LLaDA-Image开源：6B扩散Transformer实现文生图与精细编辑
新模型在Qwen-Image-Bench英文和中文赛道均创开源模型最佳成绩，并发布权重、训练代码和配方；另有 2-4 步推理的Turbo蒸馏版本。
AI解读：这篇论文展示了一条减少对图文配对数据依赖的扩散模型训练路径：先用 2.2 亿纯图像样本做预训练和中训练，建立视觉生成先验，再接入冻结的LLaDA2.0-Mini视觉语言模块，使 6B参数的Diffusion Transformer既能生图也能做细粒度编辑。对研究者而言，最大价值在于作者开源了模型权重、训练代码和完整配方，意味着可以复现这套做法，而不是只能调用一个黑盒API。对需要快速生成或反复迭代图像的应用方，Turbo蒸馏版把采样步数压缩到 2-4 步，直接降低推理成本。但论文的基准分数来自Qwen-Image-Bench这一平台，分数上限是 53.53 和 53.38，排在国内开源模型之首，是否真优于闭源商用模型仍需要更多对比数据。普通用户暂时不必行动，若团队正做图像生成或编辑的产品，可以下载权重实测，以确认它在你自己的任务上的实际表现与编辑指令遵循度。
arXiv预印本论文介绍了LLaDA-Image，一个将 6B参数Diffusion Transformer（DiT）与冻结的视觉语言理解模块相结合的图像生成框架，作者称其在Qwen-Image-Bench英文和中文两个赛道均创下开源模型最佳成绩，并已发布模型权重、训练代码和配方。
训练方法与数据构成
据论文摘要，LLaDA-Image没有从开始就依赖大量图文配对数据，而是先通过仅图像的预训练和中训练构建视觉生成先验。整个生成管线的数据包含 220M个样本，其中 98 个是真实图像。论文使用Muon优化器，配合在DiT中全程应用的免参数RMSNorm，以实现高效且可扩展的优化。
性能与模型变体
在Qwen-Image-Bench基准上，LLaDA-Image的整体得分英文赛道为 53.53，中文赛道为 53.38，作者称在这两个赛道上都达到了开源模型中的新最先进水平。此外，作者通过蒸馏得到LLaDA-Image-Turbo，可在 2-4 步采样内完成快速推理。
开放资源与作者信息
为支持后续研究，作者公开了模型权重、训练代码和详细配方，论文由Jun Xie等共 29 人署名，提交历史显示v1版本于 2026 年 9 月 3 日发布。论文标注arXiv:2609.03796，对应CS.CV与CS.AI分类。