LLaDA-Image-Turbo: Ant Group ปล่อยโมเดลสร้างภาพโอเพนซอร์สแบบ 4 สเต็ปอย่างเงียบ ๆ

เมื่อวันที่ 4 กันยายน ค.ศ. 2026 inclusionAI ห้องปฏิบัติการโอเพนซอร์สของ Ant Group ได้อัปโหลดค่าน้ำหนัก (weights) ของ LLaDA-Image-Turbo และ LLaDA-Image ขึ้นบน Hugging Face โดยไม่มีโพสต์เปิดตัว ไม่มีการแถลงข่าว และ—ณ เวลาที่เขียนบทความนี้—ไม่มีการประกาศใบอนุญาตในรีโพซิทอรีทั้งสี่แห่งที่มันสร้างขึ้น LLaDA-Image-Turbo คือสมาชิกรุ่นเร็วในชุดเผยแพร่ดังกล่าว: เป็นเช็คพอยต์แบบกลั่น (distilled checkpoint) ซึ่งโมเดลการ์ดระบุว่าสามารถเปลี่ยนพรอมต์หรือคำสั่งแก้ไขภาพให้เป็นภาพขนาด 1024×1024 ได้ในขั้นตอนการสุ่มตัวอย่างเพียงสี่ขั้น เทียบกับห้าสิบขั้นของโมเดล LLaDA-Image Base ที่มันถูกกลั่นมา สิ่งที่ทำให้การเปิดตัวแบบเงียบครั้งนี้น่าอ่านคือข้อความบรรทัดเดียวที่ผู้พัฒนารายงานไว้ในการ์ดโมเดล—ระดับ state-of-the-art ในกลุ่มโมเดลโอเพนซอร์สบน Qwen-Image-Bench—และสิ่งที่ทำให้ยากต่อการนำไปใช้ก็คือทุกสิ่งรอบ ๆ บรรทัดนั้นที่การเผยแพร่ครั้งนี้ยังไม่ได้กล่าวถึง

นี่คือรายงานวันแรก (day-one report) ไม่ใช่บทวิจารณ์ จุดตรวจ (checkpoints) มีจริงและดาวน์โหลดได้ โค้ดอินเฟอเรนซ์ที่ใช้ Diffusers รันได้จาก repository ที่โคลนมา และเอกสารประกอบอย่างเป็นทางการ LLaDA-Image: Building Strong Image Generators with Fully Open Training Recipes ถูกเผยแพร่บน arXiv เมื่อวันที่ 3 กันยายน 2026 แต่ไม่มีการประกาศจาก inclusionAI หรือ Ant Group ที่จะนำมาเทียบเคียงได้ และในขณะที่เขียนรายงานนี้ repository ของ LLaDA-Image-Turbo แสดงการดาวน์โหลดเพียงสองครั้ง — เมื่อมองจากทุกสิ่งที่ตรวจวัดได้ ยังไม่มีใครนอกห้องแล็บรันมันจริง ทุกอย่างด้านล่างจึงแบ่งตามนี้: ว่าใน repository ต่าง ๆ มีอะไรอยู่จริง, ว่า paper อ้างถึงอะไร, และต้องเกิดอะไรขึ้นบ้างก่อนที่ LLaDA-Image-Turbo จะเป็นสิ่งที่ทีมโปรดักชันควรไว้วางใจ

สิ่งที่ส่งมอบจริง

เช็คพอยต์สี่ตัวเปิดให้ใช้งานบน Hugging Face ภายใต้องค์กร inclusionAI ในช่วงเช้ามืดของวันที่ 4 กันยายน 2026 (ตามเวลา UTC) ได้แก่ LLaDA-Image ซึ่งเป็นโมเดล Base แบบ 50 สเต็ปในรูปแบบ BF16, LLaDA-Image-FP8, LLaDA-Image-Turbo ซึ่งเป็นเช็คพอยต์แบบ distilled ที่รวดเร็วในรูปแบบ BF16 และ LLaDA-Image-Turbo-FP8 บรรทัดข่าวบนโมเดลการ์ดซึ่งลงวันที่ 2026-09-04 คือประกาศอย่างเป็นทางการทั้งหมด: “เราเผยแพร่เช็คพอยต์ LLaDA-Image Base และ Turbo พร้อมกับโค้ดอินเฟอเรนซ์” คลังเก็บ (repository) บน GitHub ภายใต้องค์กรเดียวกันเป็นที่เก็บโค้ดอินเฟอเรนซ์ และรายงานบน arXiv เผยแพร่เมื่อวันก่อนหน้านั้น

ที่เก็บข้อมูล (repositories) เหล่านี้ไม่ใช่สตับ (stub) แต่ละ Turbo repo มีไปป์ไลน์ Diffusers ที่สมบูรณ์ — ตัวกำเนิด diffusion-transformer แบบแบ่งชาร์ด (sharded), ตัวโทเคนไนเซอร์ภาพ SigVQ, คอนเนกเตอร์แบบ query-former, scheduler และตัวเข้ารหัสข้อความแบบเก้าชาร์ด (nine-shard text encoder) — ดังนั้น "โมเดล" ในที่นี้จึงไม่ใช่แค่ชื่อยึดตำแหน่ง แต่เป็นน้ำหนักที่รันได้จริงหลายสิบกิกะไบต์ โมเดลตระกูลนี้ถูกอธิบายว่าเป็นโมเดลสร้างและแก้ไขภาพขนาด 6 พันล้านพารามิเตอร์ หากอ่านตามหลักอย่างเคร่งครัด ตัวเลข 6B หมายถึงแกนหลัก diffusion-transformer ที่ถูกฝึกจากศูนย์ โดยมีโมดูล diffusion-language-model จากสาย LLaDA2 ของห้องแล็บ (ตัวเข้ารหัสข้อความเก้าชาร์ด) ที่ถูกแช่แข็งไว้ คอยเพิ่มความเข้าใจซ้อนอยู่ด้านบน

ทำไมส่วนสี่ขั้นตอนจึงเป็นพาดหัว

สำหรับโมเดล diffusion เชิงภาพ ต้นทุนส่วนใหญ่อยู่ที่จำนวนขั้นตอนการสุ่มตัวอย่าง (sampling steps) แต่ละขั้นตอนต้องผ่านโครงข่ายทั้งชุดหนึ่งรอบ ดังนั้นความแตกต่างระหว่างโมเดลที่ใช้ห้าสิบขั้นตอนกับโมเดลที่ใช้สี่ขั้นตอนจึงมีขนาดประมาณหนึ่งลำดับความสำคัญในแง่การคำนวณต่อภาพ ก่อนที่จะพิจารณาปัจจัยอื่นใดอย่างความละเอียด ขนาดแบตช์ หรือฮาร์ดแวร์ด้วยซ้ำ นี่คือจุดประสงค์ทั้งหมดของสายผลิตภัณฑ์ "Turbo" ในรุ่นที่ปล่อยนี้ inclusionAI ได้กลั่น LLaDA-Image เป็น LLaDA-Image-Turbo ด้วยเทคนิคที่เรียกกว่า Twin-DMD และ checkpoint ที่ผ่านการกลั่นแล้วทำงานได้ในสองถึงสี่ขั้นตอน โดยแนะนำให้ใช้สี่ขั้นตอน ที่ guidance scale 1.0 เทียบกับของโมเดล Base ที่ 5.0 ไปป์ไลน์ออบเจกต์เดียวกัน พรอมป์เดียวกัน ผลลัพธ์ 1024×1024 เท่าเดิม — แต่จำนวนรอบการลดสัญญาณรบกวน (denoising passes) เหลือเพียงเศษเสี้ยว

ข้อควรระวังนี้เป็นแบบมาตรฐานสำหรับโมเดลภาพแบบกลั่น และในกรณีนี้ชัดเจนยิ่งกว่าปกติ: การกลั่นแลกความเที่ยงตรงเล็กน้อยเพื่อความเร็ว และ inclusionAI ไม่ได้เผยแพร่ผลการวัดประสิทธิภาพของ LLaDA-Image-Turbo เลย คะแนน Qwen-Image-Bench ในโมเดลการ์ดเป็นของ checkpoint ฐาน (Base) ที่ใช้ 50 สเต็ป ดังนั้น ช่องว่างด้านคุณภาพจริงระหว่าง LLaDA-Image-Turbo ที่ 4 สเต็ป กับ LLaDA-Image ที่ 50 สเต็ป จึงไม่ได้ถูกวัดค่าโดยผู้ให้บริการ และยังไม่มีใครทดสอบ — ซึ่งทำให้ "Turbo" เป็นการอ้างเรื่องความเร็วที่คุณจะตรวจสอบได้ด้วยการลงมือรันเองเท่านั้น

จุดตรวจสอบหนึ่งจุดที่สร้างและแก้ไข

การเดิมพันเชิงสถาปัตยกรรมเบื้องหลังโมเดลตระกูลนี้คือการรวมเป็นหนึ่งเดียว ชุดน้ำหนักเดียวจัดการทั้งการสร้างภาพจากข้อความ การสร้างแบบมีเงื่อนไขด้วย VQ การแก้ไขภาพจากภาพอ้างอิง และการเรนเดอร์ข้อความสองภาษา จีน–อังกฤษ — โดยไม่ต้องมีโครงสร้างหลักแยกสำหรับการแก้ไข ซึ่งเป็นเหตุผลที่ฟีเจอร์ "การแก้ไข" ในเวอร์ชันนี้ไม่ได้แยกออกมาเป็นโมเดลของตัวเอง ในโหมดแก้ไข ภาพอ้างอิงจะถูกบายพาสโมดูลภาษาและป้อนเข้าสู่โมเดลดิฟฟิวชันโดยตรง ขณะที่โมดูลภาษาประมวลผลเฉพาะคำสั่งเท่านั้น การ์ดโมเดลอ้างว่าสามารถรักษาเนื้อหาเดิมได้อย่างครบถ้วนพร้อมการเปลี่ยนแปลงทางภาพที่แม่นยำ ควบคู่ไปกับการสร้างภาพเสมือนจริงและข้อความเรียงพิมพ์ที่สะอาดในทั้งสองภาษา

มีรายละเอียดทางเทคนิคสองข้อที่ควรบันทึกไว้แม้แต่ในวันแรก เจนเนอเรเตอร์คือทรานส์ฟอร์มเมอร์แบบดิฟฟิวชันขนาด 6B ที่เทรนจากศูนย์ด้วย RMSNorm แบบไร้พารามิเตอร์และออปติไมเซอร์ Muon ซึ่งเป็นรายละเอียดที่บทความรายงานอย่างจริงจัง ไม่ใช่แค่กล่าวถึงผ่าน ๆ และเรื่องราวการเทรนในบทความนี้ยังเป็นการสลับลำดับสูตรภาพ–ข้อความแบบปกติอย่างจงใจ นั่นคือ การปรีเทรนด้วยภาพล้วน ๆ และการเทรนช่วงกลาง (mid-training) จะสร้างพรีเออร์ทางภาพ (visual prior) ที่แข็งแกร่งขึ้นก่อน แล้วทีมวิจัยจึงค่อยนำการกำกับดูแลด้วยภาษาแบบจับคู่ (paired language supervision) และการเทรนสร้าง–แก้ไขร่วมกันเข้ามาในภายหลัง ลำดับดังกล่าว—และวลี “Fully Open Training Recipes” ในชื่อบทความ—คือจุดดึงดูดของงานวิจัยชิ้นนี้ โปรดสังเกตช่องว่างระหว่างกรอบการเล่าเรื่องของบทความกับแผนเผยแพร่ของ Hugging Face ตรงที่น้ำหนักโมเดลและโค้ดอินเฟอเรนซ์ถูกติ๊กว่าเสร็จแล้ว แต่โค้ดสำหรับการเทรนยังถูกระบุว่า “coming soon” อยู่

อ่านข้อกล่าวอ้าง 53.53 / 53.38

ตัวเลขที่จะถูกหยิบยกไปพูดถึงต่อคือตัวเลขคะแนนจากเกณฑ์ชี้วัด: บน Qwen-Image-Bench ซึ่งเป็นเกณฑ์ชี้วัดการสร้างภาพจากข้อความ (text-to-image) ที่มีการจัดอันดับแยกเป็นภาคภาษาอังกฤษและภาคภาษาจีน inclusionAI รายงานว่า LLaDA-Image ทำคะแนนรวม 53.53 ในภาคภาษาอังกฤษ และ 53.38 ในภาคภาษาจีน ซึ่งบริษัทเรียกว่าเป็นผลลัพธ์ระดับ state-of-the-art รายใหม่ในหมู่โมเดลโอเพนซอร์สของทั้งสองภาค แต่ถ้าอ่านตัวเลขนี้อย่างละเอียดจะพบข้อจำกัดสามประการ ประการแรก เป็นตัวเลขที่ผู้พัฒนารายงานเอง จากการประเมินในห้องแล็บของบริษัทตนเอง และยังไม่มีการทำซ้ำผลเพื่อยืนยันที่ใด ประการที่สอง คะแนนนี้เป็นของโมเดล LLaDA-Image Base ที่ใช้ 50 สเต็ป ไม่ใช่ของ LLaDA-Image-Turbo ซึ่งในนามแล้วคือ checkpoint ของการปล่อยโมเดลครั้งนี้ และประการที่สาม “การเป็น state-of-the-art ในกลุ่มโอเพนซอร์ส” เป็นหมวดหมู่ที่มีการเปลี่ยนแปลงทุกเดือน — มันคือข้อกล่าวอ้างเกี่ยวกับตำแหน่งของโมเดลเมื่อเทียบกับโมเดลโอเพนซอร์สรายอื่น ไม่ใช่ข้อกล่าวอ้างที่เทียบกับโมเดลระบบปิดระดับแนวหน้า

สิ่งที่แผนภูมิบอกคุณคือเหตุผลว่าทำไมตระกูลนี้จึงถือกำเนิดขึ้นมา โมเดลแปลงข้อความเป็นภาพและแก้ไขภาพสองภาษาจีน-อังกฤษที่ครองอันดับสูงสุดในเกณฑ์ชี้วัดแบบเปิดทั้งสองแทร็ก ตั้งเป้าไปที่ตลาดโมเดลภาพแบบเปิดที่ดำเนินไปอย่างรวดเร็วโดยตรง — เซกเมนต์เดียวกับที่เช็คพอยต์ตระกูล Qwen-Image และโมเดลโอเพนเวตอื่น ๆ ที่ทยอยออกมาอย่างต่อเนื่องกำลังกำหนดจังหวะของตลาดอยู่ หาก LLaDA-Image-Turbo สร้างคุณภาพได้แม้เพียงส่วนใหญ่ของโมเดล Base ในสี่สเต็ป มันก็จะกลายเป็นหนึ่งในโมเดลภาพแบบเปิดที่ถูกที่สุดสำหรับการรัน พร้อมกับมีข้อกล่าวอ้างด้านคุณภาพที่น่าเชื่อถือรองรับ “If” คือคำที่ทำงานหนักจริง ๆ ในประโยคนั้น

ช่องว่างซึ่งทำให้เรือที่เงียบสงบไม่สามารถกลายเป็นงานเปิดตัวได้

• การประกาศ: บรรทัดวันที่ 2026-09-04 บนโมเดลการ์ดคือคำแถลงเพียงหนึ่งเดียวจากผู้จัดทำ ไม่มีบล็อกโพสต์จาก inclusionAI ไม่มีการแถลงข่าวจาก Ant Group ไม่มีโพสต์บนโซเชียลมีเดีย และไม่มีสื่อรายงานข่วงนี้นอกเหนือจากเว็บรวมข่าว — ซึ่งตัวมันเองคือสัญญาณที่ควรเคารพมากกว่าจะกลบเกลื่อน

• ใบอนุญาต ไม่มีที่เก็บข้อมูลของ Hugging Face ทั้งสี่แห่งใดที่มีแท็กใบอนุญาต และที่เก็บข้อมูลบน GitHub ไม่มีไฟล์ LICENSE — มีเพียงไฟล์ LEGAL.md ที่เป็นบันทึกสองภาษา โดยระบุว่าคอมเมนต์ภาษาจีนในโค้ดมีผลเหนือกว่าคอมเมนต์ที่ถูกแปล คุณไม่สามารถถือว่ามีสิทธิ์ในเชิงพาณิชย์ต่อน้ำหนัก (weights) ที่ไม่มีใบอนุญาตประกาศไว้ ไม่ว่าชื่อบทความจะฟังดู "เปิด" เพียงใด สำหรับผู้ที่ใช้งานในเชิงพาณิชย์ นี่คือคำถามแรก และในปัจจุบันยังไม่มีคำตอบ

• ตัวเลขของ Turbo ยังไม่มีค่า benchmark, latency หรือคุณภาพใด ๆ ที่เผยแพร่สำหรับ LLaDA-Image-Turbo โดยเฉพาะ ตารางคะแนนด้านบนเป็นของโมเดล Base ส่วน distilled checkpoint ยังเป็นคำกล่าวอ้างที่ไม่ได้วัดปริมาณ จนกว่าผู้ผลิตหรือการรันอิสระจะมาเติมข้อมูลให้สมบูรณ์

• การตรวจสอบโดยอิสระและการเข้าถึงผ่านโฮสต์ ยอดดาวน์โหลดและไลก์ยังอยู่ในหลักเดียว ยังไม่มีการทำซ้ำผลลัพธ์โดยอิสระ และยังไม่มีผู้ให้บริการอินเฟอเรนซ์ที่เราสามารถค้นหาได้ — รวมถึง OrcaRouter — ที่ให้บริการโมเดลนี้แต่อย่างใด ตอนนี้มันเป็นเพียงชุดน้ำหนักบน Hugging Face เท่านั้น ไม่มีอะไรอื่นอีก

จะทำอย่างไรกับเรือเงียบอายุหนึ่งวัน

หากคุณเป็นนักวิจัยหรือทีมที่โฮสต์เอง นี่คือรีลีสที่โคลนแล้วรันได้ในสัปดาห์นี้: โมเดล open weights, ไพพ์ไลน์ Diffusers หนึ่งชุด, วาเรียนต์ BF16 และ FP8 สำหรับแลกระหว่างหน่วยความจำกับคุณภาพ และเอกสารที่อธิบายวิธีการเทรนให้รู้ได้ก่อนที่โค้ดการเทรนจะปล่อยออกมาด้วยซ้ำ หากการใช้งานของคุณเป็นเชิงพาณิชย์ ช่องว่างด้านใบอนุญาตต้องมาก่อน — โมเดลสร้างภาพสี่ขั้นตอนที่อ้างคุณภาพอย่างดูสมเหตุสมผลไม่คุ้มกับความเสี่ยงทางกฎหมาย และการตัดสินใจอย่างรับผิดชอบคือประเมินบน GPU ของคุณเอง แล้วรอให้ข้อกำหนดใบอนุญาตชัดเจนก่อนที่จะนำมันไปเกี่ยวข้องกับผลิตภัณฑ์จริง

สี่สิ่งที่จะทำให้เรือเงียบนี้กลายเป็นการเปิดตัวที่คุ้มค่าต่อการต่อยอด และไม่มีสิ่งใดเกิดขึ้น ณ วันที่ 4 กันยายน 2026:

• ประกาศจริงจาก inclusionAI หรือ Ant Group ที่ระบุชื่อตระกูลและเงื่อนไขของมัน

• การระบุใบอนุญาตบนที่เก็บโค้ดให้ชัดเจน — Apache-2.0 จะสอดคล้องกับแนวทางปฏิบัติ open-weights ที่กว้างขึ้นของห้องแล็บ และจะขจัดอุปสรรคทางการค้า

• เผยแพร่คะแนน LLaDA-Image-Turbo หรือการทำซ้ำผลลัพธ์ Qwen-Image-Bench ของโมเดลพื้นฐานโดยอิสระ

• ผู้ให้บริการแบบโฮสต์ที่รับโมเดลไปใช้ ซึ่งเป็นจังหวะที่โมเดลมีราคาต่อภาพ และกลายเป็นสิ่งที่ routing API สามารถส่งให้คุณได้ในการเรียกใช้เพียงครั้งเดียว

เมื่อสัญญาณสุดท้ายนั้นถูกยิงออกไป — ถ้ามันถูกยิงออกมาจริง ๆ — การคิดคำนวณเรื่องราคานั้นง่ายมาก: ผู้ให้บริการเป็นฝ่ายตั้งราคาลิสต์ และ routing API ที่ส่งราคาลิสต์ของผู้ให้บริการตรง ๆ โดยคิดมาร์กอัป 0% คือสิ่งที่ทำให้ราคานั้นยังคงมีผลจริงฝั่งคุณในวันเดียวกัน โดยไม่ต้องเจรจาใหม่และไม่ต้องมีสัญญาฉบับที่สอง แต่สำหรับ LLaDA-Image-Turbo แล้ว วันนั้นยังมาไม่ถึง และไม่มีส่วนใดของบทความนี้ที่ควรถูกอ่านให้เข้าใจว่าวันนั้นมาถึงแล้ว บทสรุปที่ตรงไปตรงมาวันนี้สั้น: ห้องแล็บที่เอาจริงเอาจังได้ปล่อยโมเดลสร้างภาพโอเพนซอร์สที่เอาจริงเอาจังออกมาอย่างเงียบ ๆ พร้อมคำกล่าวอ้างเรื่องคุณภาพที่มีน้ำหนัก และยังมีคำถามค้างคาที่ไม่มีคำตอบอีกหลายข้อ และวิธีที่เร็วที่สุดที่จะรู้ว่าคำกล่าวอ้างส่วนไหนจะอยู่รอดเมื่อปะทะกับความเป็นจริง ก็คือลงมือทำเช็คพอยต์สี่ขั้นตอนด้วยตัวคุณเอง