昨天刚畅聊完AI终局是猎龙游戏，智谱唐杰今天就发帖征集GLM-5.3意见。一句“你来定”，浏览量瞬间干到40多万。 本以为评论区会是一场关于AGI架构的高深探讨，结果点进去一看，满屏都在死磕两个字：视觉。 开发者们这次是真急眼了。愿望清单里虽然也有Agent能力和超长上下文，但呼声最高、最整齐的，全是要模型长眼睛。有人甚至直接喊话，求做个能看截图的桌面应用。 这其实折射出一种很现实的撕裂。唐杰盯着的是第一性原理，是模型智能的天花板。他觉得当下的多模态对提升AGI智能上界帮助有限。但开发者根本不关心你的智能上限在哪，他们只在乎贴张图模型能不能接住，截个屏能不能看懂。 科学家追求AGI的星辰大海没毛病，但大模型厂商在死磕智能上限的同时，必须正视开发者对多模态等实用能力的迫切需求。你文本推理再强，看不懂一张前端设计稿，干活的人照样掀桌子。无视这种基本盘的呼声，等对手把原生多模态卷成标配，再想补课可就真晚了。 两周前刚开源的GLM-5.2，编程能力确实猛，干到了开源界第一、全球第二，仅次于神话级的Fable-5。这成绩单拿出去绝对有面子。但现实很骨感，它是个纯文本模型。百万Token上下文玩得溜，深度推理也没得挑，偏偏没搭载视觉编码器。 前端开发拿着设计稿截图想让它直接吐代码，运营丢个数据图表想让它写分析，模型只能干瞪眼回一句看不到。这谁顶得住？隔壁对标的Fable-5可是原生多模态，看图写码一条龙。用户看着眼馋，心里能没落差吗？ 其实智谱不是做不出视觉。他们搞过GLM-5V-Turbo，也出过CogVLM，唐杰自己发的视觉论文更是一抓一大把。核心问题在于，他们没把视觉塞进最强旗舰里。在唐杰的视角里，当下的多模态对提升AGI智能上界帮助有限，不如文本和多模态分开发展。 这种科学家视角的克制，在开发者眼里就是实打实的难用。大模型厂商死磕AGI上限固然重要，但如果不顾开发者对多模态的刚需，只盯着天花板，基本盘迟早被那些既能仰望星空又能低头看路的对手抢光。 其实智谱这种偏科背后，藏着典型的科学家思维。去年底的大模型年终总结上，唐杰就把话挑明了。他先肯定多模态是未来，但紧接着就泼了盆冷水：当下的多模态对提升AGI的智能上界，帮助有限。在他看来，最有效的方式还是文本、多模态、多模态生成分开发展。 你品品这话里的潜台词。在唐杰这种冲在AI一线的科学家眼里，第一性原理永远是模型智能本身。视觉确实能让模型更好用，但要让模型真正变聪明，靠的还是复杂推理这种硬功夫。他们盯着的是智能的天花板，觉得视觉顶多算个锦上添花的配件。 但这套逻辑，放到真实的开发场景里就完全水土不服了。AGI的终局对每天赶进度的打工人来说太遥远。前端工程师不在乎你的模型能不能解开哥德巴赫猜想，他只在乎丢一张UI设计稿过去，模型能不能直接吐出能跑的代码。运营也不关心你的上下文窗口有多长，他们只想知道截个数据图表，模型能不能一眼看懂并写出分析。 这就是最真实的拉扯。一边是科学家死磕AGI的星辰大海，一边是开发者在泥坑里呼喊一个能看截图的实用助手。大模型厂商追求技术上限绝对没毛病，但如果无视开发者对多模态等实用能力的迫切需求，基本盘迟早要出问题。文本推理再强，连张截图都看不懂，干活的人照样会掀桌子换模型。死磕智能上限的同时，必须正视这些看似不起眼的实用需求，不然等对手把原生多模态卷成标配，再想回头捡流失的用户可就真来不及了。 别光在内部纠结第一性原理了，抬头看看外面的竞争环境，对手早就把原生多模态卷成了标配。Kimi K2.5今年1月就上了原生多模态，Qwen3.5-Omni三月份直接把文本、图像、音频、视频端到端统一。再看国际上的Gemini 3，文图音视频一把抓，生态体验早就拉满了。 智谱还在拿多模态对AGI上界帮助有限当挡箭牌，对手已经用原生多模态把开发者的痛点解决得明明白白。以前大家比的是谁文本推理强，现在比拼的是谁能一口气把图文音视全吃透，这背后拼的更是算力调度和工程落地的硬实力。市场根本不等人，开发者更是直接用脚投票。你纯文本能力再强，连张前端截图都看不懂，用户转头就去用隔壁能看图说话的模型了。 追求AGI上限是科学家的浪漫，但留住基本盘才是厂商的现实。大模型厂商在追求AGI智能上限的同时，必须正视开发者对多模态等实用能力的迫切需求。无视这种刚需，等对手把多模态卷成行业基建，再想回头捡流失的用户可就真晚了。GLM-5.3把视觉补齐已经是迫在眉睫的事，别光盯着AGI的星辰大海，先把开发者脚下的泥巴填平才是正经路。 科学家有科学家的浪漫，但做产品终究得接地气。AGI确实是终局，可如果连眼下的开发者都留不住，拿什么去熬到猎龙游戏胜利的那一天？ 现在大模型竞争早就进入了深水区，算力瓶颈卡着所有人的脖子。在这种时候，算力再猛，如果核心场景跑不通，纯粹就是烧钱听响。开发者才是大模型的基本盘，他们每天在泥坑里赶进度，需要的是能直接看截图、写代码的趁手工具，而不是一个只会做复杂推理却看不懂UI设计稿的最强大脑。 以前大家拼参数规模、拼榜单跑分，现在拼的是生态闭环和落地体验。对手们已经把原生多模态做成了行业基建，智谱要是还端着科学家的架子，觉得视觉只是锦上添花，迟早会被市场教做人。 GLM-5.3接下来的路其实很清晰。别光顾着在文本推理的象牙塔里死磕，赶紧把视觉能力原生融合进旗舰基座里。让前端能直接传设计稿，让运营能直接丢数据图表。把开发者脚下这摊泥泞的烂路填平，给他们真正好用的武器，他们才愿意买票陪你一起去仰望AGI的星辰大海。这就是现实。