Ideogram 4 是 Ideogram 的首个开放权重文本到图像模型，属于从零训练的基础模型，而非对现有模型的微调。它引入结构化 JSON 提示接口，具备多语言文字渲染、深度语言理解、显式边界框布局与调色板控制，并原生支持 2K 分辨率图像。官方表示，体验该模型最便捷的方式是在 ideogram.ai 在线使用。
主要能力
- 极端可控性：模型基于结构化 JSON 描述训练，用户可通过单一提示控制构图、风格、光照、调色板、排版与空间布局。
- 先进文字渲染：在图像内文字生成（标牌、标志、字幕、水印、多行文本）方面表现突出，可直接从提示生成高保真文字。
- 空间布局控制：提示中的边界框坐标可显式放置主体、文字元素与背景区域。
- 调色板条件控制：在提示中指定十六进制颜色，引导图像主色调。
- 灵活分辨率：原生支持 256 至 2048 之间任意分辨率（16 的倍数），宽高比最高 6:1，单一模型可处理方形缩略图到超宽横幅，噪声调度按分辨率自动调整。
架构特点 Ideogram 4 是基于完全单流 Diffusion Transformer（DiT）架构的流匹配文本到图像模型。文本与图像 token 拼接为统一序列，通过同一 34 层 transformer 处理，无独立文本或图像分支，实现每层深度跨模态交互。文本编码器采用 Qwen3-VL-8B-Instruct 视觉语言模型，从 13 个中间层提取隐藏状态并拼接，提供多尺度语义特征。模型使用双分支无分类器引导，条件（正）与无条件（负）分支可独立优化，分别控制提示遵循度与图像质量。
使用方式 模型权重在 Hugging Face 上受门控限制，需先接受许可并认证。步骤包括：打开模型页面（ideogram-ai/ideogram-4-nf4 或 ideogram-ai/ideogram-4-fp8），点击 Agree and access repository 接受许可；在 huggingface.co/settings/tokens 创建访问令牌并登录（hf auth login），或直接导出 HF_TOKEN="hf_..."。若计划修改代码，可以可编辑模式安装，使 src/ideogram4/ 下的更改无需重新安装即可生效。
推理时，普通 --prompt 会由“magic prompt” LLM 重写为模型期望的结构化 JSON 描述。默认使用 Ideogram 托管的 magic-prompt API，该服务免费并在服务端完成扩展，需读取 IDEOGRAM_API_KEY（在 https://ideogram.ai/platform 获取）。也可通过自有 LLM 提供商运行扩展，官方开源了其中一个 magic-prompt 系统提示。为获得最高质量图像，可设置 --height 2048 --width 2048 与 --sampler-preset V4_QUALITY_48。提示与输出安全筛查通过 Hive 执行，需注册并创建 Text Moderation 与 Visual Content Moderation 密钥，导出为 HIVE_TEXT_MODERATION_KEY 与 HIVE_VISUAL_MODERATION_KEY，或通过 --hive-text-key / --hive-visual-key 传入。采样器预设、参数参考与优化技巧见 docs/inference.md。
提示方式 Ideogram 4 仅基于结构化 JSON 描述训练，必须提供符合其描述模式的 JSON 对象。可使用 LLM 将自然语言提示转为 JSON 对象。JSON 提示可实现最大可控性，模型原生理解该结构。调色板条件控制可在风格描述中指定 colour_palette 十六进制颜色数组。宽高比灵活，支持每边 256 至 2048 的 16 倍数分辨率，适用于肖像、风景、横幅、手机壁纸、社交媒体格式等。边界框布局可在提示中指定 bbox 坐标，显式放置主体、文字元素与背景区域。构图控制可使用 compositional_deconstruction 配合可选边界框与逐元素描述，实现精确空间布局。若不想手写 JSON，可使用 magic prompt，它通过 LLM 将纯文本提示扩展为完整结构化描述，在 run_inference.py 中默认运行。完整指南见 docs/prompting.md。
评估表现 官方在第三方竞技场与基准、标准开源基准以及内部人类偏好基准上评估 Ideogram 4。在 Design Arena 设计导向图像 Elo 排行榜上，Ideogram 4 是排名最高的开放权重模型，仅次于专有 GPT 与 Gemini 模型；仅筛选开放权重模型时，其领先优势明显。ContraLabs 的盲测排版评估由十位专业设计师评判，Ideogram 4 在第一名胜率上领先，总体被选为四款模型中最佳的比例为 47.9%，高于 Gemini 3.1 Flash Image Preview（Nano Banana 2）的 30.0%、FLUX.2 [max] 的 15.5% 与 Grok Imagine 1.0 的 15.0%。在“是否会在真实客户工作中使用”问题上，设计师对 Ideogram 4 评分最高，为 3.55/5。在 LMArena 通用文本到图像排行榜上，Ideogram 是排名最高的开放权重实验室，整体位列前五。内部人类偏好基准聚焦平面设计与摄影，Bradley-Terry 评分将 Ideogram 4 列为总体第二，仅次于 GPT Image 2 medium，为开放权重模型第一。在标准开源基准上，包括布局控制（7Bench）、空间推理与物体保真（SpatialGenEval）、文字渲染（X-Omni OCR）与提示对齐（Prism），Ideogram 4 缩小了与领先闭源模型的差距，在布局控制（7Bench）上显著优于所有闭源模型。以 9.3B 参数，Ideogram 4 在所基准测试的开放权重发布中文字渲染最佳，领先于更大模型如 Qwen-Image（20B）、FLUX.2 [dev]（32B）与 HunyuanImage 3.0（80B MoE）。
适用场景与限制 适用于需要高可控性图像生成的设计场景，如排版、标志、标牌、社交媒体素材、横幅、壁纸等，尤其适合对图像内文字渲染与空间布局有精确要求的任务。限制方面：模型仅基于结构化 JSON 描述训练，需提供符合模式的 JSON 对象；权重受 Hugging Face 门控，需接受许可并认证；默认 magic prompt 依赖 Ideogram 托管 API 与 API 密钥；安全筛查依赖 Hive 密钥；官方计划未来支持更多量化，当前量化支持情况暂未提供。
