智谱最近发布了新款多模态模型 GLM-5V-Turbo，主打视觉编程能力。
这款模型可以直接基于图片、视频、网页生成可运行代码，在多项评测基准上以较小尺寸取得领先表现。
苏米注：视觉编程这个方向很有意思。之前用过的多模态模型大多是"塞了个识图插件"，容易出现幻觉。
GLM-5V-Turbo 在训练阶段就融合了视觉能力，理论上应该更稳定。
核心特性
GLM-5V-Turbo 是一款主打视觉编程能力的 Coding 基座模型，核心能力包括：
- 直接理解视觉内容：图片、视频、网页截图都能直接输入
- 代码生成能力：根据视觉内容生成可运行的代码
- 多模态评测领先：在多模态 coding、Agentic 和纯文本 Coding 维度表现优异
- 体积优化：相比同类模型尺寸更小，性能更强
换做普通模型，你只能将图片中的内容用文字描述出来，然后发送需求。但 GLM-5V-Turbo 在训练阶段就融合了视觉能力，可以直接看懂图片、视频。
它真正做到了看得懂画面，也写得好代码。
在多模态 coding、Agentic 和纯文本 Coding 维度的评测基准上，它都以更小的尺寸取得了领先的表现。
体积又小、能力又强，这个模型一经发表就在国外引起了广泛讨论，很多大 V 都出来为其站台。
实测一：截图复刻网页
第一个测试是用截图复刻网页。以智谱的 BigModel 官网为例，将网页截图发送给模型，要求复刻一个相同的页面。
只需把截图发给模型，并让它根据这张所展现出的界面复刻一个一样的网页出来。
就这样，一张截图加一句要求复刻的话，页面就一比一地做出来了。对比制作完成的页面和原网页：
对比发现有两处不同。
首先是左上角的图标不太一样，一个是白底黑字，一个是黑底白字，不过这个问题替换一下图标文件就搞定了。
另外一个问题是页面的动态效果不太一样：
苏米注：静态截图只能呈现画面，无法传递交互逻辑，这个差异可以理解。
实际使用中，补充交互描述就能解决。
实测二：视频复刻动态效果
为了解决交互效果问题，将原网站的动态效果录制成视频，让模型根据视频进一步复刻。
起身喝杯水的功夫，它就把交互效果也给还原了，甚至不同按钮颜色不同的细节也没漏掉。
这个时候又有同学要说了：人家官网可不只有一屏的内容，往下滑还有很多内容呢，这个咋整？
其实很好办，直接录个视频展示整个页面的所有内容就可以了。不过还有一个更好的方法。
实测三：通过链接复刻网站
其实不需要手动提供截图或视频，直接给模型一个网页链接，它也能主动抓取页面内容。
这次来复刻苹果的官网：
不过由于版权问题，模型并不会生成完全相同的页面，而是参考设计风格制作相似页面。这个完全可以理解，毕竟在真实使用中也不会照抄，借鉴风格更合理。
经过一番操作，完成了这个艰难的任务：
除了配图是自行替换的，无论是排版还是动态效果还原度都比较高。甚至第一屏的图片还添加了动态效果，相比原版更加灵动。
实测四：根据草图生成页面
最后一个测试是用抽象的 UI 草图生成完整页面。
这是一个音乐播放器的手绘草图：
这次改用 Claude Code 来测试，因为智谱官方提供了一键配置工具包，还挺方便。
大概用时不到 3 分钟，根据草图创建的音乐播放器页面就制作出来了。
效果演示：
对比一下原本的草图：
不能说是有点相同，只能说是一模一样了。就连音乐控制按钮画歪了、没对准中心线这一点都参考上了。
总结：GLM-5V-Turbo 的特点
经过一两天的深度测试，GLM-5V-Turbo 有三个突出特点：
1. 看得准
以前有很多能识图的模型，是塞了一个识图插件进去，就容易出现幻觉。GLM-5V-Turbo 则在训练阶段就融合了视觉能力，所以才能在视觉编程这方面表现出色，将每一处细致的动效都复刻出来。
2. 编码稳
以上测试的这么多案例，几乎全都是一次完成，且没有出现使用 BUG。最多就是提供的信息不足而没有达到预期效果，经过信息补充，最终都能达到想要的效果。
3. 工作流友好
在类似 OpenClaw 这种 Agent 中使用 GLM-5V-Turbo，因为提供了很好的视觉能力，以前要靠坐标去完成的自动化点按操作，现在可以直接通过模型看见并分析了，对提升工作流的流畅性很有帮助。
实践经验：如果所使用的模型没有视觉能力，我们就只能用纯文字来向 AI 描述需求，一大长串的需求写完，没准比直接写代码还累。
使用建议
AI 不应该是需要我们哄着才能干活，而是能真正看懂我们的需求。GLM-5V-Turbo 这个模型让 AI 长出了视力超群的眼睛，让我们和 AI 沟通的成本大大降低。
目前可以前往 z.ai 官网免费体验：
在线体验：https://chat.z.ai/
API 接入：https://bigmodel.cn/
苏米注：不管你是前端开发者、AI 极客，还是想靠 AI 提升效率的打工人，都可以去试试。让自己少说点话，让 AI 多干点活儿。