‏Ideogram 4 منتشر شد: مدل تصویرساز اوپن‌ویت

Ideogram اعلام کرده Ideogram 4 رو منتشر کرده — اولین مدل text-to-image اوپن‌ویت این شرکت که کد inference و وزن‌هاش حالا عمومیه. تیم سازنده می‌گه این یه مدل پایهٔ کاملاً جدیده که از صفر آموزش دیده و فاین‌تیون یا distill هیچ مدل موجودی نیست.

مدل با ۹.۳ میلیارد پارامتر، یه معماری flow-matching روی پایهٔ Diffusion Transformer با ساختار single-stream کاملاً یکپارچه‌ست؛ یعنی توکن‌های متن و تصویر تو یه دنبالهٔ واحد کنار هم می‌شن و از همون ۳۴ لایهٔ ترنسفورمر رد می‌شن، بدون این‌که شاخهٔ جدا واسه متن و تصویر باشه. یه نکتهٔ معماری جالبش اینه که به‌جای انکودر متنی مثل CLIP یا T5، از یه مدل کامل vision-language یعنی Qwen3-VL-8B-Instruct به‌عنوان انکودر استفاده می‌کنه و حالت‌های پنهان رو از ۱۳ لایهٔ میانی برمی‌داره تا درک معنایی چندمقیاسی به دست بیاره.