2024年8月28日，在ACM SIGKDD（国际数据挖掘与知识发现大会，KDD）会议现场，智谱AI重磅推出新一代全自研基座大模型GLM-4-Plus、图像/视频理解模型GLM-4V-Plus和文生图模型CogView-3-Plus。
1、模型介绍页：https://bigmodel.cn/dev/howuse/model，（包含最新模型的概要介绍）
2、GLM-4-Plus API文档更新：https://bigmodel.cn/dev/api#glm-4
3、GLM-4V-Plus API文档更新：https://bigmodel.cn/dev/api#glm-4v
4、CogView-3-Plus：https://bigmodel.cn/dev/api#cogview
一、GLM-4-Plus
GLM-4-Plus 使用了大量模型辅助构造高质量合成数据以提升模型性能；利用 PPO 有效提升模型推理（数学、代码算法题等）表现，更好反应人类偏好。
1.1 特点：
1）性能全面提升，长文本和复杂任务能力显著增强；
2）支持128K上下文和多路Function Call；
1.2 在Benchmark上表现：
语言文本能力方面，GLM-4-Plus 和 GPT-4o 及 405B 参数量的 Llama3.1 相当。
长文本能力比肩国际先进水平。通过更精准的长短文本数据混合策略，取得了更强的长文本的推理效果。
1.3 在bigmodel.cn官网测试效果：
a）数字比大小
GLM-4-Plus
GLM-4-Plus解决了3.14和3.5，谁比较大的大模型难题。
接下来，我们看一下通义千问的效果：
再看一下gpt-4o的效果：
gpt-4o在部分问题上表现不正确
在数字比大小上，国产大模型比gpt-4o略胜一筹
b）长文本逻辑推理
GLM-4-Plus
再看一下通义千问的效果：
同样，最后再验证一下gpt-4o的效果：
三个大模型在长文本推理方面，表现一致的好。
Prompt：笼子里有若干只鸡和兔，从上面数，有8个头，从下面数，有26只脚。鸡和兔各有几只？
GLM-4-Plus
通义千问2.5
gpt-4o
二、GLM-4V-Plus
具备卓越的图像理解能力，并具备基于时间感知的视频理解能力。
2.1 特点：
1）同时支持理解负责视频、图像及网页等内容；
2）具备时间感知能力、支持时间问答；
3）支持8K上下文，多图输入；
GLM-4V-Plus 在图像和视频理解能力方面位居前列。GLM-4V-Plus 还可以理解网页内容，并将其转换为 html 代码。
GLM-4V-Plus 能够理解并分析复杂的视频内容，同时具备时间感知能力。上线开放平台后，将提供国内首个通用视频理解模型 API 。
三、CogView-3-Plus
文生图模型迎来最新版本CogView-3-Plus，其效果接近目前最佳的 MJ-V6 及 FLUX 等模型，并支持图片编辑功能。
Prompt：在一个天气晴朗的黄昏，落日映射着白云，天上有一群大雁在飞翔，地上有一群人在游乐场玩耍。
Prompt：在城市的一个广场上，傍晚时分，落日映射着白云，天上有一群大雁在飞翔，地上有几个人在游乐场玩耍。
四、API调用
首先需要安装zhipuai包
pip install --upgrade zhipuai1）同步调用
from zhipuai import ZhipuAIclient = ZhipuAI(api_key="") # 填写您自己的APIKeyresponse = client.chat.completions.create(model="glm-4-plus", # 填写需要调用的模型编码messages=[{"role": "user", "content": "作为一名营销专家，请为智谱开放平台创作一个吸引人的slogan"},{"role": "assistant", "content": "当然，为了创作一个吸引人的slogan，请告诉我一些关于您产品的信息"},{"role": "user", "content": "智谱AI开放平台"},{"role": "assistant", "content": "智启未来，谱绘无限一智谱AI，让创新触手可及!"},{"role": "user", "content": "创造一个更精准、吸引人的slogan"}],)print(response.choices[0].message)
生成的效果，如下所示：
CompletionMessage(content='"智领变革，谱绘智图 —— 智谱AI，赋能未来每一步！"', role='assistant', tool_calls=None)2）流式调用
from zhipuai import ZhipuAIclient = ZhipuAI(api_key="") # 请填写您自己的APIKeyresponse = client.chat.completions.create(model="glm-4-plus", # 填写需要调用的模型编码messages=[{"role": "system", "content": "你是一个乐于解答各种问题的助手，你的任务是为用户提供专业、准确、有见地的建议。"},{"role": "user", "content": "我对太阳系的行星非常感兴趣，特别是土星。请提供关于土星的基本信息，包括其大小、组成、环系统和任何独特的天文现象。"},],stream=True,)for chunk in response:print(chunk.choices[0].delta)
生成的效果，如下所示：
ChoiceDelta(content='当然', role='assistant', tool_calls=None)ChoiceDelta(content='，', role='assistant', tool_calls=None)ChoiceDelta(content='土', role='assistant', tool_calls=None)ChoiceDelta(content='星', role='assistant', tool_calls=None)ChoiceDelta(content='是一个非常', role='assistant', tool_calls=None)......ChoiceDelta(content='随时', role='assistant', tool_calls=None)ChoiceDelta(content='欢迎', role='assistant', tool_calls=None)ChoiceDelta(content='提问', role='assistant', tool_calls=None)ChoiceDelta(content='。', role='assistant', tool_calls=None)ChoiceDelta(content='', role='assistant', tool_calls=None)
3）函数调用
from zhipuai import ZhipuAIclient = ZhipuAI(api_key="") # 请填写您自己的APIKeytools = [{"type": "function","function": {"name": "query_train_info","description": "根据用户提供的信息，查询对应的车次","parameters": {"type": "object","properties": {"departure": {"type": "string","description": "出发城市或车站",},"destination": {"type": "string","description": "目的地城市或车站",},"date": {"type": "string","description": "要查询的车次日期",},},"required": ["departure", "destination", "date"],},}}]messages = [{"role": "user","content": "你能帮我查询2024年1月1日从北京南站到上海的火车票吗？"}]response = client.chat.completions.create(model="glm-4-plus", # 填写需要调用的模型名称messages=messages,tools=tools,tool_choice="auto",)print(response.choices[0].message)
生成的效果，如下所示：
CompletionMessage(content=None, role='assistant', tool_calls=[CompletionMessageToolCall(id='call_8994560162651457846', function=Function(arguments='{"date": "2024-01-01", "departure": "北京南站", "destination": "上海"}', name='query_train_info'), type='function', index=0)])
引导文案：解锁AI新知，与技术大咖并肩！
扫描下列二维码加入「ZHIPUer技术社区」，分享最新案例，交流技术心得，还有更多社区活动奖励、内测福利、企业内推等机会等你解锁。
