Ming-Image-0.1-Design vs Meta Muse Image: 논문 기록이 있는 모델과 보도자료만 있는 모델

2026년에 두 이미지 모델이 서로 반대되는 방식으로 등장했습니다. Ming-Image-0.1-Design은 Ant Group의 inclusionAI 팀이 만든 61억 5천만 개 매개변수 규모의 텍스트-투-이미지 모델로, 2026년 9월 17일 MIT 라이선스로 Hugging Face에 업로드되었습니다. 발표도, 블로그 글도, 벤치마크 표도 없이 말이죠 — 파일별로 읽어볼 수 있는 71.5GB 저장소입니다. Meta Muse Image는 Meta Superintelligence Labs의 첫 자체 이미지 모델로, 2026년 7월 7일 언론 보도 사이클과 벤더가 보고한 벤치마크 주장과 함께 출시되었으며, 어떤 형태의 다운로드 가능한 가중치도 없습니다. 흥미로운 질문은 어느 쪽이 더 나은 포스터를 그리는가가 아닙니다. 이 모델 중 하나는 오늘 검증할 수 있고 다른 하나는 오로지 믿음으로만 받아들일 수 있다는 점, 그리고 검증 가능한 쪽이 자신이 등장하는 유일한 독립 리더보드에서 1위에 올라 있다는 점입니다.

하나는 파일로 제공되었습니다. 다른 하나는 주장으로 제공되었습니다.

각 릴리스가 실제로 무엇으로 구성되는지부터 시작하세요. 그 차이는 미묘하지 않기 때문입니다.

• Ming-Image-0.1-Design — 6,154,901,056개의 파라미터, MIT 라이선스, diffusers 파이프라인, 모든 가중치는 BF16 safetensors 형식이며, 6개의 구성 요소 폴더에 걸쳐 약 71.5 GB: connector/ (2개 샤드), mllm/ (7개 샤드), mlp/ (124.8 MB), scheduler/, transformer/ (5개 샤드) 및 vae/ (253.8 MB). model_index.json이 없기 때문에 권장 경로는 한 줄짜리 파이프라인 호출 대신 추론 저장소를 git clone하고 python infer.py를 실행하는 것입니다.

• Meta Muse Image — 가중치도, 공개된 파라미터 수치도, 아키텍처 문서도, 읽어볼 수 있는 라이선스 파일도 없습니다. 이는 서비스로 접근할 수 있으며, 2026년 8월부터는 OpenAI 호환 엔드포인트에서 Meta 자체의 Model API를 통해 이미지당 0.01달러의 정액 요금으로 이용할 수 있습니다. 그 내부 구조에 대해 여러분이 아는 모든 것은 Meta가 직접 설명한 내용에서 비롯됩니다.

그 비대칭성에는 이미지 품질과는 아무 관련이 없는 실질적인 결과가 따른다. Ming 릴리스에서는 공급업체가 한 번도 다루지 않은 질문들에 답할 수 있다: 텍스트 인코더가 무엇인지, 스케줄러가 몇 개의 샘플링 단계를 기대하는지, VAE가 4개 채널을 출력하는지 8개를 출력하는지, MLP 커넥터가 여러분이 교체할 수 있는 무언가를 하고 있는지. Muse Image에서는 그중 어느 것도 답할 수 없으며, 다음 분기에도 답할 수 없을 것이다. 왜냐하면 열어볼 아티팩트가 없기 때문이다.

인용할 가치가 있는 단 하나의 숫자, 그리고 그 출처

Ming-Image-0.1-Design은 UI/UX 디자인 부문 Artificial Analysis Text to Image 리더보드의 오픈 웨이트 기준에서 Elo 1,082로 1위를 차지했습니다. 그 뒤를 잇는 목록은 다음과 같습니다: Ideogram 4.0 (Quality) 1,052, Ideogram 4.0 1,015, HunyuanImage 3.0 Instruct 1,005, FLUX.2 [dev] 1,000, FLUX.2 [dev] Flash 999, FLUX.2 [dev] Turbo 994.

그 점에 관해 세 가지 솔직한 주의사항을 달자면, 이 비교에서 가장 강력한 증거이며 신중하게 다룰 가치가 있기 때문입니다. 첫째, 우리가 보고 있는 그 리더보드의 사본은 모델 자체 카드에 게시된 것이고 Artificial Analysis 브랜딩을 달고 있습니다. 이는 공급업체가 복제한 Artificial Analysis 보드이지, 우리가 생성한 수치가 아닙니다. 둘째, 아무도 그 점수를 독립적으로 재현하지 않았으며, 블라인드 선호도 Elo 보드는 모집단 통계이지 프롬프트별 테스트가 아닙니다. 이는 군중이 평균적으로 어느 이미지를 선호했는지를 알려줄 뿐, 그 모델이 당신의 특정 인포그래픽을 올바르게 렌더링할지는 알려주지 않습니다. 셋째, 그리고 이것이 많은 것을 설명하는 부분인데, 그 보드는 오픈 웨이트로 필터링되어 있습니다. Meta Muse Image는 그 보드에 나타날 수 없으므로, 그것이 없다는 것은 결과가 아닙니다.

Muse Image의 경우, 그 수치들은 Meta 자체 수치와 Artificial Analysis의 수치이며, 그에 맞게 표기해야 합니다. Meta는 다중 이미지 캐릭터 일관성 94%라는 수치, 최대 10개의 참조 이미지 지원, 긴 변 기준 최대 1600픽셀 출력을 보고했습니다. Artificial Analysis는 이 모델을 텍스트-투-이미지 부문에서 상위 5위 안에, 자사의 이미지 편집 보드에서는 Elo 약 1,105로 3위에 올려놓았습니다. 이들은 각각 공급업체가 보고한 수치와 독립적으로 측정된 수치이며, 같은 종류의 것이 아닙니다.

Ming-Image-0.1-Design은 무엇을 하도록 만들어졌는가

모델 카드는 대상에 대해 구체적으로 밝히고 있으며, 범용 사진 촬영용이 아닙니다. UI, 인포그래픽, 포스터, 텍스트가 많은 디자인 작업, 즉 실사 피부 표현보다 읽기 쉬운 활자와 깔끔한 레이아웃이 어려운 부분인 부류의 이미지를 겨냥합니다. 권장 설정도 이를 반영합니다: 2048×2048 출력, 속도를 원할 때는 1024, 샘플링 스텝 12, classifier-free guidance 1.0, BF16 정밀도, 그리고 단일 80 GiB CUDA GPU. 프롬프트 개선은 별도의 비전-언어 모델에서 이루어질 것으로 예상되며, 카드에서는 다음을 명시합니다: Ling-3.0-flash-VL 및 qwen3.8-27B — 그리고 배포는 vLLM-Omni를 통해 이루어질 것으로 예상됩니다.

또한 동반 모델이 있습니다: Ming-Image-0.1-Design-Layer로, 파이프라인 태그가 다른 별도 리포지토리이며(image-text-to-image), 파라미터 수는 6,154,908,736개이고 라이선스는 동일한 MIT입니다. 이 모델의 역할은 레이어 분해로, 평탄화된 디자인 이미지와 레이어 계획을 넘겨주면 RGBA 레이어를 반환합니다. 기본 버킷에서는 1024로, 속도를 위해서는 512로 실행되며, 12스텝에 가이던스 2.0, flash_attention_2를 사용합니다. 카드에는 Crello 테스트 세트에 대한 결과가 표가 아니라 이미지로 제시되어 있는데, 이 모델을 다른 무엇과 수치적으로 비교하고 싶었던 분이라면 주목할 만한 점입니다.

진정으로 아직 알 수 없는 것은 무엇인가

이 지점에서는 논조를 직설적으로 잡아야 합니다. Ming-Image-0.1-Design에는 작성 시점 기준으로 릴리스 노트도, 발표도, 명시된 한계 섹션도, 제3자 보도도 없습니다. 저장소의 다운로드 카운터는 0을 가리킵니다. 벤더가 제공하는 호스팅 엔드포인트도 없습니다. 유일한 독립적 측정값은 리더보드 순위 하나뿐이며, 그 외의 모든 것 — 처리량, 사용자 데이터에 대한 프롬프트 준수도, 참조 이미지 수가 몇 개를 넘어설 때의 동작, RGBA 채널이 가장자리에서 깨끗한지 여부 — 은 공개적으로 측정되지 않았습니다.

그것이 주는 것은 짧고 분명하게 정의된 평가입니다. 아키텍처를 읽고 직접 실행한 뒤 하루 안에 스스로 판단할 수 있습니다. 조달 문서에 인용할 수 있는 벤치마크를 얻을 수 있는 것은 아닙니다.

Meta Muse Image는 거울상입니다. 그것은 두 개의 독립적인 보드에서 측정되었고 공개된 가격이 있지만, 그 어느 것도 당신이 가중치 하나를 살펴보게 해주지는 않습니다. 당신의 제약 조건이 학습 데이터가 어디에서 왔는지와 모델이 프롬프트를 어떻게 처리하는지를 묻는 규정 준수 검토라면, 당신이 이용할 수 있는 답의 전부는 “Meta가 말한다”입니다.

라우터가 활용할 수 있는 이 비교의 버전

이 두 모델은 저희가 라우팅하는 모델이 아니며, 이 글에서 그렇다고 암시하지도 않을 것입니다. Meta Muse Image는 폐쇄형으로 Meta가 제공하며, Ming-Image-0.1-Design은 호스팅 경로가 전혀 없는 가중치 다운로드입니다. 현재 저희가 실제로 제공하는 이미지 모델은 OpenAI의 GPT-Image 제품군, Google의 Imagen 4 등급과 Gemini 이미지 프리뷰, 그리고 xAI의 Grok Imagine 이미지 엔드포인트입니다 — 이 모두가 제공업체 정가 그대로, 마크업 없이, 제공업체 간 자동 페일오버를 갖춘 하나의 OpenAI 호환 엔드포인트 뒤에 있습니다, 그리고 여러 모델을 단일 호출로 구성하는 라우팅 DSL도 있습니다.

그것이 여기서 한 가지 특정한 이유로 중요합니다. 단일 리더보드 순위만 있는, 예고 없이 공개된 오픈 웨이트 릴리스는 팀이 프로덕션 경로를 걸지 않고 평가하고 싶어 하는 바로 그런 종류의 모델입니다. 측정된 모델 앞에 두는 것이 아니라 같은 키에서 그 옆에 실행하는 것이 두 번째 계약도, 코드 변경도 없이 평가를 끝내는 방법입니다.

검증할 수 있는 것을 기준으로 고르세요

• 직접 검사하고, 수정하고, 미세 조정하거나 자체 하드웨어에서 실행할 수 있는 모델이 필요하다면 — Ming-Image-0.1-Design이 둘 중 유일한 선택지이며, 2026년 이미지 릴리스치고는 MIT 라이선스가 이례적으로 관대합니다.

• 공개된 가격과 인용할 수 있는 독립적인 점수를 갖춘 모델이 필요하다면 — Meta Muse Image가 둘 중 유일한 선택이며, 이미지당 $0.01은 예산 검토를 통과할 수 있는 숫자입니다.

• 출력으로 투명도가 필요하다면 — Ming-Image-0.1-Design의 RGBA 경로와 그에 짝을 이루는 Layer 기능이 바로 그것을 겨냥합니다; Meta의 투명도 관련 계획은 공개되지 않았습니다.

• 오늘 오후에 작동해야 한다면 — 둘 다 아닙니다. 하나는 호스팅 엔드포인트가 없고, 다른 하나는 다운로드가 없습니다.

미해결 질문은 보기보다 좁고, 그것은 벤치마크가 아니라 날짜다. Ming-Image-0.1-Design은 2026년 9월 17일에 업로드되었고 아무도 그것을 발표하지 않았다. 그 발표가 나오면 리더보드 순위가 두 번째의 독립적인 판독을 얻게 되고, 그렇지 않으면 소수의 사람들만 실행해 본 저장소로 남는다. 그것에 대한 최초의 제3자 평가가 지켜볼 대상이다. 왜냐하면 바로 그때가 문서 기록이 약속이기를 멈추고 증거가 되기 시작하는 순간이기 때문이다.