Ant Groups Ming-Image entwirft in Ebenen, nicht als flache Bilder

Die meisten Bildmodelle werden danach beurteilt, wie gut ein einzelnes Bild aussieht. Ant Group hat am 22. September zwei Modelle veröffentlicht, die einen anderen Test nahelegen: ob sich das, was man zurückbekommt, noch bearbeiten lässt, wenn man es sich angesehen hat.

Das inclusionAI-Labor bei Ant hat Ming-Image-0.1-Design und Ming-Image-0.1-Design-Layer auf Hugging Face veröffentlicht, beide mit sechs Milliarden Parametern unter der MIT-Lizenz. Diese Lizenz ist hier wichtiger als sonst, denn sie erlaubt es einem Unternehmen, die Ausgabe kommerziell zu nutzen, ohne vorher etwas aushandeln zu müssen. Das Duo ist auf Designarbeit statt auf Fotografie ausgerichtet. Interface-Screens, Infografiken, Poster und die Art von Layout, bei der die Wörter tatsächlich lesbar sein müssen.

Kleine Schrift ist der Punkt, an dem offene Bildmodelle üblicherweise scheitern. Ming-Image-0.1-Design erzeugt die gesamte Komposition, Text inklusive, und kann RGBA-Dateien schreiben, sodass der Hintergrund transparent statt als flaches weißes Rechteck herauskommt. Die Modellkarte empfiehlt 2048 mal 2048 oder 1024 mal 1024, wenn es schneller gehen soll, bei 12 Sampling-Schritten und einer CFG-Skala von 1,0. Zwölf Schritte sind wenig für ein Diffusionsmodell. Sobald die Gewichte geladen sind, kommt die Ausgabe schnell. Es läuft mit der Standardbibliothek diffusers und unterstützt vLLM-Omni für das Serving.

Das zweite Modell ist das interessante. Ming-Image-0.1-Design-Layer nimmt ein fertiges, flach zusammengeführtes Design und zerlegt es wieder in transparente Ebenen, einem Ebenenplan folgend, den man ihm übergibt und der angibt, wie viele Teile man möchte. Was dabei herauskommt, ist eher eine arbeitsfähige Designdatei als ein einzelnes flaches PNG.

Diese Lücke ist der Grund, warum die meisten Bildmodelle vor echter Designarbeit haltmachen. Wenn ein Kunde die Überschrift verschoben und das Logo ausgetauscht haben möchte, erzwingt ein flaches PNG eine vollständige Neugenerierung, und alles andere auf der Arbeitsfläche ändert sich mit. Ebenen erlauben es, genau das eine Element zu ändern. Ant bewertet dies auf dem Crello-Testsatz und misst, wie nahe jede wiederhergestellte Ebene in Farbe und Form liegt.

Die Zahlen, die Ant nicht veröffentlicht hat

Es gibt keine Zahl, die man zitieren könnte. Die Modellkarte verweist auf das UI/UX-Design-Leaderboard von Artificial Analysis und auf die Crello-Ergebnisse, doch beide erscheinen nur als Diagrammbilder. Keine Zahlen im Text, keine genannten Wettbewerber. Aus der Veröffentlichung lässt sich nicht ablesen, wie Ming-Image-0.1-Design im Vergleich zu Qwen-Image, Seedream oder einem kommerziellen Modell abschneidet, und keine der beiden Behauptungen lässt sich überprüfen, ohne die Evaluation selbst erneut durchzuführen.

Auch bei der Hardware-Empfehlung gibt es eine Lücke. Ant hat das 6B-Modell auf einer einzelnen CUDA-GPU mit 80 GiB VRAM validiert, was weit mehr Spielraum ist, als die Parameterzahl vermuten lässt. Die Karte gibt keine Hinweise für 24-GB-Consumer-Karten, obwohl Community-Quantisierungen, die genau für diese Karten gebaut wurden, innerhalb von Stunden verfügbar waren. INT4-, INT8-, FP8-, GGUF- und ComfyUI-Builds erschienen alle am selben Tag.

Dieses letzte Detail verdient es, sacken gelassen zu werden. Ein Modelllabor veröffentlicht eine 80-GiB-Anforderung, und die Community reagiert, indem sie das Modell auf einer Karte zum Laufen bringt, die ein Drittel dieser Größe hat. Die offizielle Zahl beschreibt, was Ant getestet hat, nicht, was das Modell braucht. Jedes Team, das eine Einführung abwägt, sollte die validierte Konfiguration als Ausgangspunkt betrachten und prüfen, was die quantisierten Builds auf der eigenen Hardware tatsächlich leisten.

Warum Ebenen den Workflow verändern

Designarbeit ist keine Abfolge fertiger Bilder. Sie ist eine Abfolge von Überarbeitungen. Ein Kunde sieht einen Entwurf, bittet darum, die Überschrift größer und den Hintergrund kühler zu machen, und entscheidet dann, dass das Logo auf der anderen Seite sitzen sollte. Jede dieser Anfragen ist klein. Bei einem flachen Bild ist jede davon auch teuer, denn das Ändern eines Elements bedeutet, eine Komposition neu zu generieren, die überall sonst bereits abgenommen war.

Ebenenbasierte Ausgabe dreht das um. Sobald das Design als separate Teile vorliegt, berührt eine Überarbeitung nur das betreffende Teil und lässt den Rest unangetastet. Für eine Agentur, die nach Stunden abrechnet, zeigt sich der Unterschied in der Marge. Für einen Solo-Designer zeigt er sich darin, ob das Tool schneller ist als Handarbeit.

Der andere Bereich, in dem sich Ebenen auszahlen, ist die Übergabe. Ein flach zusammengeführtes PNG ist eine Sackgasse. Jeder nachgelagerte Beteiligte, der es anpassen muss, fängt von vorn an. Eine Datei mit Ebenen kann in die Tools wandern, die ein Designteam bereits verwendet, und das ist der Unterschied zwischen einem KI-Tool, das neben einem Workflow steht, und einem, das Teil davon wird.

Das Bearbeitungsrennen, zu dem es gehört

Ant veröffentlicht nicht in einen leeren Raum hinein. Im gesamten Bildmarkt ist Bearbeitung zu dem Bereich geworden, in dem sich Modelle unterscheiden. GPT Image 2.5 Sunburst steht an der Spitze der Bearbeitungs-Leaderboards, dicht gefolgt vom Schwestermodell Flare. Nano Banana Pro bleibt der einfache Weg zum Identity Lock ohne Fine-Tuning, und es mischt bis zu vierzehn Bilder und fünf Personen. Seedream 5.0 kombiniert Bearbeitung mit Live-Websuche, was hilft, wenn eine Bearbeitung eine echte Referenz braucht. Auf der offenen Seite übernimmt FLUX.1 Kontext layoutbewahrende Bearbeitungen, die man selbst ausführt, und Qwen-Image-Edit führt die Open-Weight-Bearbeitungs-Rankings an.

Vor diesem Feld geht Ming-Image eine enge Wette ein. Es versucht nicht, die allgemeine Bearbeitungsarena zu gewinnen. Es setzt darauf, dass textreiches Design ein ausreichend großes Marktsegment ist, um ein spezialisiertes Modell zu tragen, und dass Ebenenzerlegung ein Feature ist, das die allgemeinen Modelle nicht bauen werden, weil es in einem Demo-Reel nicht auffällt.

Diese Wette hat eine Vorgeschichte. Offene Bildmodelle haben zwei Jahre damit verbracht, dem Fotorealismus nachzujagen, und die Qualitätslücke zwischen offenen und geschlossenen Gewichten ist deutlich kleiner geworden. Was sich nicht geschlossen hat, ist die Lücke zwischen einem Modell, das ein Bild erzeugt, und einem Modell, das ein Asset erzeugt. Ein Bild ist fertig, wenn es richtig aussieht. Ein Asset ist fertig, wenn man es jemand anderem übergeben und ändern kann. Ming-Image zielt auf die zweite Kategorie, die sich in einem Launch-Post schwerer demonstrieren lässt und die man an einem Dienstagnachmittag nützlicher gebrauchen kann.

Für wen das eigentlich gedacht ist

Wenn Sie Design-Assets in großem Umfang produzieren und der Text darin lesbar sein muss, lohnt es sich, das jetzt zu testen. Ein kleines Marketingteam, das Social-Media-Karten, Anzeigenvarianten und interne Präsentationen produziert, passt am klarsten, und die MIT-Lizenz stellt nichts in den Bedingungen zwischen Sie und die kommerzielle Nutzung.

Ich würde mit dem Ebenenmodell anfangen, denn Ebenenausgabe ist genau das, was Ihr vorhandenes Bildtool mit ziemlicher Sicherheit nicht kann. Alles andere hier, ein Text-zu-Bild-Modell, das lesbare Schrift rendert, hat Konkurrenz. Die Fähigkeit, ein fertiges flaches Design zu nehmen und eine editierbare Datei zurückzugeben, hat keine Konkurrenz.

Der erste Test, der sich lohnt, ist Text-Rendering in kleinen Größen in einer anderen Sprache als Englisch. Genau dort versagen Modelle dieser Klasse üblicherweise, und die Veröffentlichung sagt nichts darüber. Mehrsprachige Typografie ist die verborgene Anforderung hinter den meisten echten Designarbeiten, und ein Modell, das nur lateinische Schrift gut beherrscht, ist ein Modell mit einer Obergrenze.

Wenn Ihre Ausgabe fotografisch statt typografisch ist, trifft nichts davon zu. Ming-Image versucht nicht, mit den Modellen zu konkurrieren, die schöne Menschen und Landschaften rendern. Es zielt auf die unglamouröse Hälfte des Designs, den Teil, in dem ein Poster eine Überschrift an der richtigen Stelle braucht und eine Produktkarte einen Preis, den ein Mensch lesen kann. Diese Hälfte wartet schon eine Weile auf ein Modell, das sie ernst nimmt.