GLM-5V-Turbo: Rumo a um Modelo de Base Nativo para Agentes Multimodais
GLM-5V-Turbo: Toward a Native Foundation Model for Multimodal Agents
April 29, 2026
Autores: V Team, Wenyi Hong, Xiaotao Gu, Ziyang Pan, Zhen Yang, Yuting Wang, Yue Wang, Yuanchang Yue, Yu Wang, Yanling Wang, Yan Wang, Xijun Liu, Wenmeng Yu, Weihan Wang, Wei Li, Shuaiqi Duan, Sheng Yang, Ruiliang Lv, Mingdao Liu, Lihang Pan, Ke Ning, Junhui Ji, Jinjiang Wang, Jing Chen, Jiazheng Xu, Jiale Zhu, Jiale Cheng, Ji Qi, Guobing Gan, Guo Wang, Cong Yao, Zijun Dou, Zihao Zhou, Zihan Wang, Zhiqi Ge, Zhijie Li, Zhenyu Hou, Zhao Xue, Zehui Wang, Zehai He, Yusen Liu, Yukuo Cen, Yuchen Li, Yuan Wang, Yijian Lu, Yanzi Wang, Yadong Xue, Xinyu Zhang, Xinyu Liu, Wenkai Li, Tianyu Tong, Tianshu Zhang, Shengdong Yan, Qinkai Zheng, Mingde Xu, Licheng Bao, Jiaxing Xu, Jiaxin Fan, Jiawen Qian, Jiali Chen, Jiahui Lin, Haozhi Zheng, Haoran Wang, Haochen Li, Fan Yang, Dan Zhang, Chuangxin Zhao, Chengcheng Wu, Boyan Shi, Bowei Jia, Baoxu Wang, Peng Zhang, Debing Liu, Bin Xu, Juanzi Li, Minlie Huang, Yuxiao Dong, Jie Tang
cs.AI
Resumo
Apresentamos o GLM-5V-Turbo, um passo em direção a modelos de base nativos para agentes multimodais. À medida que os modelos de base são cada vez mais implantados em ambientes reais, a capacidade agentiva depende não apenas do raciocínio linguístico, mas também da capacidade de perceber, interpretar e agir sobre contextos heterogêneos, como imagens, vídeos, páginas da web, documentos e interfaces gráficas de utilizador (GUIs). O GLM-5V-Turbo foi construído em torno deste objetivo: a perceção multimodal é integrada como um componente central do raciocínio, planeamento, uso de ferramentas e execução, e não como uma interface auxiliar para um modelo de linguagem. Este relatório resume as principais melhorias por trás do GLM-5V-Turbo em termos de design do modelo, treino multimodal, aprendizagem por reforço, expansão da cadeia de ferramentas e integração com estruturas de agentes. Esses desenvolvimentos resultam num desempenho sólido em codificação multimodal, uso de ferramentas visuais e tarefas agentivas baseadas em estruturas, mantendo ao mesmo tempo uma capacidade competitiva de codificação apenas com texto. Mais importante ainda, o nosso processo de desenvolvimento oferece insights práticos para a construção de agentes multimodais, destacando o papel central da perceção multimodal, da otimização hierárquica e da verificação fiável de ponta a ponta.
English
We present GLM-5V-Turbo, a step toward native foundation models for multimodal agents. As foundation models are increasingly deployed in real environments, agentic capability depends not only on language reasoning, but also on the ability to perceive, interpret, and act over heterogeneous contexts such as images, videos, webpages, documents, GUIs. GLM-5V-Turbo is built around this objective: multimodal perception is integrated as a core component of reasoning, planning, tool use, and execution, rather than as an auxiliary interface to a language model. This report summarizes the main improvements behind GLM-5V-Turbo across model design, multimodal training, reinforcement learning, toolchain expansion, and integration with agent frameworks. These developments lead to strong performance in multimodal coding, visual tool use, and framework-based agentic tasks, while preserving competitive text-only coding capability. More importantly, our development process offers practical insights for building multimodal agents, highlighting the central role of multimodal perception, hierarchical optimization, and reliable end-to-end verification.