Ming-Image-0.1-Design 登顶 Open-Weights UI 设计排行榜——而且数据经得起检验
- openai新OpenAI: GPT-6 Luna2026-09-2237智能
- openai新OpenAI: GPT-6 Sol2026-09-2248智能
- anthropic新Anthropic: Claude Opus 5.52026-09-2258智能
- grok新Grok 4.72026-09-2146智能
- Orca新Orca: OrcaCyber Zero 1.02026-09-17$3.00 / $5.00 每百万 tokens · 177 tok/s
- orca新Orca: OrcaVerify Text 1.02026-09-16$2.00 / $0.00 每百万 tokens · 1323 tok/s
- deepseek新DeepSeek: DeepSeek V4.1 Flash2026-09-1040智能
- openaiOpenAI: GPT-6 Astra2026-09-0453智能77代码
- googleGoogle: Gemini 3.8 Flash2026-09-0241智能76代码
- qwenQwen: Qwen3.8 Max (0902)2026-09-0245智能76代码
- anthropicAnthropic: Claude Fable 5.12026-09-0153智能82代码
- AlibabaQwen: Qwen3.8 Flash2026-08-26$0.15 / $0.47 每百万 tokens · 108 tok/s
- z-aiZ.ai: GLM 5.3 Flash2026-08-2642智能72代码
- DeepSeekDeepSeek: DeepSeek V4 Flash Vision (Exp)2026-08-21$0.22 / $0.66 每百万 tokens · 220 tok/s
- z-aiZ.ai: GLM 5.32026-08-1845智能75代码
- obsidianQwen3.8 27B2026-08-1534智能68代码
- deepseekDeepSeek: DeepSeek V4 Pro 08132026-08-1236智能69代码
- grokSpaceXAI: Grok 4.62026-08-1244智能77代码
- metaMeta: Muse Spark 1.22026-08-0540智能72代码
- qwenQwen: Qwen3.8 Max2026-08-0345智能76代码
与Ming-Image-0.1-Design一同流传的说法是：inclusionAI 的 6B 模型是用于 UI 和 UX 工作的最佳开放权重文本到图像模型，在 Artificial Analysis UI/UX Design 排行榜的开放权重视图中以 1,082 Elo 位居第一。厂商的排行榜截图通常是最弱的一类证据，因此首先值得做的是查看实时榜单。截至 2026 年 9 月 24 日，这一说法仍然成立，但有一个截图并未体现的重要限定条件：1,082 只是一个用例切片，而不是整个榜单；在完整的 Text to Image 排行榜上，同一模型以 995 的 Elo 排在第 45 位。
这两个数字都是真实的，它们来自同一个竞技场，描述的是同一组权重。区别在于，这些投票是在哪些提示词上投出的。
实时看板上实际显示的内容
Artificial Analysis 运行一个盲测两两对战竞技场，然后将同一个投票池筛选成用例切片。对于为仪表盘、应用界面、海报和信息图而构建的模型来说，UI/UX Design 切片才是关键所在，而这正是 Ming-Image-0.1-Design 表现最出色的地方：
• 文本到图像综合榜 — Ming-Image-0.1-Design 位列第 45，Elo 995，95% 置信区间 ±8，21,342 个样本，2026 年 9 月上榜，每 1,000 张图像 30.00 美元，标记为开放权重
• UI/UX 设计切片 —— Ming-Image-0.1-Design 排名第 16，Elo 1,084，该切片包含 2,100 个样本
• 该细分领域中排名最高的开放权重条目——Ming-Image-0.1-Design；紧随其后的开放权重模型是 Ideogram 4.0（Quality），位列第22名，得分1,047；Ideogram 4.0 位列第31名，得分1,018；以及 HunyuanImage 3.0 Instruct 位列第40名，得分1,005
• UI/UX 切片榜首 — GPT Image 2.5 Flare (max) 为 1,226，GPT Image 2.5 Sunburst (max) 为 1,215，GPT Image 2 (high) 为 1,204，Grok Imagine Image 2.0 为 1,183
• 对照厂商自己提供的截图——inclusionAI 公布的 Ming 得分为 1,082，而 Ideogram 4.0（Quality）为 1,052、FLUX.2 [dev] 为 1,000；而当前实时切片显示的分数则分别为 1,084、1,047 和 1,000
所以，这个标题按它自身的标准来看是准确的。Ming-Image-0.1-Design 是 UI/UX 设计细分领域中评分最高的开放权重模型，也是该细分领域前二十名中唯一的开放权重模型。但它同时也落后该细分领域的领头者 142 Elo，而且当提示词不属于设计类时，它处于中游水平。一个能在仪表盘上胜出、总体却只到 995 的模型，是专才，不是全能选手；只有当你把其中一个数字当成全部真相时，这两个数字才互相矛盾。
完整榜单上的 21,342 个样本，也值得从其“不是什么”的角度来看待。这是一个很大的投票数，因此置信区间很窄，为 ±8 Elo，但样本数量并不等同于方法上的独立性。竞技场采用盲测的人类偏好，因此 inclusionAI 没有人写过这个分数——这部分是真实的。该分数衡量的是“投票者更偏好这两张图像中的哪一张”，而被要求评判 UI 截图的投票者往往会奖励清晰易读的文字和连贯的布局。而这恰恰是这个模型训练所依据的维度。
什么是Ming-Image-0.1-Design
Ming-Image-0.1-Design 是 inclusionAI 推出的文生图模型，inclusionAI 是蚂蚁集团旗下的 AI 实验室。该模型以 MIT 许可证发布，权重于 2026 年 9 月 17 日公布，完整发布包于 9 月 22 日上线。它仅凭提示词即可生成——无需参考图像——并且面向文字密集型平面设计而非摄影：UI 模型图、仪表盘、信息图、海报，以及任何需要在实际阅读尺寸下保持渲染文字清晰可读的场景。
文档中记录的推理配置很具体，而且每一步都异常便宜：
• 分辨率 — 推荐使用 2048 x 2048，或者使用 1024 x 1024 以实现更快的生成，中间尺寸则归入这两个档位之一
• 采样步数 — 12
• 引导 — CFG scale 1.0
• 精度 — BF16
• 硬件 — 一块配备 80 GiB 显存的 CUDA GPU，被称为经验证的配置
引导尺度为 1.0 时只需十二步，这是蒸馏采样器或无引导采样器的标志性特征。正是这一点，让 2048 像素的输出能在大多数扩散模型根本不会尝试的步数下变得可行；也正是这一点，让这款模型对以规模化方式运行图像生成、而非一次只生成一张图的人而言格外有吸引力。
另一个结构性特征是透明度。当提示词以某个已记录的透明短语开头时，Ming-Image-0.1-Design 可以直接输出原生 RGBA，因此透明背景来自采样器，而不是来自抠图处理。配套模型 Ming-Image-0.1-Design-Layer 更进一步：它接收一个扁平化的设计和一份图层规划，返回彼此独立的 RGBA PNG——文字、卡片、主体、背景——这些图层重新组合后即可还原原始设计。这正是设计模型与图像模型之间的区别。一张扁平 PNG 只是一张版面效果图；而彼此独立的图层，则是一个仍然可以继续编辑的版面。
![Screenshot of the inclusionAI/Ming-Image-0.1-Design model card on Hugging Face, captured 24 September 2026. The header shows 188 likes, 3,067 followers, tags including text-to-image, difusers, safetensors, image-generation, graphic-design, text-rendering and License: mit, and a safetensors panel reading Model size 6B params, Tensor type BF16. The card's UI/UX Design leaderboard image is embedded in the body, showing Ming-Image-0.1-Design first at 1,082 above Ideogram 4.0 (Quality) at 1,052 and FLUX.2 [dev] at 1,000. The right rail states 'This model isn't deployed by any Inference Provider', and the Quick Start block shows the infer.py command with --resolution 2048 and a note that prompt enhancement can use Ling-3.0-flash-VL or qwen3.8-27B.](https://cms.orcarouter.ai/api/media/file/3-1273.png)
6B 标签和 26B 下载
“6B”在大多数人指的那个部分上是准确的，但在决定你能否运行它的那个部分上却具有误导性。扩散 Transformer 有 6.15B 参数。你实际下载的包大约为 52.88 GB，因为多模态文本编码器有 17.01B 参数，而连接器又增加了 3.09B——在 BF16 下总计约 26B 参数。Layer 模型的 Transformer 是基础模型的两倍，达到 12.31B，其包也更大，约为 65.20 GB。
这有两个实际原因。第一，80 GiB 的显存要求并不在于 6B 的 Transformer；而在于必须与它一同常驻的所有东西。第二，任何与被称为“6B”的模型进行的比较，都需要确认指的是哪一个 6B。一个带有 20B 文本编码器的 6B 扩散 Transformer，与一个端到端的 6B 模型，是完全不同的部署问题。
提示处理是这张模型卡明确说明而非隐藏的另一件事：推荐配方会先执行重写步骤，使用视觉语言模型把简短提示扩展为结构化的 Figma 风格 JSON 布局描述，其中包含坐标、层级、颜色规格和逐字文本。模型卡指定由 Ling-3.0-flash-VL 或 Qwen3.8-27B 完成这项工作。换句话说，供应商基准测试所用的流水线是一条双模型流水线。如果你用一句话提示调用 Ming-Image-0.1-Design，且没有重写步骤，那么你运行的就不是在 UI/UX 切片中产出 1,084 的那套配置。
这让设计流水线处于何种境地
对 Ming-Image-0.1-Design 的诚实总结是：它解决了一个具体且代价高昂的问题——生成经得起细看的文本密集型版式——并且在唯一衡量该问题的榜单上，它做到了开放权重领域的顶尖水平。它并未领跑整体图像榜单，也没有消除在其前面部署一个 VLM 的必要性，而且它需要一块高性能 GPU。
它改变的是设计工作流的中段。如果你的流水线目前先生成一张扁平图像，再花钱请人或用分割模型把它切开，那么一个原生输出 RGBA 的模型，外加一个能输出 2–9 个具名图层的配套模型，就省去了一道工序。这比一列 Elo 分数更有价值，而这恰恰是任何排行榜都不会衡量的部分。
对于希望在不投入基础设施的情况下进行测试的团队来说，这一区分值得精确说明。Ming-Image-0.1-Design 是一个 MIT 许可的下载项，因此它要么在你自己的硬件上运行，要么根本无法运行——OrcaRouter 不路由任何版本的 inclusionAI 模型，若声称相反，就是我们无法兑现的说法。路由层真正提供的是周边层面的能力：一个兼容 OpenAI 的端点，覆盖 200 多款模型、跨提供商自动故障转移，以及按 0% 加价透传的提供商目录价，因此你所调用的任何模型一旦供应商调整价格，我们这边当天就会同步生效。如果你正在搭建一条设计流水线，想将这个模型与你已经信任的托管模型做 A/B 对比，那么这一对比只需一个密钥，而非两份合同。
什么会改变局面
有三件事将把 Ming-Image-0.1-Design 从一个强大的开放权重专用模型推向默认之选。首先是对 Layer 模型的 Crello 指标进行首次独立复现——模型卡报告称，在 1024 分辨率下 RGB L1 误差为 0.0574，alpha soft IoU 为 0.8923，而尚无外部团队运行过它们。其次是一个消除 80 GiB 要求的托管端点。第三是第二个用例切片：模型在该切片中的表现与在 UI/UX Design 中一样好，因为一个只在一个榜单的一个切片上胜出的模型，其通用性仍未得到证明。
在那之前，准确的说法是那个范围更窄的：在 Artificial Analysis 的 UI/UX Design 切片榜单上（数据读取于 2026 年 9 月 24 日），inclusionAI 的 Ming-Image-0.1-Design 是评分最高的开放权重文生图模型，在 2,100 张投票下获得 1,084 Elo——而在同一竞技场的完整榜单上，它以 995 分位列第 45 名。这两项说的都是这个模型本身。两者都不是发布声明，因为这个模型并没有发布；它只有一个代码仓库。
