LLaDA-UI se lanza en silencio: el agente de GUI de difusión de inclusionAI ya está disponible para descargar.

LLaDA-UI — un agente GUI de mezcla de expertos de aproximadamente 16,7 mil millones de parámetros, de inclusionAI — apareció en Hugging Face el 6 de septiembre de 2026 sin anuncio alguno. Lo que hace que merezca una segunda mirada no es el silencio, sino el mecanismo subyacente: en lugar de escribir su siguiente acción token a token, como hacen los modelos autorregresivos de visión y lenguaje que dominan la investigación sobre el uso de computadoras, LLaDA-UI elimina el ruido de un bloque completo de tokens de acción por paso, al estilo de difusión, y solo entonces se compromete con la respuesta. El proveedor lo presenta como un agente GUI de difusión práctico y de pesos abiertos. Todo lo que aparece a continuación está etiquetado por lo que es: datos del repositorio que puedes comprobar tú mismo, afirmaciones del informe técnico que nadie fuera del laboratorio ha reproducido, y lagunas — entre las que destaca la falta de una licencia — que siguen genuinamente sin resolverse.

El marco de lanzamiento importa porque esto ya es un patrón. inclusionAI es el laboratorio afiliado a Ant Group detrás de la familia LLaDA de modelos de lenguaje de difusión, y la misma semana en que publicó los checkpoints de imagen LLaDA-Image y LLaDA-Image-Turbo (4 de septiembre) y el modelo de agente LLaDA2.2-mini (5 de septiembre), creó el repositorio inclusionAI/LLaDA-UI el 6 de septiembre. Tres familias de modelos en tres días, ninguna precedida por un anuncio de lanzamiento. Para LLaDA-UI específicamente, la evidencia de un lanzamiento real es el propio repositorio: los pesos safetensors están presentes y son cargables, el código de inferencia y una receta de servicio SGLang se incluyen junto con ellos, y existen un informe técnico y una página del proyecto. Lo que no está presente es ningún anuncio del proveedor, ninguna licencia, o — al momento de escribir esto, con descargas aún en cifras de un solo dígito — ninguna señal de que el mundo en general lo haya notado todavía.

Enviado, pero no anunciado

El repositorio inclusionAI/LLaDA-UI fue creado a las 05:08 UTC del 6 de septiembre y es una entrega de modelo completa y autónoma, no un marcador de posición. Hay veintiún archivos en el árbol: siete fragmentos safetensors BF16 que suman alrededor de 16.9 mil millones de parámetros (la tarjeta del modelo redondea a ~16.7B en total), los archivos del tokenizador y de configuración y, lo que es importante, el código fuente propio del modelo (modeling_llada2_vl_moe.py y configuration_llada2_vl.py). La arquitectura se registra como LLaDA2MoE_VLForConditionalGeneration bajo un tipo de modelo llada2vl, y como esos archivos vienen dentro del repositorio, esta no es una arquitectura estándar de Transformers: cargarla implica extraer el código personalizado, ya sea clonando el repositorio o mediante la ruta de código remoto del hub.

Lo que el repositorio no incluye es igual de informativo. No hay etiqueta de licencia en la tarjeta del modelo ni archivo LICENSE en el árbol, así que la pregunta estándar que un equipo comercial se hace primero — ¿qué me está permitido hacer con estos pesos? — aún no tiene respuesta. El artículo es un informe técnico distribuido como PDF dentro del repositorio de GitHub y enlazado desde una página del proyecto; no ha aparecido en arXiv (la página todavía dice "SOON"). Y ningún proveedor de inferencia que podamos encontrar está sirviendo el modelo: la tarjeta de Hugging Face no informa de ningún proveedor de inferencia desplegado, lo que significa que por ahora LLaDA-UI es un lanzamiento de descarga y autoalojamiento, no algo a lo que puedas llamar a través de una API. Tampoco lo alojamos nosotros — nada en este artículo debe leerse como una afirmación de que lo hacemos.

Un agente de GUI que decodifica como un modelo de imagen.

El diseño es la historia, por lo que vale la pena ser precisos sobre cómo LLaDA-UI difiere de los modelos GUI autorregresivos con los que se compara. Un modelo convencional de uso de computadora — Qwen2.5-VL-7B o Qwen3-VL-8B, por ejemplo, o el VLM detrás de un producto de uso de computadora alojado — toma la captura de pantalla y la instrucción, y luego predice un token a la vez, de izquierda a derecha, hasta que la cadena de acciones esté completa. Por lo tanto, la latencia escala con el número de tokens en la respuesta. LLaDA-UI, en cambio, trata la respuesta completa como un bloque que inicialmente está enmascarado y se va denoizando progresivamente: cada paso de decodificación refina muchos tokens en paralelo, y después de un número fijo de pasos (el script de referencia utiliza 32 pasos con una longitud de bloque de 32) se revela la cadena completa de razonamiento más acciones. Ese es el mismo movimiento conceptual que el laboratorio hizo con la generación de imágenes, aplicado a acciones de GUI.

Internamente, la pila es: un codificador de visión de resolución nativa, un proyector espacial y un modelo de lenguaje de difusión. El codificador de visión es un ViT inicializado a partir de SigLIP, con incrustaciones posicionales rotatorias 2D, y se ejecuta en la relación de aspecto nativa de la captura de pantalla: la tarjeta establece un IMAGE_MAX_PIXELS de 12 845 056, es decir, aproximadamente 12,8 megapíxeles de entrada antes de reducir la escala, lo cual importa para objetivos de clic pequeños en interfaces de escritorio densas. Su salida se agrupa espacialmente de cuatro a uno y se pasa a través de un proyector MLP de dos capas hacia una columna vertebral de lenguaje que es el modelo de lenguaje de difusión MoE LLaDA2.0-mini. Así que los "17B params" que muestra la barra lateral de Hugging Face corresponden a un modelo de mezcla de expertos; solo una fracción de los parámetros está activa en cada pasada hacia adelante, lo que explica en parte por qué la historia de latencia que sigue es incluso plausible.

La receta de entrenamiento es digna de mención porque resulta inusualmente económica sobre el papel. Según el informe técnico, el backbone multimodal se preentrenó con unos 145 000 millones de tokens en un programa de tres fases — una breve fase de alineación solo con proyector, seguida de fases de modelo completo centradas en la percepción y el razonamiento — antes de un ajuste fino supervisado para agentes GUI con más de seis millones de muestras del proyecto UI-Venus, que abarcan más de 100 aplicaciones móviles chinas, más de 70 aplicaciones móviles en inglés, además de datos de escritorio y web. El proveedor lo plantea como que 145B tokens son una fracción de lo que consumieron los modelos autorregresivos de la competencia (el informe cita 4,1 billones para Qwen2.5-VL y 2,2 billones para Qwen3-VL). En cuanto a las cifras de tokens y la mezcla de datos, conviene tomarlas como lo que afirma el propio laboratorio; lo único comprobable de forma independiente es que el modelo existe y funciona.

Lo que realmente emite

LLaDA-UI tiene dos modos de salida, y la diferencia importa para la forma en que la conectarías a un pipeline. En el modo de anclaje (grounding), el modelo devuelve un único punto: coordenadas enteras normalizadas a un rango [0, 999] para el objetivo, p. ej. [742, 186], que el script de referencia también imprime como una fracción de 0 a 1 para multiplicar por el ancho y la altura de la captura de pantalla. Si el objetivo solicitado no está presente en la imagen, el modelo está entrenado para responder [-1, -1] en lugar de alucinar una ubicación — una propiedad de fiabilidad pequeña pero importante para un bucle de agente. En el modo de agente/navegación, el modelo emite una etiqueta de razonamiento seguida de una acción estructurada:

<think>La barra de búsqueda está en la parte superior de la página, debajo del logotipo.</think><action>Click(box=(742, 186))</action>

El vocabulario de acciones se define por plataforma —móvil, escritorio y web— y, a pesar del nombre del campo, box contiene una única coordenada de interacción en lugar de un rectángulo. La división pensar/acción es lo que permite que el modelo base su decisión en la pantalla actual antes de comprometerse con un clic, y la salida basada en coordenadas es lo que hace que el resultado sea interpretable por máquina en lugar de una instrucción en formato libre que un analizador separado tenga que interpretar.

Las afirmaciones del benchmark, etiquetadas

Los resultados principales del informe técnico son un conjunto de afirmaciones sobre un modelo de GUI por difusión que vence a los autorregresivos en su propio juego. Reproducidos aquí exactamente tal como los informa el proveedor, a partir del informe técnico y de la página del proyecto — nada de esto ha sido reproducido de forma independiente, y los números a continuación son LLaDA-UI frente a Qwen3-VL-8B salvo que se indique lo contrario:

• ScreenSpot-Pro (grounding) — LLaDA-UI 52.9 vs Qwen3-VL-8B 52.7, una ventaja estrecha.

• AndroidWorld (agente móvil) — LLaDA-UI 53.5 vs Qwen3-VL-8B 47.9.

• MobileWorld (agente móvil) — LLaDA-UI 25.6 vs Qwen3-VL-8B 9.4, la mayor brecha en la tabla.

• WebVoyager (agente web) — LLaDA-UI 56.9 vs Qwen3-VL-8B 45.2.

Esos son cuatro de los seis benchmarks de GUI reportados; el informe admite francamente que LLaDA-UI no supera a Qwen3-VL-8B en los otros dos: ScreenSpot-V2 está cerca, y OSWorld-Verified sigue siendo una brecha, que los autores atribuyen a la degradación en capturas de pantalla muy grandes con objetivos pequeños. Frente al más antiguo Qwen2.5-VL-7B, la afirmación es incondicional: gana en los seis benchmarks reportados. También hay una afirmación de velocidad, medida por el laboratorio en ejecuciones de servicio emparejadas y sin caché en hardware idéntico: de 4.8 a 6.4 segundos por respuesta para LLaDA-UI frente a 17 a 53 segundos para Qwen3-VL-8B, citada como aceleraciones medias de 3.58x en entradas web, 6.83x en escritorio y 8.95x en móvil — mientras genera más tokens por llamada, según el informe, porque la decodificación paralela por bloques gana en tiempo de reloj incluso cuando la respuesta es más larga.

Lea la afirmación sobre la latencia con el mismo escepticismo que le inspiran las cifras de precisión. La ventaja de los bloques paralelos de la decodificación por difusión tiene una base mecánica real, y la dirección del efecto —menos pasos secuenciales por respuesta— concuerda con el funcionamiento de la arquitectura, pero las aceleraciones de 3,6x a 9x fueron medidas por los desarrolladores del modelo en el hardware que eligieron y no se han replicado. Las brechas en la precisión también importan. OSWorld-Verified es lo más parecido a una prueba realista para agentes de escritorio que existe en el campo, y es justamente ahí donde, según los autores, el modelo tiene dificultades: en capturas de pantalla grandes con objetivos pequeños. Un agente de GUI que domina el móvil y la web pero flaquea en interfaces de escritorio densas es un perfil de fortalezas específico, no general.

Cómo ejecutarlo, y qué es lo que todavía falta.

Si quieres probar LLaDA-UI por tu cuenta, el camino es empezar por los pesos. El checkpoint ocupa unos 32 GB en BF16. El entorno de referencia es Python 3.10, PyTorch 2.5.1, Transformers 4.51.0 y FlashAttention 2.7.4.post1, y el inicio rápido ejecuta una pasada de grounding de una sola imagen con --gen-length 32 --steps 32 --block-length 32. El servicio es posible a través de SGLang, pero solo con el lanzador propio del laboratorio: el repositorio incluye un serve_llada_ui.sh y un script de cliente que asumen parches de difusión multimodal específicos de LLaDA-UI, y la ficha del modelo es explícita en que no se puede iniciar desde una instalación estándar de SGLang. Las capturas de pantalla grandes también pueden requerir aumentar el --max-length predeterminado de 8192. Este es un modelo para personas que se sienten cómodas clonando un repositorio, compilando FlashAttention con su configuración de CUDA y depurando una decodificación de difusión; todavía no es una llamada de API de un solo comando.

Cuatro cosas cambiarían lo que un lector puede hacer con LLaDA-UI, y ninguna de ellas ha ocurrido al momento de escribir esto. Una licencia declarada zanjaría la cuestión comercial que hoy no tiene respuesta. Una entrada en arXiv convertiría el informe técnico del repositorio en algo citable y susceptible de revisión por pares. Una reproducción independiente de las cifras de ScreenSpot-Pro mediante WebVoyager separaría la capacidad real de la arquitectura de la evaluación de sus autores. Y un proveedor que realmente sirviera el modelo lo haría comprobable sin una descarga de 32 GB y una GPU. Si esa última etapa llega a ocurrir, la cuestión del enrutamiento se vuelve rutinaria: una clave de API para todos los catálogos de modelos, los precios de lista del proveedor transmitidos sin recargo y conmutación automática por error para que un checkpoint de tres días nunca quede solo en una ruta de producción. Hasta entonces, LLaDA-UI es un modelo de pesos abiertos inusualmente interesante de observar: un agente GUI de difusión con afirmaciones reales de benchmarks, una debilidad específica y honestamente revelada, y ninguno de los andamiajes legales u operativos que permitirían a la mayoría de los equipos adoptarlo hoy. Vigila el repositorio en busca de la licencia y el artículo, en ese orden.