Guia GLM-Image do Básico ao Avançado

O que é o GLM-Image?

GLM-Image é um modelo text-to-image e image-to-image da Zhipu AI, lançado sob a licença MIT. Com 16 bilhões de parâmetros e uma arquitetura híbrida que combina o método autorregressivo (AR) com difusão, o modelo oferece um equilíbrio entre velocidade de geração e qualidade visual superior.

Do ponto de vista das capacidades técnicas, o GLM-Image apresenta números sólidos em diversos benchmarks. No CVTG-2K, a precisão de renderização de texto chega a 91,16% — ou seja, o modelo consegue incorporar texto nas imagens com um alto índice de sucesso. Na compreensão de textos longos, o LongText-Bench registrou 97,88% em texto em mandarim e 95,24% em texto em inglês. Esses dois números colocam o GLM-Image entre os modelos de código aberto mais fortes para casos de uso que envolvem texto em imagens.

Além disso, o modelo oferece suporte tanto a fluxos de trabalho T2I (text-to-image) quanto I2I (image-to-image), o que o torna adequado para uma ampla gama de usos — do concept art à reestilização de fotos. O custo da API fica em torno de US$ 0,015 por imagem, um valor acessível para uso em escala de produção.

Como Usar o GLM-Image: Guia Passo a Passo

A seguir, um tutorial completo para começar a usar o GLM-Image, desde a configuração inicial até gerar sua primeira imagem.

1. Preparação Inicial

Antes de começar, certifique-se de que você já possui:

API key do dashboard da Zhipu AI (cadastre uma conta na plataforma oficial da Zhipu AI caso ainda não tenha).
Dispositivo com acesso à internet — o GLM-Image pode ser acessado via API REST, portanto não é necessário GPU local.
Ferramenta para enviar requisições — você pode usar curl, Python (requests) ou Postman.

Se preferir uma interface visual sem programação, acesse diretamente a página Text-to-Image GLM-Image. Para exemplos de prompts que já se mostraram eficazes, confira a coleção de casos de uso nessa página.

2. Text-to-Image: Do Prompt à Imagem

O workflow T2I é a forma mais direta de criar imagens a partir de uma descrição em texto.

Exemplo de request via curl:

curl https://api.zhipuai.cn/v2/image/generate \
  -H "Authorization: Bearer YOUR_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "glm-image-16b",
    "prompt": "Seekor kucing putih di atas batu hitam,sinematik,golden hour",
    "num_images": 1,
    "aspect_ratio": "1:1"
  }'

Parâmetros importantes:

prompt — a descrição visual que você deseja gerar. Quanto mais específica, melhor o resultado.
aspect_ratio — defina a proporção: 1:1 (quadrado), 16:9 (paisagem), 9:16 (retrato).
num_images — quantidade de imagens a serem geradas em uma única request.

Dicas para um prompt eficaz:

Mencione o assunto principal com clareza ("um gato", "um prédio em Tóquio", "um engenheiro").
Adicione o estilo artístico, se necessário ("oil painting", "watercolor", "cyberpunk illustration").
Inclua detalhes de atmosfera ou iluminação ("golden hour", "neon night", "moody fog").

A resposta da API vem em JSON e contém a URL da imagem gerada. Baixe e use conforme a sua necessidade.

3. Image-to-Image: Alterar Imagem Existente

O workflow I2I permite que você tome uma imagem de referência e gere variações ou transformações a partir dela.

Exemplo de uso:

curl https://api.zhipuai.cn/v2/image/edit \
  -H "Authorization: Bearer YOUR_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "glm-image-16b",
    "image": "https://example.com/input-photo.jpg",
    "prompt": "Transformasi jadi lukisan cat air, gaya artistik klasik",
    "strength": 0.7
  }'

Parâmetros adicionais:

image — URL da imagem de entrada que será transformada.
strength — o quanto a mudança será aplicada (0,0 = idêntico, 1,0 = totalmente novo). Valores entre 0,5–0,8 geralmente fornecem um equilíbrio entre a referência e a criatividade.

Quando usar I2I:

Reestilização de fotos de produtos para o catálogo.
Transformar esboços em ilustrações finais.
Dar variações a imagens já existentes.

4. Usando a API via Python

Para uma integração mais prática em aplicações ou pipelines, use Python:

import requests

response = requests.post(
    "https://api.zhipu.cn/v2/image/generate",
    headers={"Authorization": f"Bearer {API_KEY}"},
    json={
        "model": "glm-image-16b",
        "prompt": "Ilustrasi научная экспериментальная установка, diagram teknis, garis halus",
        "num_images": 1,
        "aspect_ratio": "16:9"
    }
)

data = response.json()
image_url = data["data"][0]["url"]
print(f"Gambar berhasil dibuat: {image_url}")

Estimativa de custo por imagem em torno de $0,015 — barato para uma geração, bastante acessível para processamento em lote de projetos de grande escala.

Dicas de Nível Avançado

Depois de compreender os fundamentos, algumas dicas a seguir podem melhorar significativamente os resultados das suas gerações.

1. Engenharia de Prompt Mais Avançada

A qualidade do resultado depende muito de como você estrutura o prompt. Aqui estão alguns padrões comprovadamente eficazes:

Cadeia de pensamentos visual: descreva a sequência de cenas ou elementos com clareza. Exemplo: "一只猫坐在窗台上,外面下雨,光线昏暗,电影感" (um gato sentado no parapeito da janela, chovendo lá fora, luz fraca, cinematográfico) gera resultados visuais muito mais ricos do que simplesmente "gato na janela".
Estilo artístico específico: mencione o nome do movimento ou do meio explicitamente — "impressionist painting", "ukiyo-e print", "pixel art", "3D render".
Prompting negativo: algumas plataformas suportam a exclusão de elementos. Use isso para evitar atributos indesejados (por exemplo, "sem texto, sem marca d'água").

2. Aproveite a Capacidade de Renderização de Texto

O principal ponto forte do GLM-Image em comparação com muitos outros modelos de código aberto é a sua capacidade de renderização de texto, que atinge 91,16% no CVTG-2K. Aproveite isso para:

Pôsteres e designs visuais com texto: Crie designs de pôsteres com texto multilíngue preciso.
Mockup de UI: Incorpore o texto da interface diretamente no mockup da imagem.
Infográficos visuais: Combine dados visuais com rótulos de texto precisos.

3. Use o Benchmark para Casos Multilíngues

Se o seu projeto envolve texto multilíngue, o LongText-Bench demonstra um desempenho excelente — 97,88% para mandarim e 95,24% para inglês. Isso significa:

Prompts em mandarim ou inglês geram uma renderização de texto mais precisa.
Para projetos com texto misto (por exemplo, rótulos de produtos para o mercado asiático), o GLM-Image lida com a renderização de idiomas mistos melhor do que muitos de seus concorrentes.

4. Fluxo de Trabalho em Lote para Projetos Grandes

Para gerar centenas de imagens (por exemplo, variações de produtos para e-commerce ou ilustrações para artigos):

Monte um CSV com a lista de prompts.
Execute um loop de gerações via script Python com rate limiting razoável.
Salve os resultados no armazenamento em nuvem.
Revise e filtre o output antes de utilizá-lo.

5. Combinação T2I + I2I

Para obter os resultados mais controlados, use ambos os workflows em sequência:

Gere a imagem base com T2I usando o prompt já refinado.
Use o I2I para fazer o ajuste fino de partes específicas da imagem — altere o fundo, adicione detalhes ou mude o estilo.

Essa abordagem em duas etapas oferece um controle mais granular do que qualquer um dos workflows isoladamente.

Comparação do GLM-Image com Outros Modelos

A seguir, uma comparação do GLM-Image com alguns modelos text-to-image populares no mercado:

Aspecto	GLM-Image	Stable Diffusion	DALL-E 3	Midjourney
Parâmetros	16B	~1B–8B (varia)	Não divulgado	Não divulgado
Arquitetura	Hybrid AR + Diffusion	Diffusion puro	Diffusion + CLIP	Diffusion
Renderização de texto	CVTG-2K: 91,16%	Varia, frequentemente fraca	Boa	Razoável
LongText-Bench (EN)	95,24%	Inconsistente	Alto	Razoável
Text-to-Image	Sim	Sim	Sim	Sim
Image-to-Image	Sim	Sim (via img2img)	Limitado	Sim (via vary)
Preço da API	~$0,015/imagem	Pode ser self-hosted (custo de GPU)	Mais caro	Assinatura
Licença	MIT (open-source)	CreativeML Open RAIL	proprietário	proprietário
Idiomas não-EN	Mandarim 97,88%, EN 95,24%	Varia	Bom	Razoável

Pela tabela acima, o GLM-Image oferece uma proposta de valor única: um modelo open-source com alto desempenho em benchmarks, licença MIT permissiva para uso comercial e preço de API competitivo.

Perguntas Frequentes

O GLM-Image suporta o indonésio?

O GLM-Image foi treinado em um conjunto de dados multilíngue, incluindo o indonésio. Para obter os melhores resultados na renderização de texto, use prompts em inglês ou mandarim — os dois idiomas que possuem benchmarks oficiais registrados. No entanto, para descrições visuais gerais, o indonésio já pode ser usado.

Posso usar o GLM-Image para fins comerciais?

Sim. O GLM-Image é lançado sob a licença MIT, o que significa que você é livre para usar, modificar e vender produtos derivados — inclusive para fins comerciais. Não há royalties nem restrições de uso em projetos comerciais, produtos SaaS ou serviços pagos, desde que você cumpra os termos de atribuição da licença MIT.

Quanto tempo leva para gerar uma imagem?

O tempo de geração varia de acordo com a complexidade do prompt e a carga do servidor. Em geral, leva de alguns segundos até cerca de um minuto para gerar uma única imagem via API.

Os resultados da geração podem ser diferentes a cada vez?

Sim. O processo de difusão é estocástico — mesmo com o mesmo prompt, o resultado de cada geração será ligeiramente diferente. Isso é, na verdade, um recurso útil para explorar variações visuais. Se você precisar de resultados consistentes, varie o parâmetro seed se estiver disponível, ou gere várias imagens e escolha a melhor.

Preciso de uma GPU própria para executar o GLM-Image?

Não, se você usar a API oficial da Zhipu AI. O modelo roda na infraestrutura de servidores da Zhipu, então você só precisa de acesso à internet e de uma chave de API. Para self-hosting (executar o modelo em sua própria infraestrutura), você precisará de uma GPU com VRAM suficiente — geralmente no mínimo 16 GB para inferência do modelo 16B.

Experimente Agora

O GLM-Image é uma escolha sólida se você procura um modelo de text-to-image e image-to-image poderoso, flexível e adequado para uso comercial, sem restrições rígidas de licença. Com 16B parâmetros, arquitetura híbrida AR+diffusion e benchmarks consistentes em renderização de texto e compreensão de textos longos, o modelo merece ser considerado para os mais diversos casos de uso — do design de conteúdo e da reestilização de fotos a pipelines generativos em larga escala.

Gere sua primeira imagem agora mesmo na página Text-to-Image do GLM-Image.

Não é preciso saber programar se você ainda não estiver pronto — acesse a página, insira um prompt e veja o resultado em questão de segundos. Exemplos de casos de uso já comprovados estão disponíveis na mesma página.

Para uma estimativa de custos mais detalhada, confira a página de preços.