Ideogram در ۳ ژوئن ۲۰۲۶ مدل Ideogram 4.0 را منتشر کرد و در وبلاگ رسمی خود آن را «نخستین مدل بنیادین وزنباز» شرکت نامید. برای دنیای طراحی و تولید تصویر، این خبر دو لایه دارد: یک لایهٔ فنی جذاب دربارهٔ کنترل دقیق چیدمان و متن، و یک لایهٔ حقوقی که اگر نخوانید ممکن است گمراه شوید. هر دو را از روی منابع رسمی مرور می‌کنیم.
مشخصات فنی#
طبق وبلاگ فنی Ideogram، این مدل ۹٫۳ میلیارد پارامتر دارد و یک Diffusion Transformer تکجریانی است؛ یعنی توکن‌های متن و تصویر در یک دنباله قرار می‌گیرند. رمزگذار متن، مدل Qwen3-VL-8B-Instruct است. مدل خروجی از ۲۵۶ تا ۲۰۴۸ پیکسل در هر ضلع و با نسبت‌های تصویر انعطاف‌پذیر تولید می‌کند. نسخهٔ نف‌چهار‌بیتی (nf4) روی یک کارت گرافیک ۲۴ گیگابایتی جا میشود و وزنها در دو شکل fp8 و nf4 عرضه شده‌اند.
کنترل ساختاریافته؛ نقطهٔ قوت اصلی#
بیشتر مدل‌های تصویری را با یک جملهٔ آزاد هدایت می‌کنیم. Ideogram 4.0 علاوه بر آن امکانات دقیق‌تری دارد:
- پرامپت ساختاریافته با قالب JSON که پیش از تولید اعتبارسنجی میشود
- پالت رنگی تا ۱۶ رنگ هگزادسیمال برای هر تصویر
- جایگذاری عناصر با جعبه‌های مرزی و مختصات نرمال‌شدهٔ ۰ تا ۱۰۰۰
- عناصر متنی تایپ‌دار برای نوشتهٔ داخل تصویر
- پس‌زمینهٔ شفاف و خروجی بومی 2K
این قابلیت‌ها یعنی مدل بیشتر شبیه یک ابزار طراحی عمل می‌کند تا یک جعبهٔ شانسی. برای پوستر، بنر و طراحی بسته‌بندی، قابل‌پیش‌بینی بودن از زیبایی تصادفی مهم‌تر است.
