GLM-5V-Turbo 视觉定位与设计稿复刻提示

一句话结论

把截图/设计稿与明确的输出格式同时放入请求，GLM-5V-Turbo 可直接用于 UI 复刻、视觉定位和 GUI/代码 Agent 的第一步感知。

适用场景

• 适合的任务：设计稿到前端页面、截图中的目标定位、文档/页面视觉理解、视频或 GUI 观察后再执行代码任务。

• 不适合的任务：仅文本的复杂后端架构判断，或要求模型在没有真实工具结果时自行声称完成 GUI 操作。

• 适用的模型版本：glm-5v-turbo；官方页列出视频/图像/文本/文件输入、文本输出、200K context、128K 最大输出。

• 适用的客户端、Agent 或 API：Z.AI Chat Completions API；可接 Claude Code、OpenClaw 等 Agent，但工具权限和执行层需另行配置。

• 推荐的推理档位和参数：官方 Quick Start 使用 thinking.type="enabled"；是否开启应按延迟与任务复杂度评测，图像定位可先用简单请求，长程复刻再比较 thinking。

可直接使用的内容

视觉定位（官方文档中的完整示例提示）：

Where is the second bottle of beer from the right on the table?
Provide coordinates in [[xmin,ymin,xmax,ymax]] format.

设计稿到移动页面（官方示例提示，适合把同一请求中的多张设计图作为输入）：

Please recreate the mobile pages based on the design mockups in the images.
The left side shows the welcome page, and the center shows the homepage image.
You will also need to create mockups for the remaining two pages.

可复用的增强版工作提示（保留官方任务意图，新增验收字段）：

Recreate the interface shown in the attached design mockups.

Requirements:
- identify every visible page, component, text block, spacing relationship, and interaction affordance
- implement the pages as runnable frontend code
- preserve the visual hierarchy, layout, colors, typography, and responsive behavior
- list any element that cannot be verified from the images instead of inventing it

Output:
1. implementation
2. page/component mapping
3. unverifiable assumptions
4. a short visual QA checklist

测试/工作流步骤

1. 先发送单一截图/设计稿和明确目标；若有多页，给每张图标注页面名称或顺序。

2. 对定位任务规定坐标格式；对复刻任务规定运行方式、页面清单和“不确定项”输出。

3. API 请求使用 model="glm-5v-turbo"，在复杂视觉推理任务上比较 thinking.type="enabled" 与关闭/默认行为。

4. 先让模型产出页面或定位，再由 Agent/浏览器执行实际动作；执行层应回传截图、错误和 DOM/日志证据。

5. 对前端结果运行本地启动、页面截图和视觉检查；将模型未能从图中确认的内容列入假设，不作为事实。

原始证据与数据

• 官方模型定位为“multimodal coding foundation model”，支持理解图片、视频和文本，并用于长程计划、复杂编码和动作执行。

• 官方能力项包括 thinking mode、vision comprehension、streaming、function call 和 context caching。

• 官方使用场景列出 Frontend Recreation、GUI Autonomous Exploration and Recreation、Code Debugging、OpenClaw。

• 官方 Quick Start 使用 OpenAI-compatible chat/completions 请求，消息内容由 image_url 与 text 组成，并给出上述定位与设计复刻提示。

适用边界

• 官方页展示的是示例输入和能力定位，不提供这两个示例的完整生成代码、视觉评分或成功率。

• “坐标”必须先确认图像坐标系与分辨率；不同客户端的缩放、裁剪和视频帧会改变坐标含义。

• 设计稿复刻提示不能补齐未提供的业务逻辑、交互状态或后端数据；要求模型显式列出假设。

• GLM-5V-Turbo 的视觉感知不等于自动拥有浏览器或 shell 权限；工具调用应由外部 Agent 审计。

来源摘录或观察（仅做合规短引）

官方示例要求 “Provide coordinates in [[xmin,ymin,xmax,ymax]] format”，并将复刻任务描述为 “recreate the mobile pages based on the design mockups”。