智谱新发布的文生图模型GLM-Image采用了创新的混合架构，将自回归生成与扩散解码相结合。这一设计不仅在开源模型中实现了领先的文本渲染准确率，还在多对象生成等复杂任务上超越了FLUX.1等知名模型，展现了新一代文生图技术的潜力。
智能速览
GLM-Image采用自回归与扩散解码的混合架构。
集成Glyph Encoder模块，显著提升图像内文字生成准确度。
在CVTG-2K文本生成测试中取得开源模型最高准确率。
在DPG-Bench多对象生成测试中得分超越FLUX.1[DEV]。
精华内容
GLM-Image的出色表现源于其独特的混合架构设计，它在生成速度与图像质量之间找到了新的平衡点。下面具体解析其技术核心。
混合架构解析
GLM-Image创新性地结合了自回归模块和扩散解码器。自回归生成器部分拥有9B参数，基于GLM-4-9B，负责先生成低分辨率的紧凑编码草稿，再扩展为高分辨率图像的token序列。这一过程为后续精细生成奠定了基础。
扩散解码器部分则为7B参数，基于CogView4的单流DiT架构，专注于将潜空间编码解码为高质量图像，二者分工明确。
精准文本渲染
该模型的一大亮点是集成了Glyph Encoder文本模块。这一专门设计旨在解决文生图模型普遍存在的“书写”难题。通过该模块，模型在生成图像时能更准确地理解和渲染文字，显著减少了错别字和形变问题。
性能基准实测
实测数据印证了其设计优势。在专门测试文本准确率的CVTG-2K基准上，GLM-Image取得了0.9116的分数，为当前开源模型中的最高水平。在考察多对象与空间关系理解的DPG-Bench上，其得分达到84.78，表现优于FLUX.1[DEV]模型。
GLM-Image的出现，为开源文生图领域带来了新的技术路径，其混合架构设计和高精度文本生成能力值得关注。未来它能否在更广泛的应用场景中展现优势，值得持续观察。
