GLM-4.1V-9B-Thinking: рассуждение по изображению

Официальный паспорт связывает модель с GLM-4-9B-0414 и описывает reinforcement learning поверх визуально-языковой основы. Заявлены 64K контекста, изображения произвольного соотношения сторон вплоть до 4K и китайско-английский ввод. Практический интент — вопросы к сложной схеме, нескольким деталям изображения или визуальной задаче, где одного распознавания объекта недостаточно. Разработчик приводит собственные benchmark-сравнения; здесь они не превращаются в независимый рейтинг. Репозиторий содержит готовый image-text-to-text pipeline, поэтому это не только vision-encoder или другой вспомогательный компонент.

Паспорт явно говорит о китайском и английском, но не доказывает качество русского текста на скриншотах или схемах. Для русскоязычных материалов проверяйте чтение мелких подписей и связь подписи с нужным объектом.

Подходящие сценарии: вопросы к диаграмме или изображению с несколькими элементами; анализ визуальной задачи с обоснованием; исследование китайско-английского VLM локально.

Выбирайте Thinking, когда важно не просто назвать видимый объект, а связать детали и объяснить вывод по изображению. Для исследования исходной визуальной основы существует отдельный GLM-4.1V-9B-Base; он не является этим готовым reasoning-checkpoint. Сначала соберите визуальный набор с эталонами и неоднозначными примерами, затем сравните ответы с более поздней GLM-4.5V, учитывая разные шаблоны беседы.

Максимальные 4K и 64K описывают поддерживаемые входы, а не безошибочное чтение любого изображения. Мелкий текст, неразборчивые таблицы и указания на соседние элементы требуют ручной сверки. В официальном GLM-V проекте отмечено, что у 4.1V и 4.5V разные conversation templates; неверная предобработка может исказить сравнение. Наличие reasoning-текста не гарантирует правильность вывода.