Z.ai 釋出 GLM-Image：混合架構，文本渲染準確率達 91.2%

首次發布 2026年1月8日傳播指數 54

Z.ai 在 Hugging Face 釋出影像生成模型 GLM-Image，採用混合自迴歸與擴散解碼器架構。該模型支援單一模型內完成文本生成影像，在 CVTG-2K 評測上的文本渲染單詞準確率達到 91.2%，超過 Seedream 4.5 與 GPT 圖片 1。

在 AI 生成圖片時，畫面裡的英文字元拼寫錯誤或崩壞，一直是讓許多創作者頭疼的問題。

Z.ai 剛剛在 Hugging Face 上釋出了影像生成模型 GLM-Image。官方資料顯示，它採用了混合自迴歸與擴散解碼器架構，能在一個單一模型內完成文本到影像的生成。此外，模型主頁說明它還支援影像編輯和風格遷移。

最受關注的是它的文字渲染表現。在 CVTG-2K 評測基準上，GLM-Image 的單詞準確率達到了 91.2%，這一成績超過了 Seedream 4.5 和 GPT 圖片 1。

混合架構解決文字亂碼

傳統的擴散模型在刻畫複雜畫面時表現出色，但在處理精準的字母結構和排版時，往往容易畫出不可辨識的亂碼。GLM-Image 將自迴歸機制與擴散解碼器結合，試圖用自迴歸擅長的結構與序列邏輯，補齊擴散模型在細節字元生成上的短板。

對於需要製作海報、包裝設計或帶有標語素材的創作者來說，影像裡的文字能否正確拼寫，直接決定了一張圖能不能拿來商用。91.2% 的文字渲染準確率，意味著使用者後期手動修圖或重新貼字的工作量會明顯減少。

我們認為，Z.ai 選擇在 Hugging Face 直接放出該模型，並且把宣傳重點放在文本渲染上，非常精準地擊中了當前文生圖領域的實用痛點。當文字渲染能力被明確量化並推向 91% 以上的高位，同類工具在排版和字型細節上的競爭勢必會進一步加劇。