GLM-Image
Генерация графики со сложной версткой, разборчивыми надписями и точным редактированием кадров
На журнальном макете с рецептом десерта умещаются список ингредиентов с пиктограммами, пошаговые инструкции и заголовок — без привычной для диффузионных сетей буквенной каши. GLM-Image берется именно за такую информационно плотную работу. Модель объединяет девятимиллиардный авторегрессионный генератор и семимиллиардный диффузионный декодер на архитектуре DiT. Первый выстраивает смысловую композицию, а второй, оснащенный модулем Glyph Encoder, чисто отрисовывает шрифты и текстуры.
Что умеет
- Собирать многокомпонентные кадры по подробным описаниям, удерживая читаемый текст в кавычках.
- Редактировать готовые снимки через текстовые промпты — к примеру, менять заснеженный лес на станцию метро с эскалатором.
- Работать с несколькими референсными изображениями сразу для сохранения персонажей и согласованности сцен.
- Переносить стили и сохранять идентичность объектов в задачах «картинка в картинку».
- Выдавать изображения в разрешениях от 512×512 до 2048×2048 точек с шагом, кратным 32 пикселям.
Цены и доступ
Исходные веса выложены бесплатно на Hugging Face и ModelScope. Запустить генератор можно через библиотеки transformers, diffusers или SGLang, а также подключиться через API разработчиков. Правда, локальный запуск потребует серьезных мощностей: модели нужен графический ускоритель с более чем 80 ГБ памяти (вроде H100) либо конфигурация из нескольких видеокарт.
Инструмент создан для арт-директоров, графических дизайнеров и создателей мокапов, уставших вычищать артефакты в типографике руками. Когда нужно собрать сложный рекламный плакат или насыщенную деталями карточку, модель экономит часы ретуши.
