CogView-4 ist Zhipu AIs offenes Text-zu-Bild-Modell, veröffentlicht am 4. März 2025 — das datierte Suffix im Modell-Slug, 250304, ist dieses Veröffentlichungsdatum, keine Versionsnummer. Es war das erste Open-Source-Text-zu-Bild-Modell, das chinesische Schriftzeichen nativ und präzise innerhalb generierter Bilder darstellen konnte, und das erste Bildgenerierungsmodell mit ernstzunehmender Leistungsfähigkeit, das unter der Apache-2.0-Lizenz statt unter einer reinen Forschungs- oder nicht-kommerziellen Lizenz erschien. Beide Premieren zählen aus demselben Grund: Die meisten offenen Bildmodelle davor waren entweder schwach bei nicht-lateinischer Schrift oder so lizenziert, dass sie außerhalb der Produktion blieben.
Wo es glänzt
Textdarstellung innerhalb von Bildern ist das herausragende Merkmal, speziell für Chinesisch: Beschilderung, Verpackungs-Mockups, Poster und UI-Screenshots mit eingebettetem chinesischem Text sind der Anwendungsfall, für den das Modell gebaut wurde, und es ist darin messbar besser als die offenen Modelle davor. Es ist zweisprachig — sowohl chinesische als auch englische Prompts funktionieren, bei einer Promptlänge von bis zu 1024 Token, was genug Raum für detaillierte, mehrteilige Szenenbeschreibungen statt kurzer Stichwort-Prompts bietet.
Unter der Haube
CogView-4 ist ein Diffusion-Transformer mit 6 Milliarden Parametern, der GLM-4-9B als Text-Encoder verwendet — dasselbe Textverständnis-Backbone, das Zhipu über seine gesamte Sprachmodell-Reihe hinweg einsetzt, was mit erklärt, warum es längere und stärker strukturierte Prompts gut verarbeitet. Es unterstützt Auflösungen von 512 bis 2048 Pixel pro Seite, begrenzt so, dass Breite mal Höhe unter rund zwei Millionen Pixel bleibt — das gibt Flexibilität über quadratische, Hoch- und Querformat-Ausgaben statt einer festen Preset-Auswahl.
Hinweise zum Prompting
Längere, explizitere Prompts werden hier belohnt statt bestraft — der GLM-4-9B-Text-Encoder ist darauf ausgelegt, strukturierte, mehrteilige Beschreibungen zu verarbeiten. Speziell für chinesischen Text im Bild führt das direkte Setzen der gewünschten Zeichen in Anführungszeichen im Prompt zu zuverlässigerer Platzierung als eine indirekte Beschreibung des Textes.
Wo es an Grenzen stößt
Zhipus eigene Dokumentation räumt offen ein, dass die Genauigkeit chinesischen Texts zwar ein echter Fortschritt, aber weiterhin nicht perfekt ist — rechnen Sie gelegentlich mit fehlerhaften Strichen oder missgebildeten Zeichen, besonders bei kleineren Textgrößen oder dichteren Layouts. Self-Hosting ist kein Nebenbei-Projekt: Das Modell benötigt mindestens 32 GB Arbeitsspeicher, damit der Prozess nicht abgebrochen wird, und die Generierung in der höchsten Auflösung benötigt ohne Offloading rund 39 GB GPU-Speicher — das liegt deutlich außerhalb dessen, was Consumer-GPUs leisten. Die Inferenzpräzision ist auf BF16 oder FP32 begrenzt — einen quantisierten Pfad mit geringerer Präzision bietet der Hersteller nicht an.
Rechte und Lizenzierung
CogView-4 erscheint unter der Apache-2.0-Lizenz — freizügig für die kommerzielle Nutzung, ohne Einschränkung des Einsatzbereichs über die übliche Namensnennung hinaus. Zhipu hat es als erstes Bildmodell dieser Größenordnung veröffentlicht, das auf diese Bedingungen statt auf eine Forschungs- oder nicht-kommerzielle Lizenz setzt — der Grund, warum es in Produktions-Pipelines auftaucht und nicht nur in Forschungs-Demos.
Wann Sie es wählen
CogView-4 ist die richtige Wahl, wenn eingebetteter chinesischer Text eine echte Anforderung ist — Verpackung, Beschilderung, Marketing-Kreativarbeit für chinesischsprachige Märkte — und wenn eine freizügige offene Lizenz stärker zählt als das eine beste allgemeine fotorealistische Modell verfügbar zu haben. Es ist auch eine vernünftige Wahl überall dort, wo ein Team selbst hosten statt von einer gehosteten API abhängen möchte, sofern das GPU-Budget vorhanden ist.
Alternativen im Vergleich
Für noch stärkere Genauigkeit bei eingebettetem Text, auf Kosten deutlich höheren Rechenaufwands, zielt Zhipus neueres glm-image mit einer größeren Hybridarchitektur auf dasselbe Textdarstellungsproblem. Für allgemeine fotorealistische oder stilisierte Generierung ohne Textdarstellungsanforderung sind gpt-image-1 und gemini-2.5-flash-image die breiter benchmarkten gehosteten Optionen.
Letzte technische Überprüfung: 2026-09-14 — Tokonomix.ai