過去兩年里，國內(nèi)AI圈有一個心照不宣的“焦慮”：國產(chǎn)算力已經(jīng)滿足了大規(guī)模的模型推理需求，可大模型的訓(xùn)練，特別是SOTA級模型的預(yù)訓(xùn)練，還是無法擺脫對英偉達生態(tài)的依賴。

2026年注定是一個分水嶺。

剛登陸港股市場的智譜，發(fā)布了新一代圖像生成模型GLM-Image，在文字渲染的權(quán)威榜單中達到了開源SOTA水平，并在“出生證明”上寫了一段關(guān)鍵信息：模型自回歸結(jié)構(gòu)基座基于昇騰Atlas 800T A2設(shè)備與昇思MindSpore AI框架，完成了從數(shù)據(jù)預(yù)處理到大規(guī)模訓(xùn)練的全流程構(gòu)建，驗證了在自主創(chuàng)新算力底座上訓(xùn)練前沿模型的可行性。

全流程、SOTA、自主創(chuàng)新算力底座……每一個詞，都是對“國產(chǎn)算力不好用”等刻板印象的有力回擊。同時也預(yù)示著，國產(chǎn)算力已經(jīng)從“跑推理”正式邁向“數(shù)據(jù)預(yù)處理+預(yù)訓(xùn)練+SFT微調(diào)+RL訓(xùn)練”的端到端全流程，從“能用”進階到了“好用”。

01 一場“地獄級”難度的壓力測試

在討論算力前，有必要先理解GLM-Image的“含金量”。

如果只是訓(xùn)練一個“二流模型”，對算力的考驗也是“二流”的，而智譜瞄準了下一代技術(shù)范式——認知型生成。

過去的圖像生成模型，普遍存在“智商不夠”的瓶頸。比如讓AI畫一張“關(guān)于量子力學(xué)的科普海報”，可以畫出炫酷的原子結(jié)構(gòu)和星空背景，但上面的文字卻是亂碼，典型的“視覺強，認知弱”。

智譜GLM-Image沒有照搬開源常用的LDM方案，采用了創(chuàng)新的“自回歸+擴散編碼器”混合架構(gòu)，屬于兼具世界知識與推理能力的“認知型生成”，不僅要會畫畫，還要理解物理規(guī)律、邏輯關(guān)系和文字符號。

可以簡單地比作是“大腦”和“畫師”的組合：

9B大小的自回歸模型，扮演了“大腦”的角色，利用語言模型的底座優(yōu)勢，專注于提升對指令的語義理解和畫面的全局構(gòu)圖；

7B大小的DiT擴散解碼器，像一個技法高超的“畫師”，專注于還原圖像的高頻細節(jié)和文字筆畫，改善模型“提筆忘字”的現(xiàn)象。

基于架構(gòu)上的創(chuàng)新，GLM-Image在通用圖像生成質(zhì)量上能夠?qū)R業(yè)界主流隱空間擴散模型方案，在文字渲染與知識密集型圖像生成場景中展現(xiàn)出了顯著優(yōu)勢，以及出色的多分辨率自適應(yīng)能力，原生支持從1024x1024到2048×2048尺寸的任意比例圖像的生成任務(wù)。

參考行業(yè)慣例，先來“跑個分”。

在考察模型在圖像中同時生成多處文字準確性的CVTG-2K榜單上，GLM-Image憑借0.9116的Word Accuracy（文字準確率）成績，位列開源模型第一。特別是NED（歸一化編輯距離）指標(biāo)上，GLM-Image以0.9557的得分領(lǐng)先，生成文字與目標(biāo)文字高度一致，錯字、漏字情況更少。

考察模型渲染長文本、多行文字準確性的LongText-Bench，覆蓋了招牌、海報、PPT、對話框等8種文字密集場景，并分設(shè)中英雙語測試，GLM-Image以英文0.952、中文0.979的成績位列開源模型第一。

比“跑分”更有說服力的是，GLM-Image開源不到24小時就沖上全球知名AI開源社區(qū)Hugging Face榜單的全球第一。

只是架構(gòu)越先進，對算力底座的挑戰(zhàn)越大。既要滿足LLM對顯存和序列長度的極高要求，同時解決圖像生成對高并發(fā)計算的吞吐需求，對任何算力底座來說，都是一場“地獄級”的壓力測試。

02 智譜、昇騰、昇思的協(xié)同“破壁”

面對行業(yè)“無人區(qū)”，智譜和昇騰.昇思是怎么破局的呢？

智譜官方公眾號給出了答案：“依托昇騰NPU和昇思MindSpore AI框架，使用動態(tài)圖多級流水下發(fā)、高性能融合算子、多流并行等特性，我們自研了模型訓(xùn)練套件，全面優(yōu)化數(shù)據(jù)預(yù)處理、預(yù)訓(xùn)練、SFT和RL的端到端流程。”

做個“翻譯”的話，主要解決了模型訓(xùn)練的三個核心痛點。

第一個是動態(tài)圖多級流水下發(fā)。

在大模型訓(xùn)練的過程中，存在一個經(jīng)典的“Host-Device”協(xié)同問題：Host側(cè)（CPU）負責(zé)下發(fā)指令，Device側(cè)（NPU）負責(zé)計算。但NPU算得太快了，CPU發(fā)指令的速度跟不上，導(dǎo)致NPU經(jīng)常處于“等活干”的空轉(zhuǎn)狀態(tài)。

昇思MindSpore引入了“動態(tài)圖多級流水下發(fā)”機制，可以理解為將原先串行的“接單-備菜-炒菜”流程，變成了高度重疊的流水線：NPU炒上一道菜的時候，CPU已經(jīng)在處理下一道菜的訂單了。結(jié)果是驚人的，Host側(cè)的并行度與下發(fā)效率大幅提升，整體訓(xùn)練性能提升了20%。

第二個是多流并行執(zhí)行。

在多模態(tài)訓(xùn)練場景中，文本梯度同步、圖像特征廣播、混合并行等操作，會產(chǎn)生海量的通信需求。

傳統(tǒng)模式下，計算和通信往往是串行的——“路通了再走車”，昇騰的“多流并行執(zhí)行機制，相當(dāng)于給計算和通信修了座“立交橋”，通過共用內(nèi)存池，允許計算和通信同時運行，而且不同通信域還能單獨分配“車道”，充分利用網(wǎng)絡(luò)帶寬消除通信串?dāng)_，讓整體訓(xùn)練性能又提升了10%。

第三個是高性能融合算子。

做過大模型訓(xùn)練的工程師都知道，最大的噩夢就是擴散模型訓(xùn)練后期的Loss震蕩。

為了解決這個問題，昇騰CANN高性能算子庫提供了多種高性能融合算子，包括AdamW EMA融合算子，緩解擴散模型訓(xùn)練后期loss震蕩問題，使收斂效果更穩(wěn)定；COC通算融合算子，使用集合通信創(chuàng)新算法，用計算掩蓋多機多卡場景TP域中ReduceScatter和AllGather等核心通信算子的通信開銷，將通信效率提升了15%。

正如我們所看到的，GLM-Image不但驗證了在自主創(chuàng)新算力底座上訓(xùn)練高性能多模態(tài)生成模型的可行性，更在權(quán)威榜單中達到了開源SOTA水平，詮釋了自主創(chuàng)新算力底座在模型訓(xùn)練環(huán)節(jié)的無限可能。

03 中國計算產(chǎn)業(yè)破局的“新范式”

GLM-Image的從0到1，預(yù)示著AI產(chǎn)業(yè)的一次深刻變革。

過去一段時間，外界習(xí)慣了“大力出奇跡”：只要堆疊的顯卡足夠多、帶寬足夠?qū)�，似乎沒有什么模型是跑不起來的。

時間來到2026年，“認知型生成”漸漸成為新的技術(shù)范式，模型的架構(gòu)越來越復(fù)雜，既要LLM的邏輯推理能力、生成模型的渲染能力，甚至還要有視頻理解的時空建模能力。

面對動態(tài)變化的計算需求，“堆算力”已經(jīng)捉襟見肘，如果不進行底層創(chuàng)新，有效算力將被大量的通信開銷和內(nèi)存墻吞噬。

智譜和昇騰“背靠背”的作戰(zhàn)，示范了模型反向定義算力底座的可能：比如為了配合語義Token的理解，專門優(yōu)化底層的通信流；為了解決混合架構(gòu)的收斂難題，深度定制融合算子……大模型廠商和算力企業(yè)不再是“甲方乙方”的關(guān)系，而是聯(lián)合攻堅作戰(zhàn)的“隊友”。

除了技術(shù)上的“賬”，還有商業(yè)上的“利”。

“自回歸+擴散編碼器”的混合架構(gòu)，兼顧全局指令理解與局部細節(jié)刻畫，創(chuàng)造性地解決了海報、PPT、科普圖等知識密集型場景生成難題。按照常理推斷，模型越復(fù)雜，計算量越大，成本就越高。但智譜官方公開的數(shù)據(jù)卻是：在API調(diào)用模式下，GLM-Image生成一張圖片僅需0.1元。

在智能體時代，一個復(fù)雜任務(wù)（比如設(shè)計一張雙十一促銷海報）可能需要AI在后臺進行數(shù)十次的自我迭代、草圖繪制、反思修改，最終才輸出一張成品。倘若生成一張圖的成本要幾塊錢，多步推理的智能體將被局限在實驗室，在商業(yè)上根本跑不通。

智譜和昇騰.昇思的協(xié)同創(chuàng)新，通過計算效率的提升和算力利用率的優(yōu)化，“抹平”了復(fù)雜架構(gòu)帶來的“額外成本”，賦予了GLM-Image極致的性價比，讓AI生圖從一個需要小心翼翼計費的“工具”，變成了電商、廣告、社交媒體等行業(yè)的“白菜價”基礎(chǔ)設(shè)施。

沿循這樣的邏輯，接下來的AI競爭，比拼的不只是誰的算力多、模型強，還在于是否擁有“算法-框架-芯片”三位一體的垂直整合能力：在訓(xùn)練端，穩(wěn)定、高效地進行大模型訓(xùn)練；在推理端，低成本推進產(chǎn)業(yè)落地。

像智譜和昇騰一樣，拆掉模型和算力之間的墻，進行深度的軟硬協(xié)同，或?qū)⒊蔀橛嬎惝a(chǎn)業(yè)的新范式。

04 寫在最后

GLM-Image的一小步，或許是中國AI生態(tài)的一大步。

中國最頂尖的算法團隊疊加最硬核的算力底座，蹚過了最深的水，踩過了最痛的坑，最終用一份開源SOTA的成績單告訴行業(yè)：用自主創(chuàng)新算力底座訓(xùn)練大模型的路，不僅能走通，還能走得快、走得遠。

當(dāng)然，也要清醒地看到，國產(chǎn)算力生態(tài)依然有差距，但GLM-Image撕開了一道口子，光已經(jīng)照進來了。今天是一個圖像模型，明天可能就是萬億參數(shù)的多模態(tài)“巨獸”。