昨日，智譜聯合華爲，發佈並開源了其全新一代圖像生成模型 GLM-Image。
該模型拿下了多個 SOTA。
同時，GLM-Image 是目前首個在國產芯片上完成全流程訓練的多模態 SOTA 開源圖像生成模型，並且需要強調的是，其國產並非“部分國產”或“調優在國產”，是從訓練到收斂，全流程跑在昇騰 Atlas 800T A2 上。
光這一點，就已經足夠在國產AI史上寫一段註腳了。
過去幾年，圖像生成領域的主流模型，幾乎默認綁定了某幾種國外 GPU 和軟件棧。
你可以在上面做應用、做微調、做封裝，但底層訓練這一步，很少有人真的敢另起爐竈。
但這次 GLM-Image 從算力、框架、調度、優化，都用國產的。
行業中使用國產的東西並不算稀奇，但把它們湊到一起，穩定訓練出一個能打的多模態模型，這事兒難度一點都不低。
架構方面，GLM-Image 採用的是自迴歸 + 擴散解碼器的混合架構，簡單說就是：文本理解和圖像生成不是各幹各的，而是被放進同一套系統裏聯合建模，這塊跟咕嚕咕嚕的香蕉Pro思路是差不多的。
這也是它能在文字渲染榜單上做到開源 SOTA的關鍵原因之一。
我們也對模型進行了一定的實測，專門對其這方面的能力進行了測試。
高密度文字、複雜排版、標題 + 副標題 + 小字說明這種，最生圖模型容易翻車的場景。
結果怎麼說呢？
確實強。
在大多數測試樣例裏，文字的結構、位置、可讀性都沒什麼大問題，哪怕字數一多，也沒有明顯“糊成一坨”的情況。這一點放在開源模型裏，已經是相當靠前的水準了。
當然，也並非完全無懈可擊，有時候遇到複雜的字體渲染，還是能看到錯誤，但考慮到其是目前開源最強水平（因爲能比過它的就只有少數閉源模型），那麼一切也變得可理解和可接受了。
但如果你把目光從“圖文生成”挪開，放到人像、寫實、光影這些方向，GLM-Image 就會顯得有點落後了。
不是說它畫不出來人，但你一眼看上去，你就知道這和當前最主流那一檔模型，並不在同一個審美世代，希望用這個模型來生人像圖的朋友們可能得拉低心理預期了。
膚質、光影過渡、整體空間感，個人這邊實測的結果確實有點不盡人意（json和普通的Prompt我都測試過）。
跟現在那些已經卷到攝影級質感的產品相比，差距還是挺明顯的。
GLM-Image 也確實沒有把第一目標放在跟誰正面對卷寫實攝影，而是更偏向可控生成、文字準確、可規模化部署這些偏工程、偏應用層的指標。
你再結合它的價格看，就更合理了。
官方給出的定價是：0.1 元 / 次
這個數字放在今天的圖像生成市場裏，幾乎屬於隨便用不心疼的級別。
再考慮到它是開源模型，未來無論是私有化部署，還是針對行業場景做定製化優化，空間都非常大。
所以回頭再看 GLM-Image 這件事，重點其實不只是效果好不好。
而是它證明了一件更底層的事情：
在國產芯片 + 國產框架的組合下，我們已經能把一個多模態圖像模型，從訓練、優化到上線，完整跑通，而且最終效果也是很不錯的。
這一步，比任何一張“特別好看”的樣圖都重要。
最後，還是一句比較老派、但真心的話。
GLM-Image 可能還不完美，甚至在某些方向上顯得有點保守，但它已經把一條以前沒人敢走的路，踩實了。
接下來怎麼卷、怎麼進化、怎麼被更多人用起來，那是後話。
至少現在，這一步，值得祝福。
我是 CyberImmortal，關注我們，帶你暢遊AI世界！
更多遊戲資訊請關註：電玩幫遊戲資訊專區
電玩幫圖文攻略 www.vgover.com
