智谱联合华为开源首个国产芯片训练的多模态SOTA模型GLM-Image

IT之家 1 月 14 日消息，智谱今日宣布联合华为开源新一代图像生成模型GLM-Image，模型基于昇腾 Atlas 800T A2 设备和昇思 MindSpore AI 框架完成从数据到训练的全流程，是首个在国产芯片上完成全程训练的 SOTA 多模态模型。

GLM-Image 采用自主创新的“自回归 + 扩散解码器”混合架构，实现了图像生成与语言模型的联合。

IT之家附 GLM-Image 核心亮点如下：

• 架构革新，面向“认知型生成”的技术探索：采用“自回归 + 扩散编码器”混合架构，兼顾全局指令理解与局部细节刻画，克服了海报、PPT、科普图等知识密集型场景生成难题，向探索以 Nano Banana Pro 为代表的新一代“知识 + 推理”的认知型生成模型迈出一步。
• 首个在国产芯片完成全程训练的 SOTA 模型：模型自回归结构基座基于昇腾 Atlas 800T A2 设备与昇思 MindSpore AI 框架，完成了从数据预处理到大规模训练的全流程构建，验证了在国产全栈算力底座上训练前沿模型的可行性。
• 文字渲染开源 SOTA：在 CVTG-2K（复杂视觉文本生成）和 LongText-Bench（长文本渲染）榜单获得开源第一，尤其擅长汉字生成任务
• 性价比与速度优化：API 调用模式下，生成一张图片花费 0.1 元，速度优化版本即将更新。

据智谱官方介绍，通过改进 Tokenizer 策略，GLM-Image 能够自适应处理多种分辨率，原生支持从 1024x1024 到 2048×2048 尺寸的任意比例图像的生成任务，无需重新训练。

GLM-Image 在文字渲染的权威榜单中达到开源 SOTA 水平。

GLM-Image 在实际的复杂图文任务中测试表现如下：

场景一：科普插画

GLM-Image 更擅长绘制包含复杂逻辑流程与文字说明的科普插画及原理示意图。

场景二：多格图画

在生成电商图、漫画等多格图画时，GLM-Image 能够保持风格和主体的一致性，并保障多处文字生成的准确率。

场景三：社交媒体图文封面

GLM-Image 适用于制作社交媒体封面及内容等排版复杂的图片，让您的创作更自由丰富。

场景四：商业海报

GLM-Image 能够生成构图富有设计感、文字嵌入准确的节日海报与商业宣传图。

场景五：写实摄影

在文字渲染以外，GLM-Image 也同样擅长生成各种景别和尺寸的人像、宠物、风景、静物。

IT之家附 GLM-Image 体验和开源地址如下：

• 在线体验：https://bigmodel.cn/trialcenter/modeltrial/image
• API 接入：https://docs.bigmodel.cn/cn/guide/models/image-generation/glm-image
• GitHub：https://github.com/zai-org/GLM-Image
• Hugging Face：https://huggingface.co/zai-org/GLM-Image
• 魔搭社区：https://modelscope.cn/models/ZhipuAI/GLM-Image