Guia Completo de Uso do GLM-Image: Da Texto à Geração de Imagens
GLM-Image é um modelo de geração de imagens multimodal com 16B de parâmetros desenvolvido pela Zhipu AI. Ele adota uma arquitetura híbrida autoregressiva (AR) e de difusão (diffusion), suportando tanto a geração de imagens a partir de texto (T2I) quanto a geração de imagens a partir de imagens (I2I) em um único sistema. Disponível para uso comercial sob a licença MIT, com um custo de API de cerca de 0.015 dólares por imagem, com uma configuração de preço acessível. Antes de começar a usá-lo de forma séria, vamos verificar o mecanismo básico e o primeiro passo prático.
O que é T2I (geração de imagens a partir de texto)
T2I é uma técnica que converte em imagem o conteúdo descrito em texto. Ao inserir um prompt em linguagem natural, como "um carro esportivo vermelho correndo pelas ruas de Tóquio ao entardecer", o modelo retrata essa cena.
O desempenho T2I do GLM-Image também é comprovado por métricas. No benchmark CVTG-2K, que avalia a precisão da renderização de texto, o modelo alcançou 91,16%; no LongText-Bench, que mede a compreensão de textos longos, obteve 97,88% em chinês e 95,24% em inglês. O modelo também lida com descrições longas em japonês e reproduz com razoável fidelidade não apenas a apresentação simples de objetos, mas também indicações de composição e atmosfera.
Para quais cenas é adequado
- Criação de thumbnails e visuais para blogs e redes sociais
- Prototipagem de ideias de produtos
- Materiais ilustrativos para apresentações
- Esboços rápidos de imagens de cenas de histórias
O que é I2I (geração de imagem a partir de imagem)
I2I é um método que recebe uma imagem existente como entrada e gera uma nova imagem com alterações de estilo ou de conteúdo detalhado. Em contraste com o T2I, que cria a partir de uma tela em branco, o I2I permite mudar a direção aproveitando as características da imagem de base.
O I2I do GLM-Image atende a uma ampla variedade de intenções de edição, como “conversão de estilo”, “alteração parcial” e “substituição de fundo”. Por exemplo, é possível inserir um esboço de wireframe desenhado à mão e obter uma imagem realista de produto, ou substituir apenas o fundo de uma foto por uma paisagem gerada por IA.
Organização de T2I e I2I
| Item | T2I | I2I |
|---|---|---|
| Entrada | Apenas prompt de texto | Imagem de referência + prompt de texto |
| Principais usos | Criação a partir do zero | Conversão de estilo, edição parcial |
| Adequação a benchmarks | LongText-Bench, CVTG-2K | Avaliação da fidelidade à imagem de referência |
Passo a passo: o fluxo real de criação de imagens
Passo 1: Preparação do endpoint da API
O GLM-Image é utilizado via API. O modelo correspondente é disponibilizado sob a licença MIT, e você pode escolher entre implantá-lo no seu próprio ambiente de servidor ou chamar diretamente a API em nuvem da Zhipu AI. Caso utilize a API em nuvem, será possível enviar requisições após a emissão da chave de API.
Etapa 2: Design de Prompts
A qualidade da geração de imagens depende do prompt. Os pontos comuns de um bom prompt são três.
Ser específico. Em vez de "animal fofo", "close-up de um filhote de gato subindo numa árvore, fundo desfocado de um jardim". Quanto mais especificarmos objetos, composição, ângulo, atmosfera, mais estável será o resultado.
Explicitar o estilo. Adicionar apenas uma expressão como "estilo aquarela", "fotorealista", "estilo de jogo Invader" etc., muda a impressão de saída de forma muito grande.
Dar restrições com prompts negativos. Listar os elementos indesejados (texto quebrado, rostos feios, distorção de perspectiva etc.) no prompt negativo reduz a frequência de defeitos específicos.
Etapa 3: Envio da Requisição da API
No caso T2I, a estrutura básica da solicitação é a seguinte.
{
"model": "glm-image-v2",
"prompt": "深夜の東京、ネオンが雨に反射する交差点、歩きスマホの女性",
"num_inference_steps": 25,
"guidance_scale": 7.5,
"width": 1024,
"height": 1024
}
No caso I2I, passe o URL da imagem base ou a codificação base64 no campo image. Aumentar o número de passos (num_inference_steps) aumenta o detalhe, mas também o tempo de processamento. Os 25 passos padrão são um bom ponto de partida para equilibrar qualidade e velocidade.
Passo 4: Confirmação e Comparação da Saída
Mesmo com o mesmo prompt, ao alterar o valor da semente (ponto de partida aleatório), um resultado diferente é gerado. Gerar várias versões e escolher a mais próxima da visão desejada é o fluxo prático. Se não estiver satisfeito, altere o número de passos, o valor do CFG, o sampler e tente gerar novamente.
Dicas práticas para o design de prompts
Prompts longos não são de temer
A capacidade de compreensão de textos longos do GLM-Image, demonstrada no LongText-Bench, se traduz diretamente no uso prático. Não se limite a uma simples “foto de um cachorro”: mergulhe até “um golden retriever perseguindo uma bola numa praia ao entardecer, com respingos de água, fotografado com 70mm, pouca profundidade de campo”.
Considerações específicas do japonês
O japonês possui maior liberdade na ordem das palavras do que o inglês, o que pode dificultar a compreensão da intenção pelo modelo. Organizar o máximo possível na sequência «objeto + estado + fundo + ângulo de câmera + técnica» ajuda a estabilizar os resultados. Além disso, uma grafia consistente que mistura kanji e hiragana é transmitida de forma mais precisa ao modelo.
Usar ângulos de enquadramento e termos fotográficos
Incluir no prompt termos de cinema e fotografia como 「Wide angle shot」「close-up portrait」「birds-eye view」「dutch angle」「soft diffused lighting」「golden hour lighting」 melhora significativamente a composição e a qualidade da iluminação.
Quando for necessário inserir texto
A renderização de texto é um dos pontos fortes do GLM-Image, mas há casos em que o resultado não corresponde completamente ao esperado. Embora a pontuação de 91,16% no CVTG-2K represente um patamar elevado no setor, a reprodução fiel de fontes extremamente pequenas e de tipografias complexas continua sendo um desafio. Recomendamos sobrepor o texto importante com ferramentas gráficas após a geração.
Comparação com outros modelos de geração de imagens
| Item | GLM-Image | DALL·E 3 | Stable Diffusion XL | Midjourney v6 |
|---|---|---|---|---|
| Número de parâmetros | 16B | Não divulgado | 6.6B | Não divulgado |
| Arquitetura | AR+Diffusion Hybrid | Diffusion | Diffusion | Diffusion |
| Benchmark T2I | LongText-Bench CN 97.88% | Alta pontuação no VQAScore | CLIP ViT-L | Principalmente avaliação subjetiva |
| Renderização de texto | CVTG-2K 91.16% | Excelente | Moderada | Baixa |
| Suporte a I2I | ○ | △ (função de remix) | ○ | ○ |
| Licença | MIT | Proprietária | CreativeML Open RAIL | Proprietária |
| Custo da API | Cerca de US$ 0,015/imagem | A partir de US$ 0,04/imagem | Auto-hospedagem | A partir de US$ 10/mês |
| Uso comercial | ○ | ○ (requer contrato de API) | ○ (com condições RAIL) | ○ (plano pago) |
A possibilidade de auto-hospedagem sob licença MIT oferece uma flexibilidade próxima à da família Stable Diffusion e, ao mesmo tempo, como modelo híbrido de 16B de parâmetros, diferencia-se claramente em dois aspectos: renderização de texto e compreensão de textos longos. Outra vantagem comprovada na prática é o modelo de cobrança por uso, em vez de uma mensalidade fixa como no DALL·E 3 ou no Midjourney.
FAQ: Perguntas Frequentes
Q: GLMImage pode ser usado gratuitamente?
Como os pesos do modelo estão disponíveis publicamente sob a licença MIT, você pode usá-lo sem custos de chamada de API, desde que configure seu próprio servidor. No entanto, a execução do modelo de 16B exige um GPU com pelo menos cerca de 32 GB de VRAM (FP16). Se você usar a API em nuvem, será cobrado pelo uso.
Q: É possível o uso comercial de imagens geradas?
De acordo com a licença MIT, você pode usá-la livremente, incluindo o uso comercial. No entanto, é necessário verificar separadamente as regulamentações legais de cada país sobre o uso comercial de IA generativa (EU AI Act, leis de direitos autorais em vários países, etc.).
Q: Funciona com prompts em outros idiomas além do japonês?
O desempenho é garantido como o mais alto em chinês e inglês. Os números LongText-Bench CN 97.88%·EN 95.24% são os resultados de avaliação para prompts de texto longo em cada idioma. Funciona também em outros idiomas, mas atualmente está mais otimizado para prompts de texto longo em japonês.
Q: Como alterar apenas o estilo, mantendo a imagem original similar na geração de imagem a partir de imagem (I2I)?
Na solicitação I2I, especifique explicitamente o estilo alvo usando prompt e ajuste image_strength ou guidance_scale. Reduzir os valores ajuda a preservar a entrada de forma mais fiel, enquanto aumentar os valores torna a transformação de estilo mais pronunciada. Comece com valores próximos aos padrões e faça ajustes finos observando o resultado.
Q: Como lidar quando os caracteres se desfazem na renderização de texto?
A distorção de caracteres ocorre principalmente em casos de tamanho de fonte pequeno, tipografia complexa e entorno e composição confusos.
Como medida, adicione modificadores ao prompt como 「clear English text」「large bold text」「simple sans-serif font」、guidance_scale definido mais alto、`sobreponha o texto com outra ferramenta após a geração, essa abordagem em três etapas é eficaz.
Q: A API possui limites de requisição ou restrições de velocidade?
Ao utilizar a API na nuvem, há limites na frequência de requisições e no número de conexões simultâneas, de acordo com o nível da conta. Caso pretenda processar grandes volumes em ambiente de produção, é necessário combinar o design de rate limit com o processamento em lote das requisições (batch API).
Próximos passos: experimente
O verdadeiro poder do GLM-Image fica claro quando você coloca a mão na massa e experimenta. Abra a interface de geração de imagens a partir de texto pelo link abaixo e teste imediatamente as técnicas de prompt explicadas neste artigo.
Gerar imagens a partir de texto com GLM-Image →
Se gostar das imagens geradas, publique-as na galeria. As obras que receberem Blueprint da comunidade serão expostas ao olhar crítico dos próximos leitores e também contribuirão para o aprimoramento do modelo.
Se quiser conferir os detalhes dos planos de preços e da cota da API, acesse também a página /pricing.
