CogView4-6B：智谱AI开源模型引领文生图新纪元？

1. 背景：开源模型的新纪元？

1.1 为什么说现在是“开源年”？

近年来，开源模型如雨后春笋般涌现，尤其是在AI领域。智谱AI在短时间内发布多个开源模型，引发了业界广泛关注。智谱AI不仅覆盖了基座模型、推理模型、多模态模型，还涉及 Agent 应用，每次更新都像开盲盒一样充满惊喜。市场上开源模型众多，用户在选择上也面临一定的挑战，但从整体趋势来看，开源无疑是未来AI发展的重要方向。

1.2 CogView4-6B 凭什么能成为焦点？

CogView4-6B 是智谱AI最新推出的文生图开源模型，它支持中英双语提示语输入，能够生成具有中国古诗文意境的图像，并支持在画面中生成中英文字体。在 DPG-Bench 基准测试中，CogView4-6B 的综合评分排名第一，超越了 DeepSeek 的 Janus-Pro-7B、Flux.1-dev、SD3-Medium 等模型，达到了开源文生图模型的 SOTA (State of The Art) 水平。更令人惊喜的是，它支持在 2048*2048 任意范围的分辨率生成图像，这为用户提供了极大的创作自由。

2. CogView4-6B 的核心优势是什么？

2.1 任意分辨率生成

问题： 为什么说支持任意分辨率生成很重要？

解答： 传统的文生图模型通常只能生成固定比例的图像，如果需要更高清或特定尺寸的图像，往往需要进行裁剪或放大，这可能会影响图像的清晰度和质量。CogView4-6B 支持在 2048*2048 范围内任意分辨率生成，这意味着你可以根据实际需求，生成各种尺寸的图片，而无需担心清晰度问题，这极大地扩展了图片的应用场景。

例子：

• 你可以生成一张适合手机壁纸的竖版高清图片。
• 你可以生成一张适合印刷的海报尺寸图片。
• 你可以生成一张适合投影仪播放的宽屏图片。

2.2 提示语遵循度高

问题： 提示语遵循度高有什么好处？

解答： 提示语遵循度是指模型对用户输入的提示语的理解和执行程度。CogView4-6B 对提示语的遵循度很高，这意味着你可以通过简单的提示语，就能生成符合你预期的图像，减少了反复调整提示语的麻烦。

例子： 如果你输入 “生成一幅描绘’飞流直下三千尺’诗句的风景图，中国水墨画风格”，CogView4-6B 能够很好地理解诗句的意境，生成具有山水、瀑布等元素的中国水墨画风格的图像。

2.3 强大的文本生成能力

问题： CogView4-6B 在文本生成方面有哪些亮点？

解答： CogView4-6B 不仅能生成图像，还能在图像中生成清晰、稳定的中英文字体。你可以自定义文字的位置、大小，甚至字体风格。这为创作带来了极大的便利。

例子：

• 你可以生成一张咖啡店门口的图片，并在招牌上写上 “卡尔的咖啡店 (Carl’s coffee)”。
• 你可以生成一张涂鸦墙，墙上写着 “炸裂” 两个字。

2.4 意想不到的分屏效果

问题： CogView4-6B 的分屏效果如何？

解答： CogView4-6B 能够根据提示语，将画面分割成多个区域，并在每个区域中描绘不同的内容，甚至在每个区域中添加文字。而且，分屏内容非常准确，效果稳定。

例子： 你可以输入 “生成一张图片，画面平均分成四个区域，从左到右依次描绘春天的柳树，夏天的荷花，秋天的枫叶和冬天的梅花四个画面，并在四个区域依次写上中文字“春”“夏”“秋”“冬”，中国水墨画风格，水墨笔触明显”，CogView4-6B 就能生成一张包含春夏秋冬四个场景，并在每个场景中添加对应文字的图像。

3. CogView4-6B 的技术揭秘

3.1 如何实现双语支持？

解答： CogView4 将文本编码器从纯英文的 T5 encoder 替换为具备双语能力的 GLM-4 encoder，并通过中英双语图文对进行训练，从而具备了双语提示词输入能力。

3.2 如何支持任意长度输入？

解答： CogView4 采用了一种类似 “弹性袋子” 的机制，能够根据描述的长短自动调整容量。即使描述长达几百字，也能高效理解核心内容，节省 50% 的 “废话” 空间。

3.3 如何生成任意尺寸的图片？

解答： 当图片变大或变小 (比如从 512×512 变成 1024×1024) 时，模型可以通过 “拉伸坐标” 调整位置编码，像缩放地图一样适应新尺寸。

4. CogView4-6B 的未来展望

4.1 淘汰 Stable Diffusion？

CogView4-6B 在 DPG-Bench 基准测试中超过了 Flux，而 Flux 之前已经基本淘汰了 Stable Diffusion。这表明 CogView4-6B 有潜力成为新一代的文生图模型。

4.2 自带 ControlNet、ComfyUI 和微调工具

CogView4-6B 自带 ControlNet、ComfyUI 以及全套的微调工具，这为用户提供了极大的便利，降低了使用门槛。

4.3 智谱AI 的开源奇迹

智谱AI 在基座模型、推理模型、多模态模型、自主 Agent 等领域都有布局，并且每一项的效果都不差。这表明智谱AI 具有强大的研发实力，有能力在开源领域创造更多的奇迹。

5. 总结

CogView4-6B 作为智谱AI 开源年的首个开源模型，凭借其强大的功能和出色的性能，为文生图领域带来了新的可能性。它支持中英双语提示语输入，能够生成具有中国古诗文意境的图像，并支持在画面中生成中英文字体。更重要的是，它支持在 2048*2048 任意范围的分辨率生成图像，这为用户提供了极大的创作自由。CogView4-6B 的发布，无疑将推动文生图技术的发展，为各行各业带来更多的创新应用。

我认为：世上本没有路，走的人多了，也便成了路。开源亦是如此，参与者众，则生态繁荣。智谱此举，虽不能断言必成大器，然其勇气与魄力，已足可敬佩。#CogView4-6B,