Z.ai 发布 GLM-Image：混合架构，文本渲染准确率达 91.2%

首次发布 2026年1月8日传播指数 54

Z.ai 在 Hugging Face 发布图像生成模型 GLM-Image，采用混合自回归与扩散解码器架构。该模型支持单一模型内完成文本生成图像，在 CVTG-2K 评测上的文本渲染单词准确率达到 91.2%，超过 Seedream 4.5 与 GPT 图片 1。

在 AI 生成图片时，画面里的英文字符拼写错误或崩坏，一直是让许多创作者头疼的问题。

Z.ai 刚刚在 Hugging Face 上发布了图像生成模型 GLM-Image。官方资料显示，它采用了混合自回归与扩散解码器架构，能在一个单一模型内完成文本到图像的生成。此外，模型主页说明它还支持图像编辑和风格迁移。

最受关注的是它的文字渲染表现。在 CVTG-2K 评测基准上，GLM-Image 的单词准确率达到了 91.2%，这一成绩超过了 Seedream 4.5 和 GPT 图片 1。

混合架构解决文字乱码

传统的扩散模型在刻画复杂画面时表现出色，但在处理精准的字母结构和排版时，往往容易画出不可辨识的乱码。GLM-Image 将自回归机制与扩散解码器结合，试图用自回归擅长的结构与序列逻辑，补齐扩散模型在细节字符生成上的短板。

对于需要制作海报、包装设计或带有标语素材的创作者来说，图像里的文字能否正确拼写，直接决定了一张图能不能拿来商用。91.2% 的文字渲染准确率，意味着用户后期手动修图或重新贴字的工作量会明显减少。

我们认为，Z.ai 选择在 Hugging Face 直接放出该模型，并且把宣传重点放在文本渲染上，非常精准地击中了当前文生图领域的实用痛点。当文字渲染能力被明确量化并推向 91% 以上的高位，同类工具在排版和字体细节上的竞争势必会进一步加剧。