LLaDA-Image-Turbo：Ant Groupが静かにリリースした4ステップのオープン画像生成モデル

2026年9月4日、Ant GroupのオープンソースラボであるinclusionAIは、LLaDA-Image-TurboとLLaDA-ImageのウェイトをHugging Faceに公開した。ローンチ投稿もプレスリリースもなく、さらに本稿執筆時点では、同社が作成した4つのリポジトリのいずれにもライセンスは宣言されていない。LLaDA-Image-Turboは今回のリリースの高速版で、蒸留されたチェックポイントであり、モデルカードによれば、プロンプトまたは編集指示を4回のサンプリングステップで1024×1024の画像に変換する。一方、蒸留元となったLLaDA-Image Baseモデルは50回を要する。この静かなリリースを読む価値があるのは、モデルカードに記載されたベンダー報告による1行、すなわちQwen-Image-Benchにおいてオープンソースモデルの中で最先端であるという点にある。そして、それを行動に移しにくくしているのは、その記述を取り巻く、今回のリリースがまだ明らかにしていない情報である。

これは初日のレポートであり、レビューではない。チェックポイントは実際に存在しダウンロード可能であり、Diffusersベースの推論コードはクローンしたリポジトリから実行できる。また、それを裏付ける論文『LLaDA-Image: Building Strong Image Generators with Fully Open Training Recipes』は、2026年9月3日にarXivで公開された。しかし、inclusionAIやAnt Groupからの公式発表はなく、照合できる情報がない。さらに、この記事を書いている時点で、LLaDA-Image-Turboのリポジトリのダウンロード数は2件だった。目に見えるあらゆる指標によれば、ラボの外でこれを実行した人はまだ誰もいない。以下の内容はそれに沿って分けられている。つまり、リポジトリが実際に何を含んでいるのか、論文が何を主張しているのか、そしてLLaDA-Image-Turboが本番チームにとって採用を検討すべきものになるまでに、何が起きなければならないのか、である。

実際に出荷されたもの

2026年9月4日（UTC）未明、inclusionAI orgの下で4つのチェックポイントがHugging Face上で公開されました：BF16の50ステップBaseモデルであるLLaDA-Image、LLaDA-Image-FP8、BF16の蒸留された高速チェックポイントであるLLaDA-Image-Turbo、そしてLLaDA-Image-Turbo-FP8です。モデルカードのニュース欄（2026-09-04付）に記載された一文が、正式なアナウンスのすべてです：「我々はLLaDA-Image BaseおよびTurboチェックポイントを推論コードとともにリリースしました。」同じorgのGitHubリポジトリには推論コードが含まれており、arXivのレポートは前日に公開されていました。

リポジトリは単なるスタブではありません。各Turboリポジトリには、完全なDiffusersパイプライン（シャーディングされた拡散トランスフォーマージェネレーター、SigVQ画像トーカナイザー、クエリフォーマーコネクター、スケジューラー、そして9シャードのテキストエンコーダー）が含まれています。つまり、ここでいう「モデル」は単なるプレースホルダー名ではなく、実行可能な重みの数十ギガバイトのことです。このファミリーは60億パラメータの画像生成・編集モデルとして説明されています。厳密に読むと、60億という数字はゼロから学習された拡散トランスフォーマーのバックボーンを指しており、研究室のLLaDA2ライン由来の凍結された拡散言語モデルモジュール（9シャードのテキストエンコーダー）がその上に理解力を追加しています。

なぜ4ステップの部分が見出しなのか

画像拡散モデルにおいて、コストの大部分はサンプリングステップ数です。各ステップはネットワーク全体を通過する完全なパスであるため、50ステップのモデルと4ステップのモデルでは、解像度、バッチサイズ、ハードウェアなどを考慮する以前に、画像1枚あたりの計算量がおおよそ1桁異なります。今回のリリースにおける「Turbo」ラインの要点はまさにそこです。inclusionAIは、Twin-DMDと呼ばれる技術を用いてLLaDA-ImageをLLaDA-Image-Turboへ蒸留しました。蒸留されたチェックポイントは2〜4ステップで動作し、推奨は4ステップです。ガイダンススケールはベースモデルの5.0に対して1.0です。同じパイプラインオブジェクト、同じプロンプト、同じ1024×1024の出力でありながら、デノイジングパスはごくわずかです。

この注意点は蒸留画像モデルに共通する標準的なものだが、今回の場合は通常よりも際立っている。蒸留とは、わずかな忠実度を速度と引き換えにする手法であり、inclusionAIはLLaDA-Image-Turboのベンチマーク数値を一切公表していない。モデルカードのQwen-Image-Benchスコアは、50ステップのBaseチェックポイントのものだ。したがって、4ステップのLLaDA-Image-Turboと50ステップのLLaDA-Imageの実際の品質差は、ベンダーによって定量化されておらず、他の誰による検証もまだ行われていない。つまり「Turbo」という名称は、実際に実行してみなければ検証できない速度に関する主張なのである。

生成と編集を行う1つのチェックポイント

このファミリーの根底にある設計上の賭けは、統合だ。単一の重みセットが、テキストから画像への生成、VQ条件付き生成、参照画像の編集、そして中国語と英語のテキストレンダリングを処理する——独立した編集用バックボーンは存在せず、そのため今回のリリースのうち「編集」側は専用モデルとしては提供されない。編集モードでは、参照画像は言語モジュールを迂回して拡散モデルに直接注入され、言語モジュールは指示のみを処理する。モデルカードは、正確な視覚的変更を伴う忠実なコンテンツ保持と、両言語での写実的な生成およびクリーンな組版テキストを謳っている。

初日からでも記録に値する技術的な詳細が2つある。生成器は、ゼロから学習した6B拡散トランスフォーマーであり、パラメータフリーのRMSNormとMuonオプティマイザを採用している。この点は、論文が読み飛ばすのではなく明記している詳細だ。そして論文における学習ストーリーは、通常の画像-テキストのレシピを意図的に逆転させたものだ。画像のみの事前学習と中期学習によって、まず強力な視覚的先行知識を構築し、その後に初めて、ラボはペアの言語教師あり学習と、生成・編集を組み合わせた学習を導入する。この順序――そして論文タイトルにある「Fully Open Training Recipes」――こそが研究のフックである。論文の枠組みとHugging Faceのリリース計画との間のギャップに注目してほしい。重みと推論コードはチェック済みだが、学習コードはまだ「近日公開」と表示されている。

53.53 / 53.38 という主張を読む

移動する数字はベンチマークラインです：英語トラックと中国語トラックが分かれたテキストから画像へのベンチマークであるQwen-Image-Bench上で、inclusionAIはLLaDA-Imageが英語トラックで総合53.53、中国語トラックで53.38を獲得し、両トラックにおいてオープンソースモデルの中で新たな最先端（state-of-the-art）だと報告しています。{{1}}それを正確に読むと、3つの限界が浮かび上がります。{{/1}}これはベンダー報告であり、ラボ自身の評価に基づくもので、まだどこでも再現されていません。{{2}}これは50ステップのLLaDA-Image Baseモデルに属するものであり、今回のリリースが名目上対象としているチェックポイントであるLLaDA-Image-Turboには属しません。{{/2}}{{3}}そして「オープンソースの最先端」というカテゴリーは毎月変動するものです——これはオープンな競合モデル群に対する位置づけに関する主張であり、クローズドな最前線に関する主張ではありません。{{/3}}

この図が示しているのは、そのファミリーがなぜ存在するのかということだ。中国語と英語に対応したテキストから画像を生成・編集するモデルが、オープンベンチマークの両トラックで首位に立ち、めまぐるしく動くオープン画像モデル市場を真っ向から狙っている。それは、Qwen-Imageファミリーのチェックポイントや、その後も絶え間なく登場する他のオープンウェイトがペースを作ってきたのと同じセグメントだ。もしLLaDA-Image-Turboが4ステップでBaseモデルの品質の大部分を再現できるなら、信頼に足る品質を主張できるオープン画像モデルの中でも、実行コストが最も低いものの一つになる。その文では「If」が重要な役割を担っている。

「静かな出荷が正式なローンチになるのを妨げるギャップ」

アナウンスについて。モデルカードの2026-09-04の行が、ベンダーによる唯一の声明です。inclusionAIのブログ記事も、Ant Groupのリリースも、ソーシャル投稿も、アグリゲーター以外によるプレス報道も存在しません——それ自体が、ごまかすよりも尊重すべきシグナルです。

• ライセンス。4つのHugging Faceリポジトリのいずれにもライセンスタグはなく、GitHubリポジトリにもLICENSEファイルがありません。あるのはLEGAL.mdというバイリンガルの注記だけで、そこにはコード内の中国語コメントが翻訳版より優先すると書かれています。宣言されたライセンスがないウェイトについて、商用利用の権利を想定することはできません。たとえ論文のタイトルがどれほど「open」に聞こえようと。商用利用を考えている人にとって、これは最初の疑問であり、現時点では答えが出ていません。

• Turboの数値。LLaDA-Image-Turboに関しては、ベンチマーク、レイテンシ、品質のいずれの数値も公表されていません。上記のスコアボードはBaseモデルのものです。蒸留チェックポイントは、ベンダーまたは独立した実行がそれを埋めるまで、定量化されていない主張にすぎません。

• 独立した検証とホステッドアクセス。ダウンロード数もいいね数も一桁台で、独立した再現は存在せず、OrcaRouterを含め、私たちが確認できる推論プロバイダーのどこもまだこのモデルを提供していません。現時点では、Hugging Face上のウェイトがあるだけで、それ以外には何もありません。

一日経った静かな船をどうするか

研究者またはセルフホストを行っているチームであれば、これは今週クローンして実行すべきリリースです。オープンウェイト、単一のDiffusersパイプライン、メモリと品質をトレードオフするBF16版とFP8版、そしてトレーニングコードが公開される前に学習方法を解説した論文が含まれています。商用利用の場合は、まずライセンスのギャップが問題になります。もっともらしい品質を謳う4ステップ画像モデルであっても、法的リスクを負う価値はありません。責任ある選択は、自前のGPUで評価し、ライセンスが明確になるのを待ってから、製品の近くに持ち込むことです。

この静かな船を、さらに築き上げる価値のある打ち上げへと変えるには4つのことが必要だが、2026年9月4日時点で、そのどれも実現していない。

• inclusionAI または Ant Group による実際の発表であり、ファミリー名とその条件を明示したもの。

• リポジトリ上でライセンスを明示すること — Apache-2.0は研究所のより広範なオープンウェイト慣行に合致し、商用利用の障害を取り除くことになる。

• LLaDA-Image-Turboの公開スコア、またはベースモデルのQwen-Image-Bench結果の独立した再現。

• ホステッドプロバイダーがそれを採用する時点——それは同時に、モデルが画像ごとの価格を獲得し、ルーティングAPIが一度の呼び出しで提供できるものになる瞬間でもある。

最後のシグナルが発火したとき——もし発火するなら——価格の計算は単純だ。プロバイダーが定価を設定し、その定価をマークアップ0%でそのまま通すルーティングAPIが、再交渉も2つ目の契約もなしに、その価格を同日中にユーザー側で有効に保つ。だが、その日はLLaDA-Image-Turboにとってはまだ来ていない。そして、この記事のどこにも、それが来たかのような読み方をさせるべきではない。今日の正直な要約は短い。真剣なラボが、真剣なオープン画像モデルを静かにリリースした。そこには本物の品質主張といくつかの未解決の問題がある。そして、その主張のどの部分が現実との接触に耐えるかを知る最速の方法は、4段階のチェックポイントを自分で実行することだ。