GLM-Image: Vollständiger Leitfaden – Von Text zur Bildgenerierung
GLM-Image ist ein 16B-Parameter Multimodal-Bildgenerierungsmodell, das von Zhipu AI entwickelt wurde. Es nutzt eine hybride Architektur aus autoregressivem (AR) und Diffusionsmodell (diffusion) und unterstützt sowohl die Text-zu-Bild-Generierung (T2I) als auch die Bild-zu-Bild-Generierung (I2I) in einem. Unter der MIT-Lizenz ist die kommerzielle Nutzung möglich, und die API-Kosten sind mit etwa 0.015 Dollar pro Bild zu einem günstigen Preis festgelegt. Bevor Sie es ernsthaft nutzen, sollten Sie sich die grundlegenden Mechanismen und den tatsächlichen ersten Schritt ansehen.
T2I (Text-zu-Bild-Generierung) – Was ist das?
T2I ist ein Verfahren, das in Textform beschriebene Inhalte in Bilder umwandelt. Gibt man als Prompt eine natürliche Formulierung wie „ein roter Sportwagen, der bei Sonnenuntergang durch die Straßen Tokios fährt“ ein, setzt das Modell diese Szene bildlich um.
Die T2I-Leistung von GLM-Image wird auch durch Kennzahlen belegt. Im CVTG-2K-Benchmark, der die Genauigkeit der Textdarstellung misst, erreicht das Modell 91,16 %. Beim LongText-Bench zur Bewertung des Langtextverständnisses liegen die Ergebnisse bei 97,88 % für Chinesisch und 95,24 % für Englisch. Auch längere japanische Beschreibungen werden unterstützt: Nicht nur einfache Objektdarstellungen, sondern auch Vorgaben zu Komposition und Atmosphäre werden in gewissem Maße originalgetreu wiedergegeben.
Für welche Szenen eignet es sich?
- Erstellung von Thumbnails und Visuals für Blogs und Social Media
- Prototyping von Produktideen
- Illustrationsmaterial für Präsentationsunterlagen
- Schnelle Skizzen von Szenenbildern für Geschichten
Was ist I2I (Bild-zu-Bild-Generierung)
I2I ist ein Verfahren, bei dem ein vorhandenes Bild als Eingabe dient und ein neues Bild mit verändertem Stil oder veränderten Detailinhalten ausgegeben wird. Im Gegensatz zu T2I, das von einem völlig leeren Blatt ausgeht, lässt sich bei einem vorhandenen Basisbild dessen Charakter nutzen und gleichzeitig eine neue Richtung einschlagen.
Das I2I von GLM-Image deckt ein breites Spektrum an Bearbeitungsabsichten ab – etwa „Stilübertragung“, „teilweise Änderung“ und „Hintergrundaustausch“. So können Sie beispielsweise eine handgezeichnete Wireframe-Skizze eingeben und ein realistisches Produktbild erhalten oder nur den Hintergrund eines Fotos durch eine KI-generierte Landschaft ersetzen.
Übersicht über T2I und I2I
| Kriterium | T2I | I2I |
|---|---|---|
| Eingabe | Nur Text-Prompt | Referenzbild + Text-Prompt |
| Hauptanwendungen | Kreation von Grund auf | Stilübertragung, partielle Bearbeitung |
| Benchmark-Eignung | LongText-Bench, CVTG-2K | Bewertung der Treue zum Referenzbild |
Schritt für Schritt: Der tatsächliche Ablauf der Bilderstellung
Schritt 1: Vorbereitung des API-Endpunkts
GLM-Image wird über die API genutzt. Die unterstützten Modelle stehen unter der MIT-Lizenz zur Verfügung; Sie können sie entweder in Ihrer eigenen Serverumgebung bereitstellen oder die Cloud-API von Zhipu AI direkt aufrufen. Bei Nutzung der Cloud-API können Sie nach Ausstellung eines API-Schlüssels Anfragen senden.
Schritt 2: Prompt-Entwurf
Die Qualität der Bildgenerierung hängt vom Prompt ab. Gute Prompts haben drei gemeinsame Merkmale.
Seien Sie konkret. Anstatt „ein süßes Tier“ ist „Nahaufnahme eines Kätzchens, das einen Baum hinaufklettert, mit verschwommener Garten-Hintergrund“ besser. Je mehr Sie Objekte, Komposition, Kamerawinkel und Atmosphäre spezifizieren, desto stabiler werden die Ergebnisse.
Stil explizit angeben. „Aquarellstil“, „fotorealistisch“, „im Stil eines Arcade-Spiels“ usw. reicht aus, um einen künstlerischen Richtungssatz hinzuzufügen, und das verändert den visuellen Eindruck enorm.
Negative Prompts zur Einschränkung verwenden. Indem Sie unerwünschte Elemente (z. B. zerbrochener Text, hässliche Gesichter, Perspektivverzerrungen usw.) im Negativ-Prompt auflisten, sinkt die Häufigkeit bestimmter Mängel.
Schritt 3: API-Anfrage senden
Die grundlegende Anfragenstruktur für T2I ist wie folgt.
{
"model": "glm-image-v2",
"prompt": "深夜の東京、ネオンが雨に反射する交差点、歩きスマホの女性",
"num_inference_steps": 25,
"guidance_scale": 7.5,
"width": 1024,
"height": 1024
}
Bei I2I geben Sie die URL des Basisbilds oder die base64-kodierte Version im image-Feld an. Erhöhen Sie die Schrittzahl (num_inference_steps), steigt die Feinheit, aber die Verarbeitungszeit nimmt auch zu. 25 Schritte als Standard bieten einen guten Ausgangspunkt für eine Balance zwischen Qualität und Geschwindigkeit.
Schritt 4: Ausgabe überprüfen und vergleichen
Beim gleichen Prompt führt das Ändern des Seeds (Zufallsstart) zu anderen Ergebnissen. Die praktische Vorgehensweise besteht darin, mehrere Varianten zu generieren und diejenige auszuwählen, die Ihrer gewünschten Vision am nächsten kommt. Falls Sie nicht zufrieden sind, ändern Sie die Schrittzahl, den CFG-Wert oder den Sampler und generieren Sie neu.
Praktische Tipps zum Prompt-Design
Keine Angst vor langen Prompts
Die von GLM-Image auf LongText-Bench gezeigte Leistung beim Verstehen langer Texte schlägt sich direkt in der praktischen Anwendung nieder. Bleiben Sie nicht bei einem einfachen „Foto eines Hundes“ stehen, sondern tauchen Sie ein bis hin zu „ein Golden Retriever, der in der Abenddämmerung am Strand einem Ball hinterherjagt, mit Wasserspritzern, Aufnahme mit 70 mm, shallow depth of field“.
Japanisch-spezifische Hinweise
Japanisch weist im Vergleich zu Englisch eine deutlich höhere Wortstellungsfreiheit auf, sodass das Modell die beabsichtigte Bedeutung in manchen Fällen schwerer erfassen kann. Strukturieren Sie die Angaben möglichst in der Reihenfolge „Objekt + Zustand + Hintergrund + Bildwinkel + Technik“, um stabilere Ergebnisse zu erzielen. Eine einheitliche Schreibweise, die Kanji und Hiragana mischt, wird vom Modell zudem besser verstanden.
Kamerawinkel und fotografische Begriffe verwenden
Wenn Sie filmische und fotografische Begriffe wie „Wide angle shot“, „close-up portrait“, „birds-eye view“, „dutch angle“, „soft diffused lighting“ und „golden hour lighting“ in den Prompt aufnehmen, verbessert sich die Qualität von Komposition und Beleuchtung erheblich.
Wenn Text eingefügt werden muss
Die Textdarstellung gehört zu den Stärken von GLM-Image, dennoch entspricht das Ergebnis nicht immer vollständig den Erwartungen. Ein CVTG-2K-Score von 91,16 % gilt in der Branche als hohes Niveau, die vollständige Reproduktion extrem kleiner Schriftgrößen und komplexer Schriftarten bleibt jedoch anspruchsvoll. Wichtige Texte empfehlen wir, nach der Generierung mit Grafiktools zu überlagern.
Vergleich mit anderen Bildgenerierungsmodellen
| Kriterium | GLM-Image | DALL·E 3 | Stable Diffusion XL | Midjourney v6 |
|---|---|---|---|---|
| Parameteranzahl | 16B | nicht öffentlich | 6.6B | nicht öffentlich |
| Architektur | AR+Diffusion Hybrid | Diffusion | Diffusion | Diffusion |
| T2I-Benchmark | LongText-Bench CN 97.88% | hohe VQAScore-Bewertung | CLIP ViT-L | hauptsächlich subjektive Bewertung |
| Textdarstellung | CVTG-2K 91.16% | hervorragend | mittelmäßig | gering |
| I2I-Unterstützung | ○ | △ (Remix-Funktion) | ○ | ○ |
| Lizenz | MIT | proprietär | CreativeML Open RAIL | proprietär |
| API-Kosten | ca. $0.015/Bild | $0.04/Bild~ | Self-Hosting | ab $10/Monat |
| Kommerzielle Nutzung | ○ | ○ (API-Vertrag erforderlich) | ○ (unter RAIL-Bedingungen) | ○ (kostenpflichtiger Plan) |
Dank der MIT-Lizenz und der Möglichkeit zum Self-Hosting bietet GLM-Image eine ähnliche Flexibilität wie die Stable-Diffusion-Familie – und setzt sich als Hybridmodell mit 16B Parametern bei Textdarstellung und dem Verständnis langer Texte klar ab. Ein weiterer praxisnaher Vorteil: Anders als bei DALL·E 3 oder Midjourney gibt es keine monatliche Bindung, sondern eine reine nutzungsbasierte Abrechnung.
FAQ: Häufig gestellte Fragen
Q: Kann GLMImage kostenlos genutzt werden?
Unter der MIT-Lizenz sind die Modellgewichte öffentlich verfügbar. Daher können Sie, wenn Sie Ihren eigenen Server einrichten, die API ohne Kosten für API-Aufrufe nutzen. Allerdings benötigen Sie für die Ausführung des 16B-Modells eine GPU mit mindestens etwa 32 GB VRAM (FP16). Bei Nutzung des Cloud-API-Dienstes fallen Gebühren für den verbrauchten Anteil an.
Q: Ist die kommerzielle Nutzung generierter Bilder möglich?
Gemäß der MIT-Lizenz können Sie die Bilder frei nutzen, einschließlich der kommerziellen Nutzung. Allerdings müssen Sie die gesetzlichen Vorschriften der verschiedenen Länder zur kommerziellen Nutzung generativer KI (z. B. EU AI Act, Urheberrechtsgesetze etc.) separat prüfen.
Q: Funktioniert es auch mit nicht-japanischen Prompts?
Die Performance auf Chinesisch und Englisch ist am höchsten und wird garantiert. Die Zahlen LongText-Bench CN 97,88 % · EN 95,24 % sind die Evaluierungsergebnisse für lange Text-Prompts in den jeweiligen Sprachen. Es funktioniert auch mit anderen Sprachen, ist jedoch derzeit am stärksten für japanische lange Text-Prompts optimiert.
Q: Wie ändere ich in der Bild-zu-Bild-Generierung (I2I) nur den Stil, während ich das Originalbild ähnlich halte?
Bei einem I2I-Request geben Sie den gewünschten Stil explizit in prompt an und passen Sie image_strength oder guidance_scale an. Indem Sie die Werte kleiner machen, behalten Sie die Eingabe treuer bei, und indem Sie sie größer machen, wird die Stiltransformation stärker. Es ist sicher, mit Werten in der Nähe der Standardwerte zu beginnen und dann, während Sie die Ergebnisse betrachten, fein anzupassen.
Q: Was tun, wenn Zeichen beim Textrendering zerfallen?
Die Hauptursachen für zerfallende Zeichen sind kleine Schriftgrößen, komplexe Schriftarten und unübersichtliche Kompositionen in der Umgebung. Als Gegenmaßnahmen empfiehlt sich ein dreistufiger Ansatz: Fügen Sie dem Prompt Modifikatoren wie „clear English text“, „large bold text“ und „simple sans-serif font“ hinzu, setzen Sie guidance_scale höher und überlagern Sie den Text nach der Generierung mit einem anderen Tool. Dieser Ansatz ist wirksam.
Q: Gibt es Anfrageobergrenzen oder Ratenbegrenzungen für die API?
Bei Nutzung der Cloud-API gelten je nach Account-Level Beschränkungen hinsichtlich der Anfragehäufigkeit und der Anzahl gleichzeitiger Verbindungen. Wenn Sie in der Produktionsumgebung eine umfangreiche Verarbeitung planen, müssen Sie das Rate-Limit-Design mit der Batch-Verarbeitung von Anfragen (Batch-API) kombinieren.
Nächste Schritte: Selbst ausprobieren
Die eigentliche Stärke von GLM-Image wird erst deutlich, wenn Sie selbst Hand anlegen. Öffnen Sie über den folgenden Link die Oberfläche zur Bildgenerierung aus Text – dann können Sie die in diesem Artikel beschriebenen Prompt-Techniken sofort ausprobieren.
Mit GLM-Image Bilder aus Text generieren →
Bilder, die Ihnen besonders gut gelungen sind, können Sie gerne in der Galerie veröffentlichen. Von der Community als Blueprint ausgezeichnete Werke werden den prüfenden Blicken künftiger Leser ausgesetzt und tragen zugleich zur Verbesserung des Modells bei.
Wenn Sie Details zu Preisplänen und API-Kontingenten nachlesen möchten, werfen Sie auch einen Blick auf die Seite /pricing.
