Ming-Image-0.1-Design vs Meta Muse Image: Het model met een papieren spoor en het model met een persbericht

Twee beeldmodellen verschenen in 2026 op tegenovergestelde manieren. Ming-Image-0.1-Design is een tekst-naar-afbeeldingmodel met 6,15 miljard parameters van het inclusionAI-team van Ant Group, op 17 september 2026 geüpload naar Hugging Face onder een MIT-licentie, zonder aankondiging, zonder blogbericht en zonder benchmarktabel — een repository van 71,5 GB die je bestand voor bestand kunt lezen. Meta Muse Image is het eerste interne beeldmodel van Meta Superintelligence Labs, gelanceerd op 7 juli 2026 met een perscampagne, door de leverancier gerapporteerde benchmarkclaims en geen downloadbare gewichten van welke aard dan ook. De interessante vraag is niet welk van de twee een betere poster tekent. Het is dat een van deze modellen vandaag kan worden gecontroleerd en het andere alleen op goed vertrouwen kan worden aangenomen, en dat het controleerbare model bovenaan staat op de enige onafhankelijke ranglijst waarop het voorkomt.

De ene werd geleverd als bestanden. De andere werd geleverd als een claim.

Begin met waar elke release daadwerkelijk uit bestaat, want het verschil is niet subtiel.

• Ming-Image-0.1-Design — 6.154.901.056 parameters, MIT-licentie, een diffusers-pijplijn, alle gewichten in BF16-safetensors, ongeveer 71,5 GB verdeeld over zes componentmappen: connector/ (2 shards), mllm/ (7 shards), mlp/ (124,8 MB), scheduler/, transformer/ (5 shards) en vae/ (253,8 MB). Geen model_index.json, daarom is het aanbevolen pad een git clone van de inferentierepo en python infer.py in plaats van een pijplijnaanroep van één regel.

• Meta Muse Image — geen gewichten, geen gepubliceerd aantal parameters, geen architectuurdocument, geen licentietekst om te lezen. Het is bereikbaar als een service en, sinds augustus 2026, via Meta's eigen Model API op een OpenAI-compatibel endpoint voor een vast tarief van $0,01 per afbeelding. Alles wat je over de interne werking weet, komt uit Meta's eigen beschrijving daarvan.

Die asymmetrie heeft een praktische consequentie die niets met beeldkwaliteit te maken heeft. Met de Ming-release kun je vragen beantwoorden die de leverancier nooit heeft behandeld: wat de text encoder is, hoeveel samplingstappen de scheduler verwacht, of de VAE vier of acht kanalen uitvoert, of de MLP-connector iets doet wat je zou kunnen vervangen. Met Muse Image kun je geen van alle beantwoorden, en volgend kwartaal zul je dat ook niet kunnen, omdat er geen artefact is om te openen.

Het enige getal dat het vermelden waard is, en waar het vandaan komt

Ming-Image-0.1-Design staat op de eerste plaats op de Artificial Analysis Text to Image Leaderboard for UI/UX Design, in de open-weights-weergave, met een Elo van 1.082. Het veld daarachter luidt: Ideogram 4.0 (Quality) met 1.052, Ideogram 4.0 met 1.015, HunyuanImage 3.0 Instruct met 1.005, FLUX.2 [dev] met 1.000, FLUX.2 [dev] Flash met 999 en FLUX.2 [dev] Turbo met 994.

Drie kanttekeningen over eerlijkheid daarbij, want het is het sterkste bewijs in deze vergelijking en het verdient een zorgvuldige behandeling. Ten eerste: het exemplaar van die ranglijst dat we lezen, is het exemplaar dat op de eigen modelkaart van het model is gepubliceerd, en het draagt Artificial Analysis-branding — het is een Artificial Analysis-ranglijst die door de leverancier is gereproduceerd, niet een cijfer dat wij hebben gegenereerd. Ten tweede heeft niemand de score onafhankelijk gereproduceerd, en een Elo-ranglijst op basis van blinde voorkeur is een populatiestatistiek, geen test per prompt: die vertelt je welke afbeelding een publiek gemiddeld verkoos, niet of het model jouw specifieke infographic correct zal weergeven. Ten derde, en dit is het deel dat veel verklaart, de ranglijst is gefilterd op open gewichten. Meta Muse Image kan er niet op voorkomen, dus het ontbreken ervan is geen resultaat.

Voor Muse Image zijn de cijfers afkomstig van Meta zelf en van Artificial Analysis, en ze moeten als zodanig worden aangeduid. Meta rapporteerde een cijfer van 94% voor personageconsistentie bij meerdere afbeeldingen, ondersteuning voor maximaal 10 referentieafbeeldingen en uitvoer tot 1600 pixels aan de lange zijde. Artificial Analysis plaatst het model in de top vijf voor tekst-naar-afbeelding en op de derde plaats op zijn ranglijst voor beeldbewerking, met een Elo van ongeveer 1.105. Dat zijn respectievelijk door de leverancier gerapporteerde en onafhankelijk gemeten cijfers, en het zijn niet hetzelfde soort gegevens.

Waarvoor Ming-Image-0.1-Design is gemaakt

De modelkaart is specifiek over het doel, en het gaat niet om fotografie voor algemene doeleinden. Het richt zich op UI, infographics, posters en ontwerpwerk met veel tekst — de categorie afbeeldingen waarin het moeilijke deel leesbare typografie en een overzichtelijke lay-out is, in plaats van een fotorealistische huid. De aanbevolen instellingen weerspiegelen dat: uitvoer van 2048×2048, of 1024 als je snelheid wilt, 12 samplingstappen, classifier-free guidance op 1.0, BF16-precisie, en één enkele CUDA-GPU van 80 GiB. Promptverbetering zal naar verwachting van een afzonderlijk visie-taalmodel komen — de kaart noemt Ling-3.0-flash-VL en qwen3.8-27B — en de uitrol zal naar verwachting via vLLM-Omni verlopen.

Er is ook een metgezel, Ming-Image-0.1-Design-Layer, een aparte repository met een andere pipeline-tag (image-text-to-image), 6.154.908.736 parameters en dezelfde MIT-licentie. Zijn taak is laagdecompositie: je geeft het een platgeslagen ontwerpafbeelding plus een lagenplan en het retourneert RGBA-lagen. Het draait op 1024 in zijn standaardbucket, of 512 voor snelheid, met 12 stappen, guidance op 2.0 en flash_attention_2. De kaart toont resultaten op een Crello-testset als een afbeelding in plaats van als een tabel, wat het vermelden waard is als je hoopte het numeriek met iets te kunnen vergelijken.

Wat is werkelijk nog niet kenbaar?

Hier moet de formulering bot zijn. Ming-Image-0.1-Design heeft geen release-opmerking, geen aankondiging, geen sectie met genoemde beperkingen en geen berichtgeving door derden op het moment van schrijven. De downloadteller op de repository staat op nul. Er is geen gehoste endpoint van de leverancier. De enige onafhankelijke meting is die ene positie op de ranglijst, en al het andere — doorvoer, promptnaleving op uw gegevens, hoe het zich gedraagt bij aantallen referentieafbeeldingen boven een handvol, of het RGBA-kanaal schoon is aan de randen — is niet publiekelijk gemeten.

Wat dat je oplevert, is een korte, duidelijk afgebakende evaluatie. Je kunt de architectuur lezen, uitvoeren en binnen een dag zelf beslissen. Het levert je geen benchmark op die je in een inkoopdocument kunt citeren.

Meta Muse Image is het spiegelbeeld. Het is op twee onafhankelijke boards gemeten en er is een gepubliceerde prijs, en geen van beide dingen zal je in staat stellen ook maar één enkel gewicht te inspecteren. Als je beperking een compliance-review is die vraagt waar de trainingsdata vandaan komen en wat het model met een prompt doet, is "Meta zegt" het hele antwoord dat je ter beschikking staat.

De versie van deze vergelijking waarop een router actie kan ondernemen.

Geen van deze twee modellen is er een die wij routeren, en dit artikel zal dat ook niet suggereren. Meta Muse Image is closed en wordt door Meta geleverd; Ming-Image-0.1-Design is een weights-download zonder enige gehoste route. De beeldmodellen die wij vandaag wel fronten zijn OpenAI's GPT-Image-familie, Google's Imagen 4-tiers en Gemini-afbeeldingspreviews, en xAI's Grok Imagine-afbeeldingseindpoint — allemaal achter één OpenAI-compatibel endpoint tegen de lijstprijs van de provider zonder markup, met automatische failover tussen providers en een routing-DSL die meerdere modellen samenbrengt in één enkele aanroep.

Dat is hier om één specifieke reden van belang. Een onaangekondigde open-weights-release met één enkele positie op de ranglijst is precies het soort model dat een team wil evalueren zonder er een productiepad op te wedden. Het naast een gemeten model op dezelfde sleutel draaien, in plaats van ervoor, is hoe je de evaluatie gedaan krijgt zonder een tweede contract en zonder een codewijziging.

Kies op basis van wat je kunt verifiëren

• Als je een model nodig hebt dat je kunt inspecteren, aanpassen, fine-tunen of op je eigen hardware kunt draaien — Ming-Image-0.1-Design is de enige optie van de twee, en de MIT-licentie is ongewoon permissief voor een beeldrelease uit 2026.

• Als je een model nodig hebt met een gepubliceerde prijs en onafhankelijke scores die je kunt citeren — Meta Muse Image is van de twee de enige optie, en $0,01 per afbeelding is een getal dat een budgetbeoordeling doorstaat.

• Als je transparantie als output nodig hebt — het RGBA-pad van Ming-Image-0.1-Design en de bijbehorende Layer zijn precies daarop gericht; het transparantieverhaal van Meta is niet gepubliceerd.

• Als je wilt dat het vanmiddag werkt — geen van beide. De een heeft geen gehoste endpoint, de ander heeft geen download.

De open vraag is beperkter dan ze lijkt, en het is een datum, geen benchmark. Ming-Image-0.1-Design is op 17 september 2026 geüpload en niemand heeft het aangekondigd. Ofwel die aankondiging komt en de positie op de ranglijst krijgt een tweede, onafhankelijke lezing, ofwel ze komt niet en dit blijft een repository die een klein aantal mensen heeft uitgevoerd. De eerste evaluatie door een derde partij is wat je in het oog moet houden, want dat is het moment waarop het papieren spoor ophoudt een belofte te zijn en bewijs begint te worden.