九成训练样本没有文字，LLaDA-Image却冲上开源文生图第一：AI作画要先学会看？

先用纯图片建立视觉先验，再用图文对补语言理解：这条“先学会画，再学会听话”的路线，可能改写开源图像模型的数据逻辑。

先说预测：下一轮开源文生图竞争，决定上限的未必是谁拥有更多图文对，而是谁能把海量“只有图片、没有好标题”的视觉数据真正训练起来。LLaDA-Image最值得关注的地方，正是它把图文配对从预训练的“入场券”，变成后期语言对齐工具。

这听起来像一句口号：先学会画，再学会听话。但背后是一套完整工程路线。Inclusion AI从零训练了6B参数DiT，在预训练和中期训练阶段主要让图片自己提供条件信号；累计约2.2亿次生成训练样本处理中，超过90%为纯图片监督。图文对被集中放到后续SFT，用于把自然语言接入已经形成的视觉空间。

成绩确实醒目，但先把口径说清楚

按照团队技术报告，LLaDA-Image在Qwen-Image-Bench上的英文、中文总分分别达到53.53和53.38，在报告列出的开源模型中位居第一；4步Turbo版则为50.98和50.27。

把开源与闭源模型放在同一表格时，Base版成绩位于GPT Image 1与Imagen 4 Ultra之间；相比报告中的第二名开源模型Z-Image-Turbo，英文领先1.87分、中文领先0.67分。

需要强调：这些数字来自模型团队技术报告，并非第三方独立盲测。它们能说明模型具有竞争力，但不能直接等同于“所有提示词、所有工作流都领先”。

从定性样例看，真实人物、动物、食物、街景和风景的质感已经相当成熟；切换到海报、艺术字和中英文排版时，它也能覆盖更偏商业设计的任务。

九成样本没有文字，它到底怎样学习？

传统文生图通常从训练早期就要求图片配文字描述。问题是，高质量caption并不便宜：需要补全物体、属性、关系、风格和图中文字，还要过滤幻觉与错配。LLaDA-Image选择把视觉学习和语言学习拆开。

整个路线分为六步：先做256像素纯图片预训练，再用约512像素和多宽高比图片中期训练；随后引入图文对做语言对齐与分辨率迁移；再进行定向增强、生成与编辑1:1联合训练，最后蒸馏得到2至4步Turbo。

纯图像阶段的关键叫图像自条件。冻结的SigLIP-VQ先把训练图变成视觉token，随机遮掉一部分；保留下来的线索经过冻结的多模态理解骨干，再交给生成器恢复完整VAE潜变量。也就是说，同一张图片同时提供“题目”和“答案”。

• 条件天然对齐：局部线索和目标来自同一裁剪区域。
• 必须理解上下文：随机遮挡迫使模型推断物体结构和关系。
• 视觉信息损失更少：材质、光影和小物体不必先被文字概括。
• 昂贵配对数据后置：高质量caption集中用于语言对齐，而不是消耗在最大规模阶段。

进入SFT后，报告称团队使用Qwen3.6-35B-A3B和Qwen3-VL-235B-A22B-Instruct生成描述，并检查物体、属性、关系与OCR内容。这里的约2.2亿是各生成阶段的累计样本处理量，不代表2.2亿张完全不同的图片。

全扩散架构：理解和生成都走Diffusion

生成侧是从零训练的6B单流DiT；理解侧使用LLaDA2.0-mini，它是16B总参数、约1B激活参数的MoE扩散语言模型。两者之间由两层桥梁连接：

• RQA：用可学习查询提取与生成最相关的信息。
• Transformer Connector：把理解模型隐藏状态转换为DiT可使用的条件。
• 单流DiT：让文本条件、时间信息和图像token在同一Transformer里直接交互，并预测Flow Matching速度场。

编辑任务则让参考图绕过语言模型：SigLIP-VQ提供“图里是什么”的高层语义，干净的FLUX2-VAE潜变量保留身份、结构、纹理和背景。编辑指令仍走语言理解路径，最后共同进入同一DiT，因此一套权重可以同时做开放生成和参考图修改。

四组编辑对照，看看它能不能真正“听话”

第一组是风格转换：把真实照片改成动画插画，同时尽量保留人物姿态和手中的鱼形装饰。

第二组是海报文字替换：将“Stay fresh”改成“Keep fresh”，画面构图和字体层级基本保持。

第三组是物体移除：删除人物背后的红色包，尽量不破坏衣服、湖面和树枝。

第四组是线稿上色：按照指令赋予人物肤色、黑发与棕色小熊。

这些样例说明统一模型路线具有实用潜力，但视觉从业者仍应检查边缘重建、人物身份、排版拼写和局部纹理。展示图是精心选择的案例，不能替代自己的批量测试。

从50步压到4步，Turbo不是简单“少跑几次”

长程训练中，团队采用无可学习仿射参数的RMSNorm，试图控制深层网络的尺度漂移和后期梯度范数上升；生成阶段使用Muon优化器，临近收敛还会平均相邻检查点，以减少不同mini-batch带来的指标波动。

Turbo使用Twin-DMD蒸馏。它让同一个DiT共享主干，分别承担生成器和跟踪学生分布的fake-score角色，并用不同输出头训练；推理时只留下生成头，因此能把Base推荐的50步压缩到2至4步，官方当前推荐4步。

除了综合分，它还有哪些强项和短板？

开放到什么程度？原文最需要纠正的一点

截至2026年9月8日，官方仓库并没有发布训练代码。目前已经开放的是Base、Turbo以及对应FP8模型权重，还有基于Diffusers的推理代码；仓库的Open Source Plan仍把Training code标记为“coming soon”。模型页面当前标注Apache-2.0许可。

因此，更准确的说法是：论文公开了较完整的训练配方，权重和推理代码已经可用，但训练代码尚待发布。“Fully Open Training Recipes”不能直接翻译成“训练代码已经全开”。

怎么在本地跑？Base和Turbo这样选

1. 准备环境：官方仓库说明使用Python 3.11、PyTorch 2.8、Transformers 4.57.6和Diffusers 0.39.0。
2. 选择版本：做最终画质、文字和编辑测试选Base；快速构图、批量预览优先Turbo；显存紧张再考虑FP8。
3. 文生图：设置generation_mode为text，Base推荐50步、guidance scale 5.0；Turbo推荐4步、guidance scale 1.0。
4. 参考图编辑：加入输入图片并切换editing模式；图像尺寸需能被32整除，纯文生图与VQ模式尺寸需能被16整除。
5. 固定复现：保留提示词、负面提示词、种子、画幅、步数和权重版本，方便后期团队复盘。

硬件提醒：6B DiT只是核心生成主干，完整管线还含理解模型、视觉编码器和VAE。官方没有给出适用于所有显卡的单一显存数字，不建议只凭“6B”估算。BF16权重文件体积较大，普通消费级显卡可优先测试FP8、Turbo、CPU卸载或云GPU。

从CG与视觉生产角度，真正值得试的三个场景

• 海报草图与双语版式：先让模型给出构图、字区和风格方向，文字内容再由设计师在PS、AE或排版软件中精修。
• 参考图的轻量修改：物体增删、风格变化、线稿上色适合前期提案，涉及人物身份和商业交付时必须逐图检查。
• 本地可控工作流：开放权重允许团队做私有部署、接口封装与批量生产，比只能使用网页端的闭源模型更容易进入管线。

我的判断：LLaDA-Image现在还不足以仅凭一张榜单就“杀穿”所有开源文生图，但它确实提出了一条有冲击力的数据路线。只要后续训练代码如约开放、第三方复现成立，纯图片预训练就可能让大量没有优质caption的视觉数据重新获得价值。

项目、模型与论文地址

LLaDA-Image站内导航：
https://www.zuoshipin.com/link/34027.html

GitHub：
https://github.com/inclusionAI/LLaDA-Image

Hugging Face模型合集：
https://huggingface.co/collections/inclusionAI/llada-image

ModelScope模型合集：
https://modelscope.cn/collections/inclusionAI/LLaDA-Image

技术报告：
https://arxiv.org/abs/2609.03796