GLM 5.2 视觉版现身 Hugging Face

推理服务商 Baseten 在 Hugging Face 上线了一个社区关注的模型：GLM 5.2 视觉版（NVFP4 量化）。该版本由 Baseten 自行合并，将 Moonshot 旗下 Kimi k2.6 的视觉编码器移植到智谱 GLM 5.2 上，补齐了 GLM 5.2 发布时缺失的多模态理解能力，并以 NVFP4 格式开源发布。

合并思路与背景

GLM 5.2 发布时仅支持纯文本输入，社区对其「没有视觉能力」的反馈较多。Baseten（同时也是 OpenRouter 上的推理服务商）选择将 Kimi k2.6 的视觉编码器直接嫁接到 GLM 5.2，从而让原模型具备图文输入能力。这种「文本基座 + 外挂视觉编码器」的合并方式在开源社区较为常见，无需重新训练基座即可扩展多模态能力。

部署与量化

• 模型名称：baseten/GLM-5.2-Vision-NVFP4
• 发布平台：Hugging Face
• 量化格式：NVFP4（针对 NVIDIA GPU 优化的 4 位浮点格式）
• 提供方：Baseten（非智谱官方）

NVFP4 量化有助于在显存受限的推理环境中降低部署成本，但也会带来一定的精度损失。

注意事项

该模型并非智谱或 Moonshot 官方发布，而是由 Baseten 自行合并并托管的第三方版本，效果与官方模型存在差异，建议在生产环境中使用前自行评测。由于原帖未提供 benchmark 数据或能力对比，目前尚无法量化评估视觉合并后的实际表现。