GLM-Image 全面解析与本地部署完全指南：国产开源AI画图神器，让中文文字渲染不再是噩梦

莫潇羽@源码七号站 | 本文首发于源码七号站，转载请注明出处：源码七号站 (www.fuyuan7.com)

前言

做过AI绘图的朋友一定都有过这样的崩溃时刻：用英文提示词画得好好的，一换成中文，AI就开始「指鹿为马」；想让AI帮忙生成一张活动海报，画面确实挺美，但上面的中文字却成了一堆乱码「鬼画符」。

这个痛点一直困扰着无数创作者、设计师和运营人员。毕竟Midjourney、DALL-E、Flux这些国外的画图模型，对中文的支持实在是一言难尽——要么完全无法正确渲染汉字，要么需要先把中文翻译成英文才能理解语义，导致很多成语、典故、中国特色的描述在翻译过程中全部丢失。

但现在，这一切终于要改变了。

智谱AI联合华为正式开源了新一代图像生成模型 GLM-Image，这不仅是一个能画图的模型，更是一个真正「懂中文」「会写字」的AI画师。它是首个在国产芯片上完成全流程训练的SOTA多模态模型，在中文语义理解和文字渲染方面实现了重大突破。

本文（莫潇羽@源码七号站）将从技术原理到实际部署，带你全面了解这个「最懂中文」的开源画图神器。无论你是AI小白还是技术老鸟，都能在这篇文章中找到你需要的内容。

第一章 GLM-Image 是什么？为什么它如此重要？

1.1 一个里程碑式的开源项目

GLM-Image 是由智谱AI团队发布的新一代视觉生成模型，基于GLM大模型生态打造。如果说之前的国产AI绘图模型只是「会画画」，那么GLM-Image则是真正做到了「会画画、能写字、懂中文」三位一体。

根据官方发布的数据，GLM-Image在开源后不到24小时就冲上了Hugging Face榜单的全球第一。这个成绩背后，是模型在核心技术上的多项突破。

1.2 三大核心技术亮点

莫潇羽@源码七号站 为大家梳理了GLM-Image的三大核心技术亮点：

亮点一：创新的混合架构设计

GLM-Image采用了「自回归+扩散解码器」的混合架构，这是一个非常巧妙的设计。

传统的扩散模型（如Stable Diffusion）虽然生成效果好，但在理解复杂指令和渲染文字方面存在天然短板。而纯自回归模型虽然语义理解能力强，但在生成高清细节方面又有所欠缺。

GLM-Image创造性地将两者融合：

• 自回归生成器：采用9B参数规模，基于GLM-4-9B初始化，负责理解用户指令、规划全局构图、确保语义一致性
• 扩散解码器：采用7B参数的DiT（Diffusion Transformer）架构，专注于还原图像高频细节和文字笔画

这种设计让模型既能「读懂」你想要什么，又能「画好」每一个细节。

亮点二：碾压级的双语文字渲染能力

这是GLM-Image最让人惊喜的地方。

众所周知，Flux画英文还凑合，写中文简直是灾难。但GLM-Image在训练时就特别强化了字符渲染能力，无论是复杂的英文单词还是笔画繁多的汉字，都能精准地写在画面里。

在权威的CVTG-2K（复杂视觉文字生成）榜单上，GLM-Image以0.9116的文字准确率（Word Accuracy）和0.9557的归一化编辑距离（NED）拿下双料第一。这意味着它生成的文字与目标文字高度一致，错字、漏字的情况极少。

在LongText-Bench（长文本渲染）榜单上，无论是中文还是英文，GLM-Image都位列开源模型第一。

亮点三：原生中文语义理解

很多所谓「支持中文」的画图模型，其实是先把你输入的中文翻译成英文，再去理解和生成。这就导致了很多成语、典故在翻译过程中意思全变了。

比如你输入「车水马龙」，翻译成英文可能就变成了字面意思的「car water horse dragon」，生成出来的图自然是一塌糊涂。

GLM-Image是基于GLM-4强大的双语能力训练的，它能原汁原味地理解「车水马龙」「人山人海」「花好月圆」这些成语的真正含义，甚至能get到一些中国特有的网络梗。

1.3 首个全程国产芯片训练的SOTA模型

除了模型本身的能力，GLM-Image还有一个重大意义：它是首个在国产芯片上完成全流程训练的SOTA多模态模型。

整个训练过程基于华为昇腾Atlas 800T A2设备和昇思MindSpore AI框架完成，从数据预处理、大规模预训练到RLHF强化学习后训练，全程没有使用英伟达的GPU。

这验证了在国产全栈算力底座上训练前沿模型的可行性，为整个行业探索出了一条可复制的路径。

第二章 技术原理深度剖析

作为一个技术博客，莫潇羽@源码七号站 认为有必要带大家深入理解GLM-Image背后的技术原理。如果你只想快速上手，可以跳过本章直接看部署教程。

2.1 模型架构详解

GLM-Image的整体架构可以分为三个核心模块：

用户输入 (文本/图像)
    ↓
┌─────────────────────────────────┐
│    自回归生成器 (9B参数)         │
│    - 基于GLM-4-9B初始化         │
│    - 扩展词汇表支持视觉Token    │
│    - 生成约256个紧凑编码Token   │
│    - 再扩展到1K-4K个Token       │
└─────────────────────────────────┘
    ↓
┌─────────────────────────────────┐
│    扩散解码器 (7B参数)           │
│    - 基于DiT架构                │
│    - 单流Transformer设计        │
│    - 配备Glyph Encoder文本模块  │
│    - 专注高频细节还原           │
└─────────────────────────────────┘
    ↓
高质量图像输出 (最高2048×2048)

自回归生成器的工作原理

自回归生成器是GLM-Image的「大脑」，它的核心任务是理解用户意图并规划图像的整体结构。

当你输入一段描述时，自回归生成器会：

1. 语义解析：利用GLM-4的强大语言理解能力，准确理解你想要什么
2. 布局规划：决定图像的整体构图、元素位置、文字排列等
3. Token生成：首先生成约256个紧凑的语义Token，然后扩展到1K-4K个Token

这种「先规划后细化」的策略，确保了生成图像的逻辑一致性。

扩散解码器的工作原理

扩散解码器是GLM-Image的「画笔」，负责将自回归生成器输出的Token转换为实际的图像像素。

它采用了DiT（Diffusion Transformer）架构，相比传统的U-Net架构有以下优势：

• 更好的全局注意力机制
• 更强的细节还原能力
• 更高效的推理速度

特别值得一提的是Glyph Encoder模块。这是一个专门针对文字渲染设计的编码器，使用ByT5模型对文字区域进行字符级编码，大大提升了文字生成的准确性。

2.2 Flow Matching 生成技术

GLM-Image在扩散解码器中采用了Flow Matching技术，这是目前图像生成领域最前沿的方法之一。

什么是Flow Matching？

传统的扩散模型需要经过很多步骤才能从纯噪声生成清晰图像（通常需要1000步以上），虽然DDIM等技术有所改进，但效率仍然不够高。

Flow Matching提供了一种更高效的解决方案。简单来说，它不是学习如何「去噪」，而是学习一个「速度场」——告诉每个像素应该往哪个方向移动多少距离，才能从噪声状态转变为目标图像。

用一个形象的比喻：

• 扩散模型像是「清洗一张脏照片」，需要一点点擦掉污渍
• Flow Matching像是「GPS导航」，直接告诉你最优路线

Flow Matching的优势

1. 训练更稳定：直接监督速度场，形成简洁的均方误差目标
2. 采样更高效：可以用高阶ODE求解器，通常10-100步就能生成高质量图像
3. 路径更灵活：可以设计直线、曲线等多种路径，优化空间更大

GLM-Image结合Flow Matching和Euler离散调度器，实现了更快的推理速度。根据测试，相比Qwen-Image等同类模型，GLM-Image的推理速度有约一倍的提升。

2.3 多分辨率自适应技术

GLM-Image通过改进Tokenizer策略，实现了多分辨率自适应生成：

重要提示：所有生成的图像尺寸必须能被32整除，这是由模型的Patch Embedding机制决定的。

2.4 强化学习后训练（GRPO算法）

GLM-Image在预训练完成后，还经历了一轮强化学习后训练，采用的是GRPO（Group Relative Policy Optimization）算法。

这个阶段的优化分为两个方向：

1. 自回归模块优化：聚焦于美学质量和语义对齐，提升指令遵循和艺术表现力
2. 扩散解码器优化：聚焦于高频细节和文字笔画，提升视觉质量

这种「解耦式强化学习」策略，让每个模块都能在自己擅长的方向上得到充分优化。

2.5 语义VQ Token与VAE潜在表示的融合

GLM-Image在架构设计上还有一个关键创新：将语义VQ（Vector Quantization）Token与VAE（Variational Autoencoder）潜在表示进行融合。

什么是VQ Token？

VQ Token是一种将连续的图像特征离散化的方法。想象一下，你有一本包含256种颜色的调色板，任何颜色都可以用这256种颜色中最接近的一种来表示。VQ Token的原理类似，它将图像的语义特征映射到一个有限的「词汇表」中。

在GLM-Image中，自回归生成器首先生成语义VQ Token，这些Token包含了图像的高层语义信息（如「这是一只猫」「猫在窗台上」「阳光从右边照过来」等）。

VAE的作用

VAE负责将高清图像压缩到一个低维的潜在空间中。在这个潜在空间里进行操作，计算量会大大降低。

GLM-Image的扩散解码器在VAE的潜在空间中工作，同时参考语义VQ Token提供的高层指导，最终生成高质量的图像。

融合的优势

这种融合设计带来了几个优势：

1. 语义一致性：VQ Token确保生成的图像符合用户意图
2. 细节质量：VAE潜在空间的操作保证了高频细节的质量
3. 计算效率：分层处理比端到端处理更高效

2.6 Glyph Encoder 详解

Glyph Encoder是GLM-Image实现精准文字渲染的秘密武器，莫潇羽@源码七号站 认为这是最值得深入了解的技术点之一。

传统方法的困境

传统的图像生成模型在渲染文字时，通常是将整个提示词编码成一个整体的向量，然后让扩散模型「自己领悟」应该写什么字。

这种方法的问题在于：

• 模型不知道每个字符的具体形状
• 对于笔画复杂的汉字，容易出现缺笔少画
• 长文本渲染时错误率累积

Glyph Encoder的解决方案

Glyph Encoder采用了ByT5模型作为基础，对文字区域进行字符级编码。

具体来说：

1. 定位文字区域：首先确定图像中哪些位置需要渲染文字
2. 逐字符编码：使用ByT5对每个字符进行独立编码，得到字符级的表示
3. 位置嵌入：将字符编码与位置信息结合，告诉模型每个字符应该出现在哪里
4. 注入扩散过程：将这些信息作为额外的条件注入到扩散解码器中

为什么选择ByT5？

ByT5是一个字节级（byte-level）的T5模型，它的特点是：

• 不需要分词器，直接处理原始字节
• 对任何语言的任何字符都有良好的表示能力
• 特别适合处理中文这种字符集庞大的语言

2.7 MRoPE位置编码

GLM-Image在自回归生成器中使用了MRoPE（Multi-Dimensional Rotary Position Embedding）作为位置嵌入方案。

RoPE的基本原理

RoPE（Rotary Position Embedding）是一种相对位置编码方法，它通过对Query和Key进行旋转变换来编码位置信息。相比于传统的绝对位置编码，RoPE有更好的外推性能。

MRoPE的扩展

MRoPE将RoPE从一维扩展到多维，特别适合处理图像这种二维数据。在GLM-Image中，MRoPE同时编码：

• 图像Token的水平位置
• 图像Token的垂直位置
• 文本Token的序列位置

这种多维位置编码让模型能够更好地理解图像和文本的交错关系，支持灵活的图文混合生成。

2.8 训练数据与数据处理

一个好的模型离不开高质量的训练数据。虽然官方没有完全公开数据集的细节，但从技术报告中可以了解到一些关键信息。

数据规模

GLM-Image的训练数据包括：

• 大规模的图文配对数据
• 专门收集的中文图文数据
• 包含精确文字标注的数据
• 多种风格和分辨率的图像

数据处理流程

1. 数据清洗：去除低质量、重复、含有不当内容的图像
2. 文本预处理：标准化描述文本，处理特殊字符
3. 分辨率适配：将图像处理为多种分辨率
4. 质量筛选：使用美学评分模型筛选高质量样本

文字数据的特殊处理

为了增强文字渲染能力，训练数据中特别包含了：

• 带有清晰文字标签的图像
• 各种字体、大小、颜色的文字样本
• 中英文混排的复杂场景

第三章 GLM-Image 本地部署保姆级教程

终于到了实战环节！莫潇羽@源码七号站 将带你一步步把GLM-Image部署到本地，让你亲身体验它的强大。

3.1 硬件要求

在开始之前，先确认一下你的硬件是否满足要求：

推荐配置

多卡配置说明

如果你没有80GB的大显存显卡，也可以使用多张显卡进行分布式推理：

• 2×RTX 4090 (48GB) 可以跑通，但速度较慢
• 4×RTX 3090 (96GB) 理论可行，需要自行配置

莫潇羽提示：对于个人用户，如果本地硬件不够，推荐使用云服务器。目前各大云平台（AutoDL、恒源云、矩池云等）都有按小时计费的GPU实例，性价比不错。

3.2 环境准备

第一步：创建Conda虚拟环境

使用Conda创建一个独立的Python环境，避免与系统其他项目冲突：

# 创建Python 3.10环境
conda create -n glm-image python=3.10 -y

# 激活环境
conda activate glm-image

为什么选择Python 3.10？

GLM-Image的依赖库（特别是transformers和diffusers的最新版本）对Python 3.10的兼容性最好。使用其他版本可能会遇到各种奇怪的问题。

第二步：安装CUDA和cuDNN

确保你的CUDA环境正确配置：

# 检查CUDA版本
nvcc --version

# 检查GPU状态
nvidia-smi

推荐使用CUDA 12.1或更高版本。如果版本过低，需要先升级CUDA。

3.3 克隆项目并安装依赖

第三步：克隆官方仓库

# 克隆项目
git clone https://github.com/zai-org/GLM-Image.git

# 进入项目目录
cd GLM-Image

第四步：安装Python依赖

GLM-Image需要使用最新版本的transformers和diffusers库（还未合并到正式版），需要从GitHub直接安装：

# 安装最新版transformers
pip install git+https://github.com/huggingface/transformers.git

# 安装最新版diffusers
pip install git+https://github.com/huggingface/diffusers.git

# 安装PyTorch（根据你的CUDA版本选择）
pip install torch torchvision --index-url https://download.pytorch.org/whl/cu121

# 安装其他依赖
pip install pillow numpy accelerate

常见问题排查：如果安装transformers或diffusers时报错，可能是因为网络问题。可以尝试使用国内镜像源或科学上网。

3.4 下载模型文件

GLM-Image的模型文件较大（约60GB），有多个下载渠道可供选择：

方式一：从Hugging Face下载（推荐海外用户）

# 安装huggingface-cli
pip install huggingface_hub

# 下载模型
huggingface-cli download zai-org/GLM-Image --local-dir ./checkpoints/GLM-Image

方式二：从魔搭社区下载（推荐国内用户）

# 安装modelscope
pip install modelscope

# 使用Python脚本下载
python -c "
from modelscope import snapshot_download
model_dir = snapshot_download('ZhipuAI/GLM-Image', cache_dir='./checkpoints')
print(f'模型已下载到: {model_dir}')
"

方式三：使用hf-mirror镜像站（国内加速）

# 设置环境变量使用镜像
export HF_ENDPOINT=https://hf-mirror.com

# 然后使用huggingface-cli下载
huggingface-cli download zai-org/GLM-Image --local-dir ./checkpoints/GLM-Image

莫潇羽提示：下载过程可能需要1-2小时，取决于你的网络速度。建议使用tmux或screen挂在后台运行，避免中断。

3.5 编写推理代码

模型下载完成后，就可以开始使用了。以下是完整的推理代码示例：

文生图（Text-to-Image）示例

创建文件 text2image.py：

import torch
from diffusers.pipelines.glm_image import GlmImagePipeline

# 加载模型
pipe = GlmImagePipeline.from_pretrained(
    "zai-org/GLM-Image",  # 或者填写本地路径
    torch_dtype=torch.bfloat16,
    device_map="cuda"
)

# 设置提示词
prompt = """
一张精美的双十一购物节促销海报，
画面中央有大大的"双11狂欢节"艺术字，
背景是红色和金色的喜庆氛围，
周围飘散着优惠券和礼盒元素，
底部有"全场五折起"的促销文字，
整体风格现代时尚，色彩鲜艳夺目。
"""

# 生成图像
image = pipe(
    prompt=prompt,
    height=1024,  # 高度，必须是32的倍数
    width=1024,   # 宽度，必须是32的倍数
    num_inference_steps=50,  # 推理步数，越大质量越好但越慢
    guidance_scale=7.5,  # 引导系数，越大越接近提示词
    generator=torch.Generator(device="cuda").manual_seed(42),  # 随机种子
).images[0]

# 保存图像
image.save("output_t2i.png")
print("图像已保存为 output_t2i.png")

运行脚本：

python text2image.py

图生图（Image-to-Image）示例

创建文件 image2image.py：

import torch
from diffusers.pipelines.glm_image import GlmImagePipeline
from PIL import Image

# 加载模型
pipe = GlmImagePipeline.from_pretrained(
    "zai-org/GLM-Image",
    torch_dtype=torch.bfloat16,
    device_map="cuda"
)

# 加载原始图像
image_path = "input.jpg"  # 你的输入图像路径
input_image = Image.open(image_path).convert("RGB")

# 编辑指令
prompt = "把海报上的'双11'改成'618'，保持其他元素不变"

# 生成编辑后的图像
output = pipe(
    prompt=prompt,
    image=[input_image],  # 可以输入多张图进行多图编辑
    height=33 * 32,  # 必须设置高度（32的倍数）
    width=32 * 32,   # 必须设置宽度（32的倍数）
    num_inference_steps=50,
    guidance_scale=1.5,
    generator=torch.Generator(device="cuda").manual_seed(42),
).images[0]

# 保存结果
output.save("output_i2i.png")
print("编辑后的图像已保存为 output_i2i.png")

3.6 启动Web界面（可选）

如果你想要一个更友好的交互界面，可以使用Gradio搭建Web UI：

创建文件 webui.py：

import torch
import gradio as gr
from diffusers.pipelines.glm_image import GlmImagePipeline
from PIL import Image

# 加载模型（只加载一次）
print("正在加载模型，请稍候...")
pipe = GlmImagePipeline.from_pretrained(
    "zai-org/GLM-Image",
    torch_dtype=torch.bfloat16,
    device_map="cuda"
)
print("模型加载完成！")

def generate_image(prompt, height, width, steps, guidance, seed):
    """文生图函数"""
    generator = torch.Generator(device="cuda").manual_seed(int(seed))

    image = pipe(
        prompt=prompt,
        height=int(height),
        width=int(width),
        num_inference_steps=int(steps),
        guidance_scale=float(guidance),
        generator=generator,
    ).images[0]

    return image

def edit_image(input_image, prompt, steps, guidance, seed):
    """图生图函数"""
    if input_image is None:
        return None

    generator = torch.Generator(device="cuda").manual_seed(int(seed))

    # 获取输入图像尺寸并调整为32的倍数
    w, h = input_image.size
    new_w = (w // 32) * 32
    new_h = (h // 32) * 32

    output = pipe(
        prompt=prompt,
        image=[input_image],
        height=new_h,
        width=new_w,
        num_inference_steps=int(steps),
        guidance_scale=float(guidance),
        generator=generator,
    ).images[0]

    return output

# 创建Gradio界面
with gr.Blocks(title="GLM-Image Demo - 源码七号站") as demo:
    gr.Markdown("# 🎨 GLM-Image 本地演示")
    gr.Markdown("部署教程来自莫潇羽@源码七号站，转载请注明出处")

    with gr.Tab("📝 文生图"):
        with gr.Row():
            with gr.Column():
                t2i_prompt = gr.Textbox(
                    label="提示词",
                    placeholder="请输入你想生成的图像描述...",
                    lines=5
                )
                with gr.Row():
                    t2i_height = gr.Slider(256, 2048, value=1024, step=32, label="高度")
                    t2i_width = gr.Slider(256, 2048, value=1024, step=32, label="宽度")
                with gr.Row():
                    t2i_steps = gr.Slider(10, 100, value=50, step=1, label="推理步数")
                    t2i_guidance = gr.Slider(1, 20, value=7.5, step=0.5, label="引导系数")
                t2i_seed = gr.Number(value=42, label="随机种子")
                t2i_btn = gr.Button("🖼 生成图像", variant="primary")

            with gr.Column():
                t2i_output = gr.Image(label="生成结果")

        t2i_btn.click(
            generate_image,
            inputs=[t2i_prompt, t2i_height, t2i_width, t2i_steps, t2i_guidance, t2i_seed],
            outputs=t2i_output
        )

    with gr.Tab("✏ 图像编辑"):
        with gr.Row():
            with gr.Column():
                i2i_input = gr.Image(label="上传原图", type="pil")
                i2i_prompt = gr.Textbox(
                    label="编辑指令",
                    placeholder="描述你想要的修改...",
                    lines=3
                )
                with gr.Row():
                    i2i_steps = gr.Slider(10, 100, value=50, step=1, label="推理步数")
                    i2i_guidance = gr.Slider(0.5, 5, value=1.5, step=0.1, label="引导系数")
                i2i_seed = gr.Number(value=42, label="随机种子")
                i2i_btn = gr.Button("✨ 开始编辑", variant="primary")

            with gr.Column():
                i2i_output = gr.Image(label="编辑结果")

        i2i_btn.click(
            edit_image,
            inputs=[i2i_input, i2i_prompt, i2i_steps, i2i_guidance, i2i_seed],
            outputs=i2i_output
        )

    gr.Markdown("---")
    gr.Markdown("💡 提示：生成图像需要一定时间，请耐心等待。推理步数越大，生成质量越好但耗时越长。")

# 启动服务
if __name__ == "__main__":
    demo.launch(
        server_name="0.0.0.0",  # 允许外部访问
        server_port=7860,       # 端口号
        share=False             # 是否生成公网链接
    )

安装Gradio并启动：

pip install gradio

python webui.py

启动成功后，你会看到类似这样的输出：

正在加载模型，请稍候...
模型加载完成！
Running on local URL:  http://0.0.0.0:7860

打开浏览器访问 http://localhost:7860 就能看到Web界面了。

3.7 提示词工程技巧

要让GLM-Image生成理想的图像，掌握一些提示词技巧非常重要。莫潇羽@源码七号站 总结了以下实用建议：

基本结构

一个好的提示词通常包含以下要素：

[主体描述] + [环境/背景] + [风格/氛围] + [文字内容] + [技术参数]

例如：

一位身穿红色旗袍的年轻女子，               # 主体
站在古色古香的江南小镇石桥上，             # 环境
背景是白墙黑瓦的传统建筑，                 # 背景
画面充满诗意和东方美学气息，               # 氛围
右上角题字"江南春晓"四个字，              # 文字
水墨画风格，高清细腻。                     # 风格+技术

文字渲染的最佳实践

1. 明确指定文字内容：不要模糊描述，要写清楚具体的文字
2. 指定文字位置：如"画面中央"、"右上角"、"底部"
3. 描述文字样式：字体、颜色、大小等
4. 控制文字数量：单次生成的文字不宜过多，建议10个字以内

# 好的文字提示词
prompt = """
一张中秋节贺卡，
画面中央有一轮明亮的圆月，
月亮下方用楷体写着"中秋快乐"四个金色大字，
字体端庄大气，
背景是深蓝色的夜空点缀着星星，
整体风格温馨喜庆。
"""

# 不好的文字提示词（太模糊）
prompt = "一张中秋贺卡，上面写着祝福语"

风格控制

GLM-Image支持多种艺术风格，可以通过关键词来控制：

负面提示词

虽然GLM-Image的官方代码暂时没有明确支持负面提示词参数，但你可以在正面提示词中通过描述来排除不想要的元素：

# 通过正面描述来控制
prompt = """
一张干净简洁的商务名片设计，
背景是纯白色，
没有复杂的花纹和装饰，
只有简单的线条和文字信息。
"""

3.8 参数调优指南

GLM-Image有几个关键参数会影响生成效果，莫潇羽@源码七号站 为你详细解释每个参数的作用：

num_inference_steps（推理步数）

• 作用：控制扩散过程的迭代次数
• 范围：通常10-100
• 建议值：
• 快速预览：20-30步
• 正常使用：50步
• 高质量输出：70-100步
• 影响：步数越多，细节越精细，但耗时越长

# 不同场景的推荐值
steps_preview = 25      # 快速查看构图是否满意
steps_normal = 50       # 日常使用
steps_highquality = 80  # 最终出图

guidance_scale（引导系数）

• 作用：控制生成图像与提示词的匹配程度
• 范围：1.0-20.0
• 建议值：
• 文生图：7.0-12.0
• 图生图：1.5-3.0
• 影响：
• 太低：图像可能偏离提示词
• 太高：图像可能过度饱和、细节丢失

# 不同任务的推荐值
guidance_t2i = 7.5      # 文生图
guidance_i2i = 1.5      # 图像编辑
guidance_style = 5.0    # 风格转换

seed（随机种子）

• 作用：控制生成的随机性
• 使用技巧：
• 相同种子 + 相同参数 = 相同图像（可复现）
• 找到满意的图后记录种子，便于微调

# 批量生成时使用不同种子
for i in range(10):
    image = pipe(
        prompt=prompt,
        generator=torch.Generator(device="cuda").manual_seed(i * 100),
        ...
    ).images[0]
    image.save(f"output_{i}.png")

分辨率选择

注意：分辨率越高，显存占用越大，生成时间越长。

第四章 使用SGLang进行生产级部署

如果你需要将GLM-Image部署为API服务供多人使用，推荐使用SGLang框架，它能提供更好的性能和更高的吞吐量。

4.1 安装SGLang

pip install "sglang[diffusion] @ git+https://github.com/sgl-project/sglang.git#subdirectory=python"

4.2 启动SGLang服务

python -m sglang.launch_server \
    --model-path zai-org/GLM-Image \
    --port 30000 \
    --host 0.0.0.0

4.3 调用API

服务启动后，可以通过HTTP API进行调用：

import requests
import base64

url = "http://localhost:30000/generate"
payload = {
    "prompt": "一只可爱的橘猫，坐在窗台上晒太阳",
    "height": 1024,
    "width": 1024,
    "num_inference_steps": 50
}

response = requests.post(url, json=payload)
result = response.json()

# 解码并保存图像
image_data = base64.b64decode(result["image"])
with open("output.png", "wb") as f:
    f.write(image_data)

第五章 实战案例与效果展示

理论讲了这么多，让我们来看看GLM-Image的实际表现。莫潇羽@源码七号站 准备了几个典型场景的测试案例。

5.1 电商海报生成

提示词：

设计一张双十一购物节促销海报，
中央大字"双11全民狂欢"，
使用红色和金色为主色调，
背景有购物车、礼盒、优惠券等元素，
底部显示"全场5折起 限时抢购"，
整体风格喜庆热闘。

GLM-Image能够准确渲染所有中文文字，包括「双11」「全民狂欢」「5折起」等关键信息，而且字体美观、排版合理。

5.2 科普插画生成

提示词：

绘制一张解释"光合作用"的科普插画，
画面左侧是一株绿色植物，
右侧用箭头和文字标注出：
"阳光 → 叶绿素 → 二氧化