适合视觉状态
截图、网页布局、GUI 控件、渲染结果和视觉文档都是它擅长的输入。
← 所有 AI 模型
Z.AI · 视觉编程模型
GLM-5V-Turbo：Hermes Agent 视觉编程和 GUI 工作流
GLM-5V-Turbo 适合那些必须先看懂界面才能继续的任务。它可以读取截图、视频和文件，规划下一步，编写代码，再通过新的截图检查结果。
Hermes 使用时要知道的技术信息
视觉编程 Agent
下面这些信息说明 GLM-5V-Turbo 在 Hermes 中适合放在哪一层，以及哪些参数会影响成本和检查方式。
输入视频、图片、文字和文件
输出文字、代码和工具调用
Hermes 角色视觉编程和 GUI Agent
上下文当前说明为 200K token，最多 128K 输出
价格提示以 Hermes API 当前价格卡为准
典型任务前端重建、GUI 探索和视觉调试
使用边界
- 模型可以理解画面，但仍需要浏览器或电脑工具执行点击。
- 截图看不到的状态必须通过第二张图或工具确认。
- 视觉看起来正确，不代表业务逻辑正确。
让 Agent 开始前先检查
- 同时提供当前截图和目标截图。
- 说明设备尺寸和页面状态。
- 只开放当前需要的浏览器或编辑器动作。
- 每次补丁后重新截取页面。
当文字不够时，选择 GLM-5V-Turbo。
普通文字任务不必使用它
纯文字规划、简单抽取和低成本批量任务用更轻的模型即可。
GLM-5V-Turbo 的简单分工规则
如果文字就能解决问题，用文字模型。如果答案取决于屏幕上的内容，用 GLM-5V-Turbo，并通过新截图复核。
适合 Hermes 的任务
按工作选择模型角色
同一个 GLM 系列可以承担不同角色。先看任务，再决定由哪个模型执行。
截图转前端
把多张页面截图整理成组件结构，并生成可以运行的前端页面。
视觉调试
对比错误页面和参考图，找出布局、颜色和交互问题。
GUI 探索
先看懂网页控件，再选择安全的浏览器操作。
图表和文档检查
读取可视化文档和图表，返回有依据的说明或结构化数据。
它可以看布局、控件和渲染反馈。
没有必要为视觉输入付费。
只靠视觉猜测不适合产生副作用。
Hermes 工作流
把屏幕内容也当成任务状态。
Hermes 给模型截图、当前文件和少量允许的操作。模型执行后再看一次屏幕，并说明发生了什么变化。
Hermes 提供重要的截图、文件、视频帧或文档。
GLM-5V-Turbo 说明当前画面，并选择下一步操作。
Hermes 调用浏览器、编辑器或测试工具。
通过新截图检查结果后，Hermes 才接受任务完成。
实际案例
设计团队修复只有浏览器中才会出现的问题
开发者认为页面已经完成，但浏览器中的主图被裁剪，移动菜单还挡住了标题。Hermes 把参考图、当前页面截图和组件文件交给 GLM-5V-Turbo。模型找出了错误的图片适配规则和移动端堆叠问题。Hermes 应用修改，再次截图，并让模型同时检查桌面端和移动端。最后由人工确认交互，再发布页面。
这个案例中 Hermes 做了什么
Hermes 发送参考图、当前页面和组件文件。
GLM-5V-Turbo 识别裁剪、遮挡或间距问题。
Hermes 调用编辑器或浏览器工具执行批准的修改。
发布前对比新的桌面端和移动端截图。
结果
团队通过视觉检查修复了只在浏览器中出现的布局问题，而不是只靠猜 CSS。
人工检查交互、无障碍、数据安全和影响付费体验的视觉决定，都需要人工检查。
成本判断
只有画面真的重要时，才支付视觉理解成本。
视觉输入会让任务更有用，也可能让请求更大。让 GLM-5V-Turbo 负责视觉判断，再把普通文字修改交给更便宜的模型。
一个简单的成本例子
发送最小但有用的图片或裁剪图。让 GLM-5V-Turbo 负责视觉判断，再把普通文字或 CSS 清理交给更便宜的模型。
在 Hermes 中使用 GLM-5V-Turbo
在 Hermes 中使用 GLM-5V-Turbo
在 Hermes API 中选择 glm-5v-turbo，把图片、视频或文件作为模型输入的一部分传入。
curl https://api.hermes-ai.net/api/v1/chat/completions \
-H "Authorization: Bearer $HERMES_API_KEY" \
-H "Content-Type: application/json" \
-d '{
"model": "glm-5v-turbo",
"messages": [{"role":"user","content":"Run the approved task and return a short verification report."}]
}'FAQ
GLM-5V-Turbo 使用前的几个问题
它真的可以根据截图重建前端页面吗？
可以生成能运行的第一版。Hermes 应该对比桌面端和移动端截图，再把差异交回模型，因为截图不会包含所有交互规则。
它适合 GUI 自动化和 OpenClaw 吗？
适合视觉 Agent 工作，但 Hermes 仍需要浏览器或电脑工具、明确权限，并在每次动作后重新截图。
它可以读取 PDF、图表、幻灯片和手写内容吗？
可以读取视觉文件并返回结构化说明。长文件或业务关键材料仍要保留原文件，并人工核对重要数字。
为什么打开搜索或工具后，任务可能变得很慢？
用户反馈过视觉输入、深度思考和工具同时开启时出现长时间等待。可以缩短单轮任务，设置工具超时、重试次数和停止条件。
什么时候应该改用文字模型？
当答案依赖像素、布局、控件或画面状态时用 GLM-5V-Turbo；主要是文字和代码时用 GLM-5-Turbo 或 GLM-5.1。
HERMES API · GLM-5V-Turbo
在 Hermes 中使用 GLM-5V-Turbo
在 Hermes API 中选择 glm-5v-turbo，把图片、视频或文件作为模型输入的一部分传入。