智谱AI开源了一个可以带文字的图像的多模态大模型CogView4-6B：图片文本带有中英文混排，指定比例范围内的任意尺寸图像可生成，免费商用授权
596 views
加载中...
加载中...
Follow DataLearner WeChat for the latest AI updates
智谱AI开源了一个60亿参数规模的文生图大模型CogView4-6B，支持生成的图像中加入文字，文字效果自然融入图像中，且该模型支持支持宽高范围512px至2048px内的任意尺寸图像（也有限制，正文解释）。
作为首个支持原生汉字生成的开源模型，CogView4-6B有着非常不错的特点，60亿参数规模意味着仅需12G显存即可使用，量化后显存占用还会更低。
此外，CogView4-6B模型的优点也十分明显，主要包括：
中文场景突破：通过双语GLM-4编码器与中文图文联合训练，模型不仅能理解"野径云俱黑"等古诗意境，还可将汉字自然融入海报、漫画等视觉元素，解决中文创意产业的核心痛点；
动态生成自由：支持512-2048px范围内任意分辨率图像输出。不过需要注意的是，必须是32的整数倍，最多像素数量不超过2^21。用户可基于完整故事脚本生成四格漫画等复杂叙事图像；
CogView4-6B免费开源：作为Apache 2.0协议下首个图像生成模型，提供从Hugging Face到ModelScope的全平台支持，智谱AI此次发布的CogView4-6B可以自由免费商用，没有限制门槛。
此外，官方透露即将推出ControlNet插件与微调工具包，降低商用落地门槛。
CogView4-6B在架构设计、扩散建模、位置编码和训练优化方面都进行了重要升级，使其在生成高质量、可控性强的图像方面具备更好的表现。总结如下：
CogView4 实现了 任意长度的文本描述（caption）与任意分辨率图像的混合训练，这不仅让用户的创作更加自由，也优化了模型的训练效率。相比于传统固定长度的文本输入方案，CogView4 支持动态长度输入，减少了不必要的计算开销，使得训练更加高效。
在图像生成任务中，CogView4 采用 二维旋转位置编码（2D RoPE） 来建模图像的位置信息。RoPE（Rotary Position Embedding）是一种相对位置编码方法，能够增强模型对空间关系的理解。CogView4 进一步利用 插值位置编码（Interpolated RoPE），使得模型能够适应不同分辨率的图像，从而在多个尺度上都能保持一致的生成质量。
在扩散模型的实现上，CogView4 采用了 Flow-matching 方案 进行图像生成建模。Flow-matching 是一种新的扩散建模方法，相比于传统的去噪扩散概率模型（DDPM），它能够更高效地学习数据分布，并减少计算开销。此外，CogView4 结合 参数化的线性动态噪声规划，使得不同分辨率图像能够适配最优的信噪比，提高最终图像质量。
为了确保模型能够兼顾泛化能力和高质量生成，CogView4 采用了 多阶段训练策略，具体包括以下几个步骤：
从文本处理的角度，CogView4 突破了传统固定 token 长度的限制，允许更高的 token 上限，同时减少训练过程中的 token 冗余。在训练过程中，CogView4 允许 caption 的平均长度在 200-300 token 之间，相比于传统固定 512 token 方案，减少了约 50% 的 token 冗余。
此外，在模型的 递进训练阶段，CogView4 通过优化数据流和计算分配，实现了 5%-30% 的训练效率提升，进一步降低了训练成本，使得大规模文本-图像生成模型更加可行。
CogView-6B在权威测试中展现全面优势：
语义理解：DPG-Bench综合得分85.13（开源SOTA），尤其在属性建模（91.17）与空间关系（91.14）任务中超越DALL-E 3（88.39/90.58）；
中文生成：汉字识别F1值达0.6168，较行业主流模型提升2.1倍，成功将"江船火独明"等复杂诗句转化为连贯画面；
系统效能：2048×2048分辨率下显存占用仅14GB（优化后），较传统方案降低67%，支持消费级显卡部署。
本文的封面图就是CogView4-6B的实际测试结果，可以看到，文本是非常正确的，这在此前的模型中可能没有这么好的效果。
下图是另一个测试结果：
本次智谱AI开源的CogView4-6B是以Apache2.0协议开源。意味着没有商用限制，可以免费使用。
关于CogView4-6B模型的在线演示地址和其它信息参考DataLearnerAI的模型信息卡：https://www.datalearner.com/ai-models/pretrained-models/CogView4-6B