智谱发布 GLM-5V-Turbo：看手绘草图和录屏就能写代码，设计测试超 Opus 4.6

以前想让 AI 帮着抄个页面，你得先把功能在提示词里拆成几十句话，要是样式稍微复杂一点，生成出来的排版多半稀碎。

智谱（Z AI）上线了全新的视觉编码模型 GLM-5V-Turbo。它主打的就是「看一眼直接写代码」，不管是手绘在纸上的草图、软件界面截图，还是一整段操作录屏，塞给它就能直接吐出可运行的应用代码。

扔个丑草图或录屏，连动效都能抄

GLM-5V-Turbo 是原生多模态架构，拥有 200K 的上下文窗口。除了常规文本，你把图片、视频和文档打包往提示词里丢，它都能接住并理解。

最接地气的地方在于容错率。即便你画的手绘线框图特别潦草、甚至看着有点丑，它依然能把结构和组件对应起来，写出布局基本一致的代码。你还能额外附带一张参考图，让它照着给定的风格去套样式。

更狠的是对视频的支持。给它一段现有网站的屏幕录制视频，它能把整站结构复刻出来，文中的示例甚至连页面里的过渡动效都能还原。

在若干设计类 benchmark 测试中，GLM-5V-Turbo 的表现不仅压过了 Kimi K2.5，甚至超过了 Claude Opus 4.6。

能看懂环境，还能当自主探路工

除了常规的图生代码，GLM-5V-Turbo 还针对代理场景补强了工具链。在文本工具之外，它新增支持了画框、多模态搜索、截图和读网页等一系列视觉 Tools。

这也让它具备了 GUI 自主探索复刻的能力：AI 可以像真人一样自主浏览网站，边逛边梳理页面架构、抓取所需素材，最后把整个站点扒下来重建。

在落地生态上，它已经深度适配了 Claude Code 和 OpenClaw 等编码代理，官方还给了开箱即用的 Skills 套件，走通了看懂环境、规划动作到执行任务的完整闭环。目前该模型已经在 Z AI 的聊天平台开放，同时开放了 API 供开发者接入。

为什么重要

把前端界面翻译成代码，是多模态模型实用化最立竿见影的赛道之一。智谱把 GLM-5V-Turbo 押在「看视频还原动效」和「连粗糙草图都能吃」上，抓得非常准。

对个人开发者或设计团队来说，以前用 AI 写前端最卡壳的不是写组件，而是调样式和做微交互。现在只要录个屏或者扔张草图，就能瞬间搭起高保真原型，试错门槛被压到了极低。

我们认为智谱这步走得很聪明的地方在于，它没有把自己圈死在自家的聊天框里，而是第一时间做了 OpenClaw 和 Claude Code 的适配。AI 编程的未来大概率属于这些自主代理，把自己的眼睛插进别人的代理工作流里，比单纯卖对话框更有杀伤力。

不过从原型到可维护的生产环境，中间还有代码规范、组件抽象和状态管理的鸿沟。如果只是「抄个样子」，它足够惊艳；但生成的复杂工程代码是否经得起重构，依然需要开发者在实战中打个问号。