Inclusion AI's 6B LLaDA-Image tops Qwen-Image-Bench, open-sources weights
Inclusion AI released LLaDA-Image, a 6B-parameter diffusion transformer trained from scratch, achieving top scores on Qwen-Image-Bench for both English (53.53) and Chinese (53.38) among open-source models. Over 90% of its 220 million cumulative training samples used image-only supervision, with image-text pairs reserved for later language alignment. The model weights, training code, and recipes are open-sourced, along with a distilled Turbo variant requiring only 2-4 sampling steps.
Coverage timeline
机器之心机器之心
先学会画，再学会听话。 LLaDA-Image 在预训练和中期训练阶段直接从图片学习视觉先验，超过 90% 的累计生成训练样本采用 image-only 监督；图文对则集中用于后续语言对齐。模型权重、训练代码和完整配方同步开放。 先看成绩：在 Qwen-Image-Bench 上，LLaDA-Image 的英文、中文总分分别达到 53.53 和 53.38 ，在技术报告列出的开源模型中拿下双榜第一。 Qwen-Image-Bench 中英文综合成绩。模型按两条轨道的平均分排序；LLaDA-Image 在报告列出的开源模型中取得中英文双榜第一。 榜单给出了它在主流模型中的量化坐标。再回到最直观的生成效果，先来做一道 “真假图片” 判断题。 下面这组图里，哪些是真实照片？ 人物、动物、食物与风景等 LLaDA-Image 生成样例。 答案是： 一张也没有 。 更关键的是，为这个 6B DiT 建立视觉先验时，团队没有把 caption 作为预训练条件： 2.2 亿累计生成训练样本中，超过 90% 采用纯图片监督。 从林间抓拍、家庭照片和街边市场，到雪山、洞穴与中式园林，这些看似来自手机或相机的画面，全部由同一个模型生成。换到海报、广告和中英文排版，它又能给出下面这样的结果： LLaDA-Image 的海报、文字渲染、艺术与设计类生成样例，展示模型覆盖多种视觉创作任务的定性效果。 这套模型来自 Inclusion AI，名为 LLaDA-Image 。其核心是一套从零训练的 6B 参数 Diffusion Transformer（DiT） ，一套权重统一支持文生图和指令图像编辑；进一步蒸馏得到的 LLaDA-Image-Turbo，只需 2—4 个采样步 。 真正让这项工作显得不一样的，是它重新回答了一个基础问题： 训练高质量文生图模型，图文对一定要从预训练第一天就上场吗？ LLaDA-Image 给出的答案是：可以先从图片本身建立视觉生成先验，再在后续 SFT 中使用经过描述与一致性检查的图文对完成语言对齐。换句话说， 先学会画，再学会听话 。 这条路线从纯图片预训练一路延伸到语言对齐、统一生成 — 编辑训练和少步蒸馏。生成训练各阶段累计处理约 2.2 亿个样本 ，最终交出了开篇榜单所示的中英文双榜开源第一成绩。 GitHub：github.com/inclusionA
