alta resolución nativa preservando detalles topológicos y tipográficos en documentos complejos y diagramas técnicos.
Capítulo 02
