GLM-Image, Zhipu AI'nin daha büyük, daha yeni görüntü modelidir; özellikle difüzyon modellerini yıllardır rahatsız eden bir açığı kapatmak için inşa edilmiştir: üretilen bir görüntünün içindeki metnin gerçekten doğru okunmasını sağlamak. Zhipu'nun GLM-4-9B dil modelinden başlatılan 9 milyar parametreli bir otoregresif bileşeni, 7 milyar parametreli bir difüzyon kod çözücüsüyle eşleştirerek toplam 16 milyar parametreye ulaşır. Otoregresif yarı, düzeni ve anlamı planlar; difüzyon yarısı piksel düzeyindeki ayrıntıyı ve kritik olarak render edilen metnin ince vuruşlarını doldurur.
Öne çıktığı noktalar
Metin ağırlıklı, bilgi yoğun görüntüler hedef durumdur: katmanlı tipografiye sahip ticari posterler, etiketli diyagramlar içeren açıklayıcı grafikler, panolar boyunca tutarlı bir öznenin korunmasını gerektiren çok panelli diziler ve karmaşık düzen kısıtlarına sahip sosyal grafikler. Üreticinin kendi CVTG-2K metin render etme kıyaslamasında Zhipu, GLM-Image'ın gömülü İngilizce metin için yaklaşık %91 kelime doğruluğu elde ettiğini bildiriyor; kendisini karşılaştırdığı açık ağırlıklı modellerin önünde. Üretimin ötesinde, ayrı, özel bir uç nokta yerine aynı modelden görüntüden-görüntüye görevleri de yürütüyor — düzenleme, stil aktarımı, kimliği koruyan üretim ve çoklu-özne tutarlılığı.
Kaputun altında
Otoregresif üretici, kompakt bir görsel-token kodlaması üretiyor — ilk geçiş için yaklaşık 256 token, daha yüksek çözünürlüklü çıktı için 1.000-4.000 tokene genişliyor — bunu difüzyon kod çözücüsü daha sonra tam bir görüntüye genişletiyor. Kod çözücü içindeki özel bir Glif Kodlayıcı (Glyph Encoder) modülü, bunu genel difüzyon gürültü gidermeye bırakmak yerine, özellikle okunabilir metin vuruşlarını render etmekten sorumludur. Zhipu ayrıca eğitim sonrası bir adım olarak pekiştirmeli öğrenme (ayrıştırılmış bir GRPO kurulumu) uyguluyor ve modelin iki yarısını bir dereceye kadar bağımsız olarak ayarlıyor.
Prompt notları
Mimari planla-sonra-render-et etrafında inşa edildiği için, düzen niyetini belirten promptlar — "üstte bir başlık, altında üç etiketli bölüm olan poster" — yalnızca konuyu tarif eden promptlardan daha sadık biçimde çevrilme eğilimindedir. Tam olarak render edilmesini istediğiniz metin için, tam dizeyi prompt içinde tırnak içine almak, Glif Kodlayıcı'nın çalışmak üzere tasarlandığı şekille tutarlı, güvenilir yoldur.
Nerede zayıf kalıyor
Bu doğruluğun bedeli hesaplamadır. Zhipu'nun kendi belgeleri, modelin çalışabilmesi için 80 GB'tan fazla belleğe sahip tek bir GPU'ya ya da çoklu-GPU kurulumuna ihtiyaç duyduğunu belirtiyor — bu, çoğu ekibin rastgele kendi kendine barındıracağı bir model değil. En üst 2048×2048 çözünürlükte üretim, üreticinin kendi rakamlarına göre görüntü başına yaklaşık dört dakika sürüyor. Hedef çözünürlükler de 32'ye bölünebilir olmalı ve çıkarım zamanı optimizasyonu, Zhipu'nun kendi ifadesiyle, hâlâ sınırlı.
Haklar ve lisanslama
Çekirdek model MIT lisansı altında yayımlanıyor. X-Omni / X-Omni-En projesinden uyarlanmış, orijinal Apache 2.0 şartları altında kalan bir VQ tokenizer ve ViT ağırlıkları içeriyor — bu yüzden bir dağıtımın, modelin geri kalanındaki MIT iznine ek olarak her iki lisans metnine de uyması gerekiyor.
Ne zaman tercih edilmeli
GLM-Image, teslim edilecek şeyin metin ağırlıklı bir grafik olduğu — bir poster, bir infografik, etiketli bir diyagram — ve okunabilir gömülü metnin güzel bir ekstra değil gerçek bir gereksinim olduğu durumlarda doğru tercihtir. GPU tabanı ve görüntü başına gecikme göz önüne alındığında, rastgele veya yüksek hacimli üretim için tercih değildir.
Karşılaştırmaya değer alternatifler
Benzer bir iki dilli metin odağıyla ama çok daha düşük hesaplama gereksinimleriyle daha hafif kendi kendine barındırma için, Zhipu'nun kendi cogview-4-250304 modeli, donanımın bir kesriyle çalışan bir model uğruna biraz metin doğruluğundan ödün veriyor. Metin render etme gereksinimi olmayan genel fotogerçekçi veya stilize iş için gpt-image-1.5 ve gemini-3-pro-image-preview, daha geniş barındırılan alternatiflerdir.
Son teknik inceleme: 14 Eylül 2026 — Tokonomix.ai