GLM-Imageのスペック：検証された事実と本当に重要なこと

GLM-Imageのスペック：検証済みの事実と、本当に重要なこと

GLM-Imageは、Z.aiが公開したオープンソースの画像生成モデルです。パラメータ数は約160億、MITライセンスでリリースされ、自己回帰と拡散を組み合わせたハイブリッド構成に、テキスト描画専用のGlyph Encoderを搭載しています。画像の中に中国語や英語の文字を自然に入れるのが得意です。これらが、実際に検証できるGLM-Imageのスペックです。本ページではこの範囲に絞って解説します。根拠のない数字で埋め尽くされたスペック記事は、記事がないよりむしろ有害だからです。

他の「GLM-Imageスペック」ページで、正確な学習トークン数、RTX 4090での処理時間、バージョン履歴などが記載されているのを見かけたら、疑ってかかった方がよいでしょう。そうした詳細のほとんどは、検証可能な形では公開されていません。ここでは、分かっていること、各スペックが実務上何を意味するか、そして足りない情報を自分で埋める方法を整理します。

GLM-Imageとは？

GLM-Imageは、GLMモデルファミリーを手がけるZ.aiが開発した、テキストから画像、および画像から画像への生成モデルです。寛容なMITライセンスのもとオープンウェイトとして公開されており、この性能クラスのモデルとしては異例です。トップクラスの画像生成モデルのほとんどはクローズドで、有料API経由でしか利用できません。

最大の強みは、生成画像の中に中国語と英語のテキストを正確に描き込めることです。ポスター、商品ラベル、メニュー、看板など、文字が正しく綴られていなければ意味がない場面を想像してみてください。視覚的テキスト生成のベンチマークであるCVTG-2Kでは、テキスト描画精度91.16%を記録しています。この数字、アーキテクチャ、そしてライセンスこそが、GLM-Imageを興味深いものにしている核心です。

使い方は2通りあります。glmimage.appのようなホスト型Webアプリを使う方法（1日あたりの無料生成回数には上限があります）と、MITライセンスのウェイトをダウンロードして自分のGPUで動かす方法です。どちらの方法についても、詳しくは後述します。

GLM-Imageの検証済み仕様を一目で

この表は意図的に短くしています。これは、このサイトが一次ソースから確認できたことのすべてです。この表にないもの——正確なステージサイズ、トレーニングデータの構成、レイテンシテーブル、Dockerイメージ、CLIフラグ——は公開されていないか未確認であり、それを創作すると、このエンジニア向けのページが役に立たなくなります。

各スペックが実際に意味すること

~16B パラメータ。 これにより、GLM-Image はオープン画像モデルのヘビー級クラスに入ります。パラメータ数は品質の指標そのものではありませんが、2つの実践的な意味があります：モデルはタイポグラフィのような細かい作業に十分な容量を持ち、かなりのVRAMを必要とするということです。ハードウェアを選択したりホスティングコストを比較したりする場合、16B は計画する数字です。

AR + diffusion hybrid。 GLM-Image は生成を、セマンティックプランニングを扱う自己回帰ステージと画像をレンダリングする拡散ステージに分割します。短いバージョン：自己回帰モデルは言語とシーケンスに強く、拡散モデルはテクスチャと連続的な詳細に強いです。これらを組み合わせるのが、GLM-Image が文字を正しく描画できるアーキテクチャ上の理由です。詳細は GLM-Image architecture: how the hybrid works で説明しています。

Glyph Encoder。 これはテキストレンダリングに特化したコンポーネントで、文字の視覚的な形状にモデルを条件付けることで、テキストを単なる視覚パターンとして扱わず、視覚的な形状に基づいてモデルを調整します。これはCVTG-2Kの結果と最も直接的に関連する部分であり、バイリンガルのポスターが読みやすくなる理由です。

MIT license。 ウェイトをダウンロードし、商用で実行し、ファインチューニングして、それらの上に製品を出荷することができます。ライセンス交渉なしで。他の非商用または使用制限のあるライセンスのモデルと比較してください。「オープン」には細かい注記が付いています。企業にとっては、これはリスト上の最も影響力のあるスペックの1つと言えるでしょう。

~12GB VRAM。 ローカルデプロイメントでは、現実的に12GB以上のビデオメモリを持つGPUを求めます。これは現在の主流の中級および上位のカードでは到達可能ですが、薄型ラップトップや古いエントリーレベルのGPUには届きません。コミュニティの正確なメモリ使用報告は解像度や推論最適化によって異なりますので、12GBを計画の下限として扱い、約束とは見なさないでください。

GLM-Imageは実際に何ができるか？

確認された機能：テキストから画像生成、画像から画像生成、および中国語と英語の短いテキストの信頼性の高いレンダリングです。この最後の項目は珍しいため強調に値します。ほとんどのオープンソースモデルは英語のテキストを当たり外れがあり、中国語のテキストは使用不可で、2段階のワークフロー（アートを生成し、デザイン ツールでテキストを追加）を強制します。GLM-Imageはテキストが短い場合（見出し、製品名、価格、スローガンなど）に、そのワークフローを1回の生成で完了させます。

正直な制限：長い段落のテキスト、非常に小さな文字、3つ以上の言語を1つの画像に含めることは、すべての画像モデル（特にGLM-Image）にとって難しいです。テキストが長くなるにつれてリトライを覚悟してください。また、モデルが大きいため、特定のGPUでの1画像あたりの生成は、より軽い拡散モデルが提供するものより遅いです。これはテキスト機能のためのトレードオフです。

テキストが重い画像向けのプロンプト作成のガイダンスについては、効果的なAIプロンプトの書き方 を参照してください。

これらのスペックは、他のオープンモデルと比べてどうなのか？

数字をでっち上げることなく、現状の勢力図はこうなっている。Stable Diffusion 1.5とSDXLはエコシステム勝負だ。より小さく、高速で、膨大なファインチューンとツールのライブラリに支えられているが、画像内テキスト、とくに中国語は苦手である。Black Forest LabsのFLUX.1はフォトリアリズムとプロンプト忠実度で競合する。ライセンスはバリアントによって異なり、schnellバリアントはApache 2.0、devバリアントは非商用ライセンスなので、商用利用の前にモデルカードを読んでほしい。

GLM-Imageのニッチは異なる。言葉が重要なときに選ぶオープンモデルだ。画像にテキストが含まれないなら、より軽量で成熟したエコシステムのほうが向いているかもしれない。ポスター、パッケージ、メニュー、バイリンガルのマーケティングクリエイティブなら、Glyph EncoderとCVTG-2Kの結果が差別化要因になる。この分野をより広く知りたい方は、オープンソースAI画像生成：正直なガイドを参照してほしい。

GLM-ImageをGPU購入せずに使う方法

上記のスペックは、ローカルで自己ホスティングしている人にとって最も重要です。それ以外の人は、ハードウェアの質問を完全にスキップできます：glmimage.appはブラウザ上でGLM-Imageを実行しており、毎日一定数の無料生成と3つの有料ティアがあります。Basicは月額$9.90で500クレジット、Proは月額$29.90で2,000、Maxは月額$79.90で6,000です。1回の生成は10クレジットで、ティアごとに月約50、200、または600枚の画像となり、それぞれ約$0.20、$0.15、$0.13/枚です。詳細は料金ページをご覧ください。

自己ホスティングしたい場合は、ブログ記事などで見つけたサードパーティのスクリプトではなく、モデルの公開されたウェイトとモデルカードから始めてください — 古いこのサイトの記事にあったコマンドラインの例もファクトチェックを生き残れなかったものです。このGLM-Imageのローカルモデル実行に関する仕様記事は、ハードウェアの側面をより深くカバーしています。

よくある質問

GLM-Imageは無料でオープンソースですか？
モデルウェイトはMITライセンスでリリースされているため、ハードウェアがあれば（商用利用も含めて）無料で使用できます。glmimage.app上のホストされたウェブアプリは別サービスで、無料の毎日許容量と有料サブスクリプションチアがあります。

GLM-Imageをローカルで実行するために必要なGPUは？
大体12GB以上のVRAMを持つGPUを計画してください。メモリ使用量は解像度や最適化によって異なりますので、特定のハードウェア向けの現在のコミュニティのデプロイメントノートを確認してください。

GLM-Imageのベンチマークスコアは？
検証された数字はCVTG-2Kでテキストレンダリング精度91.16%です。これは全体的な画像品質スコアではなく、テキストレンダリングがモデルの差別化要因であるため、このモデルに適しています。

GLM-Imageはimage-to-imageをサポートしていますか？
はい。text-to-imageとimage-to-imageの両方がサポートされており、最初からやり直すのではなく、構成を繰り返し調整できるようにしています。

スペックがどうなるか見てみましょうか？ Generate an image with GLM-Image → — 短いバイリンガルの見出しを含むプロンプトを試してみて、タイポグラフィを確認してみてください。