这次，香蕉Pro感受到了华子和智谱压力...

昨日，智谱联合华为，发布并开源了其全新一代图像生成模型 GLM-Image。

该模型拿下了多个 SOTA。

同时，GLM-Image 是目前首个在国产芯片上完成全流程训练的多模态 SOTA 开源图像生成模型，并且需要强调的是，其国产并非“部分国产”或“调优在国产”，是从训练到收敛，全流程跑在昇腾 Atlas 800T A2 上。

光这一点，就已经足够在国产AI史上写一段注脚了。

过去几年，图像生成领域的主流模型，几乎默认绑定了某几种国外 GPU 和软件栈。

你可以在上面做应用、做微调、做封装，但底层训练这一步，很少有人真的敢另起炉灶。

但这次 GLM-Image 从算力、框架、调度、优化，都用国产的。

行业中使用国产的东西并不算稀奇，但把它们凑到一起，稳定训练出一个能打的多模态模型，这事儿难度一点都不低。

架构方面，GLM-Image 采用的是自回归 + 扩散解码器的混合架构，简单说就是：文本理解和图像生成不是各干各的，而是被放进同一套系统里联合建模，这块跟咕噜咕噜的香蕉Pro思路是差不多的。

这也是它能在文字渲染榜单上做到开源 SOTA的关键原因之一。

我们也对模型进行了一定的实测，专门对其这方面的能力进行了测试。

高密度文字、复杂排版、标题 + 副标题 + 小字说明这种，最生图模型容易翻车的场景。

结果怎么说呢？

确实强。

在大多数测试样例里，文字的结构、位置、可读性都没什么大问题，哪怕字数一多，也没有明显“糊成一坨”的情况。这一点放在开源模型里，已经是相当靠前的水准了。

当然，也并非完全无懈可击，有时候遇到复杂的字体渲染，还是能看到错误，但考虑到其是目前开源最强水平（因为能比过它的就只有少数闭源模型），那么一切也变得可理解和可接受了。

但如果你把目光从“图文生成”挪开，放到人像、写实、光影这些方向，GLM-Image 就会显得有点落后了。

不是说它画不出来人，但你一眼看上去，你就知道这和当前最主流那一档模型，并不在同一个审美世代，希望用这个模型来生人像图的朋友们可能得拉低心理预期了。

肤质、光影过渡、整体空间感，个人这边实测的结果确实有点不尽人意（json和普通的Prompt我都测试过）。

跟现在那些已经卷到摄影级质感的产品相比，差距还是挺明显的。

GLM-Image 也确实没有把第一目标放在跟谁正面对卷写实摄影，而是更偏向可控生成、文字准确、可规模化部署这些偏工程、偏应用层的指标。

你再结合它的价格看，就更合理了。

官方给出的定价是：0.1 元 / 次

这个数字放在今天的图像生成市场里，几乎属于随便用不心疼的级别。

再考虑到它是开源模型，未来无论是私有化部署，还是针对行业场景做定制化优化，空间都非常大。

所以回头再看 GLM-Image 这件事，重点其实不只是效果好不好。

而是它证明了一件更底层的事情：

在国产芯片 + 国产框架的组合下，我们已经能把一个多模态图像模型，从训练、优化到上线，完整跑通，而且最终效果也是很不错的。

这一步，比任何一张“特别好看”的样图都重要。

最后，还是一句比较老派、但真心的话。

GLM-Image 可能还不完美，甚至在某些方向上显得有点保守，但它已经把一条以前没人敢走的路，踩实了。

接下来怎么卷、怎么进化、怎么被更多人用起来，那是后话。

至少现在，这一步，值得祝福。

我是 CyberImmortal，关注我们，带你畅游AI世界！