LLaDA-Image-Turbo: Ant Group bringt leise einen 4-Schritt-Open-Source-Bildgenerator heraus

Am 4. September 2026 stellte das Open-Source-Labor inclusionAI von Ant Group die Gewichte für LLaDA-Image-Turbo und LLaDA-Image auf Hugging Face bereit – ohne Ankündigungsbeitrag, ohne Pressemitteilung und, Stand dieses Artikels, ohne deklarierte Lizenz in einem der vier erstellten Repositories. LLaDA-Image-Turbo ist das schnelle Mitglied dieser Veröffentlichung: ein destillierter Checkpoint, der laut Model Card einen Prompt oder eine Bearbeitungsanweisung in vier Sampling-Schritten in ein 1024×1024-Bild verwandelt – gegenüber fünfzig beim LLaDA-Image-Basismodell, aus dem er destilliert wurde. Was die stille Veröffentlichung lesenswert macht, ist eine einzelne, vom Anbieter gemeldete Zeile in der Model Card – State-of-the-Art unter Open-Source-Modellen bei Qwen-Image-Bench – und was es schwierig macht, darauf zu reagieren, ist alles rund um diese Zeile, was das Release noch nicht preisgibt.

Dies ist ein Bericht vom ersten Tag, keine Bewertung. Die Checkpoints sind real und herunterladbar, der auf Diffusers basierende Inferenzcode läuft aus einem geklonten Repository, und das zugehörige Paper, LLaDA-Image: Building Strong Image Generators with Fully Open Training Recipes, wurde am 3. September 2026 auf arXiv veröffentlicht. Es gibt jedoch keine Ankündigung von inclusionAI oder Ant Group, gegen die man dies abgleichen könnte, und zum Zeitpunkt des Schreibens zeigte das Repository von LLaDA-Image-Turbo zwei Downloads – nach allem, was sichtbar ist, hat es noch niemand außerhalb des Labors ausgeführt. Alles unten ist entsprechend aufgeteilt: was die Repositorys tatsächlich enthalten, was das Paper behauptet und was passieren müsste, bevor LLaDA-Image-Turbo etwas ist, auf das ein Produktionsteam setzen sollte.

Was tatsächlich ausgeliefert wurde

Vier Checkpoints wurden in den frühen Morgenstunden des 4. September 2026 (UTC) auf Hugging Face unter der Organisation inclusionAI veröffentlicht: LLaDA-Image, das Base-Modell mit fünfzig Schritten in BF16; LLaDA-Image-FP8; LLaDA-Image-Turbo, der destillierte schnelle Checkpoint in BF16; und LLaDA-Image-Turbo-FP8. Die eigene News-Zeile der Modellkarte vom 4. September 2026 ist die gesamte formelle Ankündigung: „Wir haben die LLaDA-Image-Base- und Turbo-Checkpoints zusammen mit dem Inferenzcode veröffentlicht.“ Ein GitHub-Repository unter derselben Organisation enthält den Inferenzcode, und der arXiv-Bericht erschien am Tag zuvor.

Die Repositories sind keine Stubs. Jedes Turbo-Repo enthält eine vollständige Diffusers-Pipeline — einen auf mehrere Shards verteilten Diffusion-Transformer-Generator, einen SigVQ-Bild-Tokenizer, einen Query-Former-Connector, einen Scheduler und einen Neun-Shard-Text-Encoder — „das Modell“ ist hier also kein Platzhaltername, sondern zig Gigabyte an lauffähigen Gewichten. Die Familie wird als ein Bildgenerierungs- und -bearbeitungsmodell mit 6 Milliarden Parametern beschrieben; streng genommen bezeichnet die 6B-Angabe das von Grund auf trainierte Diffusion-Transformer-Backbone, wobei ein eingefrorenes Diffusion-Sprachmodell-Modul aus der LLaDA2-Linie des Labors (der Neun-Shard-Text-Encoder) zusätzlich das Verständnis beisteuert.

Warum der Vier-Schritte-Teil die Überschrift ist

Bei einem Bilddiffusionsmodell entstehen die Kosten hauptsächlich durch die Sampling-Schritte. Jeder Schritt ist ein vollständiger Durchlauf durch das Netzwerk, daher ist der Unterschied zwischen einem Modell mit fünfzig Schritten und einem mit vier Schritten etwa eine Größenordnung an Rechenaufwand pro Bild – und das bevor überhaupt Auflösung, Batchgröße oder Hardware berücksichtigt werden. Genau darum geht es bei der „Turbo“-Linie in dieser Version. inclusionAI hat LLaDA-Image mit einer Technik namens Twin-DMD zu LLaDA-Image-Turbo destilliert. Das destillierte Checkpoint-Modell läuft mit zwei bis vier Schritten, wobei vier empfohlen werden, bei einer Guidance-Skala von 1,0 gegenüber 5,0 beim Basismodell. Dasselbe Pipeline-Objekt, derselbe Prompt, dieselbe 1024×1024-Ausgabe – nur ein Bruchteil der Denoising-Durchläufe.

Der Vorbehalt ist der übliche für destillierte Bildmodelle, und er ist hier schärfer als gewöhnlich: Destillation tauscht ein wenig Wiedergabetreue gegen Geschwindigkeit, und inclusionAI hat für LLaDA-Image-Turbo überhaupt keine Benchmark-Zahlen veröffentlicht. Die Qwen-Image-Bench-Werte in der Modellkarte gehören zum Base-Checkpoint mit fünfzig Schritten. Die tatsächliche Qualitätslücke zwischen LLaDA-Image-Turbo bei vier Schritten und LLaDA-Image bei fünfzig Schritten ist also weder vom Anbieter quantifiziert noch von irgendjemand anderem getestet worden – was „Turbo“ zu einer Geschwindigkeitsbehauptung macht, die man nur durch Ausführen überprüfen kann.

Ein Checkpoint, der generiert und bearbeitet

Die architektonische Wette hinter der Modellfamilie ist die Vereinheitlichung. Ein einziger Gewichtssatz steuert die Text-zu-Bild-Generierung, die VQ-konditionierte Generierung, die Referenzbild-Bearbeitung und die chinesisch-englische Textwiedergabe – es gibt kein separates Bearbeitungs-Backbone, weshalb die „Bearbeitungs“-Hälfte des Releases nicht als eigenes Modell ausgeliefert wird. Im Bearbeitungsmodus wird das Referenzbild am Sprachmodul vorbeigeführt und direkt in das Diffusionsmodell eingespeist, während das Sprachmodul nur die Anweisung verarbeitet; die Modellkarte verspricht getreue inhaltliche Bewahrung bei präzisen visuellen Änderungen sowie fotorealistische Generierung und sauber gesetzten Text in beiden Sprachen.

Zwei technische Details sind schon am ersten Tag eine Notiz wert. Der Generator ist ein 6B-Diffusionstransformator, der von Grund auf mit parameterfreier RMSNorm und dem Muon-Optimierer trainiert wurde – Details, die das Papier genau ausführt, statt sie nur zu überfliegen. Und die Trainingsgeschichte in dem Papier ist eine bewusste Umkehrung des üblichen Bild-Text-Rezepts: Zuerst bauen Pre-Training und Mid-Training – beide ausschließlich auf Bildern basierend – einen starken visuellen Prior auf, und erst dann führt das Labor gepaarte Sprach-Supervision sowie ein gemeinsames Training für Generierung und Bearbeitung ein. Diese Reihenfolge – und die „Fully Open Training Recipes“ im Titel des Papiers – ist der Forschungsaufhänger. Man beachte die Kluft zwischen der Darstellung im Papier und dem Veröffentlichungsplan von Hugging Face: Gewichte und Inferenzcode sind abgehakt, aber der Trainingscode ist noch als „coming soon“ markiert.

Lesen der Behauptung 53.53 / 53.38

Die Zahl, die sich verbreiten wird, ist die Benchmark-Kennzahl: Beim Qwen-Image-Bench, einem Text-zu-Bild-Benchmark mit getrennten englischen und chinesischen Tracks, meldet inclusionAI für LLaDA-Image eine Gesamtpunktzahl von 53,53 im englischen und 53,38 im chinesischen Track – und bezeichnet das auf beiden als neuen Stand der Technik unter den Open-Source-Modellen. Liest man sie genau, zeigen sich drei Einschränkungen. Sie ist eine Angabe des Anbieters, beruht auf der eigenen Auswertung des Labors und wurde bislang nirgendwo reproduziert. Sie gehört zum LLaDA-Image-Basismodell mit fünfzig Schritten, nicht zu LLaDA-Image-Turbo, dem Checkpoint, um den es in dieser Veröffentlichung eigentlich gehen soll. Und „Open-Source-State-of-the-Art“ ist eine Kategorie, die sich monatlich verschiebt – sie ist eine Aussage darüber, wo das Modell im Vergleich zu seinen offenen Pendants steht, nicht eine Aussage über die geschlossene Spitzenklasse.

Was die Abbildung tatsächlich verrät, ist, warum die Familie existiert. Ein chinesisch-englisches Text-zu-Bild- und Bildbearbeitungsmodell, das eine offene Benchmark in beiden Kategorien anführt, zielt direkt auf den schnelllebigen Markt für offene Bildmodelle – das gleiche Segment, in dem Checkpoints der Qwen-Image-Familie und ein stetiger Strom anderer offener Gewichte das Tempo vorgegeben haben. Wenn LLaDA-Image-Turbo bei vier Schritten auch nur den Großteil der Qualität des Basismodells reproduziert, wird es zu einem der im Betrieb günstigsten offenen Bildmodelle mit einem glaubwürdigen Qualitätsanspruch. Das „Wenn“ trägt in diesem Satz die Hauptlast.

Die Lücken, die ein stilles Schiff am Stapellauf hindern.

• Eine Ankündigung. Die Zeile vom 2026-09-04 auf der Modellkarte ist die einzige Aussage des Anbieters. Es gibt keinen inclusionAI-Blogbeitrag, keine Ant-Group-Pressemitteilung, keinen Social-Media-Beitrag und keine Presseberichterstattung außer durch Aggregatoren – was selbst ein Signal ist, das man respektieren sollte, anstatt es zu übertünchen.

• Eine Lizenz. Keines der vier Repositories von Hugging Face weist ein Lizenz-Tag auf, und das GitHub-Repository enthält keine LICENSE-Datei – nur einen zweisprachigen Hinweis in LEGAL.md, der besagt, dass die chinesischen Kommentare im Code gegenüber den übersetzten maßgeblich sind. Man kann keine kommerziellen Rechte an den Gewichten annehmen, wenn keine Lizenz deklariert ist, egal wie „offen“ der Titel des Papers klingt. Für jeden, dessen Nutzung kommerziell ist, ist dies die erste Frage, und darauf gibt es derzeit keine Antwort.

• Turbo-Zahlen. Für LLaDA-Image-Turbo im Speziellen sind keine Benchmark-, Latenz- oder Qualitätswerte veröffentlicht. Die obige Rangliste stammt vom Basismodell; der destillierte Checkpoint ist eine nicht quantifizierte Behauptung, bis der Anbieter oder ein unabhängiger Testlauf sie ausfüllt.

• Unabhängige Verifizierung und gehosteter Zugriff. Downloads und Likes liegen im einstelligen Bereich, es existiert keine unabhängige Reproduktion, und kein uns bekannter Inferenzanbieter — einschließlich OrcaRouter — stellt das Modell bisher bereit. Heute sind es nur Gewichte auf Hugging Face und sonst nichts.

Was tun mit einem einen Tag alten, ruhigen Schiff?

Wenn Sie Forscher sind oder zu einem Team gehören, das selbst hostet, ist dies ein Release, das Sie diese Woche klonen und ausführen können: offene Gewichte, eine Diffusers-Pipeline, eine BF16- und eine FP8-Variante, um Speicher gegen Qualität zu tauschen, sowie ein Paper, das erklärt, wie trainiert wurde, noch bevor der Trainingscode erscheint. Wenn Ihre Nutzung kommerziell ist, steht die Lizenzlücke an erster Stelle – ein Bildmodell mit vier Schritten und einem plausiblen Qualitätsversprechen ist kein rechtliches Risiko wert. Der verantwortungsvolle Schritt ist, es auf der eigenen GPU zu testen und auf die Klärung der Lizenz zu warten, bevor man es in die Nähe eines Produkts bringt.

Vier Dinge würden aus diesem ruhigen Schiff einen Start machen, auf dem man aufbauen kann, und keines davon ist bis zum 4. September 2026 geschehen:

• Eine echte Ankündigung von inclusionAI oder Ant Group, die die Familie und ihre Bedingungen nennt.

• Eine deklarierte Lizenz auf den Repositories — Apache-2.0 würde der breiteren Open-Weights-Praxis des Labors entsprechen und die kommerzielle Hürde beseitigen.

• Veröffentlichte LLaDA-Image-Turbo-Ergebnisse oder eine unabhängige Reproduktion des Qwen-Image-Bench-Ergebnisses des Basismodells.

• Ein gehosteter Anbieter, der es übernimmt, was zugleich der Moment ist, in dem das Modell einen Preis pro Bild bekommt und zu etwas wird, das eine Routing-API in einem einzigen Aufruf liefern kann.

Wenn dieses letzte Signal auslöst – falls es auslöst –, ist die Preislogik einfach: Der Anbieter legt den Listenpreis fest, und eine Routing-API, die die Listenpreise der Anbieter unverändert mit 0 % Aufschlag durchreicht, hält diesen Preis noch am selben Tag auf Ihrer Seite live – ohne Neuverhandlung und ohne zweiten Vertrag. Doch dieser Tag ist für LLaDA-Image-Turbo noch nicht gekommen, und nichts in diesem Artikel sollte so gelesen werden, als wäre er es. Die ehrliche Zusammenfassung ist heute kurz: Ein seriöses Labor hat still und leise ein ernstzunehmendes offenes Bildmodell mit einem echten Qualitätsanspruch und mehreren ungeklärten Fragen veröffentlicht, und der schnellste Weg, um herauszufinden, welche Teile des Anspruchs den Kontakt mit der Realität überstehen, ist, den vierstufigen Checkpoint selbst durchzulaufen.