LLaDA-UI cicho zadebiutowało: agent GUI Diffusion od inclusionAI jest już dostępny do pobrania.

LLaDA-UI — agent GUI typu mixture-of-experts od inclusionAI, mający około 16,7 miliarda parametrów — pojawił się na Hugging Face 6 września 2026 roku bez towarzyszącego ogłoszenia. To, co sprawia, że warto mu się przyjrzeć, to nie cisza, lecz mechanizm, który się pod nim kryje: zamiast zapisywać swoją następną akcję token po tokenie, tak jak robią to autoregresyjne modele wizyjno-językowe dominujące w badaniach nad obsługą komputera, LLaDA-UI odszumia cały blok tokenów akcji w jednym kroku, w stylu dyfuzyjnym, i dopiero potem zatwierdza odpowiedź. Producent reklamuje go jako praktycznego agenta GUI o otwartych wagach opartego na dyfuzji. Wszystko poniżej jest oznaczone zgodnie z tym, czym jest: fakty z repozytorium, które możesz samodzielnie sprawdzić, twierdzenia z raportu technicznego, których nikt poza laboratorium nie odtworzył, oraz luki — przede wszystkim brak licencji — które wciąż pozostają nierozwiązane.

Kontekst wydania ma znaczenie, ponieważ to już schemat. inclusionAI to powiązane z Ant Group laboratorium stojące za rodziną dyfuzyjnych modeli językowych LLaDA. W tym samym tygodniu, w którym opublikowało checkpointy modeli obrazowych LLaDA-Image i LLaDA-Image-Turbo (4 września) oraz model agentowy LLaDA2.2-mini (5 września), 6 września utworzyło repozytorium inclusionAI/LLaDA-UI. Trzy rodziny modeli w trzy dni — żadnej z nich nie poprzedzał post ogłaszający premierę. W przypadku samego LLaDA-UI dowodem faktycznego wydania jest samo repozytorium: wagi safetensors są obecne i można je wczytać, kod wnioskowania i przepis na serwowanie z SGLang są dostarczane razem z nimi, a raport techniczny i strona projektu również istnieją. Brakuje natomiast ogłoszenia ze strony dostawcy, licencji oraz — w chwili pisania tego tekstu, przy pobraniach wciąż jednocyfrowych — jakiegokolwiek znaku, że szerszy świat już to zauważył.

Wysłano, ale nie ogłoszono

Repozytorium inclusionAI/LLaDA-UI zostało utworzone o 05:08 UTC 6 września i jest kompletnym, samodzielnym zrzutem modelu, a nie placeholderem. W drzewie plików znajduje się dwadzieścia jeden plików: siedem shardów safetensors w formacie BF16, które sumują się do około 16,9 miliarda parametrów (karta modelu zaokrągla do ~16,7B łącznie), pliki tokenizera i konfiguracji oraz — co ważne — własny kod źródłowy modelu w Pythonie (modeling_llada2_vl_moe.py i configuration_llada2_vl.py). Architektura rejestruje się jako LLaDA2MoE_VLForConditionalGeneration pod typem modelu llada2vl, a ponieważ te pliki znajdują się w repozytorium, nie jest to architektura standardowego Transformers: załadowanie jej oznacza pobranie niestandardowego kodu — poprzez sklonowanie repozytorium lub przez zdalną ścieżkę kodu w hubie.

Równie pouczające jest to, czego repozytorium nie zawiera. Na karcie modelu nie ma oznaczenia licencji, a w drzewie plików nie ma pliku LICENSE, więc standardowe pytanie, które zespół komercyjny zadaje sobie najpierw — co wolno mi zrobić z tymi wagami? — nie ma jeszcze odpowiedzi. Artykuł to raport techniczny rozpowszechniany jako PDF w repozytorium GitHub i linkowany ze strony projektu; nie pojawił się na arXiv (strona nadal mówi „SOON"). I żaden znany nam dostawca usług wnioskowania nie udostępnia modelu: karta na Hugging Face nie podaje żadnego wdrożonego dostawcy wnioskowania, co oznacza, że na razie LLaDA-UI to wydanie do pobrania i samodzielnego hostingu, a nie coś, co można wywoływać przez API. My również go nie hostujemy — nic w tym tekście nie powinno być odczytane jako twierdzenie, że hostujemy.

Agent GUI, który dekoduje jak model obrazowy

Design to opowieść, więc warto precyzyjnie opisać, czym LLaDA-UI różni się od autoregresyjnych modeli GUI, z którymi jest porównywany. Konwencjonalny model obsługi komputera — na przykład Qwen2.5-VL-7B lub Qwen3-VL-8B, albo VLM stojący za hostowanym produktem do obsługi komputera — przyjmuje zrzut ekranu i instrukcję, a następnie przewiduje token po tokenie, od lewej do prawej, aż do ukończenia ciągu działań. Opóźnienie rośnie więc wraz z liczbą tokenów w odpowiedzi. LLaDA-UI zamiast tego traktuje całą odpowiedź jako blok, który jest początkowo zamaskowany i stopniowo poddawany denoisingowi: każdy krok dekodowania udoskonala wiele tokenów równolegle, a po ustalonej liczbie kroków (skrypt referencyjny używa 32 kroków i długości bloku równej 32) ujawniany jest pełny ciąg rozumowania i działań. To ten sam koncepcyjny krok, który laboratorium wykonało w przypadku generowania obrazów, zastosowany do akcji GUI.

Pod maską stos wygląda tak: natywny enkoder wizyjny o naturalnej rozdzielczości, projekcja przestrzenna oraz dyfuzyjny model języka. Enkoder wizyjny to ViT inicjalizowany z SigLIP, wyposażony w 2D rotacyjne embeddingi pozycyjne i uruchamiany w natywnym współczynniku proporcji zrzutu ekranu — karta ustawia IMAGE_MAX_PIXELS na 12 845 056, czyli około 12,8 megapiksela wejścia przed zmniejszaniem skali, co ma znaczenie dla małych celów kliknięć w gęstych interfejsach desktopowych. Jego wyjście jest grupowane przestrzennie cztery do jednego i przekazywane przez dwuwarstwowy projektor MLP do języka, którym jest dyfuzyjny model języka LLaDA2.0-mini MoE. Zatem „17B parametrów” widoczne na pasku bocznym Hugging Face to model typu mixture-of-experts; tylko ułamek parametrów jest aktywny podczas danego przejścia w przód, co częściowo wyjaśnia, dlaczego opisany poniżej czas odpowiedzi jest w ogóle wiarygodny.

Schemat treningu jest wart odnotowania, ponieważ na papierze jest niezwykle oszczędny. Zgodnie z raportem technicznym multimodalny szkielet był wstępnie trenowany na około 145 miliardach tokenów w trzyfazowym procesie — najpierw krótka faza wyrównania samego projektora, potem pełne fazy modelu skoncentrowane na percepcji i rozumowaniu — po czym nastąpiło nadzorowane dostrojenie agenta GUI na ponad sześciu milionach próbek pochodzących z projektu UI-Venus, obejmujących ponad 100 chińskich aplikacji mobilnych, ponad 70 angielskich aplikacji mobilnych oraz dane z komputerów stacjonarnych i internetu. W ujęciu dostawcy 145 mld tokenów to ułamek tego, co zużyli autoregresyjni konkurenci (raport podaje 4,1 bln dla Qwen2.5-VL i 2,2 bln dla Qwen3-VL). Liczby tokenów i skład danych należy traktować jako własną relację laboratorium; niezależnie można zweryfikować jedynie to, że model istnieje i działa.

To, co faktycznie emituje

LLaDA-UI ma dwa tryby wyjściowe, a różnica między nimi ma znaczenie dla sposobu, w jaki zintegrujesz je z potokiem. W trybie grounding model zwraca pojedynczy punkt: współrzędne całkowite znormalizowane do zakresu [0, 999] dla celu, np. [742, 186], które skrypt referencyjny wypisuje również jako ułamek od 0 do 1, przez który należy pomnożyć szerokość i wysokość zrzutu ekranu. Jeśli żądany cel nie występuje na obrazie, model jest trenowany tak, aby odpowiedzieć [-1, -1], a nie zmyślić lokalizację — to drobna, ale ważna właściwość niezawodnościowa dla pętli agenta. W trybie agent/nawigacja model emituje tag rozumowania, po którym następuje ustrukturyzowana akcja:

<think>Pasek wyszukiwania znajduje się na górze strony, pod logo.</think><action>Click(box=(742, 186))</action>

Słownik działań jest definiowany dla każdej platformy — mobilnej, desktopowej i webowej — i mimo nazwy pola, box przechowuje pojedynczą współrzędną interakcji, a nie prostokąt. Podział na myślenie (think) i działanie (action) pozwala modelowi oprzeć decyzję na bieżącym ekranie przed wykonaniem kliknięcia, a wyjście oparte na współrzędnych sprawia, że wynik pozostaje maszynowo parsowalny, a nie jest swobodną instrukcją, którą musiałby interpretować osobny parser.

Twierdzenia benchmarku, oznaczone

Najważniejsze wyniki raportu technicznego to zestaw twierdzeń, że model dyfuzyjny GUI pokonuje modele autoregresyjne w ich własnej grze. Przedstawione tutaj dokładnie tak, jak podaje je dostawca, na podstawie raportu technicznego i strony projektu — żadne z nich nie zostało niezależnie zweryfikowane, a poniższe liczby dotyczą porównania LLaDA-UI z Qwen3-VL-8B, o ile nie zaznaczono inaczej:

• ScreenSpot-Pro (grounding) — LLaDA-UI 52.9 vs Qwen3-VL-8B 52.7 — minimalna przewaga.

• AndroidWorld (agent mobilny) — LLaDA-UI 53.5 vs Qwen3-VL-8B 47.9.

• MobileWorld (agent mobilny) — LLaDA-UI 25.6 vs Qwen3-VL-8B 9.4, największa różnica w zestawieniu.

• WebVoyager (agent internetowy) — LLaDA-UI 56.9 vs Qwen3-VL-8B 45.2.

To cztery z sześciu zgłoszonych benchmarków GUI; raport otwarcie przyznaje, że LLaDA-UI nie pokonuje Qwen3-VL-8B w pozostałych dwóch — ScreenSpot-V2 jest blisko, a OSWorld-Verified pozostaje luką, którą autorzy przypisują degradacji na bardzo dużych zrzutach ekranu z małymi celami. Wobec starszego Qwen2.5-VL-7B twierdzenie jest bezwarunkowe: wygrywa na wszystkich sześciu zgłoszonych benchmarkach. Jest też twierdzenie dotyczące szybkości, zmierzone przez laboratorium na sparowanych, niebuforowanych przebiegach serwowania na identycznym sprzęcie: od 4,8 do 6,4 sekundy na odpowiedź dla LLaDA-UI wobec 17 do 53 sekund dla Qwen3-VL-8B, podawane jako średnie przyspieszenia 3,58x dla wejść webowych, 6,83x dla desktopu i 8,95x dla urządzeń mobilnych — przy generowaniu większej liczby tokenów na wywołanie, jak podaje raport, ponieważ równoległe dekodowanie bloków wygrywa w czasie rzeczywistym, nawet gdy odpowiedź jest dłuższa.

Traktuj twierdzenie o opóźnieniu z takim samym sceptycyzmem jak liczby dotyczące dokładności. Przewaga równoległych bloków w dekodowaniu dyfuzyjnym jest mechanistycznie realna, a kierunek tego efektu — mniejsza liczba sekwencyjnych kroków na odpowiedź — jest zgodny z tym, jak działa architektura, ale przyspieszenia od 3,6x do 9x zostały zmierzone przez twórców modelu na wybranym przez nich sprzęcie i nie zostały zreplikowane. Różnice w dokładności też mają znaczenie: OSWorld-Verified to w tej dziedzinie najbliższy odpowiednik realistycznego testu agenta desktopowego, i właśnie tam — jak sami autorzy przyznają — model ma trudności, przy dużych zrzutach ekranu i małych celach. Agent GUI, który świetnie radzi sobie na mobile i w sieci, ale potyka się o gęste interfejsy desktopowe, ma specyficzny profil mocnych stron, a nie ogólny.

Jak to uruchomić i czego jeszcze brakuje

Jeśli chcesz wypróbować LLaDA-UI samodzielnie, musisz zacząć od wag. Checkpoint ma około 32 GB w BF16. Referencyjne środowisko to Python 3.10, PyTorch 2.5.1, Transformers 4.51.0 i FlashAttention 2.7.4.post1, a szybki start uruchamia jednobrazowe przejście groundingowe z parametrami --gen-length 32 --steps 32 --block-length 32. Serwowanie jest możliwe przez SGLang, ale tylko za pomocą launchera laboratorium: repozytorium zawiera serve_llada_ui.sh oraz skrypt klienta, które zakładają multimodalne poprawki dyfuzyjne specyficzne dla LLaDA-UI, a karta modelu wyraźnie wskazuje, że nie można go uruchomić ze standardowej instalacji SGLang. Duże zrzuty ekranu mogą również wymagać podniesienia domyślnego parametru --max-length wynoszącego 8192. To model dla osób, które czują się swobodnie w klonowaniu repozytorium, budowaniu FlashAttention pod własną konfigurację CUDA i debugowaniu dekodowania dyfuzyjnego — to wciąż nie jest wywołanie API jednym poleceniem.

Cztery rzeczy mogłyby zmienić to, co czytelnik może robić z LLaDA-UI, i żadna z nich nie nastąpiła do czasu powstania tego tekstu. Zadeklarowana licencja zamknęłaby kwestię komercyjną, na którą obecnie nie ma odpowiedzi. Wpis na arXiv sprawiłby, że raport techniczny dołączony do repozytorium stałby się czymś, na co można się powoływać i co można poddać recenzji naukowej. Niezależne odtworzenie wyników ScreenSpot-Pro uzyskanych za pomocą WebVoyagera oddzieliłoby rzeczywiste możliwości architektury od oceny jej autorów. A dostawca faktycznie udostępniający model umożliwiłby jego przetestowanie bez 32‑gigabajtowego pobierania i bez GPU. Jeśli i kiedy ten ostatni krok nastąpi, kwestia routingu stanie się rutynowa: jeden klucz API dla wszystkich katalogów modeli, ceny katalogowe dostawców przekazywane bez narzutu oraz automatyczny failover, dzięki któremu checkpoint sprzed trzech dni nigdy nie pozostaje sam na ścieżce produkcyjnej. Do tego czasu LLaDA-UI to niezwykle interesujący model open weights, który warto obserwować: dyfuzyjny agent GUI z realnymi wynikami w benchmarkach, konkretną i uczciwie ujawnioną słabością oraz bez żadnych prawnych czy operacyjnych zabezpieczeń, które pozwoliłyby większości zespołów wdrożyć go już dziś. Wypatruj w repozytorium licencji i artykułu, w tej właśnie kolejności.