GLM-Image est un modèle open source de génération d'images développé par Z.ai et publié sous licence MIT, avec environ 16 milliards de paramètres. Ce qui le distingue, c'est une force précise et mesurable : il rend du texte lisible à l'intérieur des images, en chinois comme en anglais, avec un score de 91,16 % au benchmark CVTG-2K de rendu de texte chinois. Il prend en charge la génération texte-vers-image ainsi qu'image-vers-image.
Cette combinaison — poids publics, licence permissive et texte bilingue qui survit à la génération — est inhabituelle, et c'est pourquoi GLM-Image revient sans cesse dans des discussions autrefois dominées par des outils fermés, accessibles uniquement par abonnement. Ce guide explique ce qu'est GLM-Image, comment fonctionne son architecture hybride en langage simple, à qui il s'adresse le mieux, et où il montre honnêtement ses limites.
<!--IMG: A bilingual café storefront sign generated by GLM-Image, showing crisp Chinese and English text side by side-->
Qu'est-ce que GLM-Image, exactement ?
GLM-Image est le modèle de génération d'images de Z.ai, publié en poids ouverts (open weights) sur Hugging Face sous l'organisation zai-org. « Poids ouverts sous licence MIT » a un sens précis : vous pouvez télécharger le modèle, l'exécuter sur votre propre matériel, le modifier, l'intégrer dans un produit et exploiter commercialement ses résultats — sans demander d'autorisation ni négocier de licence. C'est une proposition bien différente du simple « essai gratuit », et c'est la raison pour laquelle les développeurs et les petits studios s'intéressent à cette famille de modèles.
Les quelque 16 milliards de paramètres vous disent deux choses concrètes. Premièrement, le modèle est suffisamment grand pour planifier des scènes complexes et pour traiter le texte présent dans l'image comme du langage plutôt que comme de la texture — c'est précisément là que les générateurs plus petits commencent à déformer les mots. Deuxièmement, il est assez exigeant pour que l'auto-hébergement requiert réalistement un GPU doté d'environ 12 Go de VRAM. Sur du matériel grand public, GLM-Image relève du « possible, mais à planifier », et non d'un accessoire pour ordinateur portable.
La plupart des gens ne toucheront cependant jamais aux poids du modèle. Sur glmimage.app, GLM-Image est le moteur qui se cache derrière le générateur hébergé : vous décrivez une image, le modèle la produit, et aucun matériel local n'intervient. Tout ce qui est dit dans cet article s'applique au modèle, que vous y accédiez via le site web ou via votre propre infrastructure d'inférence.
Comment fonctionne GLM-Image ?
L'architecture de GLM-Image est hybride, et c'est cette conception hybride qui fait toute la différence. Une image mentale utile : un planificateur et un peintre qui partagent une même toile.
L'étape de planification est autorégressive. Comme un modèle de langage, elle lit votre prompt token par token et décide de ce que l'image doit contenir : les sujets, leur disposition et — point crucial — ce que tout texte présent dans l'image doit dire. Parce que le texte est d'abord planifié comme du langage, une phrase comme « 精品咖啡 » est fixée sous forme de caractères réels avant même qu'un seul pixel ne soit dessiné.
L'étape de peinture est un décodeur à diffusion. Il prend le plan et le traduit en pixels avec des détails fins, des textures réalistes et un éclairage maîtrisé. Un encodeur de glyphes dédié (Glyph Encoder) s'occupe spécifiquement des formes des caractères, c'est pourquoi les traits donnent de vraies lettres et de vrais hanzi, et non des gribouillages décoratifs qui se contentent d'évoquer de l'écriture.
Pourquoi est-ce important ? Les pipelines de diffusion purs génèrent les mots de la même façon qu'ils génèrent les nuages : comme une texture visuelle dans une zone donnée. Cela fonctionne pour un logo de deux lettres, mais s'effondre dès que le texte s'allonge, surtout en chinois, où un seul trait incorrect change le sens. Diviser la tâche — décider le texte comme du langage, puis le dessiner comme des glyphes — est ce qui permet à GLM-Image de placer une enseigne lisible dans une scène lisible. Cette analogie simplifie un pipeline technique complexe, mais elle prédit bien le comportement du modèle : performant là où la planification compte, fiable sur des textes que d'autres modèles massacrent.
Pourquoi le rendu de texte bilingue est-il si important ?
Les caractères chinois ne pardonnent pas. Chaque hanzi est une structure dense de traits, et les petites erreurs ne donnent pas un texte négligé — elles le rendent tout simplement faux. La plupart des générateurs d'images s'en sortent correctement avec des mots anglais courts, dérivent sur les phrases plus longues, et transforment le chinois en un charabia à l'apparence convaincante. Quiconque a essayé de produire un menu bilingue, une maquette d'emballage ou une bannière de conférence avec un générateur générique connaît la routine : générer l'image, puis retaper chaque mot dans un outil de design.
Le score de 91,16 % de GLM-Image sur CVTG-2K — un benchmark de génération de texte visuel chinois — est le seul chiffre concret sur lequel s'appuyer, car il s'agit d'un résultat de benchmark publié et non d'une simple impression. Il faut l'interpréter correctement : environ neuf rendus de texte chinois sur dix sont exacts, ce qui rend les phrases courtes, les titres et la signalétique fiables d'une manière rare. Ce n'est pas une autorisation pour composer des paragraphes entiers de texte courant dans une image ; le texte long reste risqué sur tous les modèles actuels, et les contenus denses ont de toute façon leur place dans un outil de mise en page.
Le véritable atout, c'est précisément la combinaison : chinois et anglais rendus proprement dans la même image, en une seule passe de génération. Cela couvre les affiches bilingues, les étiquettes de produits pour le e-commerce transfrontalier, la signalétique d'événements, les captures d'écran d'App Store pour deux marchés, les supports pédagogiques, et partout ailleurs où un même visuel doit parler les deux langues.
<!--IMG: Comparison of a generated product poster with clean bilingual labeling versus typical garbled text output-->
Que peut faire GLM-Image ?
GLM-Image prend en charge deux modes de génération, et les workflows sérieux utilisent les deux.
Le texte-vers-image est la direction classique : vous écrivez un prompt, le modèle génère une image à partir de rien. C'est là que vous explorez des idées, définissez une direction artistique et produisez vos premières ébauches.
L'image-vers-image part d'une image de référence accompagnée d'un prompt. Le modèle conserve ce que la référence a de réussi — la composition, le sujet, la structure générale — tout en modifiant ce que vous lui demandez de changer : l'arrière-plan, le style, l'éclairage, la saison. En pratique, la boucle ressemble à ceci : générez une image de base en texte-vers-image, gardez la meilleure candidate, puis affinez-la par des passages en image-vers-image au lieu de tout relancer depuis zéro et de perdre ce qui fonctionnait déjà.
Comme le modèle est nativement bilingue, vous pouvez rédiger vos prompts en anglais, en chinois, ou mélanger les deux lorsque le livrable lui-même est bilingue. Pour le texte intégré aux images en particulier, les mêmes règles de bon sens s'appliquent qu'avec n'importe quel générateur — gardez le texte court, indiquez où il doit se placer et décrivez la typographie souhaitée — sauf qu'elles aboutissent bien plus souvent.
À qui s'adresse GLM-Image ?
Aux équipes marketing et e-commerce qui produisent des visuels en chinois et en anglais. Une seule passe de génération, au lieu d'une génération suivie d'une remise en page, représente un vrai gain de production lorsqu'on l'applique à des dizaines de références ou de campagnes.
Aux développeurs et petites entreprises qui veulent intégrer la génération dans leur propre stack. La licence MIT autorise l'auto-hébergement pour un produit commercial, et environ 12 Go de VRAM restent un seuil accessible pour une carte graphique de station de travail.
Aux designers qui veulent prototyper rapidement avec une typographie d'attente exploitable. Une maquette dont le titre est déjà composé dans un style à peu près correct est une bien meilleure base de discussion qu'un pavé de gribouillis façon lorem ipsum.
Aux créateurs indépendants et petites équipes attentifs à leur budget. L'accès hébergé commence avec des générations quotidiennes gratuites en nombre limité, et les offres payantes vont de 9,90 $/mois pour 500 crédits (environ 50 images) à 79,90 $/mois pour 6 000 crédits (environ 600 images).
Aux enseignants et éditeurs qui ont besoin de schémas et d'illustrations légendés, où les courtes étiquettes intégrées à l'image doivent être réellement lisibles — un problème très proche de celui de la signalétique bilingue. Le générateur d'illustrations scientifiques est conçu précisément pour cette tâche.
Où GLM-Image montre-t-il ses limites ?
Une fiche technique honnête inclut aussi les points faibles :
- Le portrait photoréaliste n'est pas sa spécialité. GLM-Image sait générer des personnes, mais si votre livrable consiste en des portraits indiscernables de photographies, produits en volume, comparez-le aux alternatives avant de vous engager. Sa force, c'est l'intelligence du texte et de la mise en page, pas le réalisme des portraits.
- Les longs textes intégrés à l'image restent risqués. Le benchmark couvre le registre des phrases courtes et de la signalétique. Insérer des paragraphes entiers dans une image relève d'un outil de mise en page, quel que soit le modèle actuel, celui-ci compris.
- L'auto-hébergement exige du vrai matériel et un certain confort avec Python. Comptez environ 12 Go de VRAM, une installation CUDA fonctionnelle et la volonté de maintenir un environnement d'inférence. Ce n'est ni une installation en un clic, ni une solution adaptée au CPU.
- La vitesse en haute résolution n'est pas son point fort. Le pipeline hybride effectue davantage de travail de planification par image ; attendez-vous à de la patience plutôt qu'à une gratification instantanée sur les GPU grand public, et planifiez vos traitements par lots en conséquence.
- L'écosystème est jeune. Les outils, les LoRA et les workflows communautaires sont plus limités que ce qui entoure des modèles ouverts plus anciens comme Stable Diffusion.
Aucun de ces points n'est rédhibitoire ; ce sont des frontières de périmètre. À l'intérieur de celles-ci, le modèle est remarquablement fiable.
Comment essayer GLM-Image ?
La solution la plus rapide est la version hébergée : ouvrez le générateur d'images et saisissez une invite. Aucune configuration n'est nécessaire, et un nombre limité de générations gratuites est disponible chaque jour. Les offres payantes fonctionnent avec un système de crédits : l'offre Basic à 9,90 $/mois comprend 500 crédits (environ 50 images), l'offre Pro à 29,90 $ en comprend 2 000 (environ 200), et l'offre Max à 79,90 $ en comprend 6 000 (environ 600), une génération coûtant environ 10 crédits. La page des tarifs présente les détails actuels, et notre article explication des tarifs détaille le fonctionnement des crédits.
Si vous souhaitez aller plus loin, deux pistes s'offrent à vous : le guide de rédaction d'invites explique comment décrire les images pour que le modèle ait des éléments concrets à dessiner, et le guide pas à pas de GLMImage couvre l'ensemble du flux de travail hébergé. Pour exécuter les poids du modèle vous-même, la fiche du modèle GLM-Image sur Hugging Face est la source de référence pour le téléchargement et la configuration requise.
Questions fréquemment posées
GLM-Image est-il gratuit ?
Deux questions distinctes en une. Les poids du modèle sont gratuits sous licence MIT, mais les exécuter soi-même exige un matériel GPU adapté. Le service hébergé sur glmimage.app propose un nombre limité de générations gratuites par jour, avec des forfaits payants à partir de 9,90 $/mois.
Que permet réellement la licence MIT ?
L'utilisation commerciale, la modification et la redistribution du modèle et de ses résultats, moyennant les obligations habituelles d'attribution et de mention de la licence. Concrètement : vous pouvez créer un produit basé sur GLM-Image auto-hébergé sans accord commercial séparé.
GLM-Image peut-il modifier des images existantes, ou seulement en générer de nouvelles ?
Les deux. Le mode texte-vers-image crée une image à partir d'une description ; le mode image-vers-image prend une image de référence plus une description et la redessine en appliquant les modifications demandées tout en préservant la composition.
Quelle est la précision réelle de son rendu du texte chinois ?
91,16 % sur le benchmark de rendu de texte chinois CVTG-2K — le meilleur résultat publié que nous considérons comme vérifié. En pratique, les phrases courtes et la signalétique sont rendues de manière fiable ; gardez le texte intégré à l'image bref et précisez l'emplacement et la typographie pour de meilleurs résultats.
Voyez le rendu de texte par vous-même : générez une image avec GLM-Image →
