LLaDA-UI 悄然上线：inclusionAI 的扩散 GUI 智能体现已开放下载

LLaDA-UI —— 来自 inclusionAI 的一款约 167 亿参数的混合专家（MoE）GUI 代理 —— 于 2026 年 9 月 6 日出现在 Hugging Face 上，没有附带任何公告。它之所以值得你再看一眼，并非因为这份悄无声息，而在于其底层机制：不同于主导计算机使用研究的自回归视觉语言模型那样一个词元一个词元地生成下一步动作，LLaDA-UI 以扩散方式在每一步对整个动作词元块进行去噪，之后才敲定最终答案。供应商将其标榜为一款实用、开放权重的扩散式 GUI 代理。以下内容均按各自本来面目标注：你可以自行核实的仓库事实、实验室之外无人复现的技术报告声明，以及仍然切实悬而未决的空白——其中最主要的是许可证缺失。

发布的时机很重要，因为这已经形成一种模式。inclusionAI 是蚂蚁集团关联的实验室，也是 LLaDA 系列扩散语言模型背后的团队。就在同一周，它于9月4日发布了 LLaDA-Image 和 LLaDA-Image-Turbo 图像检查点，于9月5日发布了 LLaDA2.2-mini 智能体模型，随后在9月6日创建了 inclusionAI/LLaDA-UI 仓库。三天之内推出三个模型系列，且都没有事先发布任何预告。具体到 LLaDA-UI，其实际发布的证据就在于仓库本身：safetensors 权重文件齐全且可加载，推理代码和 SGLang 服务方案随附其中，同时也有技术报告和项目页面。而所缺失的，是任何厂商公告、任何许可证，以及——在撰写本文时，下载量仍停留在个位数——任何表明外界已经注意到它的迹象。

已发布但未公开宣布

inclusionAI/LLaDA-UI 仓库创建于9月6日05:08 UTC，是一个完整、自包含的模型发布文件包，而非占位符。仓库树中共有21个文件：7个BF16 safetensors分片，参数合计约169亿（模型卡片四舍五入为约16.7B总量），以及分词器和配置文件——更重要的是，还包括模型自身的Python源代码（modeling_llada2_vl_moe.py和configuration_llada2_vl.py）。该架构注册为llada2vl模型类型下的LLaDA2MoE_VLForConditionalGeneration；由于这些文件随仓库一起提供，这并不是Transformers库的原生架构：加载它意味着要拉取自定义代码，要么通过克隆仓库，要么通过Hub的远程代码路径。

仓库没有附带的内容同样具有信息量。模型卡上没有许可证标签，仓库目录中也没有 LICENSE 文件，因此商业团队首先会问的标准问题——这些权重允许我用来做什么？——目前还没有答案。论文是一份技术报告，以 PDF 形式存放在 GitHub 仓库中，并从项目页面提供链接；它尚未出现在 arXiv 上（页面仍写着“SOON”）。而且我们找不到任何推理服务商在提供该模型的推理服务：Hugging Face 卡片报告称没有已部署的推理提供商，这意味着目前 LLaDA-UI 是一个需要下载并自行托管的发布版本，而不是可以通过 API 调用的服务。我们也不托管它——本文中的任何内容都不应被解读为我们确实在托管的声明。

一个像图像模型那样解码的GUI智能体。

设计即故事，因此有必要精确说明LLaDA-UI与它所对比的自回归GUI模型有何不同。传统计算机使用模型——例如Qwen2.5-VL-7B或Qwen3-VL-8B，或某个托管式计算机操作产品背后的VLM——接收截图和指令，然后从左到右一次预测一个token，直到动作字符串完成。因此，延迟会随答案中token的数量线性增长。LLaDA-UI则将整个响应视为一个初始被掩码并逐步去噪的块：每个解码步骤并行细化许多token，经过固定步数（参考脚本使用32步，块长度为32）后，完整的推理加动作字符串便被揭示出来。这与该实验室在图像生成上的概念性做法相同，只是将其应用到了GUI动作上。

底层架构是：一个原生分辨率视觉编码器、一个空间投影器，以及一个扩散语言模型。视觉编码器是一个从 SigLIP 初始化的 ViT，带有2D旋转位置嵌入，并以截图的原始宽高比运行——该卡片将 IMAGE_MAX_PIXELS 设置为12,845,056，因此在降采样之前大约有12.8兆像素的输入，这对密集桌面界面上较小的点击目标来说很关键。其输出按空间四合一方式分组，并通过一个两层MLP投影器送入语言主干，即 LLaDA2.0-mini MoE 扩散语言模型。因此，Hugging Face 侧边栏显示的“17B参数”是一个混合专家模型；任何一次前向传播中只有一小部分参数处于激活状态，这也是下面延迟表现之所以可信的部分原因。

该训练方案之所以值得关注，是因为它在纸面上格外省钱。据技术报告，这个多模态骨干模型先在大约1450亿个token上经历了三阶段课程式预训练——先是只对投影器进行对齐的短阶段，随后是分别侧重感知和侧重推理的全模型阶段——之后再用来自UI-Venus项目的600多万个样本进行GUI智能体监督微调，这些样本覆盖100多个中文移动应用、70多个英文移动应用，外加桌面端和网页数据。这家厂商的说法是，145B token仅为自回归同类模型消耗量的零头（报告称Qwen2.5-VL用了4.1T，Qwen3-VL用了2.2T）。至于token数量与数据配比，只能当作该实验室的自述；外界能够独立核实的，不过是该模型确实存在并且能够运行。

它实际排放的东西

LLaDA-UI有两种输出模式，而这一区别会影响你如何将其接入流水线。在定位（grounding）模式下，模型返回一个单点：目标物的整数坐标，归一化到[0, 999]范围，例如[742, 186]，参考脚本也会将其打印为0到1之间的小数，用于乘以截图的宽度和高度。如果请求的目标在图像中不存在，模型会被训练为回答[-1, -1]，而不是凭空捏造一个位置——这是智能体循环中一个虽小但很重要的可靠性特性。在智能体/导航（agent/navigation）模式下，模型会输出一个推理标签，后跟一个结构化动作：

<think>搜索栏位于页面顶部，logo 下方。</think><action>Click(box=(742, 186))</action>

动作词汇表按平台定义——移动端、桌面端和 Web 端——尽管字段名为 box，它保存的却是单个交互坐标，而非矩形区域。思考/行动的分离让模型能够在执行点击之前，先基于当前屏幕来确定自己的决策；而基于坐标的输出则保证结果是机器可解析的，而不是需要另一个解析器来解读的自由格式指令。

带标签的基准测试声明

该技术报告的核心结果是一系列声称：一个扩散 GUI 模型在自回归模型自己的主场击败了它们。以下内容摘自技术报告和项目页面，按供应商报告的原样呈现——所有这些结果均未经独立复现；除非另有说明，下列数字均为 LLaDA-UI 对比 Qwen3-VL-8B 的结果：

• ScreenSpot-Pro（grounding）— LLaDA-UI 52.9 对比 Qwen3-VL-8B 52.7，微弱优势。

• AndroidWorld（移动智能体）——LLaDA-UI 53.5 对比 Qwen3-VL-8B 47.9。

• MobileWorld（移动智能体）— LLaDA-UI 25.6 对比 Qwen3-VL-8B 9.4，是榜单上差距最大的一项。

• WebVoyager（网页代理）— LLaDA-UI 56.9 对比 Qwen3-VL-8B 45.2.

这些是报告的六个GUI基准测试中的四个；报告坦诚地表示，LLaDA-UI在其余两个测试上并未超越Qwen3-VL-8B——ScreenSpot-V2上表现接近，而OSWorld-Verified仍有差距，作者将其归因于在包含小目标的超大尺寸截图上性能退化。相比之下，对于较旧的Qwen2.5-VL-7B，其宣称则是无条件的：在全部六个报告的基准测试中均获胜。此外还有速度方面的说法，由实验室在相同硬件上进行的配对非缓存服务运行中测得：LLaDA-UI每次响应需4.8至6.4秒，而Qwen3-VL-8B需17至53秒，引用的平均加速比分别为网页输入3.58倍、桌面6.83倍、移动端8.95倍——报告称，尽管每次调用生成的token更多，但由于并行块解码在墙钟时间上更占优势，即使答案更长也是如此。

请像质疑准确率数字那样，用同样的怀疑态度来审视延迟方面的说法。扩散解码的并行块优势在机制上是真实存在的，其效果方向——每个响应所需的串行步骤更少——也与该架构的运行方式相符；然而 3.6 倍至 9 倍的加速数据，是由模型构建者在自己选定的硬件上测得的，尚未得到独立复现。准确率差距同样要紧：OSWorld-Verified 是该领域最接近真实桌面智能体测试的基准，而作者恰恰承认，模型正是在处理大尺寸截图中细小目标这类场景时力不从心。一个在移动端和网页端游刃有余、却在密集桌面 UI 上失手的 GUI 智能体，体现的是特定场景下的能力画像，而非通用能力。

如何运行它，以及还缺少什么

如果你想亲自试用LLaDA-UI，路径是先获取权重。检查点在BF16下约为32 GB。参考环境为Python 3.10、PyTorch 2.5.1、Transformers 4.51.0和FlashAttention 2.7.4.post1，快速启动使用--gen-length 32 --steps 32 --block-length 32运行一次单图像接地（grounding）过程。可以通过SGLang提供服务，但只能通过该实验室自己的启动程序：仓库附带一个serve_llada_ui.sh和一个客户端脚本，它们假定LLaDA-UI特有的多模态扩散补丁，而且模型卡明确说明它无法从原版SGLang安装启动。较大的截图可能还需要提高默认的--max-length 8192。这款模型面向那些习惯克隆代码仓库、针对自己的CUDA环境构建FlashAttention并调试扩散解码过程的人——它还不是一条命令就能调用的API。

有四件事会改变读者能拿 LLaDA-UI 做什么，而截至本文写作时，它们一件都还没发生。明确的许可证声明将解决目前无人能答的商业问题；arXiv 条目能让仓库里的技术报告变成可引用且可被同行审视的内容；通过 WebVoyager 数据独立复现 ScreenSpot-Pro 的数字，则能把该架构的真实能力与作者自己的评估区分开来；而真正托管并对外提供该模型的供应商，会让人们无需 32 GB 下载、无需 GPU 即可实际测试。一旦最后一步实现，路由问题就成了例行公事——一个 API 密钥通用于各模型目录，供应商目录价格不加价、原样透传，自动故障转移确保一个三天前生成的检查点永远不会独自留在生产路径上。在那之前，LLaDA-UI 是一个格外值得关注的开源权重：一个带着真实基准成绩的扩散 GUI 智能体，有一个具体且如实披露的弱点，却没有任何能让大多数团队今天就采纳它的法律或运营支撑。请持续关注该仓库，等待许可证和论文，按此顺序。