Ideogramがオープンウェイト画像モデル「4.0」公開、ローカル稼働に対応

Ideogram 4.0は、Ideogramが初めて公開した93億パラメータ（9.3B）のオープンウェイト画像生成モデルだ。重みをローカル環境にダウンロードして実行やファインチューニングが可能で、崩れにくい文字描画、ネイティブ2K解像度、背景透過に対応したデザイン向け画像を生成できる。

従来のオープンソース画像モデルは、正確なスペルの文字列描画や細かな配置指定が苦手だった。Ideogram 4.0は構造化されたJSONプロンプト形式を採用し、バウンディングボックスによる要素の位置指定やカラーパレットの制御を可能にしている。

性能とベンチマーク結果

本モデルは既存モデルの派生ではなく、ゼロからスクラッチで学習された基盤モデルだ。

文字認識ベンチマークのX-Omni OCRにおいて、9.3Bでありながら20BのQwen-Image、32BのFLUX.2 dev、80B MoEのHunyuanImage 3.0といった大型モデルを上回る文字描画スコアを記録した。レイアウト制御を測る7Benchでも、主要な商用クローズドモデルを超える結果を示している。

第三者ベンチマークでも上位につけている。デザイン特化のDesignArenaでは、OpenAIやGoogleの商用モデルに次ぐ全体上位となり、オープンウェイト勢の中では首位を獲得した。LMArenaの画像生成総合ランキングでもオープンモデル首位、全体トップ5に入っている。

デザイン案件仲介のContraLabsがプロのデザイナー10名を集めて実施したブラインドテストでは、Ideogram 4.0が47.9%の勝率で1位に選ばれた。競合したGemini 3.1 Flash Image Preview（30.0%）、FLUX.2 max（15.5%）、Grok Imagine 1.0（15.0%）を大きく引き離している。実際のクライアント業務に使えるかという評価でも、5点満点中3.55点でトップとなった。

ローカルでの動かし方

重みはHugging Face上で公開されており、CUDAとDiffusersに対応したnf4版と、多様な環境で動くfp8版の2種類が用意されている。リポジトリはゲート付きのため、利用規約に同意しアクセストークンを設定する必要がある。

推論コードはGitHubで入手できる。本モデルは入力を構造化JSONで処理するため、自然言語のプロンプトを自動拡張するMagic Prompt機能が備わっている。デフォルトではIdeogramの無料APIを叩く仕様だが、自前のローカルLLMに置き換えることも可能で、プロンプト生成用のシステムプロンプトも公開されている。

最高画質を求める場合は2048×2048の出力指定が推奨されている。なお、自前環境を作らなくても、ideogram.aiの各プランや公式APIからすでに試すことができる。

なぜ重要か

ポスターやサムネイル、UI素材を作るクリエイターにとって、テキストの崩れが少なく位置指定が効くモデルを自前環境で動かせる恩恵は大きい。自社データでの追加学習にも対応しており、実務ワークフローへの組み込みが一気に現実味を帯びてきた。

注意点として、公開された重みのライセンスは非商用（Non-Commercial）に限定されており、商用利用には公式プラットフォームやAPIの利用が前提となる。それでも、9.3Bという比較的手頃なサイズで巨大モデル以上のテキスト・配置制御を実現した点は、今後のオープンソース生成モデルの開発競争に確かな基準を打ち立てたとみられる。