Ming-Image 设计模型开源

2026 年 9 月 22 日，蚂蚁 Ling 团队开源了 Ming-Image-0.1-Design 系列，包含两个 6B 参数的模型和两个 Agent Skill：一个负责生成 UI、仪表盘、信息图、海报这类文字密集的设计画面，另一个把已经合成好的成品图拆成 2 到 9 张可单独编辑的透明图层。模型采用 MIT 协议，可免费商用和修改；发布当天，生成模型在 Artificial Analysis 的 UI/UX 设计分榜上位列开源权重模型第一。

要点

系列含两个模型：Ming-Image-0.1-Design（文生图，结构化 prompt 最长 8K token）与 Ming-Image-0.1-Design-Layer（成品图拆 2–9 个 RGBA 图层），均为 6B 参数、MIT 协议。
第三方榜单：Artificial Analysis 文生图 UI/UX 分榜（仅统计开源权重模型、图像竞技场盲测投票换算 Elo）上，Ming-Image 以 1082 分排第一，第二名 Ideogram 4.0 (Quality) 1052 分。
生成侧支持原生 RGBA 透明背景素材，图标、贴纸、人物直接带透明通道，不必再进抠图工具处理发丝与毛发边缘。

背景

文字多、元素多的画面一直是生图模型的弱项：一张仪表盘上有标题、数字、坐标轴、图例，字一多就容易出现错字和乱码。Ming-Image 针对的正是这类场景，生成对象是完整 UI、仪表盘、信息图与海报，要求版式、字体、配色和图片在整张画面里保持一致。

蚂蚁此前已开源通用模型 Ling-3.1-flash（约 560B MoE，MIT，见本站蚂蚁百灵开源 Ling-3.1-flash 权重）；Ming-Image 是同一团队在设计垂直方向上的分支，与通用对话模型各管一头。

事实部分

项目	数值 / 说明
参数规模	两个模型均为 6B
协议	MIT，可免费商用和修改
prompt 长度	最长 8K token，结构化（分块、文字、字体、颜色逐项描述）
Layer 模型输出	2–9 个独立 RGBA 图层，可附图层计划指定每层元素；不写计划可只给层数
Layer 推荐分辨率	1024（可降到 512 提速），输出保持原图比例，每层存为透明 PNG
AA UI/UX 分榜	Ming-Image 1082 分第一；Ideogram 4.0 (Quality) 1052 分第二

发布演示覆盖奢侈品电商首页、创意落地页、手机社交首页、游戏界面、信息图、四格漫画、角色三视图等类型；Layer 模型的示例是把一张「World Card Making Day」贺卡拆成文字、插画、颜料、缎带、卡片、底色共 6 层，重新叠加与原图一致。Hugging Face 提供在线 Demo，没有 80GB 显卡也能先试。

各方说法

需要标注的证据边界：AA 分榜只比较开源权重模型，第一并不说明它超过闭源商业模型——放进含闭源模型的总榜会排第几，发布时没有给出。演示视频与样例均由官方提供，尚无独立第三方评测；拆图层的「6 层还原一致」来自官方示例，实际复杂构图的还原度需自行验证。

编辑判断

对设计与前端最有用的地方在于 Layer 模型把「改图」从重新抽卡变成了编辑图层：海报换标题只动文字层，背景、主体、装饰不动。这让 agent 参与设计工作流有了落点——官方的用法建议是用 Ling-3.0-flash-VL 或 qwen3.8-27B 读图生成图层计划，再交给 Layer 模型执行。

局限也要说清：6B 规模决定了它是「垂直场景可用」而非全能选手；文字极多的密集版面仍可能出现错字；MIT 允许商用，但模型权重与训练数据的具体授权范围以 Hugging Face 页面为准。若要做完整的设计交付流水线，站内此前的 ComfyUI 与 Doory 分别覆盖节点式生成与网页设计编辑两端。

部署成本是同规模模型里需要自己算的一笔：两个 6B 模型可以在单卡上跑推理，但要做图层拆分这类多步任务，官方建议先用一个视觉语言模型读图写计划、再调 Layer 模型——两段流水线的延迟和显存都要预留。Hugging Face 的在线 Demo 适合验证效果，真正进生产仍需本地部署或自建服务。