Ideogram 4.0 — 93 亿参数开源模型，把文字渲染做到极致

Ideogram 4.0 是 Ideogram 公司于 2026 年 6 月 3 日发布的首个开源重型生图模型，仅 93 亿参数却把图像内文字渲染做到行业第一，在 DesignArena 上位列全球第四、开源第一，被誉为「设计师的海报排版利器」。

公司背景

Ideogram 由前 Google Brain 研究人员创办，公司成立的初衷就是解决 AI 生图的「文字行业病」。Ideogram 4.0 是其首个开源权重发布，从零训练（非微调），针对专业设计场景重写。

核心技术

单流 DiT 架构（Single-Stream DiT）

文本 Token 与图像 Token 拼接进同一序列，由单个 34 层扩散 Transformer 统一处理，让文字成为图像的原生组成部分——而不是像 FLUX.1 等双流方案那样通过交叉注意力「翻译」文字。

Qwen3-VL 文本编码器

用 Qwen3-VL-8B-Instruct 视觉语言模型替代 CLIP/T5，能真正「读图」，从第 4–16 层提取 13 层中间隐藏状态，语义特征更丰富。

结构化 JSON 提示词 + 边界框控制

训练数据使用带物体/文字边界框标注（位置、排版、背景色）的 JSON 注释，模型学到的是「版式逻辑」而非「画张带字的图」。用户可以指定最多 6 个独立文字层/物体的归一化坐标（0–1000）、最多 16 个色值约束色彩空间。同一 JSON 跑 50 次，构图高度一致。

Euler Flow Matching 采样

双分支无分类器引导，平衡提示遵循与图像质量。

核心能力与参数

• 文字渲染：X-Omni 英文 OCR 评测 0.97 分，开源模型同规模最高；多语言、小字号密集排版可靠
• 分辨率：原生 2K（2048×2048）直出，256–2048 以 16 的倍数缩放
• 宽高比：最长 6:1 超宽横幅
• 透明背景：支持 Logo/图标透明底生成
• 开放生态：ComfyUI、Diffusers、Together AI、Replicate、fal、Runware、Leonardo、Picsart、Cloudflare 等首日接入

定价与授权

权重开源（FP8 约 32GB 显存 / NF4 可跑单张 24GB 显卡），推理代码 Apache 2.0。非商用免费；商用需企业授权，可在客户基础设施部署并基于品牌数据微调。API（Together AI）约 $0.06/张。

性能评测

• DesignArena：全球第 4、开源第 1，约 1285 ELO
• ContraLabs 十位专业设计师盲评：排版/版式 47.9% 首轮获胜率，超过 Nano Banana 2（30.0%）与 FLUX.2 Max（15.5%）
• 效率：93 亿参数打赢 800 亿的 HunyuanImage 3.0、320 亿的 FLUX.2

适用场景

• 海报与活动物料：文字排版精确可控
• 包装与标签：品牌文字高保真
• Logo 与图标：透明背景 + 精确版式
• 社交媒体图文：重复性构图、品牌调性统一
• 信息图/数据可视化：版式级布局控制

优缺点

优点

• 文字渲染开源界第一、闭源前列
• JSON 提示词 + 边界框，版式可控性独一无二
• 93 亿参数性价比极高，24GB 显卡可跑

缺点

• 密集复杂排版（多段小字+多元素）仍有短板
• 整体摄影质感略逊于 Nano Banana / GPT Image
• 内容审核偶有误伤（曾拒绝合理提示词）
• 商用需企业授权

常见问题 FAQ

Ideogram 4.0 是开源的还是闭源的？

开源的，这是 Ideogram 首个开源权重发布，93 亿参数，推理代码 Apache 2.0，非商用免费。

Ideogram 4.0 适合做什么？

最适合做「图里带字」的设计：海报、包装、Logo、信息图、活动物料。它的 JSON 提示词能精确控制每个文字/元素的位置。

总结

Ideogram 4.0 是排版型设计的开源革命。需要精确文字、可复现版式、并希望本地自部署的设计团队，它是 2026 年最值得研究的新模型之一。