GLM-Image es el modelo de imagen más grande y reciente de Zhipu AI, construido específicamente para cerrar la brecha que ha perseguido a los modelos de difusión durante años: conseguir que el texto dentro de una imagen generada se lea realmente bien. Combina un componente autorregresivo de 9.000 millones de parámetros — inicializado a partir del modelo de lenguaje GLM-4-9B de Zhipu — con un decodificador de difusión de 7.000 millones de parámetros, lo que le da 16.000 millones de parámetros en total. La mitad autorregresiva planifica la composición y la semántica; la mitad de difusión rellena el detalle a nivel de píxel y, de forma crítica, los trazos finos del texto renderizado.
Dónde destaca
Las imágenes densas en texto y en conocimiento son el caso objetivo: carteles comerciales con tipografía en capas, gráficos explicativos con diagramas etiquetados, secuencias de varios paneles que necesitan mantener un sujeto consistente a lo largo de los paneles, y gráficos sociales con restricciones de composición complejas. En su propio benchmark de renderizado de texto CVTG-2K, Zhipu reporta que GLM-Image alcanza aproximadamente un 91% de precisión por palabra para texto en inglés incrustado, por delante de los modelos de pesos abiertos con los que se compara. Más allá de la generación, también maneja tareas de imagen a imagen — edición, transferencia de estilo, generación que preserva la identidad y consistencia entre varios sujetos — desde el mismo modelo en lugar de un endpoint especializado aparte.
Bajo el capó
El generador autorregresivo produce una codificación compacta de tokens visuales — aproximadamente 256 tokens para una primera pasada, ampliándose a entre 1.000 y 4.000 tokens para una salida de mayor resolución — que el decodificador de difusión luego expande hasta convertirla en una imagen completa. Un módulo dedicado de Codificador de Glifos (Glyph Encoder) dentro del decodificador se encarga específicamente de renderizar trazos de texto legibles en lugar de dejar eso al eliminado de ruido general de la difusión. Zhipu también aplica aprendizaje por refuerzo (una configuración GRPO desacoplada) como paso de post-entrenamiento, ajustando las dos mitades del modelo de forma en cierto modo independiente.
Notas sobre el prompting
Como la arquitectura está construida en torno a planificar y luego renderizar, los prompts que especifican la intención de composición — "cartel con un titular en la parte superior y tres secciones etiquetadas debajo" — tienden a traducirse de forma más fiel que los prompts que solo describen el tema. Para el texto que quieres renderizado literalmente, citar la cadena exacta en el prompt es la vía fiable, en consonancia con cómo está diseñado para funcionar el Codificador de Glifos.
Dónde se queda corto
El coste de esa precisión es el cómputo. La propia documentación de Zhipu establece que el modelo necesita una única GPU con más de 80 GB de memoria, o una configuración multi-GPU, para funcionar siquiera — este no es un modelo que la mayoría de los equipos autoalojarán de forma casual. La generación a la resolución máxima de 2048×2048 tarda del orden de cuatro minutos por imagen según las propias cifras del fabricante. Las resoluciones objetivo también deben ser divisibles por 32, y la optimización en tiempo de inferencia, en palabras de la propia Zhipu, sigue siendo limitada.
Derechos y licencias
El modelo principal se publica bajo la licencia MIT. Incorpora un tokenizador VQ y pesos ViT adaptados del proyecto X-Omni / X-Omni-En, que permanecen bajo sus términos originales Apache 2.0 — así que una implementación necesita respetar ambos textos de licencia, no solo la concesión MIT del resto del modelo.
Cuándo elegirlo
GLM-Image es la elección correcta cuando el entregable es un gráfico denso en texto — un cartel, una infografía, un diagrama etiquetado — donde el texto incrustado legible es el requisito real, no un extra agradable. No es la opción para la generación casual o de alto volumen dado el suelo de GPU y la latencia por imagen.
Alternativas que vale la pena comparar
Para un autoalojamiento más ligero con un enfoque bilingüe en el texto similar pero requisitos de cómputo mucho menores, el propio cogview-4-250304 de Zhipu sacrifica algo de precisión de texto por un modelo que funciona con una fracción del hardware. Para trabajo fotorrealista o estilizado de propósito general sin un requisito de renderizado de texto, gpt-image-1.5 y gemini-3-pro-image-preview son las alternativas alojadas más amplias.
Última revisión técnica: 14 de septiembre de 2026 — Tokonomix.ai