LLaDA-Image

LLaDA-Image är en familj öppna bildmodeller från inclusionAI som gör två saker i samma modell: skapar bilder från en textbeskrivning och redigerar en befintlig bild efter en instruktion, som "gör om den till en akvarellmålning", utan att resten av bilden ändras i onödan. Modellen kan också skriva text i bilder på både engelska och kinesiska, till exempel på affischer.

Kärnan är en diffusionstransformer (DiT) på 6 miljarder parametrar som tränats från grunden. Den styrs av en fryst modul för bild- och språkförståelse byggd på LLaDA2.0-Mini, inclusionAI:s språkmodell som själv fungerar som en diffusionsmodell. Enligt forskarna byggde de först upp en stark känsla för hur bilder ser ut genom att träna enbart på bilder, och lade till parade bild–text-exempel först senare.

Familjen har två varianter. Basmodellen LLaDA-Image är gjord för högsta kvalitet och använder 50 steg per bild. LLaDA-Image-Turbo är destillerad med en metod som kallas Twin-DMD och klarar generering och redigering på 2–4 steg, vilket gör den mycket snabbare. Båda finns även i FP8-format som tar mindre minne.

Enligt inclusionAI får LLaDA-Image 53,53 på engelska och 53,38 på kinesiska på Qwen-Image-Bench, det högsta bland öppna modeller enligt dem. Vikterna och koden för att köra modellen släpptes den 4 september 2026 under Apache 2.0-licens. Forskningsartikeln säger att även träningskoden släpps, men enligt GitHub-sidan är den ännu inte publicerad ("coming soon"). Det finns även stöd för ComfyUI via en tredjepartsutvecklare.