CogView-4 est le modèle texte-vers-image à poids ouverts de Zhipu AI, sorti le 4 mars 2025 — le suffixe daté dans le slug du modèle, 250304, correspond à cette date de sortie, pas à un numéro de version. Ce fut le premier modèle texte-vers-image open source à restituer nativement et avec précision des caractères chinois à l'intérieur d'images générées, et le premier modèle de génération d'image doté d'une réelle capacité à être distribué sous licence Apache 2.0 plutôt que sous une licence réservée à la recherche ou non commerciale. Ces deux premières comptent pour la même raison : la plupart des modèles d'image ouverts qui l'ont précédé étaient soit faibles sur les écritures non latines, soit sous une licence qui les maintenait hors de la production.
Là où il excelle
Le rendu de texte à l'intérieur des images est la caractéristique phare, spécifiquement pour le chinois : signalétique, maquettes d'emballage, affiches et captures d'écran d'interface avec du texte chinois intégré constituent le cas d'usage pour lequel le modèle a été conçu, et il y est mesurablement meilleur que les modèles ouverts qui l'ont précédé. Il est bilingue — les prompts en chinois comme en anglais fonctionnent, avec une longueur de prompt allant jusqu'à 1024 tokens, ce qui laisse assez de place pour des descriptions de scène détaillées à plusieurs clauses plutôt que de courts prompts par mots-clés.
Sous le capot
CogView-4 est un transformer de diffusion à 6 milliards de paramètres utilisant GLM-4-9B comme encodeur de texte — le même socle de compréhension du texte que Zhipu utilise sur toute sa gamme de modèles de langage, ce qui explique en partie pourquoi il traite bien les prompts longs et structurés. Il prend en charge des résolutions de 512 à 2048 pixels de côté, contraintes de sorte que largeur multipliée par hauteur reste sous environ deux millions de pixels, offrant une flexibilité entre formats carré, portrait et paysage plutôt qu'un ensemble fixe de préréglages.
Notes de prompting
Des prompts plus longs et plus explicites sont ici récompensés plutôt que pénalisés — l'encodeur de texte GLM-4-9B est conçu pour analyser des descriptions structurées à plusieurs parties. Pour le travail de texte chinois intégré à l'image en particulier, placer directement entre guillemets, dans le prompt, les caractères exacts que vous voulez voir rendus produit un placement plus fiable que de décrire le texte indirectement.
Là où il montre ses limites
La documentation de Zhipu reconnaît franchement que la précision du texte chinois, bien que constituant une avancée réelle, reste imparfaite — attendez-vous occasionnellement à des erreurs de trait ou des caractères mal formés, surtout sur de petites tailles de texte ou des mises en page chargées. L'auto-hébergement n'est pas anodin : le modèle nécessite au moins 32 Go de RAM système pour éviter que le processus ne soit interrompu, et générer à la résolution maximale demande environ 39 Go de mémoire GPU sans déchargement, ce qui le place bien au-delà des GPU grand public. La précision d'inférence est limitée à BF16 ou FP32 — aucun chemin quantifié à précision réduite n'est proposé par l'éditeur.
Droits et licence
CogView-4 est distribué sous licence Apache 2.0 — permissive pour un usage commercial, sans restriction de domaine d'usage au-delà de l'attribution standard. Zhipu l'a publié comme le premier modèle d'image de ce calibre à adopter ces conditions plutôt qu'une licence de recherche ou non commerciale, ce qui explique qu'on le retrouve dans des pipelines de production et pas seulement dans des démonstrations de recherche.
Quand le choisir
CogView-4 est le bon choix lorsque le texte chinois intégré est une exigence réelle — emballage, signalétique, création marketing pour les marchés de langue chinoise — et lorsqu'une licence ouverte permissive compte davantage que disposer du seul meilleur modèle photoréaliste généraliste. C'est aussi un choix raisonnable partout où une équipe souhaite s'auto-héberger plutôt que dépendre d'une API hébergée, à condition de disposer du budget GPU nécessaire.
Alternatives à comparer
Pour une précision de texte intégré encore plus forte, au prix d'un calcul bien plus lourd, le glm-image plus récent de Zhipu vise le même problème de rendu de texte avec une architecture hybride plus grande. Pour une génération photoréaliste ou stylisée généraliste sans exigence de rendu de texte, gpt-image-1 et gemini-2.5-flash-image sont les options hébergées les plus largement benchmarkées.
Dernière revue technique : 2026-09-14 — Tokonomix.ai