LLaDA-Image-Turbo: Ant Group lanzó silenciosamente un generador de imágenes abierto de 4 pasos

El 4 de septiembre de 2026, el laboratorio de código abierto de Ant Group, inclusionAI, publicó los pesos de LLaDA-Image-Turbo y LLaDA-Image en Hugging Face sin publicación de lanzamiento, sin comunicado de prensa y —hasta el momento de escribir esto— sin licencia declarada en ninguno de los cuatro repositorios que creó. LLaDA-Image-Turbo es el miembro rápido de ese lanzamiento: un checkpoint destilado que, según la ficha del modelo, convierte una instrucción o una indicación de edición en una imagen de 1024×1024 en cuatro pasos de muestreo, frente a los cincuenta del modelo base LLaDA-Image del que fue destilado. Lo que hace que este lanzamiento silencioso merezca la pena leerse es una sola línea reportada por el proveedor en la ficha del modelo —la más avanzada entre los modelos de código abierto en Qwen-Image-Bench—, y lo que hace difícil actuar sobre ella es todo lo que el lanzamiento aún no dice en torno a esa línea.

Este es un informe del día uno, no una reseña. Los checkpoints son reales y descargables, el código de inferencia basado en Diffusers se ejecuta desde un repositorio clonado, y el artículo que lo acompaña, LLaDA-Image: Building Strong Image Generators with Fully Open Training Recipes, se publicó en arXiv el 3 de septiembre de 2026. Pero no hay ningún anuncio de inclusionAI ni de Ant Group con el que contrastar, y al momento de escribir esto el repositorio de LLaDA-Image-Turbo mostraba dos descargas: según toda medida visible, nadie fuera del laboratorio lo ha ejecutado todavía. Todo lo que sigue se divide en consecuencia: qué contienen realmente los repositorios, qué afirma el artículo y qué tendría que suceder antes de que LLaDA-Image-Turbo sea algo en lo que un equipo de producción debería apostar.

Lo que realmente se envió

Cuatro checkpoints se publicaron en Hugging Face bajo la organización inclusionAI en la madrugada del 4 de septiembre de 2026 (UTC): LLaDA-Image, el modelo Base de cincuenta pasos en BF16; LLaDA-Image-FP8; LLaDA-Image-Turbo, el checkpoint rápido destilado en BF16; y LLaDA-Image-Turbo-FP8. La propia línea de noticias de la tarjeta del modelo, con fecha del 4 de septiembre de 2026, es todo el anuncio formal: «Lanzamos los checkpoints Base y Turbo de LLaDA-Image junto con el código de inferencia». Un repositorio de GitHub bajo la misma organización contiene el código de inferencia, y el informe de arXiv apareció el día anterior.

Los repositorios no son stubs. Cada repositorio Turbo contiene un pipeline completo de Diffusers: un generador diffusion-transformer fragmentado, un tokenizador de imágenes SigVQ, un conector query-former, un scheduler y un codificador de texto de nueve fragmentos; por lo tanto, “el modelo” aquí no es un nombre de marcador de posición, sino decenas de gigabytes de pesos ejecutables. La familia se describe como un modelo de generación y edición de imágenes de 6 mil millones de parámetros; leído estrictamente, la cifra de 6B es el backbone diffusion-transformer entrenado desde cero, con un módulo congelado de modelo de lenguaje de difusión de la línea LLaDA2 del laboratorio (el codificador de texto de nueve fragmentos) que añade comprensión por encima.

Por qué la parte de cuatro pasos es el titular

Para un modelo de difusión de imágenes, el costo se debe principalmente a los pasos de muestreo. Cada paso es una pasada completa por la red, por lo que la diferencia entre un modelo de cincuenta pasos y uno de cuatro pasos es aproximadamente un orden de magnitud en el cómputo por imagen, antes incluso de considerar cualquier otra cosa: resolución, tamaño de lote, hardware. Ese es el objetivo principal de la línea "Turbo" en esta versión. inclusionAI destiló LLaDA-Image en LLaDA-Image-Turbo con una técnica llamada Twin-DMD, y el checkpoint destilado funciona en dos a cuatro pasos, con cuatro recomendados, a una escala de guía de 1.0 frente a la de 5.0 del modelo Base. Mismo objeto de pipeline, mismo prompt, misma salida de 1024×1024: una fracción de las pasadas de denoising.

La advertencia es la estándar para los modelos de imágenes destilados, y aquí es más marcada de lo habitual: la destilación intercambia un poco de fidelidad por velocidad, e inclusionAI no ha publicado ninguna cifra de referencia para LLaDA-Image-Turbo en absoluto. Las puntuaciones de Qwen-Image-Bench en la tarjeta del modelo pertenecen al checkpoint Base de cincuenta pasos. Por lo tanto, la brecha de calidad real entre LLaDA-Image-Turbo en cuatro pasos y LLaDA-Image en cincuenta pasos no está cuantificada por el proveedor ni ha sido probada por nadie más todavía, lo que convierte a "Turbo" en una afirmación de velocidad que solo puedes verificar ejecutándolo.

Un punto de control que genera y edita

La apuesta arquitectónica detrás de la familia es la unificación. Un único conjunto de pesos maneja la generación de texto a imagen, la generación condicionada por VQ, la edición con imagen de referencia y el renderizado de texto en chino e inglés, sin un backbone de edición separado; por eso la mitad de "edición" del lanzamiento no se publica como un modelo propio. En el modo de edición, la imagen de referencia se enruta sin pasar por el módulo de lenguaje y se inyecta directamente en el modelo de difusión, mientras que el módulo de lenguaje procesa solo la instrucción; la ficha técnica afirma una preservación fiel del contenido con cambios visuales precisos, junto con generación fotorrealista y texto limpio y bien compuesto en ambos idiomas.

Dos detalles técnicos merecen registrarse incluso desde el primer día. El generador es un transformador de difusión de 6B entrenado desde cero con RMSNorm sin parámetros y el optimizador Muon, detalles que el artículo informa en lugar de pasar por alto. Y la historia del entrenamiento en el artículo es una inversión deliberada de la receta habitual de imagen-texto: el preentrenamiento y el entrenamiento intermedio solo con imágenes construyen primero un fuerte prior visual, y solo entonces el laboratorio introduce la supervisión de lenguaje emparejado y el entrenamiento conjunto de generación-edición. Ese orden — y las "Recetas de Entrenamiento Totalmente Abiertas" en el título del artículo — es el gancho de la investigación. Nótese la brecha entre el marco del artículo y el plan de publicación de Hugging Face: los pesos y el código de inferencia están marcados como completados, pero el código de entrenamiento aún figura como "próximamente".

Leyendo la afirmación 53.53 / 53.38

La cifra que circulará es la del benchmark: en Qwen-Image-Bench, un banco de pruebas de texto a imagen con categorías separadas para inglés y chino, inclusionAI reporta que LLaDA-Image obtiene 53.53 en general en la categoría de inglés y 53.38 en la de chino, lo que, según la compañía, supone un nuevo estado del arte entre los modelos de código abierto en ambas. Si se lee con precisión, aparecen tres límites. Se trata de un resultado comunicado por el proveedor, basado en la evaluación del propio laboratorio y aún no reproducido en ningún otro sitio. Pertenece al modelo base LLaDA-Image de cincuenta pasos, no a LLaDA-Image-Turbo, el checkpoint del que nominalmente trata este lanzamiento. Y "estado del arte en código abierto" es una categoría que cambia cada mes — es una afirmación sobre dónde se sitúa el modelo frente a sus pares abiertos, no una afirmación sobre la frontera cerrada.

Lo que la figura sí te dice es por qué existe la familia. Un modelo chino-inglés de texto a imagen y edición que encabeza un benchmark abierto en ambas pistas está dirigido directamente al mercado de rápida evolución de los modelos de imagen abiertos, el mismo segmento donde los checkpoints de la familia Qwen-Image y un flujo constante de otros pesos abiertos han estado marcando el ritmo. Si LLaDA-Image-Turbo reproduce siquiera la mayor parte de la calidad del modelo Base en cuatro pasos, se convierte en uno de los modelos de imagen abiertos más baratos de ejecutar con una pretensión de calidad creíble detrás. «Si» es quien hace el trabajo en esa frase.

Las brechas que impiden que un barco silencioso se convierta en un lanzamiento.

• Un anuncio. La línea del 2026-09-04 en la tarjeta del modelo es la única declaración del proveedor. No hay publicación en el blog de inclusionAI, ni comunicado de Ant Group, ni mensaje en redes sociales, ni cobertura de prensa más allá de agregadores — algo que es en sí mismo una señal digna de respeto, no de encubrimiento.

• Una licencia. Ninguno de los cuatro repositorios de Hugging Face lleva una etiqueta de licencia, y el repositorio de GitHub no tiene un archivo LICENSE — solo una nota bilingüe LEGAL.md que indica que los comentarios en chino del código prevalecen sobre los traducidos. No se pueden asumir derechos comerciales sobre los pesos sin una licencia declarada, por muy "abierto" que suene el título del artículo. Para cualquiera cuyo uso sea comercial, esta es la primera pregunta, y actualmente no tiene respuesta.

• Números de Turbo. No se publica ninguna cifra de benchmark, latencia o calidad específicamente para LLaDA-Image-Turbo. La tabla anterior es la del modelo Base; el checkpoint destilado es una afirmación sin cuantificar hasta que el proveedor o una ejecución independiente la respalde con datos.

• Verificación independiente y acceso alojado. Las descargas y los «me gusta» son de un solo dígito, no existe ninguna reproducción independiente, y ningún proveedor de inferencia que podamos encontrar — incluido OrcaRouter — está sirviendo el modelo todavía. Hoy es solo pesos en Hugging Face y nada más.

Qué hacer con un barco tranquilo de un día

Si usted es un investigador o un equipo que utiliza autoalojamiento, este es un lanzamiento para clonar y ejecutar esta semana: {{1}}pesos abiertos, un pipeline de Diffusers, una variante BF16 y otra FP8 para intercambiar memoria por calidad, y un artículo que explica cómo se entrenó incluso antes de que llegue el código de entrenamiento{{/1}}. Si su uso es comercial, {{2}}la brecha de licencia es lo primero{{/2}} — {{3}}un modelo de imágenes de cuatro pasos con una afirmación de calidad plausible no vale un riesgo legal{{/3}}, y {{4}}la medida responsable es evaluar en su propia GPU y esperar la línea de licencia antes de ponerlo cerca de cualquier producto{{/4}}.

Cuatro cosas convertirían esta tranquila nave en un lanzamiento sobre el que valga la pena construir, y ninguna ha sucedido hasta el 4 de septiembre de 2026:

• Un anuncio real de inclusionAI o Ant Group, que nombre la familia y sus términos.

• Una licencia declarada en los repositorios — Apache-2.0 coincidiría con la práctica más amplia de pesos abiertos del laboratorio y eliminaría el bloqueo comercial.

• Puntajes publicados de LLaDA-Image-Turbo, o una reproducción independiente del resultado del modelo Base en Qwen-Image-Bench.

• Un proveedor alojado que lo adopta, que es también el momento en que el modelo adquiere un precio por imagen y se convierte en algo que una API de enrutamiento puede entregarte en una sola llamada.

Cuando esa última señal se dispara — si se dispara — el cálculo de precios es simple: el proveedor fija el precio de lista, y una API de enrutamiento que transmite los precios de lista del proveedor directamente con un margen del 0% es lo que mantiene ese precio activo en tu lado el mismo día, sin renegociación y sin un segundo contrato. Pero ese día aún no ha llegado para LLaDA-Image-Turbo, y nada en este artículo debería leerse como si hubiera llegado. Hoy el resumen honesto es breve: un laboratorio serio publicó silenciosamente un modelo abierto de imágenes serio, con una afirmación de calidad real y varias preguntas sin resolver, y la forma más rápida de descubrir qué partes de esa afirmación sobreviven al contacto con la realidad es ejecutar tú mismo el punto de control de cuatro pasos.