93 亿参数打爆 800 亿！这个开源模型把 Midjourney 短板给秒了

如果你用过 AI 生图，你应该经历过一种很微妙的崩溃。

你满怀期待地输入：“帮我做一张活动海报，标题写夏日大促全场五折。”几秒钟后，AI 给你吐出来一张图。构图完美，光影绝佳，配色高级得像某个4A公司花了二十万做出来的。

但你把图放大一看，上面的字是这样的：“夏月大足，全土五析。”

不是拼错了，就是缺胳膊少腿。要么干脆就是一串你认不出来的乱码。

笑死，这不是你运气不好。这是整个 AI 生图行业持续了三年多的集体尴尬：画啥像啥，写字就废。不管你用的是 Midjourney 还是 Stable Diffusion ，面对带文字的图，结果都差不多。

直到昨天，一家叫 Ideogram 的加拿大公司，扔出了一个 9.3B 参数的开源模型 Ideogram 4.0 。在文字渲染这个“行业绝症”上，它干了件让所有人大跌眼镜的事。

*官网截图

画了三年，连个 STOP 都拼不对

你可能会问，文字不就是一些笔画吗？画人脸比写字难多了吧？AI 人脸都能给你画得毛孔分明，为啥四个字母就搞不定？

这事还真不一样。

主流的 AI 生图模型，Stable Diffusion、Midjourney、DALL-E，它们的“大脑”分成两部分：一个负责理解文字，也就是文本编码器；一个负责画图，也就是图像生成器。中间靠“交叉注意力”来沟通。

翻译成人话就是：你写一段话，编码器把它翻译成“内部黑话”，然后传话给画画的那个部分。坏就坏在传话环节，信息是有损耗的。

打个比方。你让一个人看一张写着“ STOP ”的路牌照片，然后让他口头描述给另一个人去画。结果画出来的“ STOP ”可能变成“ SOTP ”。这就是传话损耗。

CLIP 和 T5 这些传统文本编码器，本质上是“看图说话”练出来的。它们擅长理解“这张图里有什么”，但不擅长理解“这个字长什么样”。一个字对它们来说，跟一片树叶的纹理没啥区别。都是图案。

所以 Midjourney 花了三年、七个大版本迭代，文字准确率依然只有 40% 左右。不是它不想做好，底层架构决定了这事它天然就不擅长。

但你猜 Ideogram 怎么做的？它说，我不传话了，我让文字和图像一起画。

*自制图

93 亿参数小个子，怎么打赢 800 亿巨无霸

先看一个反直觉的数据。

Ideogram 4.0 只有 93 亿参数。作为对比，FLUX.2 有 320 亿，腾讯的混元 Image 3.0 是 800 亿的参数的大模型。但文字渲染表现上，Ideogram 全面超越这两家。

怎么做到的？翻了它 GitHub 上的技术文档，发现核心是三个字：不走老路。

第一个不走老路，叫“ 单流 DiT 架构 ”。

传统做法是双流：文字一条管道，图像一条管道，中间靠交叉注意力传话。而 Ideogram 的单流架构，是把文字 token 和图像 token 拼接成一个统一序列，扔进同一个 34 层 Transformer 里。

什么意思呢？在它的“大脑”里，文字不是被翻译后传进去的外部信息。文字和像素、颜色、构图一起，作为画面的“原生组成部分”被思考。

这就像让一个人同时写字和画画。不是让一个人写了字交给另一个人去描。

第二个不走老路，是文本编码器。它没用 CLIP ，没用 T5 ，而是用了 Qwen3-VL ，一个真正的视觉语言模型。这哥们儿是能“ 看懂图 ”的，不是只会“看图说话”的。而且它不是只从一个层提取特征，是从 13 个中间层同时抽，相当于从“粗看”到“细品”一次性全拿了。

第三个不走老路，更狠。

Ideogram 的训练数据，不是在“图片加描述”上训练的，而是在结构化 JSON 标注上训练的。每张训练图都有详细标注：标题在哪个位置、正文是什么字体、背景是什么颜色。

这意味着，模型学到的不只是“画一张有字的图”，而是“理解排版逻辑”。

效果怎么样？ContraLabs 搞了个文字渲染盲测排行，让真正的设计师来打分。

注意，这是专门针对排版质量的测试，参与者是真实设计师。不是爱好者投票，不是社区打分，是专业用户用脚投出来的。

*ContraLabs 文字渲染盲测排行截图

而且它不只有文字强。

原生 2K 分辨率、支持 6:1 超宽画幅、色板调色控制、JSON 结构化提示，这些功能放在一起，结果就是：

你不光能用它做海报和 LOGO，还能做横版封面、竖版手机壁纸，配色都能精确指定。

该说不说，这已经不是“画图”的级别了，是“交付设计稿”。

开源这把刀，砍在了谁身上

到这里你可能觉得：技术很强，跟我有啥关系？

关键来了。Ideogram 4.0 是开源的。更准确地说，是“开放权重”。你可以在自己的机器上跑它、用自己的数据微调它、在自己的产品里集成它。

当然，有个但。商业使用要付费。

听起来有点像“打着开源的旗号搞商业”对吧？但说实话，这恰恰是 Ideogram 最聪明的一步棋。

你看，AI 生图这个赛道过去几年演化出了三种生存策略。Stable Diffusion 的“全开源赌生态”路线，结果 SD3 崩了，连创始人都跑路了。Midjourney 的“全闭源赌品质”路线，赚到了钱，但用户被锁在 Discord 里。GPT-Image 和 Imagen 的“大厂绑套餐”路线，技术强但是贵。

Ideogram 选了第四条路：权重给你白嫖，商业再说。这招最妙的地方，能在最短时间内把生态铺开。

果不其然。发布 24 小时内，HuggingFace、ComfyUI、Replicate、Leonardo AI、Krea AI、Picsart、Cloudflare，14 个以上的平台宣布接入。

好家伙，这意味着设计师不需要换工具，在自己熟悉的 ComfyUI 或 Krea 里就能用上 Ideogram 4.0 。而 Midjourney 呢？还在跟 Discord 一个聊天软件绑死。

哦对了忘了说，API 价格也相当感人。最快模式 0.03 美元一张，最高质量 0.1 美元一张。花不到一块钱人民币，就能生成一张能直接用的海报。

*开源生图模型参数效率对比

那问题来了，谁在慌？

先说 Midjourney。文字渲染一直是它的软肋，但以前大家都没解决好，所以它可以说“ AI 生图都这样”。现在 Ideogram 直接干到了碾压级，这个借口没了。尤其是在海报、LOGO 、封面、社媒素材这些商业设计场景，文字是刚需，Midjourney 在这个赛道上基本被降维打击。

但设计师没那么容易慌。工具再强，你得知道“五折”这两个字放哪儿好看、用什么字体不违和、配色怎么不翻车。这个判断，目前还是人的活儿。

真正可能被冲击的，是Canva和稿定设计这类模板工具。如果AI能精准生成带文字的设计稿，几百套模板的意义还剩多少？

不过也要说句实在话。目前 Ideogram 4.0 的中文文字渲染效果还不明确，评测主要基于英文。而且它的“开源”有限制：非商业免费，商业要买许可证。这跟 Stable Diffusion 那种可以随便商用的真开源不是一回事。

文字之后，下一个战场

Ideogram 4.0 真正值得关注的地方，不是它“又开源了一个模型”。而是它证明了：AI 生图最被低估的那块短板，其实是可以靠架构创新填上的，不一定非得堆更大的模型。

但这不是终点。

文字渲染被封堵之后，AI 生图还剩几块拼图没拼上。

第一块是角色一致性。生成一个主角的十张图，十张脸都不一样。虽然这方面一直有在进步，但这个尴尬至今没有模型能彻底完美解决，别说做漫画了，做个连续的产品展示图都得撞运气。

第二块是精细编辑。你说“把标题改成绿色”，多数模型要么不理你，要么把整张图给你重新画一遍。好消息是，Ideogram 官方已经预告“可编辑文本和图层功能即将上线”。如果真做出来，那才是真正的“ AI 版 Photoshop ”。

第三块是中文。对，咱们最关心的。目前全球顶尖的生图模型，对中文文字的支持基本等于零。这恰恰是国产模型的机会窗口。通义万象、即梦AI，听到没？

不过话说回来，文字的窗口期不会太长。Midjourney V8 已经在测试改进文字渲染，FLUX 也在追。估计 6-12 个月内，“ AI 能写字”就会从差异化变成标配。

到那个时候，拼的就不再是“谁能写字”，而是“谁能设计”。

*Design Arena 开源生图模型排行榜

从“ AI 画啥像啥、写字就废”到“开源模型把 Midjourney 给秒了”，这条路走了三年多。

当年第一波 AI 生图火起来的时候，设计师们一边惊叹一边冷笑：画得再好看有什么用，你连个像样的 LOGO 都做不出来。

那个冷笑，被 Ideogram 4.0 给堵上了。说白了，不是 Ideogram 有多神，而是整个行业在这个问题上憋太久了，一个敢走新路的人冲出来，自然就成了破局者。

但真正重要的是，Ideogram 4.0 的对手不是 Midjourney 。它的对手是“ AI 到底能不能真正干活”这个终极问题。文字渲染，只是回答这个问题的第一步。

以前你让 AI 做个海报，你得先祈祷它能写对字，然后自己开 Photoshop 改。以后，这个过程可能变成：说一句话，AI 给你一张能用的成品。

问题是，到那个时候，你打算用它做什么？

数据来源与参考资料

评测数据：ContraLabs盲测、DesignArena排行榜、The Decoder

对比评测：pxz.ai (50小时实测)、uuaihub多工具横评

综合：IT之家、新浪科技、The Decoder、deogram 官方、GitHub、assets

编辑：HQL