モデルの位置づけ
CogView4-6B は智谱が発表したテキストから画像を生成するモデルで、約 60 億パラメータの CogView-4 Diffusers 版を採用し、テキストプロンプトを受け取って画像を生成します。公式は 2025 年 3 月 4 日に、このバージョンへの対応とオープンソース化を発表しました。(github.com)
機能と用途
- 中国語と英語のプロンプトに対応し、生成画像内に中国語の文字を描画できます。イラスト、クリエイティブなビジュアル素材、文字を含む画像の制作に利用できます。
- テキストエンコーダーとして GLM-4-9B を使用します。公式のオープンソースモデル資料に記載されたプロンプト長の上限は 1024 tokens です。
- Diffusers を通じて推論でき、公式は CogKit のファインチューニング・推論ツールも提供しています。(github.com)
制限とデプロイ
- オープンソースモデルの画像の幅と高さはそれぞれ 512–2048 ピクセルの範囲内で、32 の倍数である必要があります。総ピクセル数は 2²¹ を超えることはできません。
- 公式モデルカードには BF16 と FP32 の推論精度が記載されています。FP16 はオーバーフローして画像全体が黒くなる可能性があるため、サポートされていません。
- ハードウェアの負荷は解像度とオフロード設定によって異なります。公式は BF16、バッチサイズ 4、1024×1024 のテストで、オフロードしない場合は約 35 GB の VRAM、CPU オフロードを有効にした場合は約 20 GB、さらに 4 ビットのテキストエンコーダーを使用した場合は約 13 GB が必要と記録しています。公式は、デバイスに少なくとも 32 GB のメモリを搭載することを推奨しています。
- 生成画像内の文字が完全に正確である保証はなく、実際の結果は人が確認する必要があります。公式モデルカードには重みが Apache 2.0 ライセンスを採用していると記載されていますが、使用時には具体的なライセンス条項を確認する必要があります。(huggingface.co)
価格
以下は、公式プラットフォームが CogView-4 の名称で公表しているホスティングサービスの価格です。価格ページでは、デプロイされているバージョンが本項のオープンソース 6B 重みと完全に同一であることは確認されていないため、セルフホストモデルの運用コストと見なすべきではありません。確認日:2026 年 11 月 19 日。
- **中国大陸の智谱オープンプラットフォーム:**人民元 CNY 0.06 元/回。入力はテキスト、出力は画像です。公式ページでは回数単位で料金を提示しており、入力と出力の token 価格は個別に記載されていません。出典:CogView-4 中国国内公式モデル・価格ページ。(docs.bigmodel.cn)
- **国際 Z.AI プラットフォーム:**米ドル USD 0.01/画像 1 枚。公式は出力画像数に応じた料金を提示しており、入力と出力の token 価格は個別に記載されていません。出典:Z.AI 公式価格ページ。(docs.z.ai)
中国国内と国際の価格はそれぞれのプラットフォームに適用され、為替レートで換算した同一のプランと見なすことはできません。重みをセルフホストする場合のハードウェア、デプロイ、その他のコストは実際の環境によって異なります。