Ideogram开源Ideogram 4.0 ：93亿参数单流 DiT 模型，首创结构化 JSON 提示实现像素级布局控制与精准文本渲染

Ideogram 正式开源了其最新的旗舰基座模型 Ideogram 4.0。作为一个从头训练的 93 亿参数单流扩散 Transformer (DiT)，它不仅在文本渲染和布局控制上达到了行业顶尖水平，更引入了革命性的结构化 JSON 提示机制，将文生图从“抽盲盒”转变为“精准设计”。作为首个开放权重的 Ideogram 模型，它在保持高性能的同时，大幅降低了部署门槛，单张 24GB 显存显卡即可流畅运行。

• 官方介绍：https://ideogram.ai/blog/ideogram-4.0
• GitHub：https://github.com/ideogram-oss/ideogram4
• 模型：https://huggingface.co/collections/ideogram-ai/ideogram-4
• ComfyUI：https://huggingface.co/Comfy-Org/Ideogram-4
• Demo：https://huggingface.co/spaces/ideogram-ai/ideogram4

核心亮点：精准、可控、高效

1. 结构化 JSON 提示：像素级控制权

• 边界框布局：支持通过坐标（0-1000）精确指定元素位置，实现复杂的构图控制。
• 调色板条件化：直接输入十六进制颜色代码（每图最多 16 种），确保品牌色或特定配色的准确还原。
• 类型化文本渲染：text 元素携带字面字符串及独立样式描述，实现高达 0.97 OCR 准确率的顶级文本渲染能力。
• 模式验证：推理前自动解析并验证 JSON 格式，拒绝无效输入，确保生成稳定性。

2. 强大的架构设计

• Qwen3-VL 编码器：采用 Qwen3-VL-8B-Instruct 作为视觉语言文本编码器，提取 13 个中间层的隐藏状态，赋予模型深度的语言理解与视觉关联能力。
• 单流 DiT：文本与图像 Token 在 34 层 Transformer 中共享投影，实现多模态信息的深度融合。
• 非对称无分类器引导 (Asymmetric CFG)：无条件分支完全丢弃文本 Token，仅对图像分支运行，允许独立调度提示遵循度与图像质量，提升生成效果。

3. 高效部署与灵活采样

• 低显存友好：提供 nf4 和 fp8 量化版本，nf4 变体可在单张 24GB GPU（如 RTX 3090/4090）上运行。
• 高分辨率支持：原生支持 256–2048 像素任意宽高比，满足从图标到海报的各种尺寸需求。
• 欧拉流匹配采样器：结合非对称 CFG，实现快速且高质量的图像生成。

性能基准：开放模型的巅峰

技术规格概览

• 参数量：93 亿
• 架构：34 层 DiT，18 头，emb_dim 4608
• 文本编码器：Qwen3-VL-8B-Instruct (冻结)
• 最大上下文：2048 Text Tokens
• 潜在通道：128 (32 × 2²)
• 安全性：三层缓解措施（数据过滤、后训练优化、Hive 实时审核）

适用场景

• 专业平面设计：需要精准排版、指定品牌色及复杂构图的海报、Logo 及营销材料制作。
• 图文混合创作：生成包含准确文字信息的书籍封面、名片、菜单及信息图表。
• 电商与广告：严格控制产品位置、背景颜色及促销文案的商业素材生成。
• 自动化工作流：通过结构化 JSON API 集成至设计软件或自动化生产线，实现可复现的批量生成。