科技日报记者 崔爽
日前，由智谱与华为联合研发并开源的多模态图像生成模型GLM-Image，登顶Hugging Face平台Trending榜第一，打破长期以来国外模型在开源榜首的垄断局面。
值得一提的是，该模型基于昇腾Atlas 800T A2设备和昇思MindSpore AI框架，完成从数据到训练的全流程，是首个在国产芯片上完成全程训练的SOTA多模态模型。
而这背后，是智谱与华为“软硬协同”的深度合作，更是国产AI全产业链突破的缩影。
采用自主创新混合架构
智谱相关负责人介绍，GLM-Image采用自主创新的“自回归+扩散解码器”混合架构，实现图像生成与语言模型的联合，是面向以Nano Banana Pro为代表的新一代“认知型生成”技术范式的一次重要探索。
其核心亮点在于架构革新，模型采用创新的“自回归 + 扩散编码器”混合架构，兼顾全局指令理解与局部细节刻画，克服了海报、PPT、科普图等知识密集型场景生成难题，向探索以Nano Banana Pro（谷歌于2025年发布的AI图像生成和编辑模型）为代表的新一代“知识+推理”的认知型生成模型迈出重要一步。
基于上述架构创新，该模型在CVTG-2K（复杂视觉文本生成）和LongText-Bench（长文本渲染）榜单获得开源第一。据了解，模型尤其擅长文字密集生成任务。CVTG-2K榜单核心考察模型在图像中同时生成多处文字的准确性，在多区域文字生成准确率上，GLM-Image的成绩位列开源模型第一；LongText-Bench（长文本渲染）榜单则考察模型渲染长文本、多行文字的准确性，覆盖招牌、海报、PPT、对话框等8种文字密集场景，GLM-Image的成绩位列开源模型第一。
此外，模型兼具高性价比与速度优化，在API调用模式下，生成一张图片仅需0.1元，速度优化版本也即将更新。
首个国产芯片训练出的SOTA模型
“GLM-Image是我们对国产计算生态的一次深度探索与验证。其自回归结构基座从早期的数据预处理到最终的大规模预训练，全流程均在昇腾Atlas 800T A2设备上完成。”上述负责人透露。
该负责人介绍，华为搭建的“国产算力底座”是关键支撑。不同于以往多数AI模型依赖国外芯片训练，GLM-Image从数据预处理到大规模训练，全程跑在华为昇腾Atlas 800T A2芯片和昇思MindSpore框架上。正是这套全自主的“硬件+框架”组合，解决了AI训练“卡脖子”的核心问题，让模型训练摆脱了对国外芯片的依赖，更验证了在国产全栈算力底座上训练前沿模型的可行性。
同时，智谱在模型架构上实现创新突破。GLM-Image没有走国外开源模型常用的技术路线，而是采用“自回归+扩散解码器”的混合架构——简单说，就是让模型既能“读懂复杂指令”（比如生成带文字的科普图、商业海报），又能“画对细节”。尤其是汉字，以前AI画图常出现文字错乱，这次模型在中文生成准确率上做到开源第一。
业内人士表示，从更长远看，GLM-Image登顶不是偶然，而是国产AI全产业链协同的必然结果。这种全链条能力，不仅能让国内中小企业以更低成本用上AI工具，更能推动国产AI技术走向全球，有望改写过去“国外定标准、国内跟节奏”的产业格局。如今，GLM-Image的开源地址已在GitHub和Hugging Face平台同步开放，全球开发者都能免费使用这套“国产方案”。
网友评论
