智谱发布 GLM-5V-Turbo，多模态 Coding 基座模型接入 AutoClaw 与 BigModel
4 月 1 日，智谱发布 GLM 5V Turbo，官方给它的定位是多模态 Coding 基座模型。体验入口有两个：AutoClaw（澳龙）和 Z.ai。开发者侧走 API，BigModel 开放平台与 Z.ai 均可接入。Coding Plan 目前面向该计划用户开放申请，智谱称后续 GLM Coding Plan 也会纳入 GLM-5V-Turbo，具体时间未公布。
模型能力的落点很具体。AutoClaw 上线了一个叫“股票分析师”的 Skill，靠 GLM-5V-Turbo 的原生视觉能力直接读 K 线走势、估值区间图和券商研报里的图表，四路数据源 60 秒并行采集，最后输出图文交错的研报。这条链路里没有先 OCR 再喂给文本模型的中间步骤，图是模型自己看的。
工具链从文本扩到视觉
在原有文本工具的基础上，GLM-5V-Turbo 增加了多模态搜索、画框、截图、读网页等多模态 tools。智谱的说法是把编程与任务执行的感知-行动链路从纯文本扩展到视觉交互，与 Claude Code、AutoClaw 等“龙虾”类工具的协同效果进一步增强，支持“看懂环境→规划动作→执行任务”的流程。官方同时提到，该模型在多模态搜索、深度研究、GUI Agent、感知 Grounding 等 Agentic 场景上有性能提升，但没有给出具体评测分数。
Skills 与 OCR 能力打包上线
配套的官方 Skills 一并放出，包括图像 Captioning、视觉 Grounding、基于文档的写作、简历筛选、提示词生成，以及基于 GLM-OCR 和 GLM-Image 的文字识别、表格识别、手写体识别、公式识别和文生图。这些 Skills 已上线 ClawHub，官方说法是一键安装即可体验全部能力，GitHub 仓库同步提供。
把这些拼起来看，GLM-5V-Turbo 的定位不是通用多模态对话模型，而是塞进编程与 Agent 工作流里的视觉底座。截图、读网页、画框这些动作原本要靠外部工具串联，现在被收进模型的原生 tools 里，对写 Agent 的人来说少了一层胶水代码。另一方面，股票分析师这类 Skill 说明智谱在往垂直场景铺样例，先证明模型能看懂专业图表，再让用户自己往上叠。
Coding Plan 何时正式纳入 GLM-5V-Turbo 还没给日期，多模态 tools 在真实项目里的稳定性，也要等第一批用户跑完才知道。
来源