GLM-Image : les spécifications vérifiées et ce qui compte vraiment

Caractéristiques de GLM-Image : ce qui est vérifié et ce qui compte vraiment

GLM-Image est le modèle open source de génération d'images de Z.ai : environ 16 milliards de paramètres, publié sous licence MIT, construit comme un hybride autorégressif-diffusion doté d'un Glyph Encoder dédié au rendu du texte, et particulièrement doué pour intégrer des mots en chinois et en anglais dans les images. Voilà les caractéristiques de GLM-Image que l'on peut réellement vérifier — et cette page s'y tient, car un article de spécifications rempli de chiffres inventés est pire que pas d'article du tout.

Si vous avez vu d'autres pages de « spécifications GLM-Image » énumérant des nombres exacts de tokens d'entraînement, des temps d'exécution sur RTX 4090 ou des historiques de versions, méfiez-vous. La plupart de ces détails n'ont jamais été publiés sous une forme vérifiable. Voici ce que l'on sait, ce que chaque caractéristique signifie en pratique, et comment combler vous-même les lacunes.

Qu'est-ce que GLM-Image ?

GLM-Image est un modèle de génération d'images à partir de texte (text-to-image) et de transformation d'images (image-to-image) développé par Z.ai, l'entreprise à l'origine de la famille de modèles GLM. Il a été publié en poids ouverts sous la permissive licence MIT, ce qui est inhabituel pour un modèle de ce niveau : la plupart des modèles d'images haut de gamme sont fermés et accessibles uniquement via une API payante.

Son principal atout est le rendu de texte dans les images générées, en chinois comme en anglais — pensez aux affiches, étiquettes de produits, menus et enseignes où les mots doivent être orthographiés correctement, et non approximés. Sur CVTG-2K, un benchmark de génération de texte visuel, le modèle atteint une précision de rendu de texte de 91,16 %. Ce chiffre, son architecture et sa licence constituent l'essentiel de ce qui rend GLM-Image intéressant.

Vous pouvez l'utiliser de deux façons : via une application web hébergée comme glmimage.app, qui propose un nombre limité de générations gratuites par jour, ou en téléchargeant les poids sous licence MIT pour les exécuter sur votre propre GPU. Vous trouverez plus de détails sur ces deux options ci-dessous.

Les spécifications vérifiées de GLM-Image en un coup d'œil

Ce tableau est volontairement court. Il rassemble tout ce que ce site a pu vérifier à partir de sources primaires. Tout ce qui n'y figure pas — tailles exactes des étapes, composition des données d'entraînement, tableaux de latence, images Docker, options CLI — n'est soit pas public, soit n'a pas été confirmé, et l'inventer rendrait cette page inutile pour les ingénieurs à qui elle s'adresse.

Ce que chaque spécification signifie en pratique

~16 milliards de paramètres. Cela place GLM-Image dans la catégorie poids lourd des modèles d'image open source. Le nombre de paramètres n'est pas en soi un indicateur de qualité, mais il vous dit deux choses concrètes : le modèle a la capacité nécessaire pour un travail de précision comme la typographie, et il exige une VRAM conséquente. Si vous choisissez du matériel ou comparez des coûts d'hébergement, c'est autour de ce chiffre de 16 milliards qu'il faut planifier.

Hybride AR + diffusion. GLM-Image divise la génération en deux étapes : une phase autorégressive qui gère la planification sémantique, et une phase de diffusion qui rend l'image. Pour faire simple : les modèles autorégressifs excellent avec le langage et les séquences, les modèles de diffusion avec les textures et les détails continus. Les combiner, c'est la raison architecturale pour laquelle GLM-Image sait écrire correctement. Nous racontons toute l'histoire dans L'architecture de GLM-Image : comment fonctionne l'hybride.

Glyph Encoder. Il s'agit d'un composant dédié au rendu du texte — il conditionne le modèle sur les formes visuelles des caractères plutôt que de traiter le texte comme un simple motif visuel parmi d'autres. C'est l'élément le plus directement lié au résultat CVTG-2K, et la raison pour laquelle les affiches bilingues ressortent lisibles.

Licence MIT. Vous pouvez télécharger les poids, les utiliser commercialement, les affiner (fine-tuning) et créer des produits par-dessus sans négocier de licence. Comparez cela aux modèles sous licences non commerciales ou à usage restreint, où le terme « open » s'accompagne de clauses en petits caractères. Pour les entreprises, c'est sans doute la spécification la plus déterminante de toute la liste.

~12 Go de VRAM. Un déploiement local exige réalistement un GPU disposant d'environ 12 Go de mémoire vidéo ou plus — à la portée des cartes milieu de gamme actuelles et supérieures, mais hors de portée des ordinateurs portables fins et des anciens GPU d'entrée de gamme. Les retours de la communauté sur le comportement mémoire exact varient selon la résolution et les optimisations d'inférence : considérez donc ces 12 Go comme un plancher de planification, pas comme une promesse.

Que peut réellement faire GLM-Image ?

Capacités vérifiées : génération d'images à partir de texte, génération image-à-image, et rendu fiable de textes courts en chinois et en anglais. Ce dernier point mérite d'être souligné, car il est rare. La plupart des modèles ouverts produisent du texte anglais aléatoire et du texte chinois inutilisable, ce qui impose un flux de travail en deux étapes (générer l'image, puis ajouter le texte dans un outil de design). GLM-Image ramène ce flux à une seule passe lorsque le texte est court — titres, noms de produits, prix, slogans.

Limites honnêtes : les longs paragraphes de texte, les caractères très petits et la présence de trois langues ou plus dans une même image restent difficiles pour tous les modèles d'image, GLM-Image compris. Attendez-vous à devoir réessayer à mesure que le texte s'allonge. Et comme le modèle est volumineux, la génération d'une image sur un GPU donné est plus lente que ce qu'offrent les modèles de diffusion plus légers — un compromis que l'on accepte en échange de la capacité de rendu du texte.

Pour des conseils de rédaction de prompts destinés aux images riches en texte, consultez comment écrire des prompts IA efficaces.

Comment ces caractéristiques se comparent-elles à celles des autres modèles open source ?

Sans inventer de chiffres, le paysage se présente comme suit. Stable Diffusion 1.5 et SDXL misent sur l'écosystème : plus légers, plus rapides, soutenus par une immense bibliothèque de fine-tunes et d'outils, mais faibles pour le texte intégré aux images, en particulier le chinois. FLUX.1 de Black Forest Labs rivalise sur le photoréalisme et le respect des prompts, avec des licences qui varient selon les variantes — la variante schnell est sous Apache 2.0 tandis que la variante dev est soumise à une licence non commerciale, alors lisez bien la fiche du modèle avant tout usage commercial.

Le créneau de GLM-Image est différent : c'est le modèle open source à choisir quand les mots comptent. Si vos images ne contiennent pas de texte, les écosystèmes plus légers et plus matures vous conviendront peut-être mieux. Si vos images sont des affiches, des emballages, des menus ou des créations marketing bilingues, le Glyph Encoder et le résultat CVTG-2K font la différence. Pour un tour d'horizon plus large du domaine, consultez générateurs d'images IA open source : un guide honnête.

Comment utiliser GLM-Image sans acheter de GPU

Les spécifications ci-dessus concernent surtout ceux qui hébergent le modèle eux-mêmes. Tous les autres peuvent complètement ignorer la question du matériel : glmimage.app fait tourner GLM-Image directement dans le navigateur, avec un nombre limité de générations gratuites chaque jour et trois formules payantes — Basic à 9,90 $ par mois pour 500 crédits, Pro à 29,90 $ pour 2 000, et Max à 79,90 $ pour 6 000. Une génération coûte 10 crédits, ce qui représente environ 50, 200 ou 600 images par mois selon la formule, soit environ 0,20 $, 0,15 $ et 0,13 $ par image respectivement. Tous les détails se trouvent sur la page des tarifs.

Si vous souhaitez tout de même héberger le modèle vous-même, partez des poids officiels publiés et de la fiche du modèle plutôt que de scripts tiers trouvés dans des articles de blog — y compris les exemples en ligne de commande d'anciens articles de ce site même, qui n'ont pas survécu à la vérification des faits. L'article sur les spécifications de GLM-Image et l'exécution de modèles en local traite plus en profondeur de l'aspect matériel.

Questions fréquemment posées

GLM-Image est-il gratuit et open source ?
Les poids du modèle sont publiés sous licence MIT, ce qui signifie que leur utilisation (y compris à des fins commerciales) est gratuite, à condition de disposer du matériel nécessaire pour les exécuter. L'application web hébergée sur glmimage.app est un service distinct, avec un quota quotidien gratuit et des abonnements payants.

Quel GPU faut-il pour exécuter GLM-Image en local ?
Prévoyez un GPU disposant d'environ 12 Go de VRAM ou plus. La consommation mémoire exacte varie selon la résolution et les optimisations appliquées ; consultez donc les notes de déploiement actuelles de la communauté pour votre matériel spécifique.

Quel est le score de GLM-Image aux benchmarks ?
Le chiffre vérifié est de 91,16 % de précision en rendu de texte sur CVTG-2K. Il s'agit d'un benchmark de rendu de texte, et non d'un score global de qualité d'image — ce qui convient au modèle, puisque le rendu de texte est précisément ce qui le distingue.

GLM-Image prend-il en charge l'image-vers-image ?
Oui. Le texte-vers-image comme l'image-vers-image sont pris en charge, ce qui permet d'itérer sur une composition plutôt que de tout recommencer à zéro.

Prêt à voir ce que donnent ces caractéristiques en pratique ? Générez une image avec GLM-Image → — essayez un prompt avec un court titre bilingue et jugez vous-même de la typographie.