Ming-Image 0.1 Design: модель 6B для UI и постеров в ComfyUI

Примеры дизайнов из официальной карточки модели.

Что такое Ming-Image 0.1 Design

Ming-Image 0.1 Design создан командой inclusionAI, стоящей за семействами моделей Ling и Bailing, и нацелен на задачу, с которой общие модели изображений справляются плохо: создание чистого, читаемого дизайна, а не фотографии. Целевое содержимое: экраны, дашборды, адаптивные раскладки карточек, панели инфографики, продуктовые постеры и подборки логотипов. В официальных примерах основной упор сделан на читаемость и типографическую корректность отрисованного текста.

• 6B diffusion transformer. DiT представляет собой 30-слойную архитектуру размерностью 3840 с 16 входными каналами и патчингом 2x2, в паре с отдельным vision-language энкодером и собственным коннектором. Kijai описывает базу как производную от Z-Image с новым текстовым энкодером.
• Данные для обучения ориентированы в первую очередь на дизайн, а не на общий корпус фотографий, поэтому выходы выглядят как скомпонованные макеты с настоящими текстовыми блоками.
• Два нативных разрешения выхода: 1024 и 2048, причём 2048 РЕКОМЕНДУЕТСЯ для полноценных макетов.
• Настройки выборки по умолчанию короткие: 12 шагов при CFG 1.0, поэтому дизайн получается за небольшое число проходов.
• Улучшение промпта является частью предполагаемого процесса. Официальный pipeline рекомендует переписывать промпт с помощью Ling-3.0-flash-VL или qwen3.8-27B ДО генерации; это особенно важно для плотных макетов с большим количеством текста, который нужно разместить.

Адаптивная раскладка карточек, один из официальных примеров text-to-image.

Прозрачный фон как полноценный тип выхода

Помимо обычных изображений, Ming-Image 0.1 Design может выдавать RGBA-изображение с настоящим альфа-каналом, поэтому сгенерированный элемент постера, вырезанный продукт или UI-ассет сразу готов к композитингу и не требует отдельного прохода матирования. Карточка модели содержит набор рекомендованных триггерных фраз и требует добавить ровно одну из них в начало промпта. Тот же подход Qwen-Image 2.1 использует для режима прозрачности.

Выходы с прозрачным фоном. Шахматный узор показывает альфа-канал и не является частью сгенерированного изображения.

Родственный Layer: из дизайна в редактируемые слои

В серии есть второй checkpoint на 6B, Ming-Image 0.1 Design Layer, который решает обратную задачу: он берёт плоское изображение дизайна и разбирает его на отдельные редактируемые прозрачные слои. Именно этот шаг превращает сгенерированный макет в то, с чем можно реально работать в дизайн-инструменте, и inclusionAI дополняет его двумя опубликованными рабочими процессами агентов: навыком Ling UI Design, который использует сгенерированные референсы вместе с разбором на слои для создания и визуальной проверки UI-кода, и навыком image-to-editable-PPT, который воссоздаёт сгенерированную страницу как нативные элементы PowerPoint.

Checkpoint Layer использует другие настройки выборки по умолчанию, чем модель дизайна: 12 шагов при CFG 2.0, с рабочими разрешениями 512 и 1024.

Место в рейтинге UI/UX

Вместе с релизом inclusionAI опубликовала модель в рейтинге Artificial Analysis UI/UX Design, что является самым ясным сигналом о том, с кем конкурирует модель.

Позиция Ming-Image 0.1 Design в рейтинге UI/UX Design, из официального репозитория.

Доступность в ComfyUI

Поддержка Ming-Image в ComfyUI находится в процессе, поэтому пока нет ни объединённой в ядро реализации, ни официального шаблона рабочего процесса. Использовать её уже сегодня позволяют две вещи:

• Kijai опубликовал ComfyUI-перепаковку весов в Kijai/Ming-Image-ComfyUI с вариантами transformer и текстового энкодера BF16, int8_convrot и w4a8, а также соответствующим VAE, разложенными по обычным папкам diffusion_models / text_encoders / vae.
• Основная реализация находится в ComfyUI PR #16482, где Kijai заявляет, что нода уже поддерживает вывод RGBA. Pull request всё ещё открыт, поэтому неизменённая установка ComfyUI пока не может загрузить модель.

Раннее тестирование в канале Banodoco #ming-image показывает, что семплеры здесь важны больше обычного: Kijai отмечает, что выход LCM чистый, но слишком сглаженный, и что случайные сбои текста всё ещё часто встречаются при INT8, тогда как RuneX сообщает, что модель откликается на промпты в стиле bounding-box и благодаря малому размеру редактирует быстро. Checkpoint Layer пока не упаковывается, поскольку Kijai считает дополнительную обработку текстового энкодера и проектора значительным усложнением для более узкого случая использования.