鹭羽 发自 凹非寺量子位 | 公众号 QbitAI

最近，清华教授、智谱灵魂人物唐杰聊得有点 high。

昨天先是畅聊 AI 认知，"AI 的终局就是 AGI，一场猎龙游戏 "。引起广泛热议后，一觉醒来今天又在当众征集意见：

各位！下个版本的 GLM，你想要啥？

浏览量瞬间干到了 40w+，这影响力真够顶的！

不过要说网友们为啥这么捧场，还得倒回去年 GLM-4.6 刚开源那会儿。

彼时唐杰也问过这么一回，评论区纷纷热情支招，一条条需求后来陆陆续续都在 GLM 后续版本中有所实现。

真 · 有求必应 · 阿拉丁。

所以这次他一张口，懂行的人立马团建去了～有 po 自己痛点的，也有智谱自家员工在下面留言。

比如这位网友直接列出了自己的愿望清单：更强的 Agent 能力、超长上下文保持质量、更灵活的 API ……

更有甚者诚恳祈祷：求你了 GLM！做一个类似 Codex 的桌面应用！！

有趣的是，这次 GLM-5.3 的评论区，刷得最多的还是——

视觉！

GLM 的视觉之痛

两周前，智谱刚刚开源 GLM-5.2。

强到离谱！开源界 AI 编程第一、全球第二，仅屈居于大名鼎鼎的神话级模型 Fable-5。

但要说痛点，很明显，也是真的痛：

没视觉啊……

纯文本模型，搞得动百万 Token 超长上下文和深度逻辑推理，但偏偏没搭载视觉编码器，看不了图也造不出图。

反观拿来对标的 Fable-5，它是原生多模态模型，视觉能力应有尽有。

于是 GLM 用户双双流下羡慕的泪水：我也想拥有 TT

而且关键在于，不是智谱做不出视觉。恰恰相反，今年 4 月智谱发过一个叫 GLM-5V-Turbo 的模型。

原生多模态的 Coding 基座，从预训练阶段就把视觉和文本揉在一起，能看懂设计稿、截图、网页界面，然后直接吐出能跑的代码，主打视觉 + 代码 +Agent 一体化。

再往前看，智谱也做过不少多模态模型，CogVLM 视觉编码器就出自他们之手。唐杰本人发表过的视觉论文，更是一抓一大把。

所以问题压根不是有没有视觉能力，而是智谱没把视觉放进最强旗舰模型中去。

这一点从唐杰过往的发言中也可见一斑，比如去年底的大模型年终总结，他先是肯定多模态是未来。

但随即他又补刀道：

问题是，当下的多模态对提升 AGI 的智能上界，帮助有限。可能最有效的方式还是分开发展，文本、多模态、多模态生成。当然适度的探索这三者的结合肯定能发现一些很不一样的能力，但这需要勇气和雄厚的资本支持。

你品，你细品。

唐杰这种冲在 AI 一线的科学家，盯着的始终还是第一性原理——模型智能。视觉可以让模型更好用，但要让模型更聪明，靠的还是复杂推理那套硬功夫。

这就是用户和厂商的视角差异。

AGI 对于用户太遥远了，所以用户更在乎的是，眼下贴张图模型能不能接住、截个屏模型能不能看懂。

于是就出现了这条推文里最微妙的拉扯。一边是科学家盯着智能的天花板，觉得视觉只是锦上添花；一边是全世界的开发者都在齐刷刷呼喊视觉。

更何况，对手也来势汹汹。

Kimi K2.5 今年 1 月就是原生多模态了，Qwen3.5-Omni 三月份端到端把文本 / 图像 / 音频 / 视频全统一进一个模型，更别说国际上 Gemini 3 那种原生文图音视频一把抓的。

GLM 旗舰款补足视觉，几乎是迫在眉睫。且等接下来端上桌的 GLM-5.3。

One More Thing

最后再看看唐杰最近的一些分享吧，还挺值得琢磨的。

（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