GLM-4.1V-Thinking: Rumando para o Raciocínio Multimodal Versátil com Aprendizado por Reforço Escalável

GLM-4.1V-Thinking: Towards Versatile Multimodal Reasoning with Scalable Reinforcement Learning

July 1, 2025

Autores: Wenyi Hong, Wenmeng Yu, Xiaotao Gu, Guo Wang, Guobing Gan, Haomiao Tang, Jiale Cheng, Ji Qi, Junhui Ji, Lihang Pan, Shuaiqi Duan, Weihan Wang, Yan Wang, Yean Cheng, Zehai He, Zhe Su, Zhen Yang, Ziyang Pan, Aohan Zeng, Baoxu Wang, Boyan Shi, Changyu Pang, Chenhui Zhang, Da Yin, Fan Yang, Guoqing Chen, Jiazheng Xu, Jiali Chen, Jing Chen, Jinhao Chen, Jinghao Lin, Jinjiang Wang, Junjie Chen, Leqi Lei, Leyi Pan, Mingzhi Zhang, Qinkai Zheng, Sheng Yang, Shi Zhong, Shiyu Huang, Shuyuan Zhao, Siyan Xue, Shangqin Tu, Shengbiao Meng, Tianshu Zhang, Tianwei Luo, Tianxiang Hao, Tianle Gong, Wenkai Li, Wei Jia, Xin Lyu, Xuancheng Huang, Yanling Wang, Yadong Xue, Yanfeng Wang, Yifan An, Yifan Du, Yiming Shi, Yiheng Huang, Yilin Niu, Yuan Wang, Yuanchang Yue, Yuchen Li, Yutao Zhang, Yuxuan Zhang, Zhanxiao Du, Zhenyu Hou, Zhao Xue, Zhengxiao Du, Zihan Wang, Peng Zhang, Debing Liu, Bin Xu, Juanzi Li, Minlie Huang, Yuxiao Dong, Jie Tang

cs.AI

Resumo

Apresentamos o GLM-4.1V-Thinking, um modelo de linguagem-visão (VLM) projetado para avançar o raciocínio multimodal de propósito geral. Neste relatório, compartilhamos nossas principais descobertas no desenvolvimento da estrutura de treinamento centrada no raciocínio. Primeiro, desenvolvemos um modelo de base visual capaz com potencial significativo por meio de pré-treinamento em larga escala, o que, sem dúvida, estabelece o limite superior para o desempenho final. O Aprendizado por Reforço com Amostragem de Currículo (RLCS) então desbloqueia todo o potencial do modelo, levando a um aprimoramento abrangente de capacidades em uma ampla gama de tarefas, incluindo resolução de problemas STEM, compreensão de vídeo, reconhecimento de conteúdo, codificação, fundamentação, agentes baseados em GUI e compreensão de documentos longos, entre outros. Para facilitar a pesquisa nessa área, disponibilizamos o GLM-4.1V-9B-Thinking como código aberto, que alcança desempenho de ponta entre modelos de tamanho comparável. Em uma avaliação abrangente em 28 benchmarks públicos, nosso modelo supera o Qwen2.5-VL-7B em quase todas as tarefas e alcança desempenho comparável ou até superior em 18 benchmarks em relação ao significativamente maior Qwen2.5-VL-72B. Notavelmente, o GLM-4.1V-9B-Thinking também demonstra desempenho competitivo ou superior em comparação com modelos de código fechado, como o GPT-4o, em tarefas desafiadoras, incluindo compreensão de documentos longos e raciocínio STEM, destacando ainda mais suas fortes capacidades. Código, modelos e mais informações estão disponíveis em https://github.com/THUDM/GLM-4.1V-Thinking.

English

We present GLM-4.1V-Thinking, a vision-language model (VLM) designed to advance general-purpose multimodal reasoning. In this report, we share our key findings in the development of the reasoning-centric training framework. We first develop a capable vision foundation model with significant potential through large-scale pre-training, which arguably sets the upper bound for the final performance. Reinforcement Learning with Curriculum Sampling (RLCS) then unlocks the full potential of the model, leading to comprehensive capability enhancement across a diverse range of tasks, including STEM problem solving, video understanding, content recognition, coding, grounding, GUI-based agents, and long document understanding, among others. To facilitate research in this field, we open-source GLM-4.1V-9B-Thinking, which achieves state-of-the-art performance among models of comparable size. In a comprehensive evaluation across 28 public benchmarks, our model outperforms Qwen2.5-VL-7B on nearly all tasks and achieves comparable or even superior performance on 18 benchmarks relative to the significantly larger Qwen2.5-VL-72B. Notably, GLM-4.1V-9B-Thinking also demonstrates competitive or superior performance compared to closed-source models such as GPT-4o on challenging tasks including long document understanding and STEM reasoning, further underscoring its strong capabilities. Code, models and more information are released at https://github.com/THUDM/GLM-4.1V-Thinking.