CogView-4 es el modelo de texto a imagen de pesos abiertos de Zhipu AI, lanzado el 4 de marzo de 2025 — el sufijo con fecha en el nombre del modelo, 250304, es esa fecha de lanzamiento, no un número de versión. Fue el primer modelo de texto a imagen de código abierto en renderizar caracteres chinos de forma nativa y precisa dentro de imágenes generadas, y el primer modelo de generación de imágenes de capacidad real en publicarse bajo la licencia Apache 2.0 en lugar de una licencia solo para investigación o no comercial. Ambas primicias importan por la misma razón: la mayoría de los modelos de imagen abiertos anteriores eran débiles en escritura no latina o tenían una licencia que los dejaba fuera de producción.
Dónde destaca
El renderizado de texto dentro de las imágenes es la característica más destacada, específicamente para el chino: señalización, maquetas de empaquetado, carteles y capturas de pantalla de interfaz con texto chino incrustado son el caso de uso para el que se construyó el modelo, y es notablemente mejor en esto que los modelos abiertos que lo precedieron. Es bilingüe — funcionan tanto los prompts en chino como en inglés, con una longitud de prompt de hasta 1.024 tokens, suficiente margen para descripciones de escena detalladas y con varias cláusulas en lugar de prompts cortos de palabras clave.
Bajo el capó
CogView-4 es un transformer de difusión de 6.000 millones de parámetros que usa GLM-4-9B como codificador de texto — la misma base de comprensión de texto que Zhipu usa en toda su línea de modelos de lenguaje, lo cual es parte de por qué maneja bien los prompts más largos y estructurados. Admite resoluciones desde 512 hasta 2048 píxeles por lado, con la restricción de que el ancho por el alto se mantenga por debajo de aproximadamente dos millones de píxeles, lo que da flexibilidad entre salidas cuadradas, verticales y horizontales en lugar de un conjunto fijo de preajustes.
Notas sobre el prompting
Aquí se premian los prompts más largos y explícitos en lugar de penalizarse — el codificador de texto GLM-4-9B está construido para analizar descripciones estructuradas y de varias partes. Para trabajo específico de texto chino incrustado en la imagen, poner los caracteres exactos que quieres renderizar directamente entre comillas dentro del prompt consigue una colocación más fiable que describir el texto de forma indirecta.
Dónde se queda corto
La propia documentación de Zhipu es franca al reconocer que la precisión del texto chino, aunque supone un avance genuino, sigue siendo imperfecta — hay que esperar errores de trazo ocasionales o caracteres malformados, especialmente en tamaños de texto más pequeños o composiciones más recargadas. El autoalojamiento no es algo trivial: el modelo requiere al menos 32 GB de RAM del sistema para evitar que el proceso sea terminado, y generar a la resolución máxima necesita aproximadamente 39 GB de memoria de GPU sin descarga (offloading), lo que lo sitúa bien fuera del territorio de las GPU de consumo. La precisión de inferencia se limita a BF16 o FP32 — el fabricante no ofrece ninguna ruta cuantizada de menor precisión.
Derechos y licencias
CogView-4 se publica bajo la licencia Apache 2.0 — permisiva para uso comercial, sin restricción de campo de uso más allá de la atribución estándar. Zhipu lo ha publicado como el primer modelo de imagen de su calibre en usar estos términos en lugar de una licencia de investigación o no comercial, razón por la cual aparece en canalizaciones de producción y no solo en demos de investigación.
Cuándo elegirlo
CogView-4 es la elección correcta cuando el texto chino incrustado es un requisito real — empaquetado, señalización, creatividad de marketing para mercados de habla china — y cuando una licencia abierta permisiva importa más que tener el mejor modelo fotorrealista general disponible. También es una opción razonable en cualquier caso donde un equipo quiera autoalojarse en lugar de depender de una API alojada, siempre que el presupuesto de GPU lo permita.
Alternativas que vale la pena comparar
Para una precisión de texto incrustado aún mayor a costa de un cómputo mucho más pesado, el más nuevo glm-image de Zhipu aborda el mismo problema de renderizado de texto con una arquitectura híbrida más grande. Para generación fotorrealista o estilizada de propósito general sin un requisito de renderizado de texto, gpt-image-1 y gemini-2.5-flash-image son las opciones alojadas con mejor evaluación comparativa en general.
Última revisión técnica: 14 de septiembre de 2026 — Tokonomix.ai