以往頂級審美的 AI 圖像生成領域長期由閉源模型主導，從 Midjourney 、ChatGPT 到 Nano Banana….，如果想要擁有頂級品質的 AI 圖像，幾乎都只能靠大型廠商的雲端閉源模型生成能力。近日 Ideogram 打破了這道限制：發表旗下首款開放權重模型 Ideogram 4.0，將 93 億參數的設計級圖像生成基礎模型完整公開，權重放在 Hugging Face，推論程式碼以 Apache 2.0 授權釋出在 GitHub。這不是某個既有模型的微調版本。Ideogram 強調 4.0 是「從零開始訓練的基礎模型」（trained from scratch），架構、訓練資料、文字編碼器全部自行設計。
Ideogram 是誰？Google Imagen 核心團隊出走創業
Ideogram AI 於 2022 年在加拿大多倫多創立，創辦團隊共 7 人，其中 4 位是 Google 影像生成模型 Imagen 論文的共同作者。核心人物包括：
- Mohammad Norouzi（CEO）：多倫多大學電腦科學博士，就讀期間獲得 Google 機器學習博士獎學金，前 Google Brain 高級研究科學家，Imagen 論文共同第一作者
- Jonathan Ho：聯合創辦人，前 Google Brain 研究員，擴散模型奠基論文《Denoising Diffusion Probabilistic Models》的作者，這篇論文是整個擴散模型浪潮的理論起點
- William Chan：聯合創辦人，前 Google Brain 研究員
- Chitwan Saharia：聯合創辦人，前 Google Brain 研究員，Imagen 論文共同作者
這支團隊的技術血統直接來自 Imagen，而 Imagen 正是 Google 在文字生成圖像領域的核心計畫。從 Google Brain 集體出走創業，某種程度上也說明了這批研究者對「開源」與「獨立發展」的信念。
資金方面，Ideogram 在 2023 年 8 月成立時即完成由 a16z 與 Index Ventures 領投的 1,650 萬美元（約 NT$5.4 億）種子輪融資；2024 年 2 月再獲 8,000 萬美元（約 NT$26 億）A 輪融資。截至 2025 年，團隊規模約 49 人，年度經常性收入（ARR）約 700 萬美元（約 NT$2,275 萬）。
以不到 50 人的團隊做出 Design Arena 開放模型第一名、排版盲測打敗所有競爭者的成績，Ideogram 的人均產出效率在 AI 圖像生成領域堪稱頂尖。
模型架構：全單流 Diffusion Transformer
Ideogram 4.0 採用 全單流 Diffusion Transformer（DiT）架構，34 層，93 億參數。所謂「全單流」，指的是文字 token 與圖像潛在 token 被串接成同一個序列，通過同一組 Transformer 層處理，每個注意力層同時看到兩種模態。這與部分模型將文字和圖像分成兩個分支再對齊的做法不同，理論上能發展出更深度的跨模態表徵。
架構細節：
- 文字編碼器：Qwen3-VL-8B-Instruct（視覺語言模型，僅用文字模式），從 13 個中間層提取隱藏狀態串接，提供從表層 token 理解到深層構圖推理的多尺度語義特徵
- 解碼器：凍結的 KL VAE，8× 空間壓縮，128 潛在通道
- 取樣器：Euler 流匹配（flow matching），非對稱 CFG（無條件 pass 完全丟棄文字 token）
- 解析度：原生最高 2048 × 2048 像素，支援 256 到 2048 之間以 16 為倍數的任意邊長，最長寬比可達 6:1
- 推理預設：V4_TURBO_12、V4_DEFAULT_20、V4_QUALITY_48（品質尾端在 t≈0 時降低引導強度）
只有 93 億參數的 DiT 本體是訓練過的，文字編碼器和 VAE 都保持凍結。訓練與推論共用同一套 JSON 提示詞格式，系統會在生成前驗證輸入的 JSON 結構是否合規，不合規的提示詞會被直接拒絕。
結構化 JSON 提示詞：不只是打字描述
這是 Ideogram 4.0 最核心的差異化功能。傳統圖像模型只能接受自然語言描述，使用者很難精確控制每個元素的位置和樣式。
Ideogram 4.0 改用 結構化 JSON 作為提示詞格式，允許定義：
- 邊界框（Bounding boxes）：以 0-1000 正規化座標指定每個物件的位置和大小（原點左上角）
- 色彩盤：每張圖最多 16 個 hex 色彩，每個元素最多 5 個
- 文字元素：攜帶字面字串和樣式描述，支援多字體海報設計
- 背景描述、物件描述、風格設定：各自獨立欄位
這套系統的意義在於：訓練與推論使用完全相同的格式，模型從一開始就學會「根據結構化指令排列元素」，而不是試圖從一段模糊的文字描述中猜測佈局。對於海報、廣告、社群圖、品牌素材等需要精準排版的場景，這種控制力是自然語言提示詞無法比擬的。
基準測試成績：開放模型之王
Ideogram 4.0 在多個第三方基準測試中交出了亮眼成績：
- Design Arena：在所有開放權重模型中排名第一，整體僅落後 OpenAI 和 Google 的閉源模型。
- ContraLabs 排版盲測：十位頂尖設計師評選，Ideogram 4.0 以 47.9% 的首選率勝出，大幅領先 Gemini 3.1 Flash Image Preview（30.0%）、FLUX.2 [max]（15.5%）和 Grok Imagine 1.0（15.0%）。在「你會在實際客戶工作中使用嗎？」這個問題上，設計師給出 3.55/5 的評分，同樣居首。
- X-Omni 英文 OCR：文字渲染準確度達 0.97 分。
- 文字渲染跨模型比較：在 9.3B 參數量級中，文字渲染表現超越 Qwen-Image（20B）、FLUX.2 dev（32B）、甚至混元 HunyuanImage 3.0（80B MoE），以更少參數達到更好效果。
- Text-to-Image Arena：品質模式排名第一，整體排名第九。
The Decoder 的獨立測試指出，Ideogram 4.0 在其基準提示詞中「輕鬆超越 Midjourney v8」，與 FLUX 打平，但落後 GPT-Image-2、Nano Banana Pro 和 Luma Uni-1.1。
開源細節：權重、授權與部署門檻
Ideogram 4.0 的開放策略分為兩層：
- 推論程式碼：Apache 2.0 授權，完全開源，可自由使用和修改
- 模型權重：Ideogram 4 Non-Commercial 協議，可在 Hugging Face 下載（需同意條款），非商業用途免費，商業用途需另行洽談授權
權重提供兩種量化版本：
- NF4 版本：可在單張 24GB VRAM 的顯示卡上運行（如 RTX 4090），僅支援 CUDA
- FP8 版本：支援更廣泛的硬體平台
這意味著擁有消費級高階顯示卡的創作者，可以在本地完全掌控這款模型。不需要依賴雲端服務，不需要將資料傳到外部伺服器，還可以根據自己的品牌風格進行微調（fine-tuning）。對於重視隱私和資料主權的企業和個人創作者而言，這是一個相當有吸引力的選項。
Ideogram 4.0 Github 頁面
平台整合：不只是模型，是一個生態系
Ideogram 4.0 並非只有一個孤零零的模型檔案。Ideogram 同步開放了多個平台的使用管道：
- 官方網站：ideogram.ai，提供網頁版生成介面
- API：developer.ideogram.ai，三種品質層級（Turbo $0.03/張、Standard $0.06/張、Quality $0.09/張）
- 訂閱方案：Basic $8/月（400 張優先生成）、Plus $20/月（1,000 張）、Pro $60/月（3,000 張），所有方案都包含無限慢速生成
- ComfyUI：已支援完整工作流程，需要 32GB VRAM 運行 FP8 模型
- 合作平台：Hugging Face、fal、Runware、Magnific、Krea AI、Leonardo AI、Picsart、Cloudflare、Replicate、Gamma、Flora AI、Kittl 等十多個平台同時上線
ComfyUI 的整合尤其值得注意。社群已經建立了完整的工作流程，從模型下載、節點配置到生成範例都有詳細教學，這大幅降低了本地部署的技術門檻。我自己也成功在本地端完成部屬並生成圖片，水準真的非常不錯，圖片大小也可由 1024 起跳：
產品功能：設計工作流不只生成
除了模型本身，Ideogram 的產品端也同步更新了多項設計導向功能：
- 提示詞編輯（Prompt Edit）：在已生成的圖像上直接修改特定區域
- 原生透明背景：直接輸出 PNG 透明圖層
- 分層文字：文字元素可獨立編輯
- 擴展與重新構圖（Extend / Reframe）：向外擴展畫面或改變比例
- 放大（Upscale）：提升解析度
- 混搭（Remix）：基於現有圖像重新生成變體
- 魔術填充（Magic Fill）：局部區域填補
- MCP 整合：支援 Agent 工作流程
可編輯文字和圖層功能即將推出。
對產業的意義：開源追上前線
Ideogram 4.0 的發布代表一個重要訊號：開放權重模型在設計級圖像生成領域，已經逼近閉源前線。在 Design Arena 上，Ideogram 4.0 僅落後 OpenAI 和 Google 的閉源模型，而在排版和文字渲染這兩個專業設計師最關心的維度上，它甚至超越了所有競爭者。
這種策略讓人想起 Meta 在 LLM 領域的做法：用開放權重換取社群生態，用生態系鞏固技術地位。Ideogram 選擇在圖像生成領域走同樣的路，而且是在一個仍以閉源為主流的市場中。對於擔心資料隱私、需要品牌客製化微調、或者單純想在本地運行的使用者而言，這是一個前所未有的選項。
當然，商業授權仍然是門檻。模型權重的 Non-Commercial 協議意味著企業若要將其整合進產品或服務中，需要另外付費取得商業授權。這是開源與「免費使用」之間的界線，也是 Ideogram 的商業模式所在。