GLM-Image est le modèle d'image plus récent et plus grand de Zhipu AI, conçu spécifiquement pour combler la lacune qui poursuit les modèles de diffusion depuis des années : faire en sorte que le texte à l'intérieur d'une image générée se lise réellement correctement. Il associe un composant autorégressif de 9 milliards de paramètres — initialisé à partir du modèle de langage GLM-4-9B de Zhipu — à un décodeur de diffusion de 7 milliards de paramètres, soit 16 milliards de paramètres au total. La moitié autorégressive planifie la mise en page et la sémantique ; la moitié diffusion remplit le détail au niveau du pixel et, surtout, les traits fins du texte rendu.
Là où il excelle
Les images riches en texte et denses en information sont le cas cible : affiches commerciales à la typographie superposée, graphiques explicatifs avec diagrammes légendés, séquences à panneaux multiples devant garder un sujet cohérent d'un panneau à l'autre, et visuels sociaux avec des contraintes de mise en page complexes. Sur son propre benchmark de rendu de texte CVTG-2K, Zhipu rapporte pour GLM-Image une précision au mot d'environ 91 % pour le texte anglais intégré, devançant les modèles ouverts auxquels il se compare. Au-delà de la génération, il gère aussi les tâches image-vers-image — édition, transfert de style, génération préservant l'identité et consistance multi-sujets — depuis le même modèle plutôt que via un endpoint spécialisé séparé.
Sous le capot
Le générateur autorégressif produit un encodage de tokens visuels compact — environ 256 tokens pour un premier passage, s'étendant à 1 000–4 000 tokens pour une sortie en plus haute résolution — que le décodeur de diffusion développe ensuite en une image complète. Un module Glyph Encoder dédié à l'intérieur du décodeur est spécifiquement responsable du rendu de traits de texte lisibles, plutôt que de laisser cela au débruitage de diffusion général. Zhipu applique aussi de l'apprentissage par renforcement (une configuration GRPO découplée) comme étape de post-entraînement, ajustant les deux moitiés du modèle de façon quelque peu indépendante.
Notes de prompting
Comme l'architecture est construite autour d'un principe de planification puis rendu, les prompts qui précisent une intention de mise en page — « affiche avec un titre en haut et trois sections légendées en dessous » — tendent à se traduire plus fidèlement que les prompts qui ne décrivent que le sujet. Pour le texte que vous voulez voir rendu mot pour mot, mettre la chaîne exacte entre guillemets dans le prompt est la voie fiable, cohérente avec la façon dont le Glyph Encoder est conçu pour fonctionner.
Là où il montre ses limites
Le prix de cette précision, c'est le calcul. La documentation de Zhipu indique que le modèle nécessite un seul GPU avec plus de 80 Go de mémoire, ou une configuration multi-GPU, pour fonctionner tout court — ce n'est pas un modèle que la plupart des équipes auto-hébergeront à la légère. La génération à la résolution maximale de 2048×2048 prend, selon les propres chiffres de l'éditeur, de l'ordre de quatre minutes par image. Les résolutions cibles doivent aussi être divisibles par 32, et l'optimisation au moment de l'inférence reste, selon les mots mêmes de Zhipu, limitée.
Droits et licence
Le modèle central est distribué sous licence MIT. Il intègre un tokenizer VQ et des poids ViT adaptés du projet X-Omni / X-Omni-En, qui restent sous leurs conditions Apache 2.0 d'origine — un déploiement doit donc respecter les deux textes de licence, pas seulement la concession MIT sur le reste du modèle.
Quand le choisir
GLM-Image est le bon choix lorsque le livrable est un visuel riche en texte — une affiche, une infographie, un diagramme légendé — où un texte intégré lisible est une exigence réelle, pas un simple plus. Ce n'est pas le choix pour une génération occasionnelle ou à fort volume, compte tenu du plancher GPU requis et de la latence par image.
Alternatives à comparer
Pour un auto-hébergement plus léger avec un focus bilingue sur le texte similaire mais des besoins de calcul bien moindres, le cogview-4-250304 de Zhipu échange un peu de précision textuelle contre un modèle qui tourne sur une fraction du matériel. Pour un travail photoréaliste ou stylisé généraliste sans exigence de rendu de texte, gpt-image-1.5 et gemini-3-pro-image-preview sont les alternatives hébergées plus largement comparées.
Dernière revue technique : 2026-09-14 — Tokonomix.ai