Ming-Image-0.1-Design בראש לוח הדירוג Open-Weights לעיצוב UI — והמספר מסתדר
- openaiחדשOpenAI: GPT-6 Luna2026-09-2237אינטליגנציה
- openaiחדשOpenAI: GPT-6 Sol2026-09-2248אינטליגנציה
- anthropicחדשAnthropic: Claude Opus 5.52026-09-2258אינטליגנציה
- grokחדשGrok 4.72026-09-2146אינטליגנציה
- OrcaחדשOrca: OrcaCyber Zero 1.02026-09-17$3.00 / $5.00 לכל 1M טוקנים · 177 tok/s
- orcaחדשOrca: OrcaVerify Text 1.02026-09-16$2.00 / $0.00 לכל 1M טוקנים · 1323 tok/s
- deepseekחדשDeepSeek: DeepSeek V4.1 Flash2026-09-1040אינטליגנציה
- openaiOpenAI: GPT-6 Astra2026-09-0453אינטליגנציה77כתיבת קוד
- googleGoogle: Gemini 3.8 Flash2026-09-0241אינטליגנציה76כתיבת קוד
- qwenQwen: Qwen3.8 Max (0902)2026-09-0245אינטליגנציה76כתיבת קוד
- anthropicAnthropic: Claude Fable 5.12026-09-0153אינטליגנציה82כתיבת קוד
- AlibabaQwen: Qwen3.8 Flash2026-08-26$0.15 / $0.47 לכל 1M טוקנים · 108 tok/s
- z-aiZ.ai: GLM 5.3 Flash2026-08-2642אינטליגנציה72כתיבת קוד
- DeepSeekDeepSeek: DeepSeek V4 Flash Vision (Exp)2026-08-21$0.22 / $0.66 לכל 1M טוקנים · 220 tok/s
- z-aiZ.ai: GLM 5.32026-08-1845אינטליגנציה75כתיבת קוד
- obsidianQwen3.8 27B2026-08-1534אינטליגנציה68כתיבת קוד
- deepseekDeepSeek: DeepSeek V4 Pro 08132026-08-1236אינטליגנציה69כתיבת קוד
- grokSpaceXAI: Grok 4.62026-08-1244אינטליגנציה77כתיבת קוד
- metaMeta: Muse Spark 1.22026-08-0540אינטליגנציה72כתיבת קוד
- qwenQwen: Qwen3.8 Max2026-08-0345אינטליגנציה76כתיבת קוד
הטענה שמסתובבת עם Ming-Image-0.1-Design היא שהמודל 6B של inclusionAI הוא המודל הטוב ביותר עם משקולות פתוחות לטקסט-לתמונה לעבודות UI ו-UX, כשהוא מדורג ראשון בתצוגת המשקולות הפתוחות של לוח הדירוג UI/UX Design של Artificial Analysis עם 1,082 Elo. צילומי מסך של לוחות דירוג מטעם ספקים הם בדרך כלל סוג הראיות החלש ביותר, כך שהדבר הראשון שכדאי לעשות הוא לקרוא את הלוח החי. נכון ל-24 בספטמבר 2026, הטענה מחזיקה מעמד, עם הסתייגות אחת חשובה שצילום המסך אינו כולל: 1,082 הוא חיתוך לפי מקרה שימוש, לא הלוח עצמו, ובלוח הדירוג המלא של Text to Image אותו מודל נמצא במקום 45 עם Elo של 995.
שני המספרים אמיתיים, הם מגיעים מאותה זירה, והם מתארים את אותם המשקלים. מה שמבדיל ביניהם הוא על אילו פרומפטים הוטלו הקולות.
מה שהלוח החי באמת אומר
Artificial Analysis מריצה זירה עיוורת אחת של השוואות זוגיות ואז מסננת את אותו מאגר הצבעות לפרוסות לפי תרחישי שימוש. פרוסת UI/UX Design היא זו שחשובה עבור מודל שנבנה עבור לוחות מחוונים, מסכי אפליקציות, פוסטרים ואינפוגרפיקות, והיא המקום שבו Ming-Image-0.1-Design עושה את עבודתה הטובה ביותר:
• לוח Text to Image הכללי — Ming-Image-0.1-Design במקום ה-45, Elo 995, רווח סמך של 95% ±8, 21,342 דגימות, רשום בספטמבר 2026, $30.00 לכל 1,000 תמונות, מסומן כ-Open Weights
• מקטע עיצוב UI/UX — Ming-Image-0.1-Design במקום ה-16, Elo 1,084, 2,100 דגימות במקטע
• הרשומה בעלת המשקולות הפתוחות בדירוג הגבוה ביותר במקטע הזה — Ming-Image-0.1-Design; המודלים הבאים עם משקולות פתוחות אחריו הם Ideogram 4.0 (Quality) במקום ה-22 עם 1,047, Ideogram 4.0 במקום ה-31 עם 1,018, ו-HunyuanImage 3.0 Instruct במקום ה-40 עם 1,005
• בראש פלח ה-UI/UX — GPT Image 2.5 Flare (max) עם 1,226, GPT Image 2.5 Sunburst (max) עם 1,215, GPT Image 2 (high) עם 1,204, Grok Imagine Image 2.0 עם 1,183
• לעומת צילום המסך של הספק עצמו — inclusionAI פרסמה 1,082 עבור Ming לעומת Ideogram 4.0 (Quality) עם 1,052 ו-FLUX.2 [dev] עם 1,000; הפרוסה החיה כעת מציגה 1,084, 1,047 ו-1,000 בהתאמה
אז הכותרת מדויקת לפי אמות המידה שלה. Ming-Image-0.1-Design הוא מודל המשקולות הפתוחות המדורג הגבוה ביותר בחתך UI/UX Design, והוא המודל היחיד עם משקולות פתוחות בעשרים המובילים של אותו חתך. הוא גם מפגר ב-142 Elo אחרי המוביל של אותו חתך, והוא נמצא באמצע הדירוג כאשר הפרומפט אינו פרומפט עיצובי. מודל שמנצח בדשבורדים ומגיע ל-995 בסך הכול הוא מומחה, לא רב-תכליתי, ושני המספרים סותרים זה את זה רק אם מתייחסים לאחד מהם כאל כל הסיפור.
21,342 הדגימות בלוח המלא ראויות לציון גם בגלל מה שהן לא. זהו מספר הצבעות גדול, ולכן רווח הסמך צר ב-±8 Elo, אבל מספר הדגימות אינו זהה לעצמאות השיטה. הזירה היא העדפה אנושית עיוורת, כך שאף אחד ב-inclusionAI לא כתב את הציון — החלק הזה הוא אמיתי. מה שהציון מודד הוא "איזו משתי התמונות האלה העדיף מצביע", ומצביעים שמתבקשים לשפוט צילום מסך של ממשק משתמש נוטים לתגמל טקסט קריא ופריסה קוהרנטית. זה בדיוק הציר שהמודל הזה אומן עליו.
מהו Ming-Image-0.1-Design
Ming-Image-0.1-Design הוא מודל טקסט-לתמונה מבית inclusionAI, מעבדת ה-AI המשויכת ל-Ant Group, ששוחרר תחת רישיון MIT עם משקולות שפורסמו ב-17 בספטמבר 2026 וחבילת השחרור המלאה שנוחתת ב-22 בספטמבר. הוא מייצר מפרומפט בלבד — ללא צורך בתמונת ייחוס — והוא מכוון לעיצוב גרפי עתיר טקסט ולא לצילום: מוקאפים של ממשק משתמש, לוחות מחוונים, אינפוגרפיקות, פוסטרים, וכל דבר שבו טקסט מרונדר חייב להישאר קריא בגודל שבו ייקרא.
תצורת ההסקה המתועדת ספציפית וזולה באופן יוצא דופן לכל צעד:
• רזולוציה — 2048 x 2048 מומלץ, או 1024 x 1024 ליצירה מהירה יותר, כאשר גדלים ביניים מוצמדים לאחת משתי האפשרויות האלה
• שלבי דגימה — 12
• הנחיה — סקאלת CFG 1.0
• דיוק — BF16
• חומרה — GPU אחד של CUDA עם 80 GiB של VRAM, המתואר כתצורה המאומתת
שנים עשר צעדים בקנה מידה של הנחיה של 1.0 הם החתימה של דוגם מזוקק או נטול הנחיה. זה מה שהופך פלט של 2048 פיקסלים לנגיש במספר צעדים שרוב מודלי הדיפוזיה לא היו מנסים, וזו הסיבה העיקרית לכך שהמודל הזה מעניין כל מי שמריץ יצירת תמונות בהיקף גדול ולא תמונה אחת בכל פעם.
המאפיין המבני הנוסף הוא שקיפות. Ming-Image-0.1-Design יכול לפלוט RGBA מקורי, כך שרקע שקוף יוצא מהסמפלר ולא ממעבר מאטינג, כאשר הפרומפט מתחיל באחד מביטויי השקיפות המתועדים. מודל נלווה, Ming-Image-0.1-Design-Layer, ממשיך עוד: הוא מקבל עיצוב שטוח בתוספת תוכנית שכבות ומחזיר קובצי PNG נפרדים מסוג RGBA — טקסט, כרטיסים, נושא ראשי, רקע — שמרכיבים מחדש את המקור. זה ההבדל בין מודל עיצוב למודל תמונה. PNG שטוח הוא תמונה של פריסה; שכבות נפרדות הן פריסה שאפשר עדיין לערוך.
![Screenshot of the inclusionAI/Ming-Image-0.1-Design model card on Hugging Face, captured 24 September 2026. The header shows 188 likes, 3,067 followers, tags including text-to-image, difusers, safetensors, image-generation, graphic-design, text-rendering and License: mit, and a safetensors panel reading Model size 6B params, Tensor type BF16. The card's UI/UX Design leaderboard image is embedded in the body, showing Ming-Image-0.1-Design first at 1,082 above Ideogram 4.0 (Quality) at 1,052 and FLUX.2 [dev] at 1,000. The right rail states 'This model isn't deployed by any Inference Provider', and the Quick Start block shows the infer.py command with --resolution 2048 and a note that prompt enhancement can use Ling-3.0-flash-VL or qwen3.8-27B.](https://cms.orcarouter.ai/api/media/file/3-1273.png)
תווית ה-6B והורדת ה-26B
"6B" מדויק לגבי החלק שרוב האנשים מתכוונים אליו ומטעה לגבי החלק שקובע אם ניתן להריץ אותו. ה-Diffusion Transformer הוא 6.15B פרמטרים. החבילה שאתם מורידים בפועל היא בערך 52.88 GB, מכיוון שמקודד הטקסט המולטימודלי הוא 17.01B פרמטרים והמחבר מוסיף 3.09B — כ-26B פרמטרים ב-BF16 בסך הכול. ה-Transformer של מודל Layer הוא כפול מזה של מודל הבסיס עם 12.31B, והחבילה שלו גדולה שוב יותר, בערך 65.20 GB.
זה חשוב משתי סיבות מעשיות. ראשית, דרישת 80 GiB של VRAM אינה נוגעת לטרנספורמר של 6B; היא נוגעת לכל מה שצריך לשהות לצידו. שנית, כל השוואה למודל המתואר כ־״6B״ צריכה לבדוק למה הכוונה ב־6B. טרנספורמר דיפוזיה של 6B עם מקודד טקסט של 20B הוא בעיית פריסה שונה בתכלית ממודל 6B מקצה לקצה.
טיפול בפרומפט הוא הדבר הנוסף שהכרטיס מבהיר במקום להסתיר: המתכון המומלץ מריץ תחילה שלב שכתוב, תוך שימוש במודל ראייה-שפה כדי להרחיב פרומפט קצר לתיאור פריסת JSON מובנה בסגנון Figma, עם קואורדינטות, היררכיה, מפרטי צבע וטקסט מילולי. כרטיסי המודלים מציינים את Ling-3.0-flash-VL או Qwen3.8-27B למשימה הזו. במילים אחרות, הפייפליין שעליו הספק מריץ בנצ'מרקים הוא פייפליין דו-מודלי. אם תקראו ל-Ming-Image-0.1-Design עם פרומפט של שורה אחת ובלי שלב שכתוב, אינכם מריצים את התצורה שהפיקה 1,084 בחתך UI/UX.
באיזה מצב זה משאיר את תהליך העיצוב
הסיכום הכנה של Ming-Image-0.1-Design הוא שהוא פותר בעיה ספציפית ויקרה — יצירת פריסות עתירות טקסט שעומדות במבט בוחן — והוא עושה זאת בפסגת תחום המשקלים הפתוחים, בלוח היחיד שמודד את הבעיה הזאת. הוא אינו מוביל את לוח התמונות הכולל, הוא אינו מייתר את הצורך ב-VLM לפניו, והוא דורש GPU רציני.
מה שזה משנה הוא אמצע תהליך עבודה של עיצוב. אם הצינור שלך כיום מייצר תמונה שטוחה ואז משלם לאדם או למודל סגמנטציה כדי לחתוך אותה לחלקים, מודל שמפיק RGBA באופן מקורי ומודל נלווה שמפיק 2–9 שכבות בעלות שמות מסירים שלב. זה שווה יותר מעמודת Elo, וזה החלק שאף לוח דירוג לא מודד.
עבור צוותים שרוצים לבדוק אותו בלי להתחייב לתשתית, כדאי להיות מדויקים לגבי ההפרדה הזו. Ming-Image-0.1-Design הוא הורדה ברישיון MIT, כך שהוא רץ על החומרה שלכם או שלא רץ בכלל — OrcaRouter לא מנתב שום מודל של inclusionAI מאף גרסה, וטענה אחרת תהיה הצהרה שאיננו יכולים לעמוד בה. מה ששכבת ניתוב כן נותנת לכם הוא המשטח שמסביב: נקודת קצה אחת תואמת OpenAI על פני יותר מ-200 מודלים, מעבר אוטומטי בין ספקים במקרה של כשל, ומחיר מחירון של הספק מועבר הלאה במרווח של 0%, כך ששינוי מחיר של ספק בכל מודל שאכן תפעילו חי אצלנו באותו יום. אם אתם מקימים תהליך עיצוב ורוצים להשוות את המודל הזה ב-A/B מול מודל מתארח שאתם כבר סומכים עליו, ההשוואה הזו רצה על מפתח אחד במקום שני חוזים.
מה היה משנה את התמונה
שלושה דברים יעבירו את Ming-Image-0.1-Design ממומחה חזק עם משקולות פתוחות לברירת מחדל. שחזור עצמאי ראשון של נתוני Crello של מודל Layer — הכרטיס מדווח על שגיאת RGB L1 של 0.0574 ו-alpha soft IoU של 0.8923 ב-1024, ואף קבוצה חיצונית לא הריצה אותם. נקודת קצה מתארחת שמסירה את הדרישה ל-80 GiB. ופרוסת מקרה שימוש שנייה שבה המודל מדורג באותה מידה כמו ב-UI/UX Design, כי מודל שמנצח רק בפרוסה אחת של לוח אחד הוא מודל שהכלליות שלו עדיין לא הוכחה.
עד אז, המשפט המדויק הוא המצומצם: בפרוסת UI/UX Design של Artificial Analysis, נכון ל-24 בספטמבר 2026, Ming-Image-0.1-Design של inclusionAI הוא המודל בעל הדירוג הגבוה ביותר מבין מודלי טקסט-לת-תמונה עם משקולות פתוחות, בציון 1,084 Elo על 2,100 הצבעות — ובלוח התוצאות המלא של אותה זירה הוא במקום ה-45 עם 995. שני אלה הם המודל. אף אחד מהם אינו טענת השקה, כי למודל הזה לא הייתה השקה; היה לו מאגר.
