GLM-Image: Leitfaden für Grundlagen und Fortgeschrittene

Was ist GLM-Image?

GLM-Image ist ein Text-to-Image- und Image-to-Image-Modell von Zhipu AI, das unter der MIT-Lizenz veröffentlicht wurde. Mit 16 Milliarden Parametern und einer hybriden Architektur, die Autoregression (AR) mit Diffusion kombiniert, bietet das Modell ein ausgewogenes Verhältnis zwischen Generierungsgeschwindigkeit und überlegener visueller Qualität.

In technischer Hinsicht erzielt GLM-Image in verschiedenen Benchmarks starke Ergebnisse. Beim CVTG-2K erreicht die Text-Rendering-Genauigkeit 91,16 % – das bedeutet, dass das Modell Text mit hoher Erfolgsquote in Bilder einbetten kann. Beim Verständnis langer Texte verzeichnet LongText-Bench 97,88 % bei mandarinsprachigen und 95,24 % bei englischen Texten. Diese beiden Werte machen GLM-Image zu einem der stärksten Open-Source-Modelle für Anwendungsfälle, bei denen Text in Bildern eine Rolle spielt.

Darüber hinaus unterstützt das Modell sowohl T2I- (Text-to-Image) als auch I2I-Workflows (Image-to-Image) und eignet sich damit für ein breites Anwendungsspektrum – von Concept Art bis zum Restyling von Fotos. Die API-Kosten liegen bei etwa 0,015 $ pro Bild und sind damit für den produktiven Einsatz vergleichsweise günstig.

So verwenden Sie GLM-Image: Eine Schritt-für-Schritt-Anleitung

Hier finden Sie ein vollständiges Tutorial für den Einstieg in GLM-Image – von der ersten Einrichtung bis zur Generierung Ihres ersten Bildes.

1. Erste Vorbereitungen

Bevor Sie beginnen, stellen Sie sicher, dass Sie Folgendes haben:

API-Schlüssel aus dem Dashboard von Zhipu AI (registrieren Sie ein Konto auf der offiziellen Zhipu-AI-Plattform, falls Sie noch keines besitzen).
Gerät mit Internetzugang — GLM-Image kann über die REST-API aufgerufen werden, daher ist keine lokale GPU erforderlich.
Tool zum Senden von Anfragen — Sie können curl, Python (requests) oder Postman verwenden.

Wenn Sie eine visuelle Benutzeroberfläche ohne Programmierung bevorzugen, versuchen Sie es direkt auf der Text-to-Image-Seite von GLM-Image. Für bewährte Prompt-Beispiele sehen Sie sich die Use-Case-Sammlung auf dieser Seite an.

2. Text-to-Image: Vom Prompt zum Bild

Der T2I-Workflow ist der direkteste Weg, um Bilder aus einer Textbeschreibung zu erstellen.

Beispiel-Request via curl:

curl https://api.zhipuai.cn/v2/image/generate \
  -H "Authorization: Bearer YOUR_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "glm-image-16b",
    "prompt": "Seekor kucing putih di atas batu hitam,sinematik,golden hour",
    "num_images": 1,
    "aspect_ratio": "1:1"
  }'

Wichtige Parameter:

prompt — die visuelle Beschreibung, die Sie erzeugen möchten. Je spezifischer, desto besser das Ergebnis.
aspect_ratio — legen Sie das Seitenverhältnis fest: 1:1 (quadratisch), 16:9 (Querformat), 9:16 (Hochformat).
num_images — die Anzahl der Bilder, die in einer Anfrage generiert werden sollen.

Tipps für effektive Prompts:

Nennen Sie das Hauptthema klar und deutlich ("eine Katze", "ein Gebäude in Tokio", "ein Ingenieur").
Fügen Sie bei Bedarf einen Kunststil hinzu ("oil painting", "watercolor", "cyberpunk illustration").
Ergänzen Sie Details zu Atmosphäre oder Beleuchtung ("golden hour", "neon night", "moody fog").

Die API-Antwort ist ein JSON-Objekt, das die URL des generierten Bildes enthält. Laden Sie es herunter und verwenden Sie es nach Bedarf.

3. Bild-zu-Bild: Bild ändern, das bereits vorhanden ist

Der Bild-zu-Bild-Workflow ermöglicht es Ihnen, ein Referenzbild zu nehmen und daraus Variationen oder Transformationen zu erzeugen.

Beispielverwendung:

curl https://api.zhipuai.cn/v2/image/edit \
  -H "Authorization: Bearer YOUR_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "glm-image-16b",
    "image": "https://example.com/input-photo.jpg",
    "prompt": "Transformasi jadi lukisan cat air, gaya artistik klasik",
    "strength": 0.7
  }'

Zusätzliche Parameter:

image — URL des Eingabebildes, das transformiert werden soll.
strength — wie stark die Änderung angewendet wird (0,0 = identisch, 1,0 = komplett neu). Werte zwischen 0,5–0,8 liefern in der Regel ein ausgewogenes Ergebnis zwischen Referenz und Kreativität.

Wann Bild-zu-Bild verwenden:

Produktfotos für den Katalog neu stylen.
Skizzen in fertige Illustrationen umwandeln.
Variationen zu bereits vorhandenen Bildern hinzufügen.

4. Die API mit Python verwenden

Für eine praxisnähere Integration in Anwendungen oder Pipelines verwenden Sie Python:

import requests

response = requests.post(
    "https://api.zhipu.cn/v2/image/generate",
    headers={"Authorization": f"Bearer {API_KEY}"},
    json={
        "model": "glm-image-16b",
        "prompt": "Ilustrasi научная экспериментальная установка, diagram teknis, garis halus",
        "num_images": 1,
        "aspect_ratio": "16:9"
    }
)

data = response.json()
image_url = data["data"][0]["url"]
print(f"Gambar berhasil dibuat: {image_url}")

Die geschätzten Kosten pro Bild liegen bei etwa 0,015 $ — günstig für eine einzelne Generierung und äußerst erschwinglich für die Batch-Verarbeitung großer Projekte.

Fortgeschrittene Tipps

Sobald Sie die Grundlagen beherrschen, können die folgenden Tipps die Ergebnisse Ihrer Generierungen erheblich verbessern.

1. Fortgeschrittenes Prompt Engineering

Die Qualität der Ausgabe hängt stark davon ab, wie Sie den Prompt formulieren. Hier sind einige bewährte Muster:

Visuelle Gedankenkette: Beschreiben Sie die Abfolge von Szenen oder Elementen klar. Beispiel: "一只猫坐在窗台上,外面下雨,光线昏暗,电影感" (eine Katze auf dem Fensterbrett, draußen regnet es, gedämpftes Licht, cineastisch) liefert visuell deutlich reichhaltigere Ergebnisse als nur "Katze am Fenster".
Spezifischer Kunststil: Nennen Sie den Namen der Bewegung oder des Mediums explizit — "impressionist painting", "ukiyo-e print", "pixel art", "3D render".
Negatives Prompting: Einige Plattformen unterstützen das Ausschließen von Elementen. Nutzen Sie dies, um unerwünschte Attribute zu vermeiden (z. B. "ohne Text, ohne Wasserzeichen").

2. Nutzen Sie die Text-Rendering-Fähigkeiten

Die größte Stärke von GLM-Image gegenüber vielen anderen Open-Source-Modellen ist die Text-Rendering-Fähigkeit, die auf CVTG-2K 91,16 % erreicht. Nutzen Sie dies für:

Poster und visuelle Designs mit Text: Erstellen Sie Poster-Designs mit präzisem mehrsprachigem Text.
UI-Mockups: Betten Sie Interface-Texte direkt in Bild-Mockups ein.
Visuelle Infografiken: Kombinieren Sie visuelle Daten mit präzisen Textbeschriftungen.

3. Nutzen Sie Benchmarks für mehrsprachige Fälle

Wenn Ihr Projekt mehrsprachigen Text umfasst, zeigt LongText-Bench eine hervorragende Leistung – 97,88 % für Mandarin und 95,24 % für Englisch. Das bedeutet:

Prompts auf Mandarin oder Englisch führen zu einem genaueren Text-Rendering.
Bei Projekten mit gemischtem Text (z. B. Produktetiketten für den asiatischen Markt) bewältigt GLM-Image das Mix-Language-Rendering besser als viele seiner Konkurrenten.

4. Batch-Workflow für große Projekte

Um Hunderte von Bildern zu generieren (z. B. Produktvarianten für den E-Commerce oder Illustrationen für Artikel):

Erstellen Sie eine CSV-Liste der Prompts.
Führen Sie die Generierungen in einer Schleife über ein Python-Skript mit angemessenem Rate-Limiting durch.
Speichern Sie die Ergebnisse im Cloud-Speicher.
Überprüfen und filtern Sie die Ausgabe, bevor Sie sie verwenden.

5. Kombination T2I + I2I

Für die am präzisesten kontrollierten Ergebnisse verwenden Sie beide Workflows nacheinander:

Generieren Sie ein Basisbild mit T2I anhand eines bereits verfeinerten Prompts.
Nutzen Sie I2I, um bestimmte Teile des Bildes fein abzustimmen – ändern Sie den Hintergrund, fügen Sie Details hinzu oder passen Sie den Stil an.

Dieser zweistufige Ansatz bietet eine granularere Kontrolle als einer der Workflows allein.

Vergleich von GLM-Image mit anderen Modellen

Nachfolgend ein Vergleich von GLM-Image mit einigen beliebten Text-to-Image-Modellen auf dem Markt:

Aspekt	GLM-Image	Stable Diffusion	DALL-E 3	Midjourney
Parameter	16B	~1B–8B (je nach Variante)	Nicht veröffentlicht	Nicht veröffentlicht
Architektur	Hybrid AR + Diffusion	Reine Diffusion	Diffusion + CLIP	Diffusion
Text Rendering	CVTG-2K: 91,16 %	Unterschiedlich, oft schwach	Gut	Ausreichend
LongText-Bench (EN)	95,24 %	Uneinheitlich	Hoch	Ausreichend
Text-to-Image	Ja	Ja	Ja	Ja
Image-to-Image	Ja	Ja (via img2img)	Eingeschränkt	Ja (via vary)
API-Preis	~$0,015/Bild	Self-Hosting möglich (GPU-Kosten)	Teurer	Abo
Lizenz	MIT (Open Source)	CreativeML Open RAIL	proprietär	proprietär
Nicht-englische Sprachen	Mandarin 97,88 %, EN 95,24 %	Unterschiedlich	Gut	Ausreichend

Aus der Tabelle oben wird deutlich: GLM-Image bietet ein einzigartiges Wertversprechen – ein Open-Source-Modell mit hoher Benchmark-Leistung, einer permissiven MIT-Lizenz für die kommerzielle Nutzung und wettbewerbsfähigen API-Preisen.

FAQ

Unterstützt GLM-Image Indonesisch?

GLM-Image wurde auf einem mehrsprachigen Datensatz trainiert, der auch Indonesisch umfasst. Für die besten Ergebnisse beim Text-Rendering verwenden Sie Prompts auf Englisch oder Mandarin – den beiden Sprachen mit offiziell erfassten Benchmarks. Für allgemeine visuelle Beschreibungen kann Indonesisch jedoch bereits verwendet werden.

Kann ich GLM-Image für kommerzielle Zwecke verwenden?

Ja. GLM-Image wird unter der MIT-Lizenz veröffentlicht, was bedeutet, dass Sie frei sind, es zu nutzen, zu modifizieren und abgeleitete Produkte zu verkaufen – einschließlich für kommerzielle Zwecke. Es gibt keine Lizenzgebühren oder Nutzungsbeschränkungen in kommerziellen Projekten, SaaS-Produkten oder kostenpflichtigen Diensten, solange Sie die Namensnennungsbedingungen der MIT-Lizenz einhalten.

Wie lange dauert es, ein Bild zu generieren?

Die Generierungszeit variiert je nach Komplexität des Prompts und der Serverlast. Im Allgemeinen liegt sie zwischen einigen Sekunden und etwa einer Minute für die Generierung eines einzelnen Bildes über die API.

Können die Generierungsergebnisse jedes Mal unterschiedlich sein?

Ja. Der Diffusionsprozess ist stochastisch — selbst bei gleichem Prompt fällt das Ergebnis jeder Generierung leicht anders aus. Das ist sogar ein nützliches Feature, um visuelle Variationen zu erkunden. Wenn Sie konsistente Ergebnisse benötigen, variieren Sie den Parameter seed, sofern verfügbar, oder generieren Sie mehrere Bilder und wählen Sie dann das beste aus.

Benötige ich eine eigene GPU, um GLM-Image auszuführen?

Nein, wenn Sie die offizielle API von Zhipu AI verwenden. Das Modell läuft auf der Serverinfrastruktur von Zhipu, sodass Sie lediglich Internetzugang und einen API-Schlüssel benötigen. Für das Self-Hosting (Ausführen des Modells auf Ihrer eigenen Infrastruktur) benötigen Sie eine GPU mit ausreichend VRAM – üblicherweise mindestens 16 GB für die Inferenz des 16B-Modells.

Jetzt ausprobieren

GLM-Image ist eine solide Wahl, wenn Sie ein leistungsstarkes, flexibles Text-to-Image- und Image-to-Image-Modell suchen, das sich ohne strenge Lizenzbeschränkungen kommerziell nutzen lässt. Mit 16 Milliarden Parametern, einer hybriden AR+Diffusion-Architektur sowie starken Benchmarks beim Text-Rendering und beim Verständnis langer Texte ist das Modell für zahlreiche Anwendungsfälle eine Überlegung wert – vom Content-Design über Foto-Restyling bis hin zu generativen Pipelines im großen Maßstab.

Generieren Sie Ihr erstes Bild direkt auf der Text-to-Image-Seite von GLM-Image.

Programmieren müssen Sie nicht – besuchen Sie einfach die Seite, geben Sie einen Prompt ein und sehen Sie das Ergebnis in wenigen Sekunden. Bewährte Anwendungsbeispiele finden Sie auf derselben Seite.

Für eine genauere Kostenschätzung werfen Sie einen Blick auf die Preisseite.