一句话结论：2025 年 3 月 4 日，智谱发布 CogView4，这是全球首个支持生成汉字的开源文生图模型，在 DPG-Bench 基准测试中综合评分排名第一，达到当时开源文生图模型的最先进水平（SOTA），并遵循 Apache 2.0 开源协议——对中文创作者来说，它解决的是一个长期被忽视的刚需。
CogView4 是什么
CogView4 是智谱「2025 开源年」发布的第一款模型。它的核心身份有两条：一是开源文生图模型，二是首个能把汉字正确画进画面里的开源模型。后者听上去像个小功能，实际是中文 AIGC 落地的一道硬门槛。
为什么「汉字生成」这么难
主流文生图模型的训练语料以英文为主，模型对拉丁字母的字形有充分学习，但对汉字的笔画结构、部件组合几乎没有概念。结果是：你让它画一张带标题的海报，英文标题常常准确，中文标题则大概率变成一堆似是而非的符号——既不是字，也说不清是什么。
CogView4 的突破正在于此：它能把中英文字符自然融入画面，直接满足广告、短视频封面、电商主图等需要「图上带字」的创意需求。对中文用户而言，这省掉的不是一步操作，而是整条「AI 出图 + 设计软件加字」的拼接流程。
三大技术亮点
一、复杂语义对齐与指令跟随
CogView4 具备较强的复杂语义对齐和指令跟随能力，支持任意长度的中英双语输入，并能生成任意分辨率的图像。长提示词支持意味着你可以把构图、光影、风格、文字内容一次性写清，而不必被提示词长度限制逼着做取舍。
二、二维旋转位置编码（2D RoPE）
模型采用二维旋转位置编码（2D RoPE）与多阶段训练策略。2D RoPE 的作用是让模型更好地理解图像的二维空间结构，而不是把画面当成一维序列来处理——这对「任意分辨率」生成尤其关键，因为它需要模型在不同长宽比下都能保持空间关系的一致性。
三、多阶段训练策略
多阶段训练让模型在不同分辨率、不同任务目标上分步优化，官方称其显著提升了训练效率与创作自由度。工程上的直观收益是：同一个权重可以覆盖更多出图规格，不必为每种尺寸单独训练或微调。
关键参数与开源协议
| 项目 | CogView4 | 说明 |
|---|---|---|
| 核心突破 | 首个支持汉字生成的开源文生图模型 | 中英文字符可自然融入画面 |
| 基准成绩 | DPG-Bench 综合评分第一 | 达开源文生图模型 SOTA |
| 输入支持 | 任意长度中英双语提示词 | 长文本提示词可用 |
| 输出规格 | 任意分辨率 | 依托 2D RoPE 与多阶段训练 |
| 开源协议 | Apache 2.0 | 商用友好，限制较少 |
| 关键技术 | 2D RoPE、多阶段训练 | 提升训练效率与空间一致性 |
| 生态计划 | ControlNet、ComfyUI、微调工具包 | 官方公布的后续支持方向 |
怎么用：三条上手路径
路径一：在线体验
智谱在 Hugging Face 上提供了在线体验入口，不必本地部署即可先验证效果，适合只想快速试一轮的用户。
路径二：本地部署
模型权重已在 Hugging Face 开放（仓库名 CogView4-6B），开源代码位于 GitHub 的 THUDM/CogView4 仓库。有消费级显卡的开发者可以自行拉取权重部署，数据不出本地，适合对素材保密有要求的团队。
路径三：平台直接使用
据官方公布的时间表，模型于 3 月 13 日正式上线智谱清言平台（chatglm.cn），面向普通用户开放使用，无需任何部署成本。
适合哪些创作场景
CogView4 适用于广告设计、短视频制作、艺术创作、教育等领域。官方给出的两个例子很有代表性：把古诗文意境转化为视觉画面，以及根据长故事生成四格漫画。前者考验的是语义理解，后者考验的是跨图一致性，而「汉字生成」能力让这两类场景第一次可以不借助后期加工直接交付。
在更实际的商业场景里，它的价值主要集中在电商主图、活动海报、课程封面、社媒配图这类「文字是画面一部分」的需求上。过去这类需求很难纯靠 AI 闭环，现在有了一条完整链路。
常见问题（FAQ）
CogView4 可以商用吗？
可以。模型遵循 Apache 2.0 开源协议，这是限制较少的宽松协议之一，允许商业使用、修改与分发，只需保留相应的版权与许可声明。相比一些带有商用限制的研究型许可，Apache 2.0 对企业落地更友好。
「首个支持汉字生成」具体指什么？
指的是它是当时首个能够把汉字作为画面内容正确渲染出来的开源文生图模型，而不是通过后处理贴图实现。此前开源模型中，中文文字渲染基本处于不可用状态，需要用户自行在设计软件中补字。
后续生态支持有哪些？
智谱公布的后续方向包括 ControlNet、ComfyUI 等生态支持，并将推出微调工具包。ControlNet 与 ComfyUI 的接入意味着可控生成与工作流编排会成为可能，微调工具包则便于企业用自己的素材做风格定制。
小结
CogView4 的意义不完全在跑分。它把「汉字渲染」这个中文用户的高频痛点做成了开源基线能力，同时用 Apache 2.0 协议降低了商用门槛。对做中文内容的团队来说，这是一个实用的选择：不必再为了图上那几个字，在 AI 出图与设计软件之间来回搬运。配合后续 ControlNet 与 ComfyUI 的支持，它在可控生成方向的潜力还值得继续观察。