GLM-Image ist Zhipu AIs größeres, neueres Bildmodell, speziell gebaut, um die Lücke zu schließen, die Diffusionsmodelle seit Jahren plagt: Text innerhalb eines generierten Bildes tatsächlich korrekt lesbar zu machen. Es kombiniert eine autoregressive Komponente mit 9 Milliarden Parametern — initialisiert aus Zhipus GLM-4-9B-Sprachmodell — mit einem Diffusions-Decoder mit 7 Milliarden Parametern, insgesamt also 16 Milliarden Parameter. Die autoregressive Hälfte plant Layout und Semantik; die Diffusions-Hälfte füllt das Detail auf Pixelebene aus und, entscheidend, die feinen Striche gerenderten Texts.
Wo es glänzt
Textlastige, wissensdichte Bilder sind der Zielfall: kommerzielle Poster mit mehrschichtiger Typografie, Erklärgrafiken mit beschrifteten Diagrammen, Mehrpanel-Sequenzen, die ein Motiv über die Panels hinweg konsistent halten müssen, sowie Social-Grafiken mit komplexen Layout-Vorgaben. Auf dem eigenen CVTG-2K-Textdarstellungs-Benchmark des Herstellers berichtet Zhipu von rund 91 % Wortgenauigkeit für eingebetteten englischen Text bei GLM-Image, vor den offenen Modellen, mit denen es sich vergleicht. Über die Generierung hinaus übernimmt es auch Bild-zu-Bild-Aufgaben — Bearbeitung, Stilübertragung, identitätswahrende Generierung und Konsistenz über mehrere Motive hinweg — aus demselben Modell heraus statt über einen separaten spezialisierten Endpoint.
Unter der Haube
Der autoregressive Generator erzeugt eine kompakte visuelle Token-Kodierung — etwa 256 Token für einen ersten Durchgang, erweitert auf 1.000–4.000 Token für höher aufgelöste Ausgaben —, die der Diffusions-Decoder anschließend zu einem vollständigen Bild ausbaut. Ein dediziertes Glyph-Encoder-Modul innerhalb des Decoders ist speziell für das Rendern lesbarer Textstriche zuständig, statt das dem allgemeinen Diffusions-Denoising zu überlassen. Zhipu setzt zudem Reinforcement Learning (ein entkoppeltes GRPO-Setup) als Nachtrainingsschritt ein, der die beiden Modellhälften einigermaßen unabhängig voneinander feinabstimmt.
Hinweise zum Prompting
Da die Architektur um ein Planen-dann-Rendern herum aufgebaut ist, werden Prompts, die Layout-Absicht spezifizieren — „Poster mit einer Überschrift oben und drei beschrifteten Abschnitten darunter" — tendenziell treuer umgesetzt als Prompts, die nur das Motiv beschreiben. Für Text, der wortwörtlich gerendert werden soll, ist das Zitieren der exakten Zeichenkette im Prompt der verlässliche Weg, passend dazu, wie der Glyph Encoder konstruiert ist.
Wo es an Grenzen stößt
Der Preis für diese Genauigkeit ist Rechenleistung. Zhipus eigene Dokumentation gibt an, dass das Modell eine einzelne GPU mit mehr als 80 GB Speicher oder ein Multi-GPU-Setup braucht, um überhaupt zu laufen — kein Modell, das die meisten Teams nebenbei selbst hosten werden. Die Generierung bei der höchsten Auflösung von 2048×2048 dauert nach eigenen Angaben des Herstellers etwa vier Minuten pro Bild. Zielauflösungen müssen zudem durch 32 teilbar sein, und die Inferenz-Optimierung ist, in Zhipus eigenen Worten, weiterhin begrenzt.
Rechte und Lizenzierung
Das Kernmodell erscheint unter der MIT-Lizenz. Es enthält einen VQ-Tokenizer und ViT-Gewichte, die vom X-Omni-/X-Omni-En-Projekt übernommen wurden und unter deren ursprünglichen Apache-2.0-Bedingungen bleiben — ein Einsatz muss also beide Lizenztexte einhalten, nicht nur die MIT-Freigabe für den Rest des Modells.
Wann Sie es wählen
GLM-Image ist die richtige Wahl, wenn das Ergebnis eine textlastige Grafik ist — ein Poster, eine Infografik, ein beschriftetes Diagramm —, bei der lesbarer eingebetteter Text die tatsächliche Anforderung ist, nicht nur ein nettes Extra. Es ist angesichts der GPU-Untergrenze und der Latenz pro Bild nicht die Wahl für beiläufige oder hochvolumige Generierung.
Alternativen im Vergleich
Für leichteres Self-Hosting mit ähnlichem Fokus auf zweisprachigen Text, aber deutlich geringeren Rechenanforderungen, tauscht Zhipus eigenes cogview-4-250304 etwas Textgenauigkeit gegen ein Modell, das mit einem Bruchteil der Hardware läuft. Für allgemeine fotorealistische oder stilisierte Arbeit ohne Textdarstellungsanforderung sind gpt-image-1.5 und gemini-3-pro-image-preview die breiteren gehosteten Alternativen.
Letzte technische Überprüfung: 2026-09-14 — Tokonomix.ai