Z.aiが画像生成モデル「GLM-Image」公開、文字描画の精度91.2%を達成

画像生成AIを使う際、生成された画像の中の文字が崩れて読めなくなる現象は、多くのクリエイターにとって長年の悩みでした。

Z.aiがHugging Face上で画像生成モデル「GLM-Image」を公開しました。自己回帰と拡散デコーダを組み合わせたハイブリッド設計を採用し、単一モデルでテキストからの画像生成をこなします。また、画像編集やスタイル変換といった機能もカバーしています。

なかでも注目を集めているのが文字描画の精度です。CVTG-2Kベンチマークにおいて、GLM-Imageの単語精度は91.2%を記録し、Seedream 4.5やGPT Image 1を上回るスコアを示しました。

ハイブリッド設計で文字崩れを防ぐ

拡散モデルは豊かなビジュアルを描くのが得意な反面、正確なアルファベットや文字の配置を保つのが苦手でした。GLM-Imageは自己回帰の構造的な強みと拡散デコーダの表現力を組み合わせることで、画像内テキストが破綻しやすい弱点の克服を試みています。

なぜ重要か

ポスターやロゴ、パッケージデザインのラフを作成するユーザーにとって、画像内の文字が正しく出力されるかどうかは実務で使えるかを左右する大きなポイントです。単語精度が91%を超えてくれば、生成後の手動修正にかかる手間を大幅に減らせます。

Z.aiがHugging Faceでモデルを公開し、文字描画という実用的な強みを明確に打ち出したアプローチは非常に手堅いと評価できます。画像生成の競争軸が単なる画質だけでなく、文字の正確さという実務要件へ本格的にシフトしていくきっかけになりそうです。