주요 특징

• 텍스트 인코더로 CLIP이나 T5 같은 텍스트 전용 모델 대신 Qwen3-VL-8B-Instruct라는 완전한 비전 언어 모델을 씁니다. 마지막 레이어 하나만 뽑는 대신 13개 중간 레이어의 은닉 상태를 뽑아 이어 붙여, 표면적인 토큰 정보부터 깊은 구성 이해까지 여러 층위의 의미 특징을 동시에 전달합니다. 이미지를 이해하도록 학습된 인코더를 쓰기 때문에 시각 개념에 대한 해석이 텍스트 전용 인코더보다 풍부하다는 것이 개발팀의 설명입니다.
• 프롬프트를 구조화된 JSON 캡션으로만 받도록 학습됐습니다. 학습 캡션 자체가 이미지 안의 모든 요소를 빠짐없이 서술하는 방식이라, 추론할 때도 같은 패턴을 따라야 요청한 객체가 전부 그려집니다. 스타일 서술에 colour_palette 배열로 헥스 색상을 넣어 전체 색조를 유도하고, bbox 좌표로 피사체·텍스트·배경 영역의 위치를 명시하며, compositional_deconstruction으로 요소별 설명과 배치를 따로 지정할 수 있습니다. JSON을 직접 쓰기 싫으면 평문 프롬프트를 LLM으로 확장해주는 magic prompt 기능이 run_inference.py에 기본 내장돼 있고, Ideogram의 호스팅 API를 무료로 쓰거나 자체 LLM 제공자를 연결할 수 있습니다.
• 해상도 대응이 유연합니다. 각 변이 16의 배수인 256~2048 범위의 임의 해상도를 네이티브로 지원하고 최대 6:1 종횡비까지 처리하며, 노이즈 스케줄이 해상도에 따라 자동 조정됩니다. 정사각 썸네일부터 초광각 배너, 세로 인물 사진, 휴대폰 배경화면까지 모델 하나로 커버합니다. 최고 품질이 필요하면 --height 2048 --width 2048에 V4_QUALITY_48 샘플러 프리셋을 지정하도록 안내합니다.
• 이미지 안 텍스트 렌더링이 핵심 강점으로 제시됩니다. 간판, 로고, 캡션, 워터마크, 여러 줄 텍스트를 프롬프트에서 바로 생성하며, X-Omni OCR 등 공개 벤치마크 기준으로 Qwen-Image(20B), FLUX.2 [dev](32B), HunyuanImage 3.0(80B MoE)처럼 훨씬 큰 오픈 웨이트 모델보다 나은 텍스트 렌더링 성적을 9.3B 파라미터로 냈다고 보고합니다. 레이아웃 제어 벤치마크인 7Bench에서는 비교한 클로즈드소스 모델들보다 앞선 결과를 제시합니다.
• 배포 형태와 안전장치가 함께 정리돼 있습니다. Hugging Face에 nf4(CUDA 전용, Diffusers 지원)와 fp8(전 하드웨어, Diffusers 미지원) 두 가지 양자화 가중치가 올라와 있으며 둘 다 게이팅돼 있어 라이선스 동의와 HF 토큰 인증이 필요합니다. 조건부·무조건부 브랜치를 따로 조정하는 이중 분기 CFG로 프롬프트 준수도와 이미지 품질을 분리해 제어하고, 프롬프트와 출력 검열은 Hive의 텍스트·비주얼 모더레이션 키를 연결해 수행합니다.