2026 年 8 月底，蚂蚁集团 InclusionAI 把一整套图像生成与编辑的训练配方推到了台前：不是只放一个 demo 或几张样图，而是连模型权重、推理代码和训练方法论一起开源。这个项目叫 LLaDA-Image，一个 6B 参数的统一图像生成与编辑模型家族，官宣即在 Qwen-Image-Bench 上拿下英文 53.53、中文 53.38 的双料第一。
GitHub API 实测（2026-09-09）：208 星 / 10 fork，Python 主语言，创建于 2026-08-31，最近一次 push 为 2026-09-07。这个体量说明项目还很早期，但技术叙事相当完整。本文基于仓库 README 全文、GitHub API 数据与公开报道做逐字拆解，重点讲清它到底解决了什么、技术路线怎么走，以及——对工程落地最关键的那条避坑信息。
先说边界：星数与仓库状态为 API 快照（2026-09-09）；本文属代表性拆解，非商业合作；所有技术细节与权重名均取自仓库 README，确保逐字准确。
一、项目是什么：把训练配方全开源的野心
LLaDA-Image 是蚂蚁 InclusionAI 推出的开源统一图像生成与编辑模型家族，核心定位是“竞争级 6B 参数、开源、统一架构”。它包含两条主线：
- LLaDA-Image（Base）：50 步采样的高保真文生图与指令式编辑基座模型。
- LLaDA-Image-Turbo：经蒸馏的 4 步快速生成与编辑模型。
两者都由单一权重支撑，同时覆盖文生图、VQ 条件生成、参考图编辑，以及中英文文字渲染，无需额外的编辑专用 backbone。这一点是它和许多“生成一套、编辑另一套”方案的根本区别。
开源的诚意体现在权重与代码的双重开放。模型权重在 HuggingFace 与 ModelScope 同步放出四个同名版本：
| 权重 | 说明 | 采样步数 | HuggingFace | ModelScope |
|---|---|---|---|---|
| LLaDA-Image | Base，高保真文生图与指令编辑 | 50 | inclusionAI/LLaDA-Image（BF16）、LLaDA-Image-FP8 | 同名四个版本 |
| LLaDA-Image-Turbo | 蒸馏版，快速生成与编辑 | 4 | inclusionAI/LLaDA-Image-Turbo（BF16）、LLaDA-Image-Turbo-FP8 | 同名四个版本 |
值得注意的是，除了 BF16 权重，官方还提供了 FP8 版本（LLaDA-Image-FP8、LLaDA-Image-Turbo-FP8），这直接对应显存吃紧场景下的部署需求——FP8 能把显存占用显著压低，对本地部署是实打实的友好。推理代码基于 Diffusers，配套 arXiv 报告 2609.03796。
但“全开源”也有边界。仓库的 Open-source Plan 明确写着：推理代码与模型权重已开放（已勾选），训练代码标注为 coming soon（未勾选）。也就是说，你能拿到配方思路、能跑通推理、能下载权重微调思路，但复现训练的完整代码还要等。这在当下开源图像模型里属于常见节奏，但务必如实记在账上。
把训练配方开源，背后的战略意图其实很清晰：蚂蚁想用“可复现、可审计、可本地化”的开放姿态，在图像生成这条闭源强势的赛道里卡住一个开源支点。对国内企业尤其敏感——数据不出域、模型能私有部署，是许多金融、政企场景的硬门槛，而闭源 API 天然过不了这道关。LLaDA-Image 把权重和代码同时放出，等于把这条路线的入门成本直接打到了零，也让“我能不能自己掌控一条生图链路”从一个技术问题变成了单纯的人力投入问题。
二、技术拆解：统一生成与编辑为什么难，统一扩散框架怎么解
统一生成+编辑为何是难题
传统图像模型里，文生图和图像编辑往往是两条独立的技术栈：文生图从噪声出图，编辑则在原图上做局部改写，二者对数据、损失、结构的要求都不同。要把“从零生成”和“保参考图改细节”塞进同一个权重，难点在于模型既要学会“无中生有”的分布，又要学会“在约束下精准改动”——前者鼓励创意发散，后者要求内容保真，二者在训练目标上天然拉扯。
LLaDA-Image 的解法是“统一扩散框架”：它的 backbone 与 DiT（Diffusion Transformer）都是扩散模型，并在同一个框架内训练。生成与编辑因此共用一套扩散动力学，区别只在于输入条件——编辑模式下送入参考图作为约束，生成模式下只给文本。统一框架的好处是参数不浪费、能力可迁移，编辑时也不需要再挂一个独立的编辑网络。
统一框架还带来一个常被忽视的工程红利：维护成本。生成与编辑共用同一套权重后，版本管理、量化、缓存、服务封装都只需要做一遍。对要同时上线“文生图”和“商品图编辑”两条业务线的团队，这意味着减半的运维向量，而不是两套并行系统各养一套。换句话说，统一架构省下的不只是显存，更是长期的人力与迭代摩擦。
图像-only 预训练建立的视觉先验
README 里最值得玩味的一条训练路线，是“先图像、后语言”的阶段性预训练。报告先通过 image-only 预训练（pre-training）与 mid-training 建立视觉先验（visual prior），也就是让模型先纯粹理解“图该怎么长”，再引入 paired language supervision（图文配对监督），最后做 joint generation-editing training（生成-编辑联合训练）。
这个顺序很关键：很多多模态模型一上来就啃图文对，结果语言信号过早主导，视觉细节反而塌掉。LLaDA-Image 先把视觉地基打牢，再让语言来“指挥”生成，本质上是在解决“模型会不会画”与“模型听不听话”的先后矛盾。
Twin-DMD 蒸馏：50 步压到 4 步意味着什么
Base 模型需要 50 步采样才能出高质量图，这在实际应用中太慢。Turbo 版用 Twin-DMD 蒸馏把采样压到 2–4 步，推理速度量级提升，而质量尽量不掉。
这里有一处新闻口径分歧，必须如实标注：蚂蚁开源公众号（2026-09-08）在报道中把蒸馏技术称为「TwinFlow，50 步压缩至 2–4 步」，而 GitHub README 原文写的是「Twin-DMD distillation，2–4 sampling steps」。两者命名不一致。本文以仓库 README 为准，记为 Twin-DMD 蒸馏；若你看到「TwinFlow」的说法，指的是同一技术路径，但官方仓库并未使用该命名，引用时建议以 README 的 Twin-DMD 为准。
工程上，Turbo 推理还藏了一个小技巧：可在 scheduler/scheduler_config.json 中将 stochastic_sampling 设为 false，部分场景能得到更锐利的细节。
三种生成模式与尺寸约束
两个 checkpoint 都支持三类模式：
- text（文生图）：直接给 prompt 出图。
- vq（VQ 条件生成）：用 LLaDA2 模型从 prompt 产生 image VQ tokens，经 SigVQ 嵌入后再走扩散；VQ 模式下不要传输入图。
- editing（参考图编辑）：必须给一张参考图，模型按指令改写。
尺寸上有硬约束：text 与 vq 模式要求高、宽能被 16 整除；editing 模式要求能被 32 整除。官方常用 1024×1024。环境方面已验证组合为 Python 3.11、PyTorch 2.8、Transformers 4.57.6、Diffusers 0.39.0。
三、Qwen-Image-Bench 双料第一怎么读
LLaDA-Image 的最大招牌，是在 Qwen-Image-Bench 上拿下英文 53.53、中文 53.38 的双料 SOTA 总分。怎么读这个分数，决定了你对它实力的判断。
第一，看口径。53.53 与 53.38 是 overall（综合）分数，不是单维度。图像评测通常横跨质感、指令遵循、文字渲染、结构合理性等多个子项，综合第一说明它在“全方位不偏科”上做到了当前开源模型的顶端，而非靠某一单项刷分。
第二，看相对位置。据 ai-bot 等媒体转述，LLaDA-Image 的总分大致介于 GPT Image 1 与 Imagen 4.0 Ultra 之间（来源：ai-bot 公开转述，属二手口径，非官方基准文档，引用请注明）。也就是说，它已经摸到闭源第一梯队的门槛，但和最新闭源旗舰仍有距离——这个“介于两者之间”的定位，比单纯喊“开源第一”更有参考价值。
第三，看双语。中文 53.38 与英文 53.53 几乎持平，说明其中英文文字渲染与语义理解没有明显短腿。对中文技术从业者而言，这点比英文榜的单项第一更实用：做中文海报、中文 UI 截图、中文文案图时，它不会像部分海外模型那样在汉字上翻车。
需要提醒的是，Qwen-Image-Bench 是模型方自报的基准，评测集与权重由同一团队关联发布，横向对比闭源时以第三方独立复现为准更稳妥。同日 OpenAI 推出 ChatGPT Images 2.5（参见本站热点解读），闭源与开源在同周正面交锋，正是观察这条赛道分化的最好窗口。
四、冷思考：避坑与边界
热闹之外，有几条必须冷静记下的边界，尤其第一条，是本文最重要的避坑点。
其一，许可证未标注，是商用最大不确定性。 GitHub API 实测该仓库 license 字段为 null，仓库内也未见 LICENSE 文件。这意味着：你不能默认它是 Apache-2.0 或 MIT，更不能把它当“已授权开源”直接商用。正确做法是——在商用、二次分发、产品化之前，主动向 InclusionAI 官方确认许可条款。任何“应该能商用吧”的猜测，都是法律风险的来源。本站同批的开源 vs 闭源图像模型横评里也把“许可证透明度”列为选型的第一道闸门，LLaDA-Image 在这一项目前是扣分项。
其二，208 星说明它仍然非常早期。 对比同站收录的成熟开源项目（如 awesome-gpt-image-2 的 2 万星量级），LLaDA-Image 的社区体量还很小，文档、样例、踩坑帖都远未丰富。早期意味着机会，也意味着你要做好自己啃代码、自己排错的心理准备。
其三，生态目前只有社区 ComfyUI 支持。 2026-09-07 起，社区开发者 realrebelai 已提供 LLaDA-Image 与 LLaDA-Image-Turbo（含 FP8 版）的 ComfyUI 节点，这是目前最便捷的可视化入口。但官方主推仍是 Diffusers 推理代码，生产级 SDK、API 封装、企业集成都还在路上。
其四，训练代码未开源。 如第一节所述，你拿到的是推理与权重，复现训练还要等。对想“从数据到模型”全链路可控的团队，这是硬约束。
想本地跑起来的人，本站同批提供了本地部署 SOP，覆盖环境、依赖与四种权重的拉取；做图像模型横向选型的，可回到推理式图像模型横评与 GPT-Image 2 资源包做交叉对照。
一句话收尾：LLaDA-Image 用“统一扩散框架 + 图像先验 + Twin-DMD 蒸馏”把开源图像模型推到了闭源门槛前，但许可证的留白，是它在你把它写进生产系统之前必须堵上的那道缝。
常见问题
Q1：LLaDA-Image 和 LLaDA-Image-Turbo 有什么区别？
A1：Base 是 50 步采样的高保真基座，适合对画质要求高的场景；Turbo 经 Twin-DMD 蒸馏压到 2–4 步，速度量级提升，适合实时或批量出图。两者都是 6B 单一权重，能力覆盖一致，差别在采样步数与出图速度。
Q2：它支持哪些生成与编辑模式？
A2：两个 checkpoint 都支持 text（文生图）、vq（VQ 条件生成，由 LLaDA2 产出 image VQ tokens 经 SigVQ 嵌入后扩散，不传输入图）、editing（参考图编辑，必须给参考图）。尺寸上 text/vq 要求高宽整除 16，editing 要求整除 32，常用 1024×1024。
Q3：许可证是什么，能直接商用吗？
A3：GitHub API 实测该仓库 license 字段为 null，且未见 LICENSE 文件。因此不能默认其为 Apache-2.0 或 MIT，商用、二次分发、产品化之前须主动向 InclusionAI 官方确认许可条款，切忌凭猜测使用。这是本文最重要的避坑点。
Q4：模型权重在哪下载，有 FP8 版本吗？
A4：HuggingFace 与 ModelScope 各同步四个同名权重：LLaDA-Image（BF16）、LLaDA-Image-FP8、LLaDA-Image-Turbo（BF16）、LLaDA-Image-Turbo-FP8。FP8 版本用于降低显存占用，适合本地与显存受限部署。
Q5：和闭源模型比如何，与 ChatGPT Images 2.5 怎么选？
A5：据 ai-bot 转述，LLaDA-Image 总分介于 GPT Image 1 与 Imagen 4.0 Ultra 之间，已摸到闭源第一梯队门槛但仍有差距；中文榜 53.38 与英文 53.53 近乎持平，中文场景实用性强。若你要可审计、可本地部署、可定制的开源方案，它值得试；若追求极致画质与零运维，同周发布的 ChatGPT Images 2.5 仍是闭源优选。
参考来源
- inclusionAI/LLaDA-Image（GitHub API 实测 2026-09-09）：208 星 / 10 fork，Python，创建 2026-08-31，push 2026-09-07，
license字段为 null - 仓库 README 全文：6B 统一生成+编辑家族、Base/Turbo、统一扩散框架、image-only 预训练视觉先验、Twin-DMD 蒸馏 2–4 步、Qwen-Image-Bench 英文 53.53 / 中文 53.38、四权重清单、Diffusers 推理、Open-source Plan（训练代码 coming soon）
- arXiv 2609.03796：LLaDA-Image 技术报告
- 蚂蚁开源公众号（2026-09-08）：蒸馏技术称「TwinFlow，50 步压缩至 2–4 步」（与 README 的 Twin-DMD 命名分歧，已标注）
- 社区动态（2026-09-07）：realrebelai 提供 LLaDA-Image 与 LLaDA-Image-Turbo（含 FP8）ComfyUI 节点
- 关联阅读：本站 本地部署 SOP（同批）、ChatGPT Images 2.5 热点（同批）、开源 vs 闭源图像模型横评（同批）、推理式图像模型横评、GPT-Image 2 资源包