模型：螞蟻 Ming-Image 系列一口氣開源兩個(gè) 6B，Design 版只是開始)
不止一個(gè)模型螞蟻 Ming-Image 系列一口氣開源兩個(gè) 6BDesign 版只是開始【免費(fèi)下載鏈接】Ming-Image-0.1-Design項(xiàng)目地址: https://ai.gitcode.com/hf_mirrors/inclusionAI/Ming-Image-0.1-Design當(dāng)大多數(shù)開源團(tuán)隊(duì)還在為一個(gè)拿得出手的旗艦?zāi)Ｐ头磸?fù)打磨時(shí)螞蟻百靈選擇了另一條路9 月 23 日Ming-Image-0.1-Design 系列一次性發(fā)布兩個(gè)參數(shù)量均為 6B 的模型——Ming-Image-0.1-Design 與 Ming-Image-0.1-Design-Layer。前者負(fù)責(zé)從文字需求直接生成 UI、信息圖、海報(bào)等完整視覺設(shè)計(jì)后者負(fù)責(zé)把設(shè)計(jì)圖/創(chuàng)意圖拆解為可獨(dú)立編輯的透明圖層。一個(gè)負(fù)責(zé)生產(chǎn)、一個(gè)負(fù)責(zé)二次加工二者天然互補(bǔ)構(gòu)成了一個(gè)面向設(shè)計(jì)交付場(chǎng)景的最小閉環(huán)。對(duì)開發(fā)者來說這一系列真正值得關(guān)注的不是又開源了一個(gè) 6B 文生圖模型而是螞蟻把設(shè)計(jì)生成這件事拆成了可組合的多個(gè)模型并配齊了從部署到下游工作流的整套生態(tài)。本文基于倉庫源碼與公開情報(bào)拆解這兩個(gè) 6B 的分工差異、Design 版在工程上的關(guān)鍵取舍以及這套矩陣式開源背后的策略邏輯。兩個(gè) 6B 的分工Design 負(fù)責(zé)生成Layer 負(fù)責(zé)拆解先厘清一個(gè)容易混淆的點(diǎn)同一系列的兩個(gè)模型干的并不是同一件事。Ming-Image-0.1-Design文生圖模型輸入提示詞輸出完整的 UI 界面、信息圖、海報(bào)等文字密集型設(shè)計(jì)稿支持原生 RGBA 透明背景Ming-Image-0.1-Design-Layer圖層拆分模型把已有的設(shè)計(jì)圖/創(chuàng)意稿分解為可獨(dú)立編輯的透明圖層相當(dāng)于為AI 出圖 → 設(shè)計(jì)師接手改稿提供了一條可落地的中間路徑。兩者拼在一起正好覆蓋了設(shè)計(jì)工作流里最耗時(shí)、最割裂的兩端從零生成素材以及把生成結(jié)果打回成可編輯資產(chǎn)。單獨(dú)的生成模型再強(qiáng)產(chǎn)出的也只是一張死圖而有了 Layer 模型生成結(jié)果可以進(jìn)入 Figma、PPT 等可編輯場(chǎng)景繼續(xù)加工——這也解釋了為什么社區(qū)教程里反復(fù)出現(xiàn)Ming-Image 搭配 Layer 拆分模型與 Design Skill 自動(dòng)化工作流的組合玩法。Design 版為設(shè)計(jì)而生的四個(gè)工程證據(jù)打開倉庫目錄README.md 對(duì)該模型的定位寫得很直接面向 UI、信息圖、海報(bào)及其他文字密集型視覺設(shè)計(jì)的 6B 文生圖模型。所謂文字密集型意味著模型必須同時(shí)解決三件事文字渲染不崩、排版布局穩(wěn)定、輸出可交付透明背景。我們從倉庫配置逐一驗(yàn)證這三個(gè)能力是怎么落地的。第一多模態(tài)語義理解用 MoE而不是堆一個(gè)大稠密模型。文本/視覺理解由 mllm/config.json 定義的多模態(tài)模型承擔(dān)LLM 主干為bailing_moe_v2256 個(gè)專家、每 token 激活 8 個(gè)配合 32 層 Qwen2.5 ViT 視覺編碼器。官方口徑的6B正是 MoE 的激活參數(shù)量權(quán)重索引元數(shù)據(jù)中的 170 億參數(shù)為含全部專家的總量mllm/model.safetensors.index.json。理解側(cè)能力越強(qiáng)提示詞里的版式描述、字號(hào)層級(jí)、左上角放標(biāo)題這類布局信息才越能忠實(shí)傳遞到生成側(cè)。第二語義注入走輕橋接不過度引入新模塊。文本側(cè)先經(jīng) connector/config.json 定義的 Qwen2 因果語言模型28 層、hidden size 1536約 15 億參數(shù)編碼再通過 mlp/config.json 的恒等 MLPuse_identity_mlp: true直接注入擴(kuò)散 Transformer。連接層選最輕的實(shí)現(xiàn)目的是保留語義、減少條件注入鏈路中的信息損耗——這也是語義保真的工程化表達(dá)。第三生成側(cè)是標(biāo)準(zhǔn)的 MMDiT 風(fēng)格擴(kuò)散 Transformer但為透明通道留了位。transformer/config.json 顯示dim 3840、30 個(gè)主層 2 個(gè) refiner 層、16 通道輸入in_channels: 16、支持 2048 級(jí)高分辨率axes_lens中 20480 對(duì)應(yīng)大圖 token 長(zhǎng)度。注意這里的 16 通道潛變量不是巧合——它要為下面 VAE 的 RGBA 四通道各分配獨(dú)立的潛空間表達(dá)。第四透明背景是原生能力不是后處理。與多數(shù)模型生成 RGB 后再摳圖不同vae/config.json 定義了AutoencoderKLQwenImageinput_channels: 4即 RGBA 四通道直接進(jìn) VAE、z_dim: 16、scaling_factor: 8.0064。也就是說透明度在潛空間里就被聯(lián)合建模了采樣一步到位的輸出天然帶 Alpha 通道。配合 scheduler/scheduler_config.json 的 Flow Match 歐拉調(diào)度器shift 6.0、1000 步訓(xùn)練時(shí)間表實(shí)際推理僅需 12 步即可出圖——README 給出的推薦參數(shù)是 2048×2048、12 步、CFG 1.0、BF16、單卡 80 GiB。這套組合的實(shí)際效果得到了第三方盲測(cè)的背書在 Artificial Analysis 的 UI/UX 文生圖盲測(cè)中該模型以Elo 1082分登頂開源模型第一把文字渲染、版式穩(wěn)定這類設(shè)計(jì)生圖專屬指標(biāo)作為核心競(jìng)爭(zhēng)力擺到了臺(tái)面上。透明背景為什么值得專門做一個(gè) VAE先澄清一個(gè)常見的誤解RGBA 輸出并非多加一個(gè)通道這么簡(jiǎn)單。常規(guī) 3 通道 VAE 的潛空間分布是在 RGB 數(shù)據(jù)上學(xué)出來的強(qiáng)行把 Alpha 塞進(jìn)去會(huì)導(dǎo)致透明度與內(nèi)容解耦失敗——生成結(jié)果要么邊緣發(fā)虛要么透明變成了灰色。Ming-Image 的做法是讓 VAE 從輸入端就吃 4 通道input_channels: 4把透明度當(dāng)成與顏色平行的第一公民參與重建訓(xùn)練16 維潛變量z_dim: 16也給了四通道足夠的表達(dá)能力。從工程成本看這一選擇讓 VAE 解碼端到端產(chǎn)出帶 Alpha 的 PNG跳過了生成 → 摳圖 → 合成的傳統(tǒng)鏈路對(duì)電商商品圖、App 圖標(biāo)、貼紙表情包這類高頻需求收益是實(shí)打?qū)嵉囊淮瓮评?、直接交付。README 中的透明背景示例assets/transparency_showcase.webp也專門用棋盤格預(yù)覽透明度并注明棋盤格僅用于預(yù)覽、不屬于生成結(jié)果。為什么鋪矩陣而不是押?jiǎn)吸c(diǎn)回到一次開源兩個(gè) 6B這個(gè)動(dòng)作本身。單看 Design 版它已經(jīng)是一個(gè)完整的 6B 文生圖模型但螞蟻顯然不滿足于押一個(gè)爆款而是圍繞設(shè)計(jì)交付場(chǎng)景鋪了一張網(wǎng)模型層Design生成 Layer拆層覆蓋出圖—改稿鏈路工作流層官方配套了 Design Skill 自動(dòng)化工作流與圖轉(zhuǎn)可編輯 PPT的 Skill把單模型能力組裝成端到端的生產(chǎn)管線部署層明確推薦 vLLM-Omni 服務(wù)化框架并給出 80 GiB 單卡驗(yàn)證配置降低自部署門檻合規(guī)層MIT 協(xié)議開源LICENSE商用無附加條件。這套打法的邏輯很清晰場(chǎng)景比單點(diǎn)模型更難復(fù)制。單一 6B 模型再強(qiáng)競(jìng)品追幾個(gè)月也能追平但生成 拆層 工作流 服務(wù)化 開源許可構(gòu)成的完整矩陣才是真正沉淀下來的生態(tài)壁壘。這也與螞蟻在通識(shí)多模態(tài)上的家族化路線一脈相承——從 Ming-Omni 的統(tǒng)一多模態(tài)感知生成到 Ming-UniVision 的連續(xù)視覺表征統(tǒng)一理解與生成再到如今 Ming-Image 系列垂直場(chǎng)景化落地開源動(dòng)作始終是系列化、成體系地推進(jìn)而不是零散地丟模型。下一個(gè)成員會(huì)是誰既然系列是策略Design 只是開始就不僅是標(biāo)題修辭。從已公開的線索可以合理推演其一Layer 模型本身就有獨(dú)立迭代空間。當(dāng)前它能拆透明圖層下一步向拆出可編輯的矢量結(jié)構(gòu)還原布局樹/組件屬性演進(jìn)是技術(shù)路線上順理成章的方向——那將真正打通AI 出圖 → 設(shè)計(jì)稿結(jié)構(gòu)化的最后一公里。其二與 Ling 系多模態(tài)生態(tài)的整合。README 中提示詞增強(qiáng)PE可掛載 Ling-3.0-flash-VL 或 qwen3.8-27B說明官方在設(shè)計(jì)的是理解模型增強(qiáng)提示詞 → 生成模型出圖的協(xié)同鏈路。隨著理解側(cè)模型升級(jí)生成質(zhì)量與指令跟隨能力會(huì)同步水漲船高。其三從靜態(tài)設(shè)計(jì)稿走向動(dòng)態(tài)內(nèi)容。Ming 家族在統(tǒng)一多模態(tài)上已有積累圖像生成之后視頻、多頁文檔排版、甚至設(shè)計(jì)稿 交互邏輯的一體化生成都是同一套文字密集型內(nèi)容生成能力的自然延伸?；氐疆?dāng)下兩個(gè) 6B、一個(gè) MIT 協(xié)議、一套成體系的工具鏈——Ming-Image-0.1-Design 系列給開源文生圖社區(qū)帶來的不是又一個(gè)可下載的權(quán)重而是一個(gè)按場(chǎng)景拆解、按矩陣交付的范本。對(duì)想快速落地的團(tuán)隊(duì)Design 版 Layer 版 vLLM-Omni 的黃金組合已經(jīng)可以直接開工對(duì)想研究架構(gòu)的人從 mllm/config.json 到 vae/config.json 的每一份配置都在告訴你設(shè)計(jì)生圖的難點(diǎn)從來不在畫得像而在排得對(duì)、拆得開、交付得了?！久赓M(fèi)下載鏈接】Ming-Image-0.1-Design項(xiàng)目地址: https://ai.gitcode.com/hf_mirrors/inclusionAI/Ming-Image-0.1-Design創(chuàng)作聲明：本文部分內(nèi)容由AI輔助生成（AIGC），僅供參考 不止一個(gè)模型：螞蟻 Ming-Image 系列一口氣開源兩個(gè) 6B，Design 版只是開始
不止一個(gè)模型螞蟻 Ming-Image 系列一口氣開源兩個(gè) 6BDesign 版只是開始【免費(fèi)下載鏈接】Ming-Image-0.1-Design項(xiàng)目地址: https://ai.gitcode.com/hf_mirrors/inclusionAI/Ming-Image-0.1-Design當(dāng)大多數(shù)開源團(tuán)隊(duì)還在為一個(gè)拿得出手的旗艦?zāi)Ｐ头磸?fù)打磨時(shí)螞蟻百靈選擇了另一條路9 月 23 日Ming-Image-0.1-Design 系列一次性發(fā)布兩個(gè)參數(shù)量均為 6B 的模型——Ming-Image-0.1-Design 與 Ming-Image-0.1-Design-Layer。前者負(fù)責(zé)從文字需求直接生成 UI、信息圖、海報(bào)等完整視覺設(shè)計(jì)后者負(fù)責(zé)把設(shè)計(jì)圖/創(chuàng)意圖拆解為可獨(dú)立編輯的透明圖層。一個(gè)負(fù)責(zé)生產(chǎn)、一個(gè)負(fù)責(zé)二次加工二者天然互補(bǔ)構(gòu)成了一個(gè)面向設(shè)計(jì)交付場(chǎng)景的最小閉環(huán)。對(duì)開發(fā)者來說這一系列真正值得關(guān)注的不是又開源了一個(gè) 6B 文生圖模型而是螞蟻把設(shè)計(jì)生成這件事拆成了可組合的多個(gè)模型并配齊了從部署到下游工作流的整套生態(tài)。本文基于倉庫源碼與公開情報(bào)拆解這兩個(gè) 6B 的分工差異、Design 版在工程上的關(guān)鍵取舍以及這套矩陣式開源背后的策略邏輯。兩個(gè) 6B 的分工Design 負(fù)責(zé)生成Layer 負(fù)責(zé)拆解先厘清一個(gè)容易混淆的點(diǎn)同一系列的兩個(gè)模型干的并不是同一件事。Ming-Image-0.1-Design文生圖模型輸入提示詞輸出完整的 UI 界面、信息圖、海報(bào)等文字密集型設(shè)計(jì)稿支持原生 RGBA 透明背景Ming-Image-0.1-Design-Layer圖層拆分模型把已有的設(shè)計(jì)圖/創(chuàng)意稿分解為可獨(dú)立編輯的透明圖層相當(dāng)于為AI 出圖 → 設(shè)計(jì)師接手改稿提供了一條可落地的中間路徑。兩者拼在一起正好覆蓋了設(shè)計(jì)工作流里最耗時(shí)、最割裂的兩端從零生成素材以及把生成結(jié)果打回成可編輯資產(chǎn)。單獨(dú)的生成模型再強(qiáng)產(chǎn)出的也只是一張死圖而有了 Layer 模型生成結(jié)果可以進(jìn)入 Figma、PPT 等可編輯場(chǎng)景繼續(xù)加工——這也解釋了為什么社區(qū)教程里反復(fù)出現(xiàn)Ming-Image 搭配 Layer 拆分模型與 Design Skill 自動(dòng)化工作流的組合玩法。Design 版為設(shè)計(jì)而生的四個(gè)工程證據(jù)打開倉庫目錄README.md 對(duì)該模型的定位寫得很直接面向 UI、信息圖、海報(bào)及其他文字密集型視覺設(shè)計(jì)的 6B 文生圖模型。所謂文字密集型意味著模型必須同時(shí)解決三件事文字渲染不崩、排版布局穩(wěn)定、輸出可交付透明背景。我們從倉庫配置逐一驗(yàn)證這三個(gè)能力是怎么落地的。第一多模態(tài)語義理解用 MoE而不是堆一個(gè)大稠密模型。文本/視覺理解由 mllm/config.json 定義的多模態(tài)模型承擔(dān)LLM 主干為bailing_moe_v2256 個(gè)專家、每 token 激活 8 個(gè)配合 32 層 Qwen2.5 ViT 視覺編碼器。官方口徑的6B正是 MoE 的激活參數(shù)量權(quán)重索引元數(shù)據(jù)中的 170 億參數(shù)為含全部專家的總量mllm/model.safetensors.index.json。理解側(cè)能力越強(qiáng)提示詞里的版式描述、字號(hào)層級(jí)、左上角放標(biāo)題這類布局信息才越能忠實(shí)傳遞到生成側(cè)。第二語義注入走輕橋接不過度引入新模塊。文本側(cè)先經(jīng) connector/config.json 定義的 Qwen2 因果語言模型28 層、hidden size 1536約 15 億參數(shù)編碼再通過 mlp/config.json 的恒等 MLPuse_identity_mlp: true直接注入擴(kuò)散 Transformer。連接層選最輕的實(shí)現(xiàn)目的是保留語義、減少條件注入鏈路中的信息損耗——這也是語義保真的工程化表達(dá)。第三生成側(cè)是標(biāo)準(zhǔn)的 MMDiT 風(fēng)格擴(kuò)散 Transformer但為透明通道留了位。transformer/config.json 顯示dim 3840、30 個(gè)主層 2 個(gè) refiner 層、16 通道輸入in_channels: 16、支持 2048 級(jí)高分辨率axes_lens中 20480 對(duì)應(yīng)大圖 token 長(zhǎng)度。注意這里的 16 通道潛變量不是巧合——它要為下面 VAE 的 RGBA 四通道各分配獨(dú)立的潛空間表達(dá)。第四透明背景是原生能力不是后處理。與多數(shù)模型生成 RGB 后再摳圖不同vae/config.json 定義了AutoencoderKLQwenImageinput_channels: 4即 RGBA 四通道直接進(jìn) VAE、z_dim: 16、scaling_factor: 8.0064。也就是說透明度在潛空間里就被聯(lián)合建模了采樣一步到位的輸出天然帶 Alpha 通道。配合 scheduler/scheduler_config.json 的 Flow Match 歐拉調(diào)度器shift 6.0、1000 步訓(xùn)練時(shí)間表實(shí)際推理僅需 12 步即可出圖——README 給出的推薦參數(shù)是 2048×2048、12 步、CFG 1.0、BF16、單卡 80 GiB。這套組合的實(shí)際效果得到了第三方盲測(cè)的背書在 Artificial Analysis 的 UI/UX 文生圖盲測(cè)中該模型以Elo 1082分登頂開源模型第一把文字渲染、版式穩(wěn)定這類設(shè)計(jì)生圖專屬指標(biāo)作為核心競(jìng)爭(zhēng)力擺到了臺(tái)面上。透明背景為什么值得專門做一個(gè) VAE先澄清一個(gè)常見的誤解RGBA 輸出并非多加一個(gè)通道這么簡(jiǎn)單。常規(guī) 3 通道 VAE 的潛空間分布是在 RGB 數(shù)據(jù)上學(xué)出來的強(qiáng)行把 Alpha 塞進(jìn)去會(huì)導(dǎo)致透明度與內(nèi)容解耦失敗——生成結(jié)果要么邊緣發(fā)虛要么透明變成了灰色。Ming-Image 的做法是讓 VAE 從輸入端就吃 4 通道input_channels: 4把透明度當(dāng)成與顏色平行的第一公民參與重建訓(xùn)練16 維潛變量z_dim: 16也給了四通道足夠的表達(dá)能力。從工程成本看這一選擇讓 VAE 解碼端到端產(chǎn)出帶 Alpha 的 PNG跳過了生成 → 摳圖 → 合成的傳統(tǒng)鏈路對(duì)電商商品圖、App 圖標(biāo)、貼紙表情包這類高頻需求收益是實(shí)打?qū)嵉囊淮瓮评?、直接交付。README 中的透明背景示例assets/transparency_showcase.webp也專門用棋盤格預(yù)覽透明度并注明棋盤格僅用于預(yù)覽、不屬于生成結(jié)果。為什么鋪矩陣而不是押?jiǎn)吸c(diǎn)回到一次開源兩個(gè) 6B這個(gè)動(dòng)作本身。單看 Design 版它已經(jīng)是一個(gè)完整的 6B 文生圖模型但螞蟻顯然不滿足于押一個(gè)爆款而是圍繞設(shè)計(jì)交付場(chǎng)景鋪了一張網(wǎng)模型層Design生成 Layer拆層覆蓋出圖—改稿鏈路工作流層官方配套了 Design Skill 自動(dòng)化工作流與圖轉(zhuǎn)可編輯 PPT的 Skill把單模型能力組裝成端到端的生產(chǎn)管線部署層明確推薦 vLLM-Omni 服務(wù)化框架并給出 80 GiB 單卡驗(yàn)證配置降低自部署門檻合規(guī)層MIT 協(xié)議開源LICENSE商用無附加條件。這套打法的邏輯很清晰場(chǎng)景比單點(diǎn)模型更難復(fù)制。單一 6B 模型再強(qiáng)競(jìng)品追幾個(gè)月也能追平但生成 拆層 工作流 服務(wù)化 開源許可構(gòu)成的完整矩陣才是真正沉淀下來的生態(tài)壁壘。這也與螞蟻在通識(shí)多模態(tài)上的家族化路線一脈相承——從 Ming-Omni 的統(tǒng)一多模態(tài)感知生成到 Ming-UniVision 的連續(xù)視覺表征統(tǒng)一理解與生成再到如今 Ming-Image 系列垂直場(chǎng)景化落地開源動(dòng)作始終是系列化、成體系地推進(jìn)而不是零散地丟模型。下一個(gè)成員會(huì)是誰既然系列是策略Design 只是開始就不僅是標(biāo)題修辭。從已公開的線索可以合理推演其一Layer 模型本身就有獨(dú)立迭代空間。當(dāng)前它能拆透明圖層下一步向拆出可編輯的矢量結(jié)構(gòu)還原布局樹/組件屬性演進(jìn)是技術(shù)路線上順理成章的方向——那將真正打通AI 出圖 → 設(shè)計(jì)稿結(jié)構(gòu)化的最后一公里。其二與 Ling 系多模態(tài)生態(tài)的整合。README 中提示詞增強(qiáng)PE可掛載 Ling-3.0-flash-VL 或 qwen3.8-27B說明官方在設(shè)計(jì)的是理解模型增強(qiáng)提示詞 → 生成模型出圖的協(xié)同鏈路。隨著理解側(cè)模型升級(jí)生成質(zhì)量與指令跟隨能力會(huì)同步水漲船高。其三從靜態(tài)設(shè)計(jì)稿走向動(dòng)態(tài)內(nèi)容。Ming 家族在統(tǒng)一多模態(tài)上已有積累圖像生成之后視頻、多頁文檔排版、甚至設(shè)計(jì)稿 交互邏輯的一體化生成都是同一套文字密集型內(nèi)容生成能力的自然延伸?；氐疆?dāng)下兩個(gè) 6B、一個(gè) MIT 協(xié)議、一套成體系的工具鏈——Ming-Image-0.1-Design 系列給開源文生圖社區(qū)帶來的不是又一個(gè)可下載的權(quán)重而是一個(gè)按場(chǎng)景拆解、按矩陣交付的范本。對(duì)想快速落地的團(tuán)隊(duì)Design 版 Layer 版 vLLM-Omni 的黃金組合已經(jīng)可以直接開工對(duì)想研究架構(gòu)的人從 mllm/config.json 到 vae/config.json 的每一份配置都在告訴你設(shè)計(jì)生圖的難點(diǎn)從來不在畫得像而在排得對(duì)、拆得開、交付得了?！久赓M(fèi)下載鏈接】Ming-Image-0.1-Design項(xiàng)目地址: https://ai.gitcode.com/hf_mirrors/inclusionAI/Ming-Image-0.1-Design創(chuàng)作聲明：本文部分內(nèi)容由AI輔助生成（AIGC），僅供參考