智谱联合华为开源首个国产芯片训练的多模态 SOTA 模型

智谱宣布联合华为开源新一代图像生成模型 GLM-Image，模型基于昇腾 Atlas 800T A2 设备和昇思 MindSpore AI 框架完成从数据到训练的全流程，是首个在国产芯片上完成全程训练的 SOTA 多模态模型。

根据介绍，GLM-Image 采用自主创新的「自回归 + 扩散解码器」混合架构，实现了图像生成与语言模型的联合，是我们面向以 Nano Banana Pro 为代表的新一代「认知型生成」技术范式的一次重要探索。

核心亮点如下：

• 架构革新，面向「认知型生成」的技术探索：采用创新的「自回归 + 扩散编码器」混合架构，兼顾全局指令理解与局部细节刻画，克服了海报、PPT、科普图等知识密集型场景生成难题，向探索以 Nano Banana Pro 为代表的新一代 “知识 + 推理” 的认知型生成模型迈出了重要一步。

• 首个在国产芯片完成全程训练的 SOTA 模型：模型自回归结构基座基于昇腾 Atlas 800T A2 设备与昇思 MindSpore AI 框架，完成了从数据预处理到大规模训练的全流程构建，验证了在国产全栈算力底座上训练前沿模型的可行性。

• 文字渲染开源 SOTA：在 CVTG-2K（复杂视觉文本生成）和 LongText-Bench（长文本渲染）榜单获得开源第一，尤其擅长汉字生成任务。

• 高性价比与速度优化：API 调用模式下，生成一张图片仅需 0.1 元，速度优化版本即将更新。

评测结果显示，GLM-Image 在文字渲染的权威榜单中达到开源 SOTA 水平。

• CVTG-2K（复杂视觉文字生成）榜单核心考察模型在图像中同时生成多处文字的准确性。在多区域文字生成准确率上，GLM-Image 凭借 0.9116 的 Word Accuracy（文字准确率）成绩，位列开源模型第一。在 NED（归一化编辑距离）指标上，GLM-Image 同样以 0.9557 领先，表明其生成的文字与目标文字高度一致，错字、漏字情况更少。

• LongText-Bench（长文本渲染）榜单考察模型渲染长文本、多行文字的准确性，覆盖招牌、海报、PPT、对话框等 8 种文字密集场景，并分设中英双语测试，GLM-Image 以英文 0.952、中文 0.979 的成绩位列开源模型第一。