GLM-Imageとは？
GLM-Imageは、中国のAI企業Z.ai（Zhipu AI）が開発したオープンソースの画像生成モデルだ。16B（160億）パラメータ規模で、ハイブリッドな自己回帰（AR）と拡散（Diffusion）モデルのアーキテクチャを組み合わせている。2026年1月14日に正式リリースされ、HuggingFaceのTransformersライブラリ経由ですぐに使えるようになった。
最大の特徴は、中国語と英語のテキスト描写に強みを持つ点だ。
アーキテクチャ：自己回帰生成器と拡散デコーダーのハイブリッド構造
9B自己回帰生成器は、GLM-4-9Bをベースとしており、画像の大域的な構造と意味情報を生成する。続く7B DiT拡散デコーダーが、その情報をもとに最終的な画像を描き出す。
注目すべきはGlyph Encoderの搭載だ。このコンポーネントが文字レベルの理解を補助することで、テキスト embeddingの精度が飛躍的に向上している。メニューや技術書籍、展示ポスターなど、文字が重要な画像生成において、大きな差を生む。
テキスト精度の検証
CVTG-2Kベンチマーク（英語テキスト）では、91.16%の語精度を達成。オープンソースモデルの中で最高水準の結果だ。
LongText-Benchの結果：
| 言語 | 精度 |
|---|---|
| 中国語 | 97.88% |
| 英語 | 95.24% |
どちらもオープンソース中最良のスコアであり、文字情報の多い画像生成で真価を発揮する。
得意とする用途：
- ポスター・フライヤー：テキストとビジュアルの整合性が高く、レイアウト崩れが少ない
- メニュー・価格表：多言語対応が必要な飲食店で有用
- 教育資料：図表と説明文の同時生成に適切
T2I+I2I対応
GLM-Imageは、Text-to-Image（T2I）とImage-to-Image（I2I）の両モードをサポートしている。この2モード対応により、画像生成ワークフローの幅が大きく広がる。
Nano Banana Proとの比較
| 評価項目 | GLM-Image | Nano Banana Pro |
|---|---|---|
| テキスト精度（英） | 91.16% | 较低 |
| テキスト精度（中） | 97.88% | 较低 |
| 美学・画質 | 中程度 | 高い |
| プロンプト従属性 | 中程度 | 高い |
GLM-Imageはテキスト精度では明確に優位にある一方、美学やプロンプト解釈の正確さではNano Banana Proに劣る点がある。用途に応じた選択が必要となる。
APIコスト
約**$0.015/画像**のコストで画像生成が行える。個人開発者から企業用途まで、費用対効果の高い選択肢。
よくある質問
Q: GLM-Imageは商用利用可能ですか？
A: オープンソースライセンスの範囲内で商用利用 가능합니다。具体的なライセンス条件はHuggingFaceモデルページで確認してください。
Q: Nano Banana Proとの使い分けを教えてください
A: テキスト精度が重要（メニュー·ポスター·教育資料など）→ GLM-Image。画質·美しさ·プロンプト解釈の正確さ重視 → Nano Banana Pro。
Q: どこでAPIを利用できますか？
A: glmimage.appのAPIページからGLM-Imageを含む画像生成APIを利用できます。
