GLM-Imageベンチマーク：数字が本当に示していること
検証済みのGLM-Imageベンチマーク数値は1つだけです。CVTG-2Kにおけるテキスト描画精度91.16%。これが当サイトで確認されているスコアのすべてです——そして、RTX 4090の処理時間テーブル、FIDスコア、ユーザー選好率を満載した他の「GLM-Imageベンチマーク」ページを読んだことがあるなら、それらの数字は捏造されていたこと、本記事の以前の版にもそれが含まれていたことを知っておくべきです。今回の改稿では検証済みの数値を残し、それが何を測定し、何を測定していないかを説明したうえで、モデルを自分でベンチマークする方法をお伝えします。それが、あなたの仕事にとって最終的に意味を持つ唯一のテストです。
ベンチマークは意思決定のツールであり、トロフィーではありません。正直な問いは「どんな数字を引用できるか」ではなく、「このモデルは自分のプロンプト、自分のハードウェア、自分の予算で何をしてくれるか」です。検証済みのスコアはその一部に答えます。残りは自分で測るものです。
<!--IMG: 生成された2枚のポスターの並べて比較。一方は文字が崩れており、もう一方は正しく綴られたバイリンガルテキスト-->
CVTG-2Kとは何か、91.16%は何を意味するのか？
CVTG-2Kは、視覚テキスト生成のベンチマークです。モデルに対して、生成した画像の中に指定されたテキストを描画するよう求め、その出力がテキストをどれだけ正確に再現できたかを測定します。GLM-Imageのスコアは91.16%——つまり、このベンチマークのテストセットにおいて、モデルが描くよう求められたテキストは、大多数のケースで正しく出力されたということです。
この数値から読み取れることは3つあります。第一に、テキスト描画はこのモデルの付加機能ではなく、中核的な能力として位置づけられているということです。テキストベンチマークで91.16%を記録するのは偶然ではありません。GLM-Imageのアーキテクチャ（自己回帰ステージと専用のGlyph Encoder）は、まさにこの能力を軸に構築されています。第二に、失敗の発生率が定量化されています。この水準であっても、およそ11回に1回は正しく出力されないため、プロフェッショナルなワークフローでは再試行が必要になる場面を想定しておくべきです。第三に、これはテキストのベンチマークです。写実性、構図、スタイルの幅については、直接何も語っていません。
この数値が語らないことも3つあります。ひとつは、競合モデルの独自ベンチマークにおける直接比較です（モデル間の公平な比較には、各モデルを同一のスイート・同一条件で評価する必要があり、当サイトにはそのような検証済みの比較は存在しません）。ふたつ目は、中国語と英語を得意とする同モデルが、それ以外の言語でどのような性能を示すかです。そして3つ目は、長文テキストでの挙動です。長文は、ベンチマークが通常テストする短いフレーズよりも難しい課題です。
なぜテキストレンダリングが、本当に重要なベンチマークなのか
それが差別化要因であり、ほとんどの画像モデルが失敗するタスクだからです。主流モデルでポスターを生成したことがある人なら、誰もが「溶けた文字」に遭遇したはずです——読むまでは文字に見えるのに、読んだ瞬間に崩れる、あの文字です。AI画像生成が最も必要とされるクリエイティブ・商業の現場（ポスター、パッケージ、メニュー、看板、広告）こそ、正確なスペルが不可欠な仕事です。だからこそ、テキストに特化したベンチマークが、このモデルを選ぶうえで最も意思決定に直結する指標なのです。
中国語はさらにハードルを上げます。何千もの異なる文字、緻密な画数構造、あいまい一致は一切通用しない——わずかに違う文字は誤字ではなく、まったく別の単語です。GLM-Imageが公称する強みは中国語・英語のバイリンガルレンダリングであり、CVTG-2Kのスコアがその主張を裏付けています。実務上の意味はこうです。かつては「画像を生成してからPhotoshopでテキストを載せる」二工程が必要だったバイリンガルデザインが、多くの場合、一度の生成で完結するようになりました。
画像にテキストが含まれないのであれば、他の基準により重きを置いてください。エコシステム、速度、ライセンスはいずれも重要であり、テキストを含まない画像用途であれば、より軽量なオープンモデルの方が適している場合もあります。モデルの概要はGLM-Imageのスペック：検証済みの内容にまとめてあり、このスコアを支えるアーキテクチャについてはAR＋拡散ハイブリッドの仕組みで解説しています。
FIDのような画質スコアについては？
インターネット上では、画像モデル向けのFID、CLIP、aestheticスコアの比較表が至るところに見つかります。GLM-Imageについては、ここではそうした数値を一切引用していません。理由は2つあります。第一に、当サイトは一次情報源からそうした数値を検証できておらず、根拠のない精度を並べたベンチマークページは、掲載しないより悪いからです。第二に、たとえ真正なモデル間のFID比較であっても、その信頼性は不安定です。FIDは参照データセット、サンプル数、評価プロトコルに大きく依存するため、異なる条件下で算出された数値を並べても公平なランキングにはなりません。
定性的に言えること——測定ではなく観察として明確に位置づけますが——は、GLM-Imageが一般的なデザイン用途において現行のオープンモデルと十分に競合する画像を生成するということです。フォトリアル寄りの出力、実用的な構図、構造に対する安定したプロンプト追従性です。精密な品質スコアが評価に必要であれば、ご自身のプロンプトで独自に比較してください。方法は次のセクションで説明します。
速度ベンチマークについて？
このサイトには、GLM-Imageの生成時間の検証済みの数字は存在しません。特定の消費者向けGPUでの1画像あたりの秒数を主張する表は捏造されたものです——この記事の以前のバージョンにはいくつか含まれていましたが、それらは削除されました。
率直に言えることは、生成時間はあなたのGPU、出力解像度、バッチサイズ、推論の最適化に依存し、約16Bパラメータのハイブリッドパイプラインは、小さな単一ステージ拡散モデルより1画像あたり重いものです。誰かが正確なタイミングを引用する際、テスト条件を公開しない場合、それはベンチマークではなく、小数点以下の推測に過ぎません。ローカル生成のパフォーマンスに関するコミュニティの報告は、まさにこれらの理由——ハードウェアと設定が異なるため——大きく異なり、それらを仕様ではなく逸話として扱ってください。glmimage.appを通じたクラウド生成では、「画像が表示されるまでどれくらいかかるか」は単に試してみるべき製品の質問です：このサービスは1日あたり一定数の無料生成を提供しています。
GLM-Imageを自分でベンチマークする方法
30分の自己テストは、どんな第三者の比較表にも勝ります。実践的な手順は以下のとおりです。
- 固定のプロンプトセットを用意する。 実際の仕事を代表する20〜50個のプロンプト——自分の被写体、自分のスタイル、自分のテキスト。テキスト描画のテストでは、英語と中国語の引用文字列を、さまざまな長さで含めてください。
- 自分の基準で採点する。 テキストのスペルは正しいか？画像はレイアウトに従っているか？セット全体でスタイルは一貫しているか？プロンプトごとに合格／不合格で採点すれば、パーセンテージは自然と出てきます。
- 同じ土俵で比較する。 同じセットを、現在使っているツールやモデルでも実行する。同じプロンプト、同じ判定者（自分）、同じ日に。
- 生成だけでなく、反復もテストする。 実際の制作は「生成してから改善する」流れです。有望な候補に対してimage-to-imageを試し、改善が収束するか、それとも良い部分を壊してしまうかを採点します。
- 使える1枚あたりのコストを追跡する。 リトライはコストです。初回で成功する頻度が高いモデルは、表示価格が安いモデルよりも安上がりになることがあります。
1日あたりの無料生成枠を使ってジェネレーターで実験を実行し、測定したリトライ率と料金を照合してください。テキストが多い画像向けのプロンプト作成テクニックは、AIプロンプトの書き方と最高のAIテキスト描画にあります。
よくある質問
GLM-Imageの検証済みベンチマークスコアは？
CVTG-2Kにおけるテキストレンダリング精度は91.16%です。当サイトが一次情報源から検証したベンチマーク数値はこれのみです。これ以外で目にするGLM-Imageのベンチマーク数値は、未確認として扱ってください。
91.16%ということは、10枚に1枚はテキストが間違っているのですか？
そのベンチマークのテストセットでは、おおよそその通りです。実務上の精度はテキストの長さや言語の組み合わせによって変わります。短いフレーズは精度が高く、長い段落は低くなります。そのため、プロのワークフローでは再生成と校正の余裕を見込んでおくべきです。
GLM-Imageの検証済み速度ベンチマークはありますか？
ありません。生成時間はハードウェア、解像度、最適化に依存し、このモデルについて信頼できる「1枚あたりの秒数」の表は存在しません。速度が判断の決め手になる場合は、ご自身の環境でテストしてください。
ベンチマーク上、GLM-ImageはDALL-E 3やMidjourneyと比べてどうですか？
当サイトには検証済みのモデル間比較はありません。アーキテクチャの違いと、それが実務で何を意味するかについては GLM-Image vs DALL-E 3 で解説しています。直接比較の結論を出すには、同じプロンプトセットを各モデルで実行してください。
あなたにとって本当に重要な唯一のベンチマークを実行しましょう：自分のプロンプトでGLM-Imageをテストする →
