给一个只会读写的模型装上“眼睛”，通常意味着重新训练大量参数。Baseten 这版 GLM-5.2-Vision-NVFP4 走了条更省事的路：保留 GLM-5.2 文本模型和 MoonViT 视觉编码器的原始权重，只训练中间的 PatchMerger 投影器——它像接口适配器，把图片特征转换成语言模型能接收的表示。新训练部分为 4950 万参数，文本权重则采用 NVFP4，即面向 NVIDIA 新一代硬件的 4 位浮点格式。
值得关注的不是“模型变小到随手可跑”，而是一个现成的低精度视觉语言模型已经给出部署路径。仓库标注模型约 466 GB，可在 8 张 B200 上运行最长 100 万 token 的上下文，或在 4 张 B200 上运行 25.6 万 token；目前仅支持 Blackwell 硬件。NVFP4 理论上能减少显存和计算开销，但材料没有提供与其他精度版本的显存、速度或效果对比，因此实际吞吐提升仍待验证。