Ming-Image-0.1-Design ของ inclusionAI ขึ้นอันดับ 1 โมเดลเปิดสายงานออกแบบ UI/UX บน Artificial Analysis ใช้ MIT แท้ สร้างภาพพื้นโปร่งใสได้ — แต่ "6B" คือแค่ตัว DiT แพ็กเกจเต็มหนัก 53GB และต้องใช้ GPU 80GB

inclusionAI ทีมโมเดลเปิดของ Ant Group ปล่อย Ming-Image-0.1-Design โมเดล text-to-image ที่ไม่ได้เน้นภาพสวยทั่วไป แต่เน้นงาน ออกแบบที่มีข้อความเยอะ เช่น หน้าจอ UI, อินโฟกราฟิก และโปสเตอร์ มันสร้างภาพ RGBA พื้นโปร่งใส ได้ และมีรุ่นคู่ Ming-Image-0.1-Design-Layer ที่รับภาพดีไซน์ที่แบนเป็นชั้นเดียวแล้วแยกออกเป็นเลเยอร์โปร่งใสตามจำนวนที่ขอ ทั้งสองรุ่นใช้ MIT มีไฟล์ LICENSE จริงใน repo

repo บน Hugging Face สร้างและอัปโหลดน้ำหนักชุดแรกเมื่อ 17 ก.ย. 2026 แต่ แพ็กเกจที่ใช้งานได้จริงเพิ่งออกเมื่อ 22 ก.ย. (commit “Publish Ming-Image-0.1-Design release package”) พร้อม model card ใหม่และสูตรรันบน vLLM-Omni ส่วนการแก้ metadata ครั้งล่าสุดคือวันนี้ (23 ก.ย.) ยังไม่มีบล็อกเปิดตัวหรือเปเปอร์

ติดอันดับ 1 ในหมวดที่แคบ

ภาพ leaderboard ใน model card มาจาก Artificial Analysis Text to Image Arena หมวด UI/UX Design (เฉพาะโมเดลเปิด) ซึ่งเป็นคะแนน Elo จากการโหวตแบบไม่เห็นชื่อ Ming-Image ได้ 1082 นำ Ideogram 4.0 (Quality) ที่ 1052, HunyuanImage 3.0 Instruct ที่ 1005 และ FLUX.2 [dev] ที่ 1000 หน้า leaderboard ของ AA เองก็ระบุ Ming-Image-0.1-Design ไว้ในรายการ “เพิ่มเข้า leaderboard ในเดือนที่ผ่านมา”

ข้อควรรู้: นี่คือ หมวดย่อยเดียวเฉพาะโมเดลเปิด ไม่ใช่อันดับรวม ภาพนั้น inclusionAI เลือกมาแสดงเอง และ Qwen-Image-2.1 ไม่อยู่ในตาราง ทั้งที่เป็นโมเดลเปิดที่สร้างภาพโปร่งใสได้เหมือนกันและออกไล่เลี่ยกัน

”6B” หมายถึงอะไร

model card กับ README เรียกทั้งสองรุ่นว่า “โมเดล 6B” เมื่อไล่ขนาดไฟล์ใน repo จะเห็นว่าตัวเลขนั้นคือ เฉพาะ diffusion transformer (12.3GB ใน BF16 หรือราว 6B พารามิเตอร์) แพ็กเกจเต็มยังมี:

• mllm/ 34GB เป็นโมเดลหลายโหมดสถาปัตยกรรม BailingMM2NativeForConditionalGeneration (ตระกูล Ling/Bailing ของ Ant) ขนาดราว 17B ใช้ทำความเข้าใจ prompt
• connector/ 6.2GB เป็น Qwen2 ขนาด 1.5B ที่เก็บเป็น FP32
• รวมแล้ว ราว 53GB ซึ่งเป็นเหตุผลที่ค่าที่ทดสอบแล้วคือ GPU CUDA ตัวเดียวที่มี 80GiB ใน BF16 ใช้ 12 step, CFG 1.0 ที่ความละเอียด 2048×2048 (หรือ 1024 ถ้าต้องการเร็ว)

prompt ที่ดีที่สุดคือ JSON ที่บรรยายเลเยอร์แบบ Figma พร้อมพิกัดและข้อความทุกคำ repo มี system prompt สำหรับให้ VLM (Ling-3.0-flash-VL หรือ qwen3.8-27B) แปลงคำบรรยายสั้น ๆ เป็น JSON นี้ให้ก่อน

มุมมอง AI Curator

จังหวะที่ออกมาน่าสนใจ Qwen-Image เพิ่ง เปลี่ยนจาก Apache 2.0 เป็น license งานวิจัยที่ห้ามใช้เชิงพาณิชย์ในรุ่น 2.1 Ming-Image จึงเป็นทางเลือกโมเดลเปิดสำหรับงานภาพที่มีข้อความและพื้นโปร่งใสที่ ใช้เชิงพาณิชย์ได้จริง เราตรวจ config ทุกไฟล์แล้ว ส่วนประกอบทั้งหมดอยู่ใน repo เดียวกัน ไม่มีตัวไหนชี้ไปดึง encoder ภายนอกที่มี license อื่น

แต่ต้องมองให้ตรงกับขนาดจริง “6B” ฟังดูเหมือนรันบนการ์ดจอบ้านได้ แต่ของจริงต้องใช้ H100/A100 80GB อย่างน้อยจนกว่าจะมีคนทำ quantization หรือแยกโหลด mllm ไปไว้ที่อื่น สำหรับทีมไทยที่ทำงานออกแบบ เช่น เอเจนซี สตาร์ทอัพที่ต้องทำแบนเนอร์หรือ mockup จำนวนมาก สิ่งที่น่าลองก่อนคือ Design-Layer มากกว่าตัวสร้างภาพ เพราะการแยกภาพแบนกลับเป็นเลเยอร์ที่แก้ได้คือขั้นที่เสียเวลาคนมากที่สุดในงานจริง และยังไม่ค่อยมีเครื่องมือเปิดทำได้ ข้อที่ต้องรู้คือ model card ไม่ได้ระบุว่ารองรับข้อความภาษาอะไรบ้าง ถ้าจะใช้กับข้อความภาษาไทยต้องทดสอบเองก่อน

แหล่งข่าว

• inclusionAI/Ming-Image-0.1-Design — Hugging Face (MIT)
• inclusionAI/Ming-Image-0.1-Design-Layer — Hugging Face
• inclusionAI/Ming-Image — GitHub (โค้ด inference, MIT)
• Text to Image Arena Leaderboard — Artificial Analysis