GLM-5.3你来定！智谱唐杰全球征集意见，评论区清一色：视觉

鹭羽 发自 凹非寺 | 量子位公众号 QbitAI

近期，智谱征集清华大学教授、唐杰智谱AI核心人物唐杰在社交平台上引发了广泛关注。全球区清

昨日，评论他深入探讨了AI认知领域，色视提出“AI的智谱征集终局是AGI，这是唐杰一场猎龙游戏”，观点引发热议。全球区清随后，评论唐杰再次发声，色视公开征集社区意见：

各位，智谱征集下一个版本的唐杰GLM，你最期待什么功能？全球区清

该动态浏览量迅速突破 40万+，展现了极高的评论社区影响力。

网友之所以如此热情参与，色视需回溯至去年GLM-4.6开源时期。当时唐杰也曾发起类似征集，用户提出的诸多需求在后续版本中陆续落地，智谱因此被戏称为“有求必应·阿拉丁”。

正因如此，此次征集一出，懂行的开发者和智谱内部员工纷纷响应。

有用户直接列出“愿望清单”：包括更强的Agent自主能力、超长上下文下的质量保持、以及更灵活的API接口等。

更有开发者诚恳呼吁：求求GLM团队，开发一款类似Codex的桌面端应用！

然而，纵观GLM-5.3的评论区，出现频率最高的关键词依然是——

视觉！

GLM的“视觉之痛”

两周前，智谱开源了 GLM-5.2。

该模型表现强劲，在开源界AI编程能力排名中位列第一，全球排名第二，仅次于神话级模型Fable-5。

但不可否认，其短板同样明显且令人痛点十足：

缺乏视觉能力。

GLM-5.2作为纯文本模型，虽能驾驭百万Token的超长上下文及深度逻辑推理，但未搭载视觉编码器，既无法理解图像，也无法生成图像。

相比之下，对标模型Fable-5作为原生多模态模型，具备全面的视觉处理能力。

因此，GLM用户不禁羡慕地表示：我们也想拥有多模态能力。

关键在于，智谱并非没有视觉技术储备。

事实上，今年4月智谱发布了 GLM-5V-Turbo模型。这是一个原生多模态的Coding基座，在预训练阶段即融合视觉与文本，能够解析设计稿、截图及网页界面，并直接输出可运行代码，实现了“视觉+代码+Agent”的一体化。

此外，智谱此前推出的 CogVLM视觉编码器亦出自其团队，唐杰本人发表的视觉相关论文更是成果丰硕。

因此，问题核心不在于“有无视觉能力”，而在于智谱尚未将视觉模块整合至其最强旗舰模型中。

这一策略倾向在唐杰过往的言论中已有体现。在去年底的大模型年终总结中，他虽肯定“多模态是未来”，但也指出：

“当下的多模态对提升AGI智能上限的帮助有限。最有效的方式可能是分开发展：文本、多模态、多模态生成。当然，适度探索三者结合能发现新能力，但这需要勇气及雄厚资本支持。”

细细品味，唐杰作为一线科学家，关注焦点始终在于第一性原理——模型智能。他认为视觉能让模型更“好用”，但提升模型“聪明”程度（即复杂推理能力）才是关键。

这揭示了用户与厂商视角的差异：

对于用户而言，AGI尚属遥远，当下更迫切的需求是模型能否接得住图片、看得懂截图。

这就形成了推文中最微妙的博弈：一边是科学家紧盯智能天花板，视视觉为锦上添花；另一边是全球开发者齐声呼唤视觉能力。

此外，竞争对手的压力也不容忽视。

Kimi K2.5于今年1月即实现原生多模态；Qwen3.5-Omni在三月实现了文本、图像、音频、视频的统一端到端处理；国际上，Gemini 3等模型也已实现文图音视频的全方位整合。

在此背景下，GLM旗舰款补齐视觉能力已迫在眉睫。让我们拭目以待即将发布的 GLM-5.3。

One More Thing

最后，回顾唐杰近期的其他分享，同样值得深思：

（其一）

（其二）

（其三）

（其四）

参考链接：
[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

(责任编辑：焦点)