智谱技术团队于12月26日开源了GLM-PC基座模型CogAgent-9B-20241220，该模型基于GLM-4V-9B训练，专用于智能体任务。模型仅需屏幕截图作为输入，无需HTML等文本表征，可预测下一步GUI操作。相较于2023年12月开源的第一版，新模型在感知、预测准确性、动作空间完善性、任务普适性和泛化性方面显著提升，并支持中英文双语交互。模型输入包括自然语言指令、历史动作记录和GUI截图。输出包括思考过程、下一步动作的自然语言描述、结构化描述及敏感性判断。CogAgent-9B-20241220在多个数据集上测试表现优异，证明了其强大性能。