GLM 5.3 意外曝光：多模态视觉终于要来了，开发者苦等已久

GLM 5.3 意外曝光，多模态视觉这次真的来了？

2026年8月3日下午，智谱AI的开发者社区突然热闹起来。起因是有人发现，智谱旗下的AI编程工具ZCode官网悄悄上线了一个“ZCode for GLM-5.3”的页面。紧接着，GLM-5.3的官方说明文档也短暂对外开放了大约一个小时，不少手快的网友直接截了图。必应搜索甚至一度把ZCode页面标题收录为“GLM-5.3官方Harness”。

页面很快被撤回，但“GLM-5.3”这个名字已经传开了。资本市场反应迅速，智谱（02513）股价当天涨超8%。机构给出的理由很直接：如果GLM-5.3能把视觉能力整合进来，商业化空间会大很多。

真正让开发者兴奋的，是这次曝光背后透露出的关键信息——GLM 5.3，要上多模态了。

GLM用户等视觉，等了太久

2026年6月中旬，智谱开源了旗舰模型GLM-5.2。这个模型实力不弱：开源界AI编程第一、全球第二，仅次于Fable-5。753B的MoE架构、1M超长上下文、MIT协议开源，每一项指标都拿得出手。

但有个痛点一直没解决：没有多模态。

纯文本模型，能处理百万Token的超长上下文，能做深度逻辑推理，但偏偏没装视觉编码器——看不了图，造不了图，截个屏也读不懂。

反观对手，Fable-5是原生多模态模型，视觉能力齐全。国内这边，Kimi K2.5今年1月就上了原生多模态，Qwen3.5-Omni三月份把文本、图像、音频、视频全统一进一个模型。国际上的Gemini 3更是文图音视频一把抓。

GLM用户只能看着别人家的模型羡慕。

所以当智谱首席科学家唐杰在6月29日通过X平台征集“下一个版本的GLM”功能建议时，评论区被一个词刷屏了——视觉。

那条帖子浏览量超过40万，评论里超过60%都在呼吁增加视觉模块。开发者们列出的愿望清单五花八门：原生多模态支持、更强的Agent能力、超长上下文质量保持、更灵活的API……但呼声最高的，始终是视觉。

GLM 5.3：补上那块拼图

从目前曝光的信息来看，GLM 5.3的核心升级方向已经很明确：多模态视觉能力。

具体来说，可能包含这几个关键能力：

图片识别与理解

跟主流大模型一样，具备基本的图片识别能力。图片理解据说也是这次更新的重点内容。拍个照片、发个截图，模型能读懂里面的信息。

表格解析与识别

得益于智谱在GLM-OCR上的技术积累，GLM 5.3有望支持从图片或扫描件中提取表格，识别含合并单元格的复杂表格，并转为Markdown或Excel等可编辑格式。

财务报表、发票、带表格的报告——这些过去需要人工录入的繁琐工作，未来可能只需要拍一张照片。

UI截图生成代码

这是开发者们最兴奋的功能之一。截一张图，AI直接生成可运行的代码——从设计到实现的距离，被压缩到只剩一次截图。

不过这个功能目前还只是社区讨论的猜测。有人提到智谱在研发这方面的能力，但考虑到连GPT现在都做得不够好，这个功能大概率还只是小道消息。

视觉+代码+Agent一体化

如果GLM 5.3真能把视觉、代码生成和Agent能力整合在一起，那就不只是“能看图”那么简单了。开发者可以让模型看懂界面、理解需求、直接写代码执行任务，整个链路会顺畅很多。

这次曝光意味着什么

从时间线来看，GLM-5.2开源才一个多月，5.3的文档就意外曝光了。这个节奏说明智谱内部对多模态的研发已经有一段时间了，不是临时起意。

另外，ZCode官网专门做了“ZCode for GLM-5.3”页面，说明编程工具会优先适配新模型。对开发者来说，这意味着GLM 5.3发布后，ZCode的体验可能会有一个明显提升。

至于GLM 5.3具体什么时候正式发布、视觉能力到底能做到什么程度，目前还没有官方消息。但有一点可以确定：智谱听到了用户的声音，多模态这块拼图，正在被补上。

GLM用户等了这么久，这次应该不会白等。