Ming-Image-0.1-Design voert de Open-Weights UI Design Board aan — en het cijfer klopt

De bewering die de ronde doet met Ming-Image-0.1-Design is dat het 6B-model van inclusionAI het beste open-weights tekst-naar-afbeelding-model is voor UI- en UX-werk, en met 1.082 Elo bovenaan staat in de open-weights-weergave van de Artificial Analysis UI/UX Design-ranglijst. Screenshots van leveranciersranglijsten zijn meestal het zwakste soort bewijs, dus het eerste wat de moeite waard is, is de live-ranglijst bekijken. Op 24 september 2026 houdt dat stand, met één belangrijke nuance die de screenshot niet bevat: 1.082 is een use-case-deelverzameling, niet de hele ranglijst, en op de volledige Text to Image-ranglijst staat hetzelfde model op plaats 45 met een Elo van 995.

Beide getallen zijn echt, ze komen uit dezelfde arena, en ze beschrijven dezelfde gewichten. Wat hen onderscheidt, is op welke prompts de stemmen zijn uitgebracht.

Wat het live board eigenlijk zegt

Artificial Analysis draait één blinde paarsgewijze arena en filtert vervolgens dezelfde stemmenpool in use-casesegmenten. Het UI/UX Design-segment is het segment dat ertoe doet voor een model dat is gebouwd voor dashboards, app-schermen, posters en infographics, en het is waar Ming-Image-0.1-Design zijn beste werk levert:

• Algemene tekst-naar-afbeelding-ranglijst — Ming-Image-0.1-Design op #45, Elo 995, 95%-BI ±8, 21.342 voorbeelden, opgenomen in september 2026, $30,00 per 1.000 afbeeldingen, gemarkeerd als Open Weights

• UI/UX-ontwerpslice — Ming-Image-0.1-Design op #16, Elo 1.084, 2.100 voorbeelden in de slice

• Hoogst geplaatste open-weights-inzending in dat segment — Ming-Image-0.1-Design; de volgende open-weights-modellen daarachter zijn Ideogram 4.0 (Quality) op #22 en 1.047, Ideogram 4.0 op #31 en 1.018, en HunyuanImage 3.0 Instruct op #40 en 1.005

• Koploper in het UI/UX-segment — GPT Image 2.5 Flare (max) met 1.226, GPT Image 2.5 Sunburst (max) met 1.215, GPT Image 2 (high) met 1.204, Grok Imagine Image 2.0 met 1.183

• Afgezet tegen de eigen screenshot van de leverancier — inclusionAI publiceerde 1.082 voor Ming tegenover Ideogram 4.0 (Quality) met 1.052 en FLUX.2 [dev] met 1.000; de live slice geeft nu respectievelijk 1.084, 1.047 en 1.000 aan

Dus de kop is accuraat op zijn eigen voorwaarden. Ming-Image-0.1-Design is het best beoordeelde open-weights-model in de UI/UX Design-categorie, en het is het enige open-weights-model in de top twintig van die categorie. Het staat ook 142 Elo achter de koploper van die categorie, en het zit in de middenmoot wanneer de prompt geen designprompt is. Een model dat wint op dashboards en overall op 995 uitkomt, is een specialist, geen allrounder, en de twee cijfers zijn alleen tegenstrijdig als je een van beide als het hele verhaal leest.

De 21.342 samples op het volledige bord zijn ook het vermelden waard vanwege wat het niet is. Dat is een groot aantal stemmen, waardoor het betrouwbaarheidsinterval krap is op ±8 Elo, maar het aantal samples is niet hetzelfde als onafhankelijkheid van methode. De arena is blinde menselijke voorkeur, dus niemand bij inclusionAI heeft de score geschreven — dat deel is echt. Wat de score meet is "welke van deze twee afbeeldingen een stemmer verkoos," en stemmers die een UI-screenshot moeten beoordelen, belonen doorgaans leesbare tekst en een samenhangende lay-out. Dat is precies de as waarop dit model is getraind.

Wat Ming-Image-0.1-Design is

Ming-Image-0.1-Design is een text-to-image-model van inclusionAI, het AI-lab dat gelieerd is aan Ant Group, uitgebracht onder de MIT-licentie, met gewichten gepubliceerd op 17 september 2026 en het volledige releasepakket dat op 22 september verschijnt. Het genereert op basis van alleen een prompt — er is geen referentieafbeelding nodig — en het is gericht op tekstzware grafische vormgeving in plaats van fotografie: UI-mockups, dashboards, infographics, posters en alles waarbij weergegeven tekst leesbaar moet blijven op de grootte waarop deze gelezen wordt.

De gedocumenteerde inferentieconfiguratie is specifiek en ongewoon goedkoop per stap:

• Resolutie — 2048 x 2048 aanbevolen, of 1024 x 1024 voor snellere generatie, waarbij tussenliggende afmetingen worden teruggebracht naar een van die twee categorieën

• Samplingstappen — 12

• Begeleiding — CFG scale 1.0

• Precisie — BF16

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

Twaalf stappen bij een guidance-schaal van 1,0 is het kenmerk van een gedistilleerde of guidance-vrije sampler. Dat is wat een uitvoer van 2048 pixels betaalbaar maakt bij een stappenaantal dat de meeste diffusiemodellen niet zouden proberen, en het is de belangrijkste reden waarom dit model interessant is voor iedereen die beeldgeneratie op volume draait in plaats van één afbeelding tegelijk.

Het andere structurele kenmerk is transparantie. Ming-Image-0.1-Design kan native RGBA produceren, dus een transparante achtergrond komt uit de sampler in plaats van uit een matting-pass, wanneer de prompt begint met een van de gedocumenteerde transparantieformuleringen. Een begeleidend model, Ming-Image-0.1-Design-Layer, gaat verder: het neemt een afgevlakt ontwerp plus een lagenplan en levert afzonderlijke RGBA PNG's op — tekst, kaarten, hoofdonderwerp, achtergrond — die zich weer samenvoegen tot het origineel. Dat is het verschil tussen een ontwerpmodel en een beeldmodel. Een platte PNG is een afbeelding van een lay-out; afzonderlijke lagen zijn een lay-out die je nog steeds kunt bewerken.

Het 6B-label en de 26B-download

"6B" klopt voor het deel dat de meeste mensen bedoelen, maar is misleidend voor het deel dat bepaalt of je het kunt draaien. De diffusietransformer heeft 6,15 miljard parameters. Het pakket dat je daadwerkelijk downloadt is ongeveer 52,88 GB, omdat de multimodale tekstencoder 17,01 miljard parameters heeft en de connector 3,09 miljard toevoegt — in totaal ongeveer 26 miljard parameters in BF16. De transformer van het Layer-model is twee keer zo groot als die van het basismodel, met 12,31 miljard, en het pakket is wederom groter, ongeveer 65,20 GB.

Dit is om twee praktische redenen van belang. Ten eerste gaat de vereiste van 80 GiB VRAM niet over de 6B-transformer; het gaat over alles wat daarnaast resident moet blijven. Ten tweede moet bij elke vergelijking met een model dat als "6B" wordt omschreven, worden nagegaan welke 6B wordt bedoeld. Een 6B-diffusietransformer met een 20B-tekstencoder is een heel ander implementatieprobleem dan een 6B-model van begin tot eind.

Promptverwerking is het andere ding dat de kaart expliciet maakt in plaats van verbergt: het aanbevolen recept voert eerst een herschrijfstap uit, waarbij een vision-language-model wordt gebruikt om een korte prompt uit te breiden tot een gestructureerde, Figma-achtige JSON-layoutbeschrijving met coördinaten, hiërarchie, kleurspecificaties en letterlijke tekst. De modelkaarten noemen Ling-3.0-flash-VL of Qwen3.8-27B voor die taak. Met andere woorden, de pipeline die de leverancier benchmarkt is een tweemodel-pipeline. Als je Ming-Image-0.1-Design met een prompt van één regel en zonder herschrijfstap aanroept, draai je niet de configuratie die 1.084 in het UI/UX-onderdeel opleverde.

Wat dit betekent voor een ontwerppijplijn

De eerlijke samenvatting van Ming-Image-0.1-Design is dat het een specifiek en duur probleem oplost — het genereren van tekstrijke lay-outs die een nadere blik doorstaan — en dat doet het aan de top van het open-weights-veld op de enige ranglijst die dat probleem meet. Het staat niet bovenaan de algemene afbeeldingenranglijst, het maakt een VLM ervoor niet overbodig, en er is een serieuze GPU voor nodig.

Wat het verandert, is het midden van een ontwerpworkflow. Als je pipeline op dit moment een platte afbeelding genereert en vervolgens een mens of een segmentatiemodel betaalt om die op te delen, dan haalt een model dat native RGBA produceert en een begeleidende tool die 2–9 benoemde lagen produceert, een fase weg. Dat is meer waard dan een Elo-kolom, en het is het deel dat geen enkele ranglijst meet.

Voor teams die het willen testen zonder zich aan infrastructuur te binden, is het de moeite waard om precies te zijn over dit onderscheid. Ming-Image-0.1-Design is een download onder MIT-licentie, dus het draait op jouw hardware of helemaal niet — OrcaRouter routeert geen enkel inclusionAI-model van welke versie dan ook, en iets anders beweren zou een claim zijn die wij niet kunnen nakomen. Wat een routeringslaag je wél biedt, is het omliggende oppervlak: één OpenAI-compatibel eindpunt voor meer dan 200 modellen, automatische failover tussen providers, en de lijstprijs van de provider die met 0% opslag wordt doorgegeven, zodat een prijswijziging van een leverancier voor elk model dat je wél aanroept dezelfde dag nog aan onze kant live is. Als je een ontwerppijplijn opzet en dit model wilt A/B-testen tegen een gehost model dat je al vertrouwt, dan draait die vergelijking op één sleutel in plaats van twee contracten.

Wat zou het beeld veranderen?

Drie dingen zouden {{1}}Ming-Image-0.1-Design{{/1}} van een sterke open-weights specialist naar een standaardoptie verplaatsen. Een eerste onafhankelijke reproductie van de Crello-cijfers van het Layer-model — de kaart meldt een RGB L1-fout van 0,0574 en alpha soft IoU van 0,8923 bij 1024, en geen enkele externe partij heeft ze uitgevoerd. Een gehoste endpoint die de 80 GiB-vereiste wegneemt. En een tweede use-case-slice waarin het model net zo goed presteert als in UI/UX Design, want een model dat alleen wint op één slice van één board is een model waarvan de generaliseerbaarheid nog steeds onbewezen is.

Tot dan is de nauwkeurige zin de beperkte variant: op de UI/UX Design-slice van Artificial Analysis, afgelezen op 24 september 2026, is inclusionAI's Ming-Image-0.1-Design het hoogst beoordeelde open-weights tekst-naar-afbeelding-model, met 1.084 Elo op 2.100 stemmen — en op het volledige leaderboard van dezelfde arena staat het op de 45e plaats met 995. Beide gaan over het model. Geen van beide is een lanceringsclaim, want dit model had geen lancering; het had een repository.