# Ming-Image 0.1 Design: открытые веса для графики и разложения изображения на слои

Источник: https://modelium.tech/zhurnal/ming-image-0-1-design-rgba-layers/

inclusionAI 22 сентября 2026 года выпустила публичные пакеты двух моделей Ming-Image 0.1 Design: первая генерирует графику и RGBA-изображения по тексту, вторая раскладывает готовый дизайн на прозрачные слои. Веса обеих моделей и код инференса доступны под MIT. Авторы проверяли запуск в BF16 на одной CUDA-карте с 80 ГиБ видеопамяти; это проверенная конфигурация, а не доказанный минимум для всех режимов.

## Коротко

22 сентября 2026 года inclusionAI опубликовала релизные пакеты двух моделей **Ming-Image 0.1 Design**. Репозитории весов были созданы 17 сентября, поэтому дата 22 сентября относится именно к коммитам `Publish ... release package`, а не к первоначальной загрузке файлов. `Ming-Image-0.1-Design` генерирует графику по тексту, включая постеры, UI-композиции и изображение с прозрачностью. `Ming-Image-0.1-Design-Layer` принимает готовую картинку и план слоёв, затем сохраняет отдельные RGBA-слои для последующего редактирования [s1](#src-s1) [s2](#src-s2) [s3](#src-s3).

Это две разные модели по 6 млрд параметров каждая, а не один чекпойнт с переключением задач. В обоих HF-репозиториях доступны открытые файлы Safetensors, компоненты модели и собственный файл `LICENSE` с текстом MIT; код инференса опубликован отдельно и тоже лицензирован под MIT. Лицензия разрешает коммерческое использование с сохранением уведомления об авторских правах и текста лицензии. Доступность весов, открытость кода и условия использования здесь проверены по отдельности [s1](#src-s1) [s2](#src-s2) [s4](#src-s4) [s5](#src-s5).

## Зачем это для локального запуска

Обычный генератор отдаёт плоское изображение. Здесь можно отдельно создать дизайн и затем попробовать разложить его на прозрачные элементы: это полезно, когда текст, фон и главный объект нужно менять в графическом редакторе независимо. Разложение — **результат работы модели**, а не доступ к исходному проекту дизайнера: совпадение с настоящими исходными слоями и точность текста не гарантируются [s2](#src-s2) [s4](#src-s4).

Авторы показывают галерею и оценку качества разложения на тестовой части Crello; сопоставимых независимых тестов этих чекпойнтов Modelium не проводил. Иллюстрацию UI/UX-лидерборда также следует воспринимать как представленную разработчиком, а не как нашу проверку рейтинга [s1](#src-s1) [s2](#src-s2).

## Как запустить

Официальный репозиторий `inclusionAI/Ming-Image` требует Python 3.10+, PyTorch с CUDA и предлагает установку `pip install -r requirements.txt`. Аргумент `--model` принимает HF ID либо локальный каталог; для воспроизводимости можно закрепить ревизии `1cd7fac3b0dcb54196fe2cd12b80da09edf8fcf4` и `650448783505b103af305ce347bf60d8889e655a` через `--revision`. После загрузки снимка модель можно запускать из локального каталога без обращения к Hub. Код по умолчанию использует `eager` attention; `flash_attention_2` необязателен при наличии совместимой установки [s4](#src-s4).

Для генерации разработчики приводят команду из каталога репозитория:

python infer.py --model inclusionAI/Ming-Image-0.1-Design \  --task text-to-image \  --prompt assets/t2i_four_seasons_cabin_prompt.json \  --resolution 2048 --output-dir outputs/t2i

Для разложения опубликован пример с исходным изображением и текстовым описанием шести слоёв:

python infer.py --model inclusionAI/Ming-Image-0.1-Design-Layer \  --task layer-decompose \  --input-image assets/layer_samples/card_making_input.png \  --prompt assets/layer_samples/card_making_prompt.txt \  --resolution 1024 --output-dir outputs/layers

Без файла плана можно задать `--num-layers N`; при наличии `--prompt` число слоёв берётся из него. Генератор поддерживает рабочие размеры 1024 и 2048 пикселей, модель слоёв — 512 и 1024, сохраняя соотношение сторон исходника. Рекомендации авторов: 12 шагов для обеих задач, CFG 1.0 для генерации и 2.0 для разложения [s1](#src-s1) [s2](#src-s2) [s4](#src-s4).

**Ограничение по железу:** авторы называют одну CUDA GPU с 80 ГиБ видеопамяти проверенной конфигурацией для обеих моделей в BF16. Это не позволяет утверждать, что 80 ГиБ необходимы для каждого размера, квантизации или возможного offload; подтверждённых ими режимов для обычной потребительской видеокарты в инструкции нет. Мы не запускали эти модели и не измеряли потребление памяти либо скорость [s1](#src-s1) [s2](#src-s2) [s4](#src-s4).

## Источники

1. [inclusionAI: Ming-Image-0.1-Design, карточка и открытые веса, ревизия 1cd7fac](https://huggingface.co/inclusionAI/Ming-Image-0.1-Design/tree/1cd7fac3b0dcb54196fe2cd12b80da09edf8fcf4) — получено 2026-09-23
2. [inclusionAI: Ming-Image-0.1-Design-Layer, карточка и открытые веса, ревизия 6504487](https://huggingface.co/inclusionAI/Ming-Image-0.1-Design-Layer/tree/650448783505b103af305ce347bf60d8889e655a) — получено 2026-09-23
3. [Hugging Face: коммиты публикации релизных пакетов 22 сентября 2026](https://huggingface.co/inclusionAI/Ming-Image-0.1-Design/commit/b90fed9735d85ef5715e4dde0aa358ee407ea743) — получено 2026-09-23
4. [inclusionAI/Ming-Image: официальный код и инструкции для обеих задач](https://github.com/inclusionAI/Ming-Image/tree/62c6072e1ff15af83f7c4963a0a1954c1424e80e) — получено 2026-09-23
5. [inclusionAI: MIT License для модели Design](https://huggingface.co/inclusionAI/Ming-Image-0.1-Design/blob/1cd7fac3b0dcb54196fe2cd12b80da09edf8fcf4/LICENSE) — получено 2026-09-23