Ming-Image-0.1-Design Stilletjes Uitgebracht: Een 6B-ontwerpmodel Dat Alleen in een Repo Bestaat en Nergens Anders

Er is een tekst-naar-afbeelding-model van 6B genaamd Ming-Image-0.1-Design dat in de inclusionAI-organisatie op Hugging Face staat, en per 23 september 2026 bestaat er bijna niets anders over. De repository is aangemaakt op 17 september, de weights kwamen dezelfde dag binnen, en de modelkaart is op 22 september herschreven — drie commits in vijf dagen, allemaal van één account, zonder blogbericht van de leverancier, zonder lanceringsbericht, zonder modelpagina op welk API-platform dan ook, en een downloadteller die nog steeds op nul staat. Zo ziet een geruisloze release er van buitenaf uit: een compleet artefact en geen aankondiging. Dit stuk is daarom een inventaris van wat de repository zegt, wat er gisteren aan is veranderd, en wat onverifieerbaar blijft — geen recensie, want niemand buiten inclusionAI heeft nog een cijfer voor dit model gepubliceerd.

Wat de repository daadwerkelijk bevat

De kaart beschrijft Ming-Image-0.1-Design als een 6B-tekst-naar-afbeeldingsmodel voor UI, infographics, posters en andere tekstrijke visuele ontwerpen, dat volledige visuele composities genereert en RGBA-uitvoer met transparante achtergronden ondersteunt. De metadata is ongewoon permissief voor een model dat zo nieuw is: MIT-licentie, diffusers en safetensors, pipeline-tag text-to-image, en tags voor beeldgeneratie, grafisch ontwerp, tekstrendering en RGBA.

De aanbevolen inferentie-instellingen zijn specifiek genoeg om nuttig te zijn:

• Resolutie — 2048 x 2048 aanbevolen, of 1024 x 1024 voor snellere generatie

• Samplingstappen — 12

• CFG scale — 1.0

• Precisie — BF16

• Hardware — één CUDA-GPU met 80 GiB VRAM, beschreven als de gevalideerde configuratie

Twaalf stappen bij een guidance scale van 1,0 is het profiel van een gedistilleerde of guidance-vrije sampler: goedkoop per afbeelding, daarom kan de kaart een uitvoer van 2048 pixels bieden bij een stappenaantal dat de meeste diffusiemodellen niet zouden aandurven. De kaart vermeldt ook dat de openbare inferentiecode verzoeken voor tekst-naar-afbeeldingresolutie toewijst aan de ondersteunde bucket van 1024 of 2048, zodat tussenliggende formaten op een van die twee worden vastgezet.

De bestandsstructuur vertelt je iets meer dan de tekst doet. Naast vae en scheduler is er een transformer-map met vijf gewichtsshardes, plus afzonderlijke mllm, connector en mlp-componenten — de vorm van een meerfasige pijplijn met een multimodaal taalmodel als tekstencoder in plaats van één monolithische denoiser. Dat komt overeen met de opmerking op de kaart dat promptverrijking kan worden afgehandeld door Ling-3.0-flash-VL of qwen3.8-27B, beide zustermodellen van dezelfde organisatie.

De drie commits die op 22 september zijn geland

Dit is het enige deel van het verhaal met een tijdstempel binnen de afgelopen week, en het is de reden waarom het de moeite waard is om nu over het model te schrijven in plaats van in oktober. De commit-titels, in volgorde:

22 september, 11:25 UTC — "Publiceer het releasepakket Ming-Image-0.1-Design"

• 22 september, 12:01 UTC — "Modelkaart van Ming-Image-0.1-Design vernieuwen"

• 22 september, 15:17 UTC — "Implementatielinks voor vLLM-Omni toevoegen"

De eerste twee zijn huishoudelijke zaken. De derde is de inhoudelijke wijziging: een ander framework dan dat van de leverancier zelf heeft het model opgepikt, en de kaart beveelt nu aan om het via vLLM-Omni te serveren, met links naar een recept en een installatiehandleiding. Dat is het standaardsignaal dat een model is opgeschoven van "gewichten op een plank" naar "iets dat een team daadwerkelijk achter een endpoint kan opzetten", en het is het soort wijziging dat nooit een persbericht oplevert.

Het is ook half geland. De link naar de installatiegids werkt. Het modelspecifieke recipe-pad in dezelfde commit werkt niet — het geeft sinds 23 september een 404. Het deploymentverhaal voor Ming-Image-0.1-Design luidt momenteel dus: het algemene framework is echt, maar de instructies voor dit model daarbinnen zijn nog steeds een placeholder. Als je van plan bent om het te serveren, moet je tijd inruimen om de vLLM-Omni-quickstart te lezen en de model-wiring zelf uit te zoeken.

De ranglijst op de kaart, en de ranglijst waarop het niet staat

De repository bevat één grafische weergave van de prestaties: assets/uiux_leaderboard.webp, een afbeelding in leaderboard-stijl met als kop "Tekst-naar-afbeelding-ranglijst: UI/UX-ontwerp", onderaan voorzien van "Elo-scores op basis van blinde voorkeursstemmen in onze Image Arena" en een badge "Open Weights Leaderboard". Daarin staat Ming-Image-0.1-Design op de eerste plaats met 1.082 Elo, vóór Ideogram 4.0 (Quality) met 1.052, Ideogram 4.0 met 1.015, HunyuanImage 3.0 Instruct met 1.005, en de FLUX.2 dev-varianten tussen 994 en 1.000.

Er moeten drie dingen gezegd worden over die afbeelding, en de volgorde doet ertoe.

Ten eerste is het door de leverancier gepubliceerde artwork afkomstig uit de eigen repository van de leverancier. We rapporteren wat het bestand bevat, en onderschrijven het niet.

Ten tweede konden we Ming-Image-0.1-Design op 23 september nergens op de live Artificial Analysis-borden vinden — niet op het tekst-naar-afbeelding-leaderboard, niet in de categorieweergave UI/UX Design, niet op het bord voor beeldbewerking en niet in de open-weights-weergave. De top van de live categorie UI/UX Design is GPT Image 2.5 Flare met 1.227 Elo, en de FLUX.2-vermeldingen die de kaart noemt, staan op datzelfde live bord met andere waarden: FLUX.2 [flex] op 1.065, FLUX.2 [max] op 1.053, FLUX.2 [dev] op 1.000. De rangschikking op de kaart is dus een bewering over een bord dat we niet kunnen vinden, uitgedrukt op een schaal die ongeveer 150 Elo lager ligt dan die welke we wel kunnen vinden.

Ten derde wordt Elo per ranglijst berekend. Een categoriespecifieke UI/UX-score en een algemene text-to-image-score zijn verschillende grootheden, zelfs voor hetzelfde model; daarom komt dezelfde FLUX.2-release uit op 1.026 op de ene Artificial Analysis-ranglijst en op 1.065 op een andere. Elke vergelijking die ranglijsten door elkaar haalt, is geen vergelijking.

Netto positie: Ming-Image-0.1-Design heeft één prestatieclaim, die van de leverancier zelf is, en er bestaat geen onafhankelijke evaluatie van. Dat is geen beschuldiging. Het is de reden dat het model een externe run nodig heeft voordat iemand budget vrijmaakt op basis van de 1.082.

Wat je er nog niet mee kunt doen

De Quick Start is het probleem. Daarin word je geïnstrueerd om github.com/inclusionAI/Ming-Image te klonen, de vereisten ervan te installeren en infer.py uit te voeren met de Hugging Face-model-ID. Die repository bestaat niet. De pagina geeft een 404, de raw README geeft een 404, en nergens in de openbare repositorylijst van de organisatie verschijnt een Ming-Image-repository — die lijst bevat wel Ming, Ling, Ring, Ming-UniVision, Ming-UniAudio en nog een dozijn andere, dus dit is een afwezigheid en geen verkeerd getypte URL. Het enige gedocumenteerde pad om Ming-Image-0.1-Design te draaien is precies het pad dat er niet is.

De rest van het toegangsverhaal is al even mager. De kaart zet inference: false en Hugging Face meldt dat het model niet door enige inference-provider is uitgerold. Er is geen gepubliceerde prijs, geen API-identifier, geen playground en geen commerciële voorwaarden naast de MIT-licentie op de gewichten zelf. Het aantal downloads is nul en het aantal likes is vier.

Dus de eerlijke samenvatting van de beschikbaarheid is: de gewichten zijn echt en onder een permissieve licentie vrijgegeven, en alles eromheen — code, documentatie, hosting, evaluatie — ontbreekt of is niet meer dan een stub.

Het getal dat bepaalt wie het kan gebruiken

Tachtig gigabyte VRAM is het hele argument. Dat is één kaart uit de H100- of H200-klasse, of een A100 80GB. Het is geen workstation-GPU, het is geen laptop, en het is geen spot-instance die je vergeet af te breken. In combinatie met een gevalideerde single-GPU-configuratie betekent dit dat Ming-Image-0.1-Design gratis te licentiëren en duur te draaien is, wat de vertrouwde vorm is van een open-weights-release van een lab dat op schaal traint.

Voor de volledigheid aan onze kant: geen enkel inclusionAI-model is vandaag routeerbaar via OrcaRouter. de cataloguspagina vermeldde 199 modellen bij 15 providers toen we die op 23 september lazen, en er staat geen Ming-vermelding in en geen inclusionAI-vermelding van welke aard dan ook, dus er valt hier niets via ons aan te roepen. Wat een routeringslaag in deze situatie werkelijk waard is, is de tweede stap — op de dag dat een upstreamprovider het model oppakt, wordt het uitproberen ervan een wijziging van het model-ID op een sleutel die je al hebt in plaats van een nieuw contract en een nieuwe SDK. Tot die tijd is de enige manier om Ming-Image-0.1-Design te draaien, de ontbrekende repository te vinden en een GPU met 80 GiB op overschot.

Wat zou hier een verhaal van maken?

Vier dingen, in oplopende volgorde van hoeveel ze je zouden vertellen. De begeleidende repository die verschijnt, wat het model uitvoerbaar zou maken zoals gedocumenteerd. Het vLLM-Omni-recept dat wordt ingevuld, wat het serveerbaar zou maken zonder giswerk. Een inferentieprovider die het vermeldt, wat er een prijs op zou zetten. En een onafhankelijke Elo, wat het eerste cijfer over dit model zou zijn dat niet afkomstig is van de mensen die het hebben getraind.

Totdat ten minste één daarvan landt, is de juiste houding beperkt en weinig glamoureus. Als je evaluatiesets bouwt voor UI- en lay-outgeneratie, zijn de gewichten het nu waard om op te halen — MIT, 6B, één configuratie en een aantal stappen dat laag genoeg is om een paar duizend samples betaalbaar te maken. Als je dit kwartaal beeldgeneratie in productie nodig hebt, is Ming-Image-0.1-Design geen kandidaat: er is geen endpoint, geen ondersteuning en geen score van derden. En als je de inclusionAI-organisatie volgt, let er dan op dat die nu een beeldmodel heeft naast zijn taal- en spraaklijnen, dat die deze heeft uitgebracht zonder iemand iets te vertellen, en dat de periode van twee weken tussen de eerste upload en het releasepakket suggereert dat de stille periode bewust was.