【读代码】GLM-4.1V-Thinking：开源多模态推理模型的创新实践

一、基本介绍

1.1 项目背景

GLM-4.1V-Thinking是清华大学KEG实验室推出的新一代开源视觉语言模型，基于GLM-4-9B-0414基础模型构建。该项目通过引入"思维范式"和强化学习课程采样（RLCS）技术，显著提升了模型在复杂任务中的推理能力。其创新点包括：

• 64k超长上下文支持：可处理长达64k token的输入序列
• 4K分辨率处理：支持任意纵横比的图像输入
• 多模态推理强化：在数学推理、长文本理解等18项基准测试中超越72B参数模型
• 中英双语支持：原生支持中文和英文的混合输入

1.2 技术定位

与同类模型（如CogVLM2、Qwen-VL）相比，GLM-4.1V-Thinking实现了三大突破：

# 模型能力对比示意
models = {