Jan 14, 2026
12 min read
掌握 GLM-Image 文本渲染
了解 GLM-Image 如何通过 Glyph-byT5 编码器实现卓越的文本渲染准确性，特别是对中文字符的处理。
阅读更多
GLM-Image：首个开源工业级
自回归图像生成模型
GLM-Image 结合了 9B 自回归生成器和 7B 扩散解码器，实现卓越的文本渲染和知识密集型生成能力。体验专为高保真图像创建优化的 16B 参数模型的强大力量。
文本渲染
知识密集型
16B 参数
开源
试用 GLM-Image 演示
通过我们的免费在线演示体验 GLM-Image 的强大功能。生成具有卓越文本渲染和知识密集型内容的高质量图像。
GLM-Image 核心功能
GLM-Image 在多个维度上提供卓越性能，从文本渲染到知识密集型生成。
卓越的文本渲染
GLM-Image 在中文文本渲染上达到 0.9788 的准确率（LongText-Bench ZH），英文文本达到 0.9557。非常适合创建海报、信息图表和多语言内容，实现精确的文本集成。
混合架构
结合 9B 自回归生成器和 7B 扩散解码器实现渐进式生成。模型首先使用低分辨率令牌建立布局，然后添加高分辨率细节。
知识密集型生成
GLM-Image 擅长复杂指令遵循和事实准确性。非常适合教育内容、技术图表和需要复杂信息表示的创意工作。
高分辨率输出
生成 1024px 到 2048px 的原生分辨率图像。GLM-Image 为专业应用生成具有卓越细节和清晰度的印刷质量图像。
图像编辑与风格迁移
利用块因果注意力机制实现精确的图像编辑功能。通过风格迁移转换照片、增强图像并创建艺术变体，同时保留关键细节。
身份保持
在多次生成中保持多主体一致性。非常适合角色设计、品牌一致性以及需要在多个图像中识别主体的项目。
GLM-Image 性能展示
GLM-Image 在行业基准测试中表现出色，尤其在文本渲染准确性方面表现卓越。
基准测试对比
| 基准测试 | GLM-Image | 竞品平均 | 提升 |
|---|---|---|---|
| CVTG-2K Word Accuracy | 0.9116 | 0.7850 | +16.1% |
| LongText-Bench EN | 0.9557 | 0.8920 | +7.1% |
| LongText-Bench ZH | 0.9788 | 0.8650 | +13.2% |
| OneIG-Bench | 0.528 | 0.512 | +3.1% |
| DPG-Bench | 84.78 | 82.45 | +2.8% |
| TIIF-Bench (Short) | 81.01 | 78.30 | +3.5% |
* 竞品平均值基于可比较的开源模型。GLM-Image 在文本渲染任务中始终表现优异。
📝
文本渲染
创建多语言精确文本集成的图像，非常适合海报和营销材料。
🎨
风格迁移
使用艺术风格转换图像，同时保持主体身份和关键视觉元素。
📚
教育内容
为教育材料生成知识密集型视觉内容，准确表示信息。
GLM-Image 技术创新
GLM-Image 融合了前沿的架构创新，实现卓越的图像生成性能。
🔷
语义-VQ 标记化
16× 压缩比，保留语义信息。相比传统 VQVAE 方法具有更优的收敛特性。
📊
渐进式生成
分层令牌生成：首先生成低分辨率布局（约 256 个令牌），然后添加高分辨率细节（1K-4K 个令牌）。
✍️
Glyph-byT5 编码器
字符级编码实现卓越的文本渲染准确性，特别适合中文字符和复杂文字系统。
🎯
块因果注意力
在图像编辑过程中保持高频细节，同时减少计算开销以实现高效处理。
快速开始使用 GLM-Image
几分钟内开始使用 GLM-Image。安装所需的软件包并开始生成高质量图像。
安装
pip install git+https://github.com/huggingface/transformers.git
pip install git+https://github.com/huggingface/diffusers.git系统要求
GPU
80GB+ 显存或多 GPU 配置
Python
版本 3.8 或更高
基本使用
import torch
from diffusers.pipelines.glm_image import GlmImagePipeline
pipe = GlmImagePipeline.from_pretrained(
"zai-org/GLM-Image",
torch_dtype=torch.bfloat16,
device_map="cuda"
)
prompt = "A beautiful landscape with mountains and a lake"
image = pipe(
prompt=prompt,
height=32 * 32,
width=36 * 32,
num_inference_steps=50,
guidance_scale=1.5
).images[0]
image.save("output.png")常见问题
关于 GLM-Image 及其功能的常见问题。
GLM-Image 是首个开源工业级离散自回归图像生成模型，拥有 16B 参数（9B 自回归 + 7B 扩散解码器）。它在文本渲染（尤其是中文字符）和知识密集型内容生成方面表现出色。
GLM-Image 使用 Glyph-byT5 文本编码器，为图像中的文本渲染提供卓越的准确性。它在中文文本上达到 0.9788 的准确率（LongText-Bench ZH），在英文文本上达到 0.9557（LongText-Bench EN），超越其他模型。
GLM-Image 需要配备 80GB+ 显存的 GPU 或多 GPU 配置。它还需要 Python 3.8 或更高版本以及最新稳定版本的 PyTorch。该模型的大参数量（16B）需要大量的计算资源。
GLM-Image 结合了 9B 自回归生成器和 7B 扩散解码器。自回归组件首先生成低分辨率令牌（约 256 个）以建立布局，然后扩散解码器添加高分辨率细节（1K-4K 个令牌）以生成最终图像。
可以！GLM-Image 采用 Apache 2.0 许可证发布，允许商业使用。您可以在商业项目中使用 GLM-Image，修改它并分发它，只要您遵守许可证条款。
知识密集型生成是指 GLM-Image 能够以事实准确性遵循复杂指令的能力。这使其非常适合创建教育内容、技术图表以及需要准确表示复杂信息的图像。
GLM-Image 在文本渲染任务中超越同类模型，在 CVTG-2K 词准确率上达到 0.9116（比竞品提升 16.1%）。它在中文文本渲染方面也表现出色，准确率达到 0.9788，使其成为多语言内容创作的最佳选择。
可以，GLM-Image 可以针对特定领域或风格进行微调。该模型的架构支持迁移学习，允许您根据特定需求进行调整，同时保持其在文本渲染和知识密集型生成方面的核心能力。