LLaDA-Image 開放權重：2–4 步生圖，離完整開放還差什麼？（2026）

2026 年 9 月 3 日，inclusionAI 的 AGI Research Center 在 arXiv 發布論文〈LLaDA-Image: Building Strong Image Generators with Fully Open Training Recipes〉；這次 LLaDA-Image 開放權重釋出，真正值得看的不是又一張排行榜，而是一個更難的問題：一套以影像資料為主、能生成也能編輯的模型，究竟公開到什麼程度，才足以讓外界驗證它的主張？

作者把 6B diffusion transformer（DiT）、凍結的多模態理解骨幹、Base 與 Turbo 權重，以及 Diffusers 推論程式放上網；官方 repository把權重與推論碼發布日記為 9 月 4 日。這使它成為一個可以下載、可以跑、也值得研究的 open-weight 發布；但「可以推論」和「可以重現訓練」仍是兩道不同的門。

這篇論文真正想證明什麼？

許多文生圖模型依賴海量「圖片＋文字描述」配對資料。LLaDA-Image 的反向做法，是先把超過 90% 的生成訓練樣本留給純圖片，再把語意理解交給一個已經做過視覺 chain-of-thought 微調的多模態模型。作者的核心命題是：影像生成先學好視覺分布，語意再由理解骨幹注入，不必讓昂貴的配對 caption 從第一步就主導全部訓練。

這套主張背後是一條很實際的工程路線。論文報告生成訓練累計使用 2.2 億筆 samples，其中 98% 是真實影像；paired SFT 階段的真實影像比例仍高於 70%。這些數字都是團隊自報，資料集與來源 manifest 尚未公開，因此不能把「2.2 億筆 samples」改寫成同樣數量的不重複、可追溯圖片。

“We do not claim that every component is universally optimal”

中文：我們不主張每個元件在所有情境下都是最佳選擇。

LLaDA-Image 論文

模型如何把理解、生成與編輯接起來

流程可以拆成三層。第一層是 LLaDA2.0-Mini 多模態理解骨幹：它先經過約 260 萬條、每條 16,384 tokens 的 packed sequence 做 CoT SFT，接著在影像生成訓練中凍結。第二層是 RQA 與 connector，把文字與理解訊號整理成 DiT 能吸收的條件。第三層才是論文所稱的 6B DiT；6B 是 DiT 的參數量，官方 Hugging Face 頁面則把包含理解元件的完整 checkpoint 標為 7B。

做文字生圖時，DiT 從文字條件生成影像 latent；做指令編輯時，參考圖則同時走 SigLIP-VQ 語意路徑與 VAE latent 路徑。結果是一個 checkpoint 可以處理生成與編輯，不必為兩種工作維護兩套完全獨立的骨幹。這項價值比較像部署簡化與能力整合，並不自動代表每一項編輯能力都超越專用模型。

統一 checkpoint 也不是編輯 SOTA：作者表中的 Base 在 GEdit-Bench 英文／中文 overall 為 7.336／7.294，低於表內最高的 8.172／8.051，差 0.836／0.757；論文並指出英文 perceptual quality 為 7.182，弱於 semantic consistency 的 8.043。

2 到 4 步減少採樣，但論文真正量的是 4 步

Base 版本的建議設定是 50 個採樣步驟；Turbo 透過 TwinFlow 蒸餾，把採樣壓到 2 至 4 步。這是最容易被標題化的亮點，但表格裡完整呈現的 Turbo 評測採用的是 4 步，不能把同一組品質分數直接搬到 2 步。採樣步數較少通常意味著較低推論成本，但論文沒有提供端到端 latency 或 throughput；理解骨幹與解碼開銷也仍存在，因此不能由步數直接推導實際秒數。

減少步數也不是無損交換。作者的 Qwen-Image-Bench 結果顯示，Base 的英文／中文 overall 為 53.53／53.38，4-step Turbo 降到 50.98／50.27；GEdit-Bench overall 也分別由 7.336／7.294 降至 7.024／6.898。不過 DPG-Bench 的 Turbo 反而略高，所以較精確的結論是：蒸餾後的取捨因任務而異，不能只用一個平均分數概括。想理解這種步數換品質的機制，可接著看站內的模型蒸餾完整教學。

53.53 與 53.38 是訊號，不是世界冠軍

Qwen-Image-Bench 有 1,000 組中英文對齊 prompts，從品質、美學、指令對齊、真實世界忠實度與創意生成五個面向評分，再由 Qwen3.6-27B 的 Q-Judger 自底向上彙整。LLaDA-Image 的 53.53／53.38 是 LLaDA-Image 論文作者報告的成績。截至 2026 年 9 月 6 日，Qwen 的原始論文與公開資料集都未收錄 LLaDA-Image，也沒有 benchmark 維護者發布的獨立驗證結果。

在作者所列、且排除 prompt enhancement 或 thinking pipeline 的 open-source 比較組裡，Base 英文比 Z-Image Turbo 高 1.87，中文只高 0.67。Q-Judger 在 Qwen 原始 18 模型上的人類排序相關性為中文 ρ=0.92、英文 ρ=0.90；但那組驗證不含 LLaDA-Image，也不能證明 0.67 分的模型間差距具有統計穩定性。LLaDA v1 未報告這項差距的信賴區間、多個生成 seeds、針對 LLaDA 輸出的新人類盲評，或 Qwen-Image-Bench 去污染檢查；而 prompts 與 judge 在 LLaDA 發布前已公開。因此，這是一個值得外部重跑的領先訊號，不是一頂已經鎖死的皇冠。若要建立自己的驗收方式，可先讀AI Evals 的七步框架。

閉源組的 GPT Image 2 在同一 benchmark 表中是英文 65.23、中文 64.69，分別高出 11.70 與 11.31。這也說明「open-source 組領先」與「所有模型領先」是兩句完全不同的話。單一 benchmark 仍不能代表每種創作、排字與編輯工作，但至少足以排除「LLaDA 已是整體 SOTA」這個過度延伸。不過，這不是所有模型在同一天、以同一生成設定重跑的控制實驗：LLaDA 論文說 baseline 多採各模型原始回報分數；Qwen 論文也沒有交代 GPT Image 2 的 API snapshot、quality 設定、輸出解析度與生成 seed。因此 11.70／11.31 只代表表中 benchmark 分數差，不能直接延伸成品質、成本或端到端速度的受控比較。

LLaDA-Image 開放權重：2.2 億筆樣本的「開放配方」有多開？

這次 LLaDA-Image 開放權重有三個扎實成果：Base、Turbo 與兩個 FP8 checkpoint 都能直接下載；官方 GitHub 有 Diffusers 推論 pipeline；論文附上資料篩選門檻、訓練階段、batch size、learning rate、Muon optimizer 與 TwinFlow 蒸餾描述。它遠比只丟一個 API 或一張模型卡透明。

但截至 2026 年 9 月 6 日查閱的 官方 GitHub 固定版本，Open-source Plan 仍寫著：

“Training code (coming soon)”

中文：訓練程式碼（即將推出）。

LLaDA-Image README

這與論文摘要使用現在式、稱已發布 training code 的說法不一致。更根本的缺口則是資料：在本次檢查的官方 GitHub 與 Hugging Face 頁面，未找到可重建 2.2 億筆 corpus 的資料集、來源清單或 provenance manifest。書面 recipe 很詳細，卻還不足以讓第三方從資料到 checkpoint 完整重訓。

授權也要分層看。四個 Hugging Face 模型卡的 metadata 標示 Apache-2.0；GitHub 根目錄則沒有可偵測的 repo-wide LICENSE，只有三個主要 Python 檔案帶 Apache-2.0 header。這不代表程式不可用，而是讀者不應把模型卡上的授權標籤，自動套到 repository 每一個檔案與素材。

我同意什麼，又對什麼保持懷疑

• 我同意它是有內容的 open-weight 發布。 權重不是預告頁，推論碼不是偽碼，同一 checkpoint 也確實設計了生成與編輯路徑。
• 我同意 image-only-heavy recipe 值得研究。 它把昂貴 caption 的角色從「所有訓練的入口」改成「後段語意對齊工具」，這是可供下一批模型檢驗的假設。
• 我不接受把作者報告分數寫成獨立認證。 0.67 分的中文領先尤其需要相同 prompts、明確且固定的各模型生成設定、相同輸出張數與選圖規則、多個 seeds、同一 judge，以及人類盲評。
• 我也不接受把 detailed recipe 等同完整可重現。 訓練碼與資料 provenance 尚缺，正是「公開權重」和「完整開放訓練」之間的距離。

把這個差距說清楚，不是在否定團隊。發布才兩天，README 也沒有掩飾 training code 尚未完成。更公平的標籤是：一個已可執行、配方相當詳細，但開放訓練鏈尚未補齊的早期發布。 如果你想了解「開放權重」為何不等於所有材料都開放，可延伸讀開放權重政策的兩套安全路線。

LLaDA-Image 開放權重後，最值得看的三個驗證

1. 外部重跑 Base 與 4-step Turbo。 固定 prompts、seed、解析度與 judge，同時加入人類盲評，判斷 0.67 分差距是否穩定。
2. 訓練碼與資料 manifest 是否補齊。 光有 optimizer 名稱與 batch size，仍看不到資料載入、去重、分散式訓練、checkpoint 恢復與完整 provenance。
3. 統一模型的部署收益。 在相同顯存、延遲與品質目標下，比較一套生成＋編輯 checkpoint，是否真的比兩套專用模型更省維運成本。

想立刻在本機測試，不必從這篇研究評論猜指令；站上已有LLaDA-Image Base、Turbo、FP8 與 ComfyUI 實作教學，可以把輸出與官方案例逐項對照。最有價值的測試不是挑一張最好看的圖，而是保留 prompts、seeds、步數、失敗樣本與硬體紀錄，讓別人能重跑你的結論。