ERNIE-Image

ERNIE-Image 对决 Ideogram 4.0：8B 全开源 vs 9.3B 非商用权重，文字渲染与设计控制全面横评

Aug 1, 2026

ERNIE-Image 对决 Ideogram 4.0：8B 全开源 vs 9.3B 非商用权重，文字渲染与设计控制全面横评

2026 年 6 月 3 日，Ideogram 在多伦多宣布了一件让开源社区等了两年的事：把旗舰模型 Ideogram 4.0 的权重公开。过去两年，闭源模型在"图里写字"这件事上把开源生态远远甩开——海报标题、包装文案、路牌标识，闭源模型能渲染得整整齐齐，开源模型却经常拼错字母。Ideogram 4.0 声称要亲手终结这个差距，而且它选择了一个非常直接的对手：百度在 4 月 15 日开源的 ERNIE-Image。

两个模型都是"为设计而生"的单流 DiT，都主打文字渲染、版式控制和结构化生成（海报、漫画、信息图）。一个 8B 参数、Apache 2.0 全开源、中文英文通吃；一个 9.3B 参数、从零训练、用结构化 JSON 精确控制每个元素的位置。它们正面相遇，对想用开源模型做设计工作的人来说，这是一道非常实际的选择题。

ERNIE-Image 官方示例作品

架构对比：同为单流 DiT 的不同取舍

ERNIE-Image 走的是"紧凑 + 增强"路线：8B 单流 DiT 作为主干，搭配一个 3B 的 Prompt Enhancer（PE），把用户简短输入扩写成结构化描述，再配合 FLUX.2 VAE 完成潜空间编解码。SFT 版需要 50 步推理，Turbo 版通过 DMD 蒸馏和 RL 优化压缩到 8 步。

Ideogram 4.0 则是"从零训练 + 视觉语言编码器"：9.3B 单流 DiT，34 层 Transformer，embedding 维度 4608，用 flow matching 训练，不是任何现有模型的微调。它没有独立的提示词增强器，而是直接用 Qwen3-VL-8B-Instruct 这个视觉语言模型当文本编码器，把 13 个中间层的 hidden states 拼接后送入 DiT 主干——这让模型天生具备"看图理解"的能力。

Ideogram 4.0 架构流程

两条路线各有道理：ERNIE-Image 用轻量 PE 换来了对中文、日文等多语言提示的稳定增强；Ideogram 4 用更大的视觉编码器换来了对版面语义的深层理解。参数规模上 Ideogram 4 略大（9.3B vs 8B），但两者都远小于 Qwen-Image（20B）和 FLUX.2 [dev]（32B），属于同一档位的"效率型"模型。

文字渲染：两份不同的成绩单

文字渲染是这两个模型的核心战场，但两家交出的成绩单维度不同。ERNIE-Image 在 LongTextBench 上以 EN 0.9804 / ZH 0.9661（平均 0.9733，w/ PE）拿下开源模型第一，仅次于闭源的 Seedream 4.5（0.9882）——注意中文维度，ERNIE-Image 是中文长文本渲染的绝对强者，这是它相比绝大多数国际模型的核心差异点。

Ideogram 4 则在 X-Omni English OCR 上拿到 0.97，并在 DesignArena 第三方盲评榜位列开源模型第一，Arena.ai 开源榜 ELO 1204 登顶。官方声称其 9.3B 的文字渲染在盲测中超过 Qwen-Image（20B）、FLUX.2 [dev]（32B）甚至 HunyuanImage 3.0（80B MoE）这些更大的模型。

Ideogram 4.0 杂志封面输出示例

一句话总结：英文长文本与多语言排版，ERNIE-Image 有 LongTextBench 背书；密集排版与英文字体设计，Ideogram 4 有盲评榜背书。两者都远强于同体量的通用模型，但"哪家更强"取决于你的文字是中文还是英文、是长段落还是标题字。

快速上手：两条部署路径

两个模型都进了 ComfyUI，上手路径几乎一样。ERNIE-Image 在 ComfyUI 中直接搜索节点即可加载 Base/Turbo 双版本，模型权重走 Hugging Face 自动下载，24GB 显存的消费级显卡就能跑。官方还提供 Diffusers Pipeline、SGLang 服务和 AI Studio 在线 Demo。

Ideogram 4 需要 ComfyUI v0.16 或更新版本，权重由 Comfy-Org 重新打包（ideogram4_fp8_scaled.safetensors 放入 diffusion_models 目录，qwen3vl_8b_fp8_scaled.safetensors 放入 text_encoders 目录）。官方提供 nf4 和 fp8 两个量化版本，fp8 版本对硬件更友好。

ERNIE-Image 官方示例作品

如果不想本地部署，两边都有云 API：ERNIE-Image 在 fal.ai、Replicate、SiliconFlow 等平台可调用；Ideogram 4 官方 API 和 fal.ai 的 ideogram/v4 端点即开即用。

版式控制：JSON 布局 vs 自然语言

这是两个模型理念差异最大的地方。Ideogram 4 的核心创新是结构化 JSON 提示词：你可以直接在 prompt 里写 bounding-box 坐标和十六进制色板，精确指定每个文字块、每个元素的位置和颜色。官方推荐配合 magic-prompt 使用，把自然语言转换成 JSON 布局描述：

{
  "prompt": "A travel poster for Kyoto",
  "layout": [
    {"type": "text", "content": "KYOTO", "bbox": [0.1, 0.1, 0.8, 0.25], "color": "#1a1a2e", "font": "serif"},
    {"type": "image", "description": "Kinkaku-ji temple at sunset", "bbox": [0.1, 0.3, 0.8, 0.6]},
    {"type": "text", "content": "Autumn 2026", "bbox": [0.1, 0.75, 0.4, 0.15], "color": "#e94560"}
  ]
}

ERNIE-Image 走的是另一条路：不要求用户学 JSON 结构，而是靠强大的指令遵循能力理解自然语言中的位置、关系和排版要求。它在 GenEval 上以 0.8856（w/o PE）拿下开源第一，其中 Single Object 满分 1.0000、Attribute Binding 0.7925 领先，说明复杂指令和多物体关系描述的执行力。官方示例里，一句"把标题放在上方、正文分三栏、配图在右侧"的自然语言描述就能生成规整的海报。

Ideogram 4.0 JSON 布局 schema 示例

对设计师来说，Ideogram 4 的 JSON 布局是"像素级确定性"——每个元素的位置由坐标决定，改一个数字就能微调；ERNIE-Image 是"语义级确定性"——你说人话，它尽力执行，适合快速出稿。前者适合对精确排版有硬性要求的品牌物料，后者适合追求效率的批量内容生产。

许可证与商用：全开源与门控非商用

这一项是两者最根本的分野。ERNIE-Image 是 Apache 2.0：权重、推理代码、训练细节全部开放，商用、修改、再分发都没有限制，可以放心集成进商业产品。这也是它能在 CivitAI、ComfyUI、SGLang、AMD Day-0、OpenVINO 等生态快速铺开的原因——没有任何法律摩擦。

Ideogram 4 则是一半开源：推理代码 Apache 2.0，但模型权重采用 "Ideogram 4 Non-Commercial" 许可，在 Hugging Face 上门控分发，下载前必须接受许可协议。个人学习、研究、非商业创作没问题，但商用部署（尤其是把生成能力嵌入产品）需要单独评估许可条款。官方新闻稿强调"开放权重 + 商业许可"面向企业微调场景，但社区普遍认为这是"可用但需谨慎"的状态。

维度 ERNIE-Image Ideogram 4.0
参数 8B DiT + 3B PE 9.3B DiT
发布 2026-04-15 2026-06-03
代码许可 Apache 2.0 Apache 2.0
权重许可 Apache 2.0（全开放） Non-Commercial（门控）
分辨率 1024 起，多比例 原生 2K（2048px）
推理步数 50 步 / Turbo 8 步 三档速度可选
中文支持 原生强项 多语言，英文为主
控制方式 自然语言指令 JSON 布局 + 色板

速度与成本：Turbo 8 步与三档定价

ERNIE-Image-Turbo 用 8 步推理（CFG 1.0）实现接近 SFT 版的效果，在消费级显卡上能做到秒级出图，配合 SGLang Diffusion 的缓存优化，推理成本被压得很低。GenEval 0.8667（w/o PE）说明 Turbo 版在速度翻倍的情况下只损失约 2 个点。

Ideogram 4 在 fal.ai 上按输出兆像素计价：Turbo $0.03/MP、Balanced $0.06/MP、Quality $0.10/MP，使用 prompt expansion 额外 +$0.03。一张 1024×1024 约 1MP，即每张 $0.03–$0.10；原生 2K 输出（约 4MP）的 Quality 模式则要 $0.40 左右。如果自托管，两者的边际成本都趋近于电费，主要差异在显存：ERNIE-Image 24GB 可跑，Ideogram 4 fp8 量化版对硬件要求稍高但仍在消费级范围。

Ideogram 4.0 Arena 开源榜排名

生态与社区：ComfyUI 之外的选择

ERNIE-Image 开源四个月，生态已经铺满：ComfyUI 官方节点、Diffusers Pipeline、SGLang 服务端、CivitAI 原生 LoRA 训练、fal.ai/Replicate/SiliconFlow 云 API、AMD GPU Day-0 支持、Intel OpenVINO 部署，还有活跃的社区 LoRA 库。中文社区的教程和模板数量是它独有的优势。

Ideogram 4 发布两个月，生态正在快速追赶：Comfy-Org 官方打包权重、MLX 量化版（Apple Silicon 可跑）、fal API、企业微调服务，路线图上还有可编辑文本图层、可移动图层的"分层生成"能力——输出直接是可编辑的分层文件，这是它面向专业设计流程的差异化布局。

Ideogram 4.0 包装设计输出示例

总结：怎么选

选择其实很清晰。如果你要的是商用自由——把模型集成进产品、跑批量生产、训练自己的 LoRA——ERNIE-Image 的 Apache 2.0 许可和成熟生态是现阶段开源设计模型里最省心的答案，中文长文本渲染更是没有对手。如果你要的是像素级版式控制——品牌海报、包装、杂志封面这类需要精确排版的英文设计——Ideogram 4 的 JSON 布局和 2K 原生分辨率值得专门部署一套，但先确认非商用许可在你的场景下可行。

两个模型也可以互补：ERNIE-Image 负责中文内容和高频批量出图，Ideogram 4 负责对排版精度要求苛刻的英文品牌物料。开源设计模型的竞争刚刚开始，对用户来说，这比任何单一模型的胜利都更有价值。

Ideogram 4.0 旅行海报输出示例

数据来源：Hugging Face baidu/ERNIE-Image 模型卡、GitHub baidu/ernie-image、Ideogram 官方新闻稿（2026-06-03）、fal.ai Ideogram 4 文档、Ideogram 4 技术社区分析。

ERNIE-Image Team