GLM-4.1V-Thinking: В направлении универсального мультимодального мышления с масштабируемым обучением с подкреплением

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

July 1, 2025

Авторы: 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

Аннотация

Мы представляем GLM-4.1V-Thinking, модель обработки визуальной и языковой информации (VLM), разработанную для продвижения универсального мультимодального мышления. В данном отчете мы делимся ключевыми результатами разработки обучающей системы, ориентированной на развитие навыков рассуждения. Сначала мы создаем мощную базовую модель для обработки визуальных данных с большим потенциалом посредством масштабного предварительного обучения, что, по сути, задает верхний предел для итоговой производительности. Затем метод обучения с подкреплением с использованием учебного плана (RLCS) раскрывает полный потенциал модели, приводя к всестороннему улучшению ее возможностей в широком спектре задач, включая решение STEM-задач, понимание видео, распознавание контента, программирование, привязку к данным, агентов на основе графического интерфейса и понимание длинных документов, среди прочего. Для содействия исследованиям в этой области мы открываем исходный код GLM-4.1V-9B-Thinking, которая демонстрирует наивысшую производительность среди моделей сопоставимого размера. В комплексной оценке на 28 публичных тестовых наборах наша модель превосходит Qwen2.5-VL-7B практически по всем задачам и показывает сопоставимую или даже превосходящую производительность на 18 тестовых наборах по сравнению с значительно более крупной Qwen2.5-VL-72B. Примечательно, что GLM-4.1V-9B-Thinking также демонстрирует конкурентоспособную или превосходящую производительность по сравнению с закрытыми моделями, такими как GPT-4o, в сложных задачах, включая понимание длинных документов и STEM-рассуждения, что дополнительно подчеркивает ее высокие возможности. Код, модели и дополнительная информация доступны по адресу 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.