CogView-4, Zhipu AI'nin açık ağırlıklı metinden-görüntüye modelidir; 4 Mart 2025'te yayımlanmıştır — model slug'ındaki tarihli ek olan 250304, bir sürüm numarası değil, bu yayım tarihidir. Üretilen görüntülerin içinde Çince karakterleri doğal ve doğru biçimde render eden ilk açık kaynak metinden-görüntüye modeliydi ve araştırma amaçlı ya da ticari olmayan bir lisans yerine Apache 2.0 lisansı altında gönderilen, gerçek yeteneğe sahip ilk görüntü üretim modeliydi. Her iki ilk de aynı nedenle önemlidir: ondan önceki açık görüntü modellerinin çoğu ya Latin olmayan yazıda zayıftı ya da onları üretimin dışında bırakan bir şekilde lisanslanmıştı.
Öne çıktığı noktalar
Görüntülerin içinde metin render etmek, özellikle Çince için öne çıkan özelliktir: tabelalar, ambalaj maketleri, posterler ve içine Çince metin gömülü arayüz ekran görüntüleri, modelin çözmek için inşa edildiği kullanım örneğidir ve model bu konuda kendisinden önceki açık modellerden ölçülebilir biçimde daha iyidir. İki dillidir — hem Çince hem İngilizce promptlar çalışır, 1024 tokene kadar prompt uzunluğuyla; bu, kısa anahtar kelime promptları yerine ayrıntılı, çok cümlecikli sahne açıklamaları için yeterli alan sağlar.
Kaputun altında
CogView-4, metin kodlayıcı olarak GLM-4-9B kullanan 6 milyar parametreli bir difüzyon transformer'ıdır — Zhipu'nun dil modeli hattının tamamında kullandığı aynı metin anlama omurgası; bu da modelin daha uzun ve yapılandırılmış promptları iyi işlemesinin nedenlerinden biridir. Bir kenarı 512 ile 2048 piksel arasında olan çözünürlükleri destekler; genişlik çarpı yüksekliğin yaklaşık iki milyon pikselin altında kalması koşuluyla, bu da sabit bir hazır ayar kümesi yerine kare, dikey ve yatay çıktılar arasında esneklik sağlar.
Prompt notları
Burada daha uzun, daha açık promptlar cezalandırılmak yerine ödüllendiriliyor — GLM-4-9B metin kodlayıcısı, yapılandırılmış, çok parçalı açıklamaları ayrıştırmak üzere inşa edilmiştir. Özellikle görüntü içinde Çince metin işi için, render edilmesini istediğiniz tam karakterleri prompt içinde doğrudan tırnak içine koymak, metni dolaylı olarak tarif etmekten daha güvenilir bir yerleşim sağlar.
Nerede zayıf kalıyor
Zhipu'nun kendi belgeleri, Çince metin doğruluğunun gerçek bir ilerleme olsa da hâlâ kusurlu olduğu konusunda açık sözlü — özellikle daha küçük metin boyutlarında veya daha yoğun düzenlerde ara sıra vuruş hataları veya bozuk şekilli karakterler bekleyin. Kendi kendine barındırma sıradan bir iş değil: model, sürecin sonlandırılmasını önlemek için en az 32 GB sistem RAM'i gerektiriyor ve en üst çözünürlükte üretim, aktarma (offloading) olmadan yaklaşık 39 GB GPU belleği gerektiriyor; bu da onu tüketici GPU'ları alanının çok dışına yerleştiriyor. Çıkarım hassasiyeti BF16 veya FP32 ile sınırlıdır — üretici tarafından daha düşük hassasiyette nicemlenmiş (quantized) bir yol sunulmamaktadır.
Haklar ve lisanslama
CogView-4, Apache 2.0 lisansı altında gönderiliyor — ticari kullanım için izin verici, standart atıf dışında bir kullanım alanı kısıtlaması olmadan. Zhipu bunu, bir araştırma veya ticari olmayan lisans yerine bu şartları kullanan kendi ayarında ilk görüntü modeli olarak yayımladı; sadece araştırma demolarında değil üretim hatlarında karşımıza çıkmasının nedeni de bu.
Ne zaman tercih edilmeli
Gömülü Çince metin gerçek bir gereksinim olduğunda — ambalaj, tabela, Çin dilindeki pazarlar için pazarlama içeriği — ve en iyi tek genel fotogerçekçi modele sahip olmaktan çok izin verici bir açık lisans önem taşıdığında CogView-4 doğru seçimdir. GPU bütçesi mevcut olduğu sürece, bir ekibin barındırılan bir API'ye bağımlı olmak yerine kendi kendine barındırmak istediği her yerde de makul bir seçimdir.
Karşılaştırmaya değer alternatifler
Çok daha ağır bir hesaplama maliyeti pahasına daha da güçlü gömülü metin doğruluğu için, Zhipu'nun daha yeni glm-image modeli aynı metin render etme sorununu daha büyük bir hibrit mimariyle hedefliyor. Metin render etme gereksinimi olmayan genel amaçlı fotogerçekçi veya stilize üretim için gpt-image-1 ve gemini-2.5-flash-image, daha geniş çapta kıyaslanmış barındırılan seçeneklerdir.
Son teknik inceleme: 14 Eylül 2026 — Tokonomix.ai