如何评价智谱刚刚开源的文生图模型CogView4？

今天，智谱开源了新的文生图模型CogView4，而且开源协议是Apache 2.0，这意味着可以直接商用。

按照官方的说法，这是「智谱2025开源年」的第一个模型：首个支持生成汉字的开源文生图模型——CogView4。

但是我觉得这里的首个支持生成汉字，应该是限定为智谱所开源的首个支持生成汉字的文生图模型，因为之前快手其实已经开源了一个可生成汉字的文生图模型Kolors。

CogView4 在 DPG-Bench 基准测试中的综合评分排名第一，在开源文生图模型中达到 SOTA。DPG-Bench 基准测试是用来评估文生图模型的文本指令跟随能力，CogView4得分是85.13，超过之前DeepSeek开发布的Janus-Pro-7B。

但是很遗憾地说，文生图模型竞争也很激烈，目前CogView4所达到的85.13在DPG-Bench并不是最好的，前段时间NVIDIA发布的Sana-1.5达到了85.0，而开源的Lumina-Image 2.0更是达到了87.2。

另外除了DPG-Bench，官方还给出了CogView4在GenEval和T2I-CompBench两个基准测试上的性能，其中GenEval上得分是0.73，略低于Janus-Pro-7B，而在T2I-CompBench两个部分取得了最佳。

虽然在基准测试上CogView4并不是真正的SOTA，但是性能其实已经和SOTA很接近了，而且基准测试上的定量评估只能作为参考。我个人觉得CogView4的文本指令跟随能力应该算是第一梯队了。

CogView4相比之前的版本，将文本编码器从纯英文的 T5 encoder 换为具备双语能力的 GLM-4 encoder（GLM-4-9B），并通过中英双语图文进行训练，使模型具备双语提示词输入能力。这让CogView4能支持生成汉字，同时也能理解和遵循中文提示词。

虽然CogView4不是首个支持生成汉字的开源模型，但是在文字的生成准确性上超过之前的Kolors。

这里我们也简单聊一下CogView4的架构，CogView4也是DiT架构，不过并非MMDiT架构，而是延续了上一代的 Share-param DiT 架构，这里Attention和FFN的参数是文本和图像共享的（比MMDiT更节省参数），但为文本和图像模态分别设计独立的自适应 LayerNorm 层，以实现模态间的高效适配。架构上和CogVideoX是一致的，DiT参数量约6.4B。

生成方法采用Flow Matching，VAE的channel=16，不过参数量为406M，比SD3和Flux的VAE要大不少。文本编码器前面说了，采用的是9B的GLM-4-9B。

CogView4支持生成512～2048分辨率图像：

而且CogView4 突破了传统固定 token 长度的限制，允许更高的 token 上限（最长1024 tokens）。下面是一个超长提示词生成的四宫格图像：

CogView4的推理成本如下所示，采用4bit的文本编码器的话，只需要13GB显存就能生成1024图像。

最后放一些实测的例子，总体评价是画质可以，但文本指令遵循能力弱于Flux。