LLaDA-UI、静かにリリース: inclusionAI の Diffusion GUI エージェントがダウンロード可能に

LLaDA-UI — inclusionAIによる、約167億パラメータのmixture-of-experts（混合エキスパート）型GUIエージェント — が2026年9月6日に、アナウンスもなくHugging Faceに現れた。それが再び注目に値するのは、その静けさではなく、その下にあるメカニズムだ。コンピュータ操作の研究を支配する自己回帰型視覚言語モデルが、次のアクションを一度に1トークンずつ書き出すのに対し、LLaDA-UIは拡散スタイルで、ステップごとにアクショントークンのブロック全体をデノイズしてから、初めて答えにコミットする。ベンダーはこれを、実用的でオープンウェイトな拡散GUIエージェントだと宣伝している。以下はすべて、それが何であるかを明記した上で示している: 自分で確認できるリポジトリの事実、研究室の外では誰も再現していないテクニカルレポートの主張、そしてライセンスの欠如を筆頭に、今もって真に未解決のギャップである。

リリースの時期が重要なのは、これがもはやパターンになっているからだ。inclusionAIは、Ant Group傘下でLLaDAファミリーの拡散言語モデルを開発する研究所である。同研究所は、LLaDA-ImageとLLaDA-Image-Turboの画像チェックポイント（9月4日）と、LLaDA2.2-miniエージェントモデル（9月5日）を公開した同じ週の9月6日に、inclusionAI/LLaDA-UIリポジトリを作成した。3日間で3つのモデルファミリーが公開されたが、いずれにも先行するローンチ告知はない。LLaDA-UIに固有の事情として、実際にリリースされた証拠はリポジトリそのものである。すなわち、safetensors形式の重みが存在して読み込み可能であり、推論コードとSGLangによるサービングレシピが同梱され、テクニカルレポートとプロジェクトページも存在する。存在しないのは、ベンダーによる発表、ライセンス、そして——本稿執筆時点ではダウンロード数がまだ一桁で——世間がこれに気づいたという兆候である。

出荷済みだが未発表

inclusionAI/LLaDA-UI リポジトリは、9月6日 05:08 UTCに作成され、プレースホルダーではなく、完全かつ自己完結したモデル提供です。ツリーには21個のファイルが含まれています。7つのBF16 safetensorsシャードは合計で約169億パラメータになり（モデルカードでは約167億と記載）、そのほかにトークナイザーと設定ファイル、そして重要なことにモデル自身のPythonソースコード（modeling_llada2_vl_moe.py と configuration_llada2_vl.py）が含まれています。アーキテクチャは、llada2vl モデルタイプの LLaDA2MoE_VLForConditionalGeneration として登録されており、これらのファイルがリポジトリ内に同梱されているため、これは標準のTransformersアーキテクチャではありません。読み込むには、リポジトリをクローンするか、ハブのリモートコードパスを通じて、カスタムコードを取得する必要があります。

リポジトリに含まれていないものも、それ自体が重要な情報です。モデルカードにはライセンスタグがなく、ツリー内にLICENSEファイルもないため、商用チームがまず最初に問う標準的な質問——「この重みをどう使ってよいのか？」——にはまだ答えがありません。論文は技術報告書であり、GitHubリポジトリ内のPDFとして配布され、プロジェクトページからリンクされていますが、arXivにはまだ掲載されていません（ページにはまだ「SOON」と表示されています）。また、私たちが確認できる限り、このモデルを提供している推論プロバイダーはいません。Hugging Faceのカードにはデプロイ済みの推論プロバイダーが報告されておらず、これは現時点でLLaDA-UIがダウンロードして自己ホストするタイプのリリースであり、API経由で呼び出せるものではないことを意味します。私たちもホストしていません——この記事のいかなる記述も、私たちがホストしているという主張として読まれるべきではありません。

画像モデルのようにデコードするGUIエージェント

デザインこそがストーリーである。したがって、LLaDA-UIが比較対象となる自己回帰型GUIモデルとどのように異なるのかを正確に述べることには価値がある。従来のコンピューター操作モデル——たとえばQwen2.5-VL-7BやQwen3-VL-8B、あるいはホスト型コンピューター操作製品を支えるVLM——は、スクリーンショットと指示を受け取り、アクション文字列が完成するまでトークンを左から右へ1つずつ予測する。そのためレイテンシは回答内のトークン数に比例して増大する。一方LLaDA-UIは、応答全体を、最初はマスクされ、徐々にノイズ除去されるブロックとして扱う。各デコードステップでは多数のトークンを並列に洗練し、固定回数のステップ（参照スクリプトではブロック長32に対して32ステップを使用）を経た後に、推論とアクションを合わせた完全な文字列が明らかになる。これは、その研究所が画像生成で採用したのと同じ概念的アプローチを、GUIアクションに適用したものである。

内部構造は、ネイティブ解像度のビジョンエンコーダー、空間プロジェクター、そして拡散言語モデルという構成です。ビジョンエンコーダーはSigLIPから初期化したViTで、2D回転位置埋め込みを付与し、スクリーンショットのネイティブなアスペクト比のまま処理します。カード側ではIMAGE_MAX_PIXELSが12,845,056に設定されているため、ダウンスケーリング前の入力は約12.8メガピクセルになり、高密度なデスクトップUI上の小さなクリック対象にとって重要です。その出力は空間的に4対1にグループ化され、2層のMLPプロジェクターを通して、LLaDA2.0-mini MoE拡散言語モデルという言語バックボーンに渡されます。つまりHugging Faceサイドバーに表示される「17Bパラメータ」は混合エキスパート（MoE）モデルであり、各フォワードパスでアクティブになるのはパラメータの一部にすぎません。それが以下のレイテンシー性能が妥当に思える理由の一端でもあります。

このトレーニングレシピは、紙面上は異例なほど経済的である点で注目に値する。テクニカルレポートによると、マルチモーダルバックボーンは、GUIエージェント向けの教師ありファインチューニングに入る前に、約1,450億トークンを用いた3段階のカリキュラム（プロジェクタのみの短いアライメント段階、続く知覚重視と推論重視のフルモデル段階）で事前学習された。そのファインチューニングには、UI-Venusプロジェクトから得られた600万以上のサンプルが使われ、100以上の中国語モバイルアプリ、70以上の英語モバイルアプリ、さらにデスクトップおよびWebデータをカバーしている。ベンダーの説明では、1,450億トークンは自己回帰型の同世代モデルが消費した量の一部にすぎない（レポートはQwen2.5-VLについて4.1T、Qwen3-VLについて2.2Tを引用）。トークン数やデータ構成はラボ側の説明として受け取るべきであり、独立に検証できるのは、モデルが存在し動作することだけである。

それが実際に放出するもの

LLaDA-UIには2つの出力モードがあり、その違いはパイプラインへの組み込み方に影響します。グラウンディングモードでは、モデルは単一の点を返します。ターゲットについて[0, 999]の範囲に正規化された整数座標、例えば[742, 186]です。参照スクリプトはこれを0〜1の小数としても出力し、スクリーンショットの幅と高さに掛けられるようになっています。要求されたターゲットが画像内に存在しない場合、モデルは位置を幻覚せずに[-1, -1]と答えるよう訓練されています。これはエージェントループにとって小さくとも重要な信頼性の特性です。エージェント/ナビゲーションモードでは、モデルは推論タグに続いて構造化アクションを出力します:

<think>検索バーはページの上部、ロゴの下にあります。</think><action>Click(box=(742, 186))</action>

アクション語彙はプラットフォームごとに定義されます — モバイル、デスクトップ、ウェブ — そして、フィールド名に反して、box は矩形ではなく単一のインタラクション座標を保持します。think/action の分割により、モデルはクリックを実行する前に現在の画面に判断を基づかせることができ、座標ベースの出力により、結果は別のパーサーが解釈しなければならない自由形式の指示ではなく、機械が解析可能な状態に保たれます。

ラベル付けされたベンチマークの主張

この技術レポートの主要な結果は、拡散GUIモデルが自己回帰モデルを、その土俵で打ち負かすという一連の主張である。以下は、ベンダーが報告している内容を技術レポートおよびプロジェクトページからそのまま転載したものであり、これらのいずれも独立に再現されたものではない。また、以下の数値は、特に断りのない限り、LLaDA-UIとQwen3-VL-8Bの比較によるものである：

• ScreenSpot-Pro（grounding）— LLaDA-UI 52.9 vs Qwen3-VL-8B 52.7、僅差の優位。

• AndroidWorld (モバイルエージェント) — LLaDA-UI 53.5 vs Qwen3-VL-8B 47.9。

• MobileWorld（モバイルエージェント）— LLaDA-UI 25.6 vs Qwen3-VL-8B 9.4、一覧全体で最大の差

• WebVoyager（ウェブエージェント）— LLaDA-UI 56.9 vs Qwen3-VL-8B 45.2.

これらは報告された6つのGUIベンチマークのうち4つです。報告書は、他の2つに関してLLaDA-UIがQwen3-VL-8Bを上回っていないことを率直に認めています。ScreenSpot-V2は僅差であり、OSWorld-Verifiedは依然としてギャップが残っていますが、著者らはこれを、小さなターゲットを含む非常に大きなスクリーンショットでの性能低下に帰しています。旧モデルのQwen2.5-VL-7Bとの比較では、その主張は無条件です。報告された6つのベンチマークすべてで勝利しています。また、速度に関する主張もあります。これはラボが同一ハードウェア上で、キャッシュなしのペア・サービング実行で測定したものです。LLaDA-UIは応答あたり4.8〜6.4秒であるのに対し、Qwen3-VL-8Bは17〜53秒で、ウェブ入力で平均3.58倍、デスクトップで6.83倍、モバイルで8.95倍の高速化と示されています。一方、呼び出しあたりの生成トークン数は多いものの、並列ブロック復号により、回答が長い場合でもウォールクロック時間では勝るからだと報告書は述べています。

レイテンシに関する主張も、精度の数値と同じ懐疑心を持って読むべきだ。拡散デコーディングの並列ブロック利点は機構的に本物であり、その効果の方向性、つまり応答あたりの逐次ステップ数が少ないという点は、このアーキテクチャの動作と整合している。だが、3.6倍から9倍という高速化は、モデルを構築した人々が自分たちで選んだハードウェア上で測定したものであり、再現されていない。精度の差も重要だ。OSWorld-Verifiedは、この分野で現実的なデスクトップエージェントのテストに最も近いものであり、著者らがモデルは苦戦すると述べているのは、まさにその点、つまり小さなターゲットを含む大きなスクリーンショットにおいてである。モバイルとウェブでは優秀だが、情報密度の高いデスクトップUIでは失敗するGUIエージェントは、汎用的な強みではなく、特定の強みのプロフィールにすぎない。

実行方法と、まだ不足しているものについて

LLaDA-UIを自分で試したい場合、その手順はまずウェイト（weights）の入手が先決です。チェックポイントはBF16で約32GBです。リファレンス環境はPython 3.10、PyTorch 2.5.1、Transformers 4.51.0、FlashAttention 2.7.4.post1で、クイックスタートでは--gen-length 32 --steps 32 --block-length 32を指定して単一画像のグラウンディング処理を実行します。サービングはSGLangを通じて可能ですが、ラボ独自のランチャー経由に限られます。リポジトリにはserve_llada_ui.shとクライアントスクリプトが同梱されており、これらはLLaDA-UI固有のマルチモーダル拡散パッチを前提としています。また、モデルカードには、標準のSGLangインストールからは起動できないと明記されています。大きなスクリーンショットでは、デフォルトの--max-length 8192を引き上げる必要がある場合もあります。このモデルは、リポジトリをクローンし、自分のCUDA環境に合わせてFlashAttentionをビルドし、拡散デコードのデバッグに慣れている人向けのものであり、まだワンコマンドで扱えるAPI呼び出しにはなっていません。

4つのことが実現すれば、読者がLLaDA-UIでできることは変わる。だが、本稿執筆時点では、そのいずれも実現していない。ライセンスが明示されれば、現在は答えのない商業上の疑問が解決する。arXivに登録されれば、リポジトリ内のテクニカルレポートは引用可能で、同業者の精査に耐えうるものになる。ScreenSpot-ProからWebVoyagerに至る数値が独立に再現されれば、このアーキテクチャの実際の能力と著者らの評価は切り離される。そして、実際にこのモデルを提供するプロバイダが登場すれば、32GBのダウンロードもGPUもなしにテストできる。最後のステップが実現したなら、ルーティングの問いは日常的なものになる——モデルカタログ横断で1つのAPIキーを使い、プロバイダの定価をマークアップなしで素通しし、自動フェイルオーバーによって、3日前のチェックポイントが本番経路に単独で居座ることを防ぐ世界だ。それまでは、LLaDA-UIは、見守る価値のある異例に興味深いオープンウェイトである。実際のベンチマークに裏付けられた主張を伴う拡散型GUIエージェントであり、具体的かつ正直に開示された弱点を抱え、そして現在、大半のチームが採用できるようにする法的・運用上の足場が何もない。ライセンスと論文の登場をリポジトリで注視してほしい——その順序で。