智谱AI开源图像生成模型GLM-Image：AI绘图圈变天？
2026-01-14 10:30
136
1月14日，智谱AI发布开源图像生成模型GLM-Image。该模型采用"自回归+扩散解码器"混合架构，自回归部分基于GLM-4-9B负责全局语义理解，扩散解码器约7B参数专注高保真细节渲染。
GLM-Image在文字渲染和知识密集型生成上达到开源SOTA水平，擅长生成海报、PPT、科普图等场景，支持任意分辨率输出。API价格仅0.1元/张，代码权重已在Hugging Face和GitHub开源。
核心亮点一：左脑懂逻辑，右脑画细节（混合架构）
现在的生图模型（比如SDXL,FLUX）大多是纯粹的“扩散模型”。而GLM-Image搞了个“缝合怪”创新——混合自回归(AR)+扩散(Diffusion)解码器。
通俗点说，它的工作流程是这样的：
“大脑”(GLM-4-9B)：
先用一个强大的大语言模型（LLM）去理解你的提示词。它不直接画图，而是先规划布局，生成图像的“骨架”和语义编码。
“画师”(Diffusion Decoder 7B)：
接着，一个专门的扩散解码器接过“骨架”，负责填色、光影、渲染纹理，把它变成一张高清大图。
为什么要这么做？
单纯的扩散模型有时候像个“没有逻辑的画家”，画质好但听不懂复杂指令；单纯的自回归模型（像早期的DALL-E 1）逻辑好但画质糙。GLM-Image把两者结合了：既有LLM的超强理解力，又有Diffusion的细腻画质。
核心亮点二：文字渲染能力，真的强！
大家用AI画海报最大的痛点是什么？字写得像鬼画符。
GLM-Image在这方面简直是“强迫症福音”。因为它有一个专门的Glencore Encoder文本模块，加上LLM的加持，它在图片里写字非常精准。
数据说话（官方测试集）：
在文本渲染准确率上，GLM-Image达到了0.9116(Word Accuracy)。
对比同行：
这一项分数直接碾压了FLUX、SD3甚至闭源的DALL-E 3。
实际体验：
你让它画一个“树莓慕斯蛋糕的食谱”，上面要有标题、配料表（面粉150g、鸡蛋3个...）、步骤图。它不仅能画出诱人的蛋糕，还能把上面的每一行小字都排版得整整齐齐，几乎没有错别字！
核心亮点三：是个“学霸”，也是个“修图师”
1.知识密集型生成
得益于它用了GLM-4这种大模型作为底座，它非常擅长处理信息密度极高的提示词。
以前你让AI画“一张海报，左上角是标题，右下角是四个步骤图，底部是营养成分表”，AI大概率会崩溃，元素乱飞。GLM-Image却能像专业排版师一样，严格遵循你的空间指令。
2.指哪打哪的图生图(I2I)
它不仅能生图，还能修图。
换背景：
“把雪地森林背景换成带有自动扶梯的地铁站”，人物保持不变。
风格迁移&角色一致性：
这一点对于做连环画或电商图的朋友来说非常重要。
而且，它是用强化学习(RL)训练过的！采用了GRPO算法（没错，类似DeepSeek R1的那种思路），专门针对语义理解和细节质量进行了微调。
0
好文章，需要你的鼓励