LLaDA-Image 是什么？蚂蚁开源 6B 图像生成编辑模型，跑分登顶开源第一

最后更新于 2026 年 9 月 4 日 · 作者：AI345 AI 指南编辑部

LLaDA-Image 是蚂蚁集团 inclusionAI 团队于 2026 年 9 月 4 日开源的 6B 参数统一图像生成与编辑模型：一个模型同时搞定文生图和指令修图，在 Qwen-Image-Bench 上拿到 53.53（英文榜）/ 53.38（中文榜）的综合得分，是目前开源图像模型的双榜第一。本文用 6 分钟讲清它的核心能力、跑分、安装方法和常见问题。

本文目录

• LLaDA-Image 是什么？
• 版本与下载：Base、Turbo、FP8 怎么选
• 三大亮点：为什么值得关注
• 跑分对比：Qwen-Image-Bench 开源第一
• LLaDA-Image 安装教程：从下载到出图
• 生成与编辑效果参考
• 与 GPT Image 2 等模型对比
• 常见问题 FAQ

LLaDA-Image 是什么？

LLaDA-Image 是蚂蚁集团开源的 6B 参数统一图像生成与编辑模型家族，官方在 2026 年 9 月 4 日同时放出了 Base（50 步）和 Turbo（4 步）两组模型权重，以及基于 Diffusers 的推理代码；训练代码也在开源计划中（官方 GitHub 仓库、arXiv 技术报告、HuggingFace 模型页）。

它由两个核心部分组成：

• 6B Diffusion Transformer（DiT）：从零开始训练的扩散图像模型，负责生成与编辑
• 冻结的视觉语言理解模块：基于蚂蚁自研的 LLaDA2.0-Mini 扩散语言模型骨干，负责"看懂"你的文字指令

一个模型、一套权重，覆盖四种任务：文生图、VQ 条件生成、参考图编辑、中英文文字渲染。以往"生成用 A 模型、修图用 B 模型"分开部署的方案，现在一个 checkpoint 全部搞定。

值得一提的是训练思路：官方没有一上来就堆图文配对数据，而是先通过纯图像预训练和中期训练建立视觉先验，再引入图文配对监督和生成-编辑联合训练。训练管线共 2.2 亿样本，其中约 9800 万为真实图像；全程使用无参数 RMSNorm 和 Muon 优化器来保证高效稳定。

版本与下载：Base、Turbo、FP8 怎么选

官方在 HuggingFace 上发布了 4 个版本：

选择建议：

• 追求画质、用于正式生产 → 选 Base
• 追求速度、批量出图或做交互式产品 → 选 Turbo
• 显存紧张 → 选对应的 FP8 量化版

三大亮点：为什么值得关注

1. 生成与编辑统一在一个模型里。 一个 checkpoint 同时支持文生图和保留原图内容的指令编辑，不需要再分别部署"生成"和"编辑"两套模型，部署和推理成本直接减半。

2. 全 Diffusion 架构 + 完全开源的训练配方。 主干和 DiT 都是扩散模型，论文标题就叫《Building Strong Image Generators with Fully Open Training Recipes》——权重、训练代码、详细配方都将开源，在图像生成模型里相当少见，对研究和二次开发很友好。

3. 中英文文字渲染。 从官方示例看，海报里的中文书法、英文大标题都能渲染得比较准确，对中文用户做海报、封面、营销配图是实打实的能力。

跑分怎么样？Qwen-Image-Bench 开源双榜第一

根据官方发布的评测数据，在 Qwen-Image-Bench 综合得分上，LLaDA-Image 英文榜 53.53 分、中文榜 53.38 分，超过 Z-Image Turbo、Boogu-Image 0.1 Turbo、HunyuanImage 3.0、SenseNova U1.5 Preview、GLM-Image 等开源模型，位列开源模型双榜第一。

也要客观说明：与闭源旗舰相比仍有差距——GPT-Image 2 达到 65.23 / 64.69，Nano-Banana 2.0 为 59.59 / 59.82，Qwen-Image 2.0 Pro 为 57.90 / 57.84。一句话概括：LLaDA-Image 是"开源阵营里最能打的"，但闭源头部模型依然领先 4-11 分。

LLaDA-Image 安装教程：从下载到出图

官方推荐环境：Python 3.11、PyTorch 2.8、Transformers 4.57.6、Diffusers 0.39.0，需要 NVIDIA CUDA 显卡。

第一步：创建环境并安装依赖

git clone https://github.com/inclusionAI/LLaDA-Image.git
cd LLaDA-Image
conda create -n llada-image python=3.11 -y
conda activate llada-image
pip install -r requirements.txt

第二步：文生图（Base 版，50 步采样）

首次运行会自动从 HuggingFace 下载权重：

import torch
from src import LLaDAImagePipeline

pipe = LLaDAImagePipeline.from_pretrained(
    "inclusionAI/LLaDA-Image",
    torch_dtype=torch.bfloat16,
    device="cuda",
)
image = pipe(
    prompt="A cinematic photograph of a red fox standing in fresh snow",
    generation_mode="text",
    height=1024, width=1024,
    num_inference_steps=50,
    guidance_scale=5.0,
    generator=torch.Generator("cuda").manual_seed(42),
).images[0]
image.save("llada-image-base.png")

第三步：指令修图（传入参考图）

from diffusers.utils import load_image

reference_image = load_image("/path/to/input.png")
image = pipe(
    prompt="Turn it into a watercolor painting",
    image=reference_image,
    generation_mode="editing",
    height=1024, width=1024,
    num_inference_steps=50,
    guidance_scale=5.0,
).images[0]

上手注意两个容易踩的坑（官方 README 写了，但很容易忽略）：

• 尺寸必须整除：文生图和 VQ 生成的宽高要能被 16 整除；图像编辑要能被 32 整除，否则会报错
• 步数与引导系数要配套：Turbo 版要用 num_inference_steps=4 且 guidance_scale=1.0，照搬 Base 的 50 步 / 5.0 配置效果会异常

生成与编辑效果参考

以下效果图为官方发布示例（非本站实测），先看写实生成能力：

人像、食物、城市风光的质感和光影都比较自然。再看指令编辑能力，覆盖素描上色、局部替换、海报改字等场景：

与 GPT Image 2 等模型对比

把官方评测图中的主要模型整理成表：

结论：要最强效果且预算充足，闭源旗舰仍是首选；如果要私有化部署、二次训练或控制成本，LLaDA-Image 是当前开源阵营的第一梯队。关于闭源模型的详细解读，可以看我们之前的 GPT Image 2 是什么？OpenAI 新图像模型详解。

想自己部署开源模型，也可以参考 Qwen3.8-27B 本地部署指南：16G 内存 Mac 也能跑，环境配置的思路是相通的；对国产开源多模态模型感兴趣，还可以看 WeMM-Embedding：微信开源多模态嵌入模型全解。

总结

LLaDA-Image 的意义不止于"又多了一个文生图模型"：中国团队把「统一生成与编辑 + 完全开源训练配方」这条路线跑通了——6B 的体量对部署友好，Turbo 版 4 步出图对产品化友好，开源双榜第一的成绩对开发者社区有足够吸引力。如果你正想为团队找一个可私有化、可二次开发的图像生成底座，值得现在就上手试试。

有问题或部署中踩了坑，欢迎在评论区留言交流。