Ideogram 4.0がオープンウェイトで公開 ― デザインと文字描画に強い93億パラメータの画像生成モデル

Ideogramは2026年6月3日、「Ideogram 4.0」をリリースし、同社として初めてモデルの重みを公開しました。93億パラメータのテキストから画像を生成するモデルで、ゼロから学習されています。レイアウト制御やカラーパレット指定、そして同社の代名詞である画像内の正確な文字描画など、デザイン用途に真正面から焦点を当てたモデルです。

詳細

• オープン公開: 重みはHugging Face(ideogram-ai/ideogram-4 コレクション)、推論コード・プロンプトガイド・ライセンスはGitHub(ideogram-oss/ideogram-4)で公開。fp8とnf4のチェックポイントが用意され、nf4版は24GBのGPU1枚に収まる
• アーキテクチャ: テキストと画像のトークンを1つのシーケンスで扱う34層のシングルストリーム型Diffusion Transformer(埋め込み次元4608、アテンションヘッド18、SwiGLU MLP、AdaLN変調、QK-RMSNorm、3次元マルチモーダルRoPE)
• 構成要素: テキストエンコーダーにQwen3-VL-8B-Instruct(テキスト専用モードで中間13層の隠れ状態を使用)、VAEには凍結したFlux VAE(空間方向8倍圧縮)を採用
• サンプリング: Euler法によるフローマッチング・サンプラーと非対称CFG。プリセットは12/20/48ステップ。テキストは最大2,048トークン、解像度は1辺256〜2,048px
• JSON専用プロンプト: 学習には構造化されたJSONキャプションのみを使用。バウンディングボックス(0〜1000の正規化座標)、画像全体で最大16色・要素ごとに最大5色のHEXカラー、文字要素の型指定などをプロンプトで指定できる
• 公称ベンチマーク: X-Omni英語OCR(文字描画)0.97、7Bench mIoU(レイアウト)0.69、SpatialGenEval 0.76、Prism-benchアラインメント 0.89
• デザイナー評価アリーナ: 4,366票・9パイプラインの比較で総合2位(Elo 1062)。1位はGPT Image 2(1141)で、オープンウェイトモデルの中では首位
• 安全対策: 事前学習データのNSFWフィルタリング、安全性向上のための追加学習、リファレンス実装でのHiveによるモデレーション。再配布時には同等以上のフィルタリングを義務付けている

その後

今回の公開により、Ideogramは誰でもローカルで動かせる、トップクラスのデザイン特化型画像モデルの1つとなりました。これまでAPIとアプリのみで提供してきた同社にとっては大きな方針転換です。6月中には4.0のJSON形式に合わせたプロンプトガイドを相次いで公開し、9月30日には精密なマルチターン編集に特化したホスト型(非オープン)の後継モデル「Ideogram 4.5」をリリースしました。10月にはBlack Forest LabsがFLUX 3 Image Kleinの発表でIdeogramのモデルを比較対象に挙げており、画像生成モデルの競争においてIdeogramが主要プレイヤーの一角を占めていることがうかがえます。