LLaDA-Image-Turbo: Ant Group тихо выпустила 4-шаговый открытый генератор изображений

4 сентября 2026 года лаборатория с открытым исходным кодом inclusionAI, принадлежащая Ant Group, разместила на Hugging Face веса моделей LLaDA-Image-Turbo и LLaDA-Image — без анонса, без пресс-релиза и, на момент написания этого текста, без указания лицензии ни в одном из четырёх созданных репозиториев. LLaDA-Image-Turbo — быстрая модель из этого релиза: дистиллированный чекпойнт, который, согласно карточке модели, превращает запрос или инструкцию по редактированию в изображение 1024×1024 всего за четыре шага сэмплирования, тогда как базовой модели LLaDA-Image, из которой он дистиллирован, для этого требуется пятьдесят шагов. То, почему этот тихий релиз заслуживает внимания, — одна строка в карточке модели, указанная разработчиками: лучший результат среди моделей с открытым исходным кодом в тесте Qwen-Image-Bench. А то, что мешает на неё опереться, — всё, что в релизе пока не сказано помимо этой строки.

Это отчёт первого дня, а не обзор. Контрольные точки реальны и доступны для скачивания, код для инференса на основе Diffusers запускается из склонированного репозитория, а сопровождающая статья LLaDA-Image: Building Strong Image Generators with Fully Open Training Recipes появилась на arXiv 3 сентября 2026 года. Но нет ни официального анонса от inclusionAI, ни от Ant Group, с которым можно было бы свериться, и на момент написания в репозитории LLaDA-Image-Turbo отображалось два скачивания — по всем видимым признакам, за пределами лаборатории его ещё никто не запускал. Всё ниже разделено соответствующим образом: что на самом деле содержится в репозиториях, что утверждается в статье, и что должно произойти, прежде чем LLaDA-Image-Turbo станет тем, на что стоит делать ставку продакшн-команде.

Что на самом деле было выпущено

Четыре контрольные точки появились на Hugging Face в организации inclusionAI ранним утром 4 сентября 2026 года (UTC): LLaDA-Image — базовая модель на пятьдесят шагов в BF16; LLaDA-Image-FP8; LLaDA-Image-Turbo — дистиллированная быстрая контрольная точка в BF16; и LLaDA-Image-Turbo-FP8. В строке новостей на карточке модели, датированной 2026-09-04, содержится всё официальное объявление: «Мы выпустили контрольные точки LLaDA-Image Base и Turbo вместе с кодом для инференса». В репозитории GitHub той же организации размещён код для инференса, а отчёт arXiv появился днём ранее.

Репозитории не являются заглушками. Каждый репозиторий Turbo содержит полный конвейер Diffusers — шардированный генератор на диффузионном трансформере, токенизатор изображений SigVQ, коннектор query-former, планировщик и кодировщик текста из девяти шардов — так что «модель» здесь не имя-заполнитель, а десятки гигабайт рабочих весов. Семейство описывается как модель генерации и редактирования изображений с 6 миллиардами параметров; если читать строго, цифра 6B относится к основе-диффузионному трансформеру, обученному с нуля, а замороженный модуль диффузионной языковой модели из линейки LLaDA2 лаборатории (кодировщик текста из девяти шардов) добавляет понимание поверх.

Почему четырехшаговая часть является заголовком

Для модели диффузии изображений стоимость в основном складывается из шагов сэмплирования. Каждый шаг — это полный проход через сеть, поэтому разница между моделью на пятьдесят шагов и моделью на четыре шага составляет примерно порядок величины в вычислениях на одно изображение — ещё до учёта таких факторов, как разрешение, размер батча и аппаратное обеспечение. Именно в этом заключается весь смысл линейки «Turbo» в этом релизе. inclusionAI дистиллировала LLaDA-Image в LLaDA-Image-Turbo с помощью техники, которую она называет Twin-DMD, и дистиллированный чекпойнт работает за два-четыре шага с рекомендацией использовать четыре, при значении guidance scale 1.0 против 5.0 у базовой модели. Тот же объект пайплайна, тот же промпт, тот же выход 1024×1024 — лишь малая доля проходов шумоподавления.

Предостережение здесь стандартное для дистиллированных моделей изображений, и в данном случае оно резче обычного: дистилляция жертвует небольшой точностью ради скорости, и inclusionAI вообще не опубликовала никаких бенчмарк-показателей для LLaDA-Image-Turbo. Показатели Qwen-Image-Bench в карточке модели относятся к пятидесятишаговому чекпойнту Base. Таким образом, фактический разрыв в качестве между LLaDA-Image-Turbo за четыре шага и LLaDA-Image за пятьдесят шагов не оценён вендором количественно и ещё никем другим не проверен — что превращает «Turbo» в заявление о скорости, проверить которое можно только запустив модель.

Одна контрольная точка, которая генерирует и редактирует

Архитектурная ставка этого семейства — унификация. Один набор весов отвечает за генерацию изображений по текстовому описанию, генерацию с VQ-кондиционированием, редактирование по референсному изображению и вывод текста на китайском и английском языках — никакого отдельного бэкбона для редактирования нет, поэтому «редакторская» половина релиза не выпускается как самостоятельная модель. В режиме редактирования референсное изображение направляется в обход языкового модуля и подаётся напрямую в диффузионную модель, тогда как языковой модуль обрабатывает только инструкцию; в карточке модели заявляются точное сохранение содержимого при точечных визуальных изменениях, а также фотореалистичная генерация и чистый типографский текст на обоих языках.

Две технические детали стоит зафиксировать уже в первый день. Генератор — это диффузионный трансформер на 6 млрд параметров, обученный с нуля с помощью RMSNorm без обучаемых параметров и оптимизатора Muon, — детали, о которых в статье рассказывают обстоятельно, а не вскользь. А история обучения в статье — намеренная инверсия привычного рецепта для пары «изображение — текст»: сначала предобучение и промежуточное обучение только на изображениях формируют сильный визуальный приор, и лишь затем лаборатория вводит парное обучение с текстовыми описаниями и совместное обучение на генерацию и редактирование. Именно такой порядок — и «Fully Open Training Recipes» из названия статьи — и есть исследовательская изюминка. Обратите внимание на разрыв между подачей материала в статье и планом релиза на Hugging Face: веса и код инференса уже готовы, а обучающий код всё ещё помечен как «coming soon».

Читая утверждение 53.53 / 53.38

Число, которое разойдётся по миру, — строка бенчмарка: на Qwen-Image-Bench, бенчмарке генерации изображений по тексту с отдельными английским и китайским треками, inclusionAI сообщает, что LLaDA-Image набирает 53.53 в целом на английском треке и 53.38 на китайском, и называет это новым лучшим результатом среди открытых моделей на обоих треках. Вчитайтесь внимательно — и станут видны три ограничения. Это данные, сообщённые самим разработчиком, полученные по результатам собственной оценки лаборатории и пока никем не воспроизведённые. Они относятся к LLaDA-Image Base с пятьюдесятью шагами, а не к LLaDA-Image-Turbo — чекпойнту, которому формально посвящён этот релиз. А «лучший результат среди открытых моделей» — категория, которая движется каждый месяц: это утверждение о месте модели среди открытых аналогов, а не утверждение о закрытом фронтире.

Что этот график действительно говорит вам, так это то, почему существует семейство. Китайско-английская модель генерации изображений по тексту и редактирования, занимающая верхнюю строчку открытого бенчмарка по обоим направлениям, нацелена прямо на быстро развивающийся рынок открытых моделей изображений — тот самый сегмент, где чекпоинты семейства Qwen-Image и устойчивый поток других открытых весов задают темп. Если LLaDA-Image-Turbo воспроизводит хотя бы большую часть качества базовой модели за четыре шага, она становится одной из самых дешёвых открытых моделей изображений для запуска, за которой стоит реальное заявление о качестве. В этом предложении «если» и делает всю работу.

Пробелы, которые мешают тихому кораблю стать запуском

• Объявление. Строка от 2026-09-04 на карточке модели — единственное заявление поставщика. Нет ни поста в блоге inclusionAI, ни релиза Ant Group, ни поста в соцсетях, ни упоминаний в прессе, кроме агрегаторов, — что само по себе сигнал, который стоит уважать, а не замалчивать.

• Лицензия. Ни один из четырёх репозиториев Hugging Face не имеет тега лицензии, а в репозитории GitHub нет файла LICENSE — только двуязычное примечание LEGAL.md, в котором сказано, что китайские комментарии в коде имеют преимущественную силу над переведёнными. Нельзя предполагать наличие коммерческих прав на веса без объявленной лицензии, как бы «открыто» ни звучало название статьи. Для любого, чьё использование является коммерческим, это первый вопрос, и на данный момент ответа на него нет.

• Показатели Turbo. Для LLaDA-Image-Turbo не опубликовано ни одного бенчмарка, показателя задержки или качества. Таблица выше относится к базовой модели; дистиллированная контрольная точка — неподтверждённое утверждение, пока поставщик или независимый прогон не заполнит этот пробел.

• Независимая проверка и доступ через хостинг. Загрузки и лайки исчисляются единицами, независимого воспроизведения не существует, и ни один из найденных нами провайдеров инференса — включая OrcaRouter — пока не обслуживает эту модель. Сегодня это лишь веса на Hugging Face и ничего больше.

Что делать с тихим однодневным кораблём?

{{1}}Если вы исследователь или команда, которая использует собственный хостинг, — это релиз, который стоит склонировать и запустить на этой неделе: открытые веса, один пайплайн Diffusers, варианты BF16 и FP8 для баланса между памятью и качеством, а также статья, из которой вы узнаете, как модель обучали, ещё до публикации кода обучения. Если ваше использование коммерческое, сначала разберитесь с пробелом в лицензии — четырёхшаговая модель изображений с правдоподобными заявлениями о качестве не стоит юридического риска, и ответственный шаг — протестировать её на собственном GPU и дождаться уточнения по лицензии, прежде чем подпускать её к продукту.{{/1}}

Четыре вещи превратили бы этот тихий корабль в запуск, на котором стоит строить, и ни одна из них не произошла по состоянию на 4 сентября 2026 года:

• Реальное объявление от inclusionAI или Ant Group, в котором называется семейство и его условия.

• Явно указанная лицензия в репозиториях — Apache-2.0 — соответствовала бы более широкой практике лаборатории по публикации открытых весов и устранила бы коммерческое препятствие.

• Опубликованные результаты LLaDA-Image-Turbo или независимое воспроизведение результата базовой модели на Qwen-Image-Bench.

• Хостинг-провайдер, который подхватывает её, — это также момент, когда модель получает цену за изображение и становится тем, что роутинг-API может отдать вам одним вызовом.

Когда этот последний сигнал сработает — если он сработает — математика ценообразования проста: провайдер устанавливает публичную цену, а маршрутизирующий API, который передаёт публичные цены провайдера напрямую с нулевой наценкой, — это то, что поддерживает эту цену на вашей стороне в тот же день, без пересмотра условий и без второго контракта. Но этот день ещё не наступил для LLaDA-Image-Turbo, и ничто в этом материале не должно читаться так, будто он наступил. Сегодня честное резюме коротко: серьёзная лаборатория тихо выпустила серьёзную открытую модель для генерации изображений с реальным заявлением о качестве и несколькими нерешёнными вопросами, и самый быстрый способ выяснить, какие части этого заявления переживут столкновение с реальностью, — самостоятельно прогнать четырёхшаговую проверку.