สเปกและงานที่รองรับ
ตัวโมเดลมีขนาดราว 6B พารามิเตอร์ ใช้แนวทาง diffusion แบบครอบครัว LLaDA ที่เลี่ยงวิธี autoregressive ครับ งานที่ทีมงานระบุมามีสามอย่างหลัก ๆ คือสร้างภาพจากข้อความ (text-to-image) แก้ไขภาพเดิมตามคำสั่ง และการเรนเดอร์ตัวอักษรภาษาจีนกับอังกฤษลงในภาพให้อ่านออก ซึ่งเป็นจุดที่โมเดลหลายตัวยังพลาดกันอยู่ ความละเอียดที่ฝึกไว้ราว 1024² พิกเซล จัดการงานภาพทั่วไปได้สบาย ๆ ในครอบครัวเดียวกันยังมีเวอร์ชัน Turbo สำหรับคนที่ต้องการความเร็ว และเวอร์ชัน FP8 สำหรับเครื่องที่ VRAM จำกัดครับ
ข้อควรรู้ก่อนเอาไปใช้จริง
ข้อแรกเลยคือนี่เป็นโมเดลปลายแบบเปิด ไม่ใช่บริการสำเร็จรูป ผู้ใช้ต้องโหลดมาลงเครื่องตัวเองบนเครื่องหรือเซิร์ฟเวอร์ของตัวเองครับ ทางบริษัทยังไม่มี API แบบจ่ายเงิน จึงไม่มีราคาให้เทียบกับค่ายอื่น ใครเขียนเอกสารก็อย่าเผลอใส่ตัวเลขราคาที่ไม่มีแหล่งอ้างอิงลงไปนะครับ อีกเรื่องคือเรื่อง context แบบโมเดลแชท อย่างนี้ระบุไม่ได้ครับ เพราะเจ้าตัวเป็นโมเดลสร้างภาพ ไม่มีตัวเลขโทเคนที่แหล่งอ้างอิงยืนยัน ใครเอาไปต่อกับระบบของตัวเองก็อย่าเขียนตัวเลขลอย ๆ ลงในเอกสารด้วยครับ
ช่องทางโหลดและแหล่งอ้างอิง
ช่องทางหลักมีสามทางครับ คือ Hugging Face ชื่อ inclusionAI/LLaDA-Image (รวมเวอร์ชัน Turbo และ FP8) ModelScope สำหรับสายจีน และ GitHub ชื่อ inclusionAI/LLaDA-Image สำหรับโค้ดและตัวอย่างการใช้งาน ใครอยากอ่านรายละเอียดเชิงเทคนิคลึก ๆ ไปดูได้ที่ README ของ Inclusion AI หรืองานวิจัยบน arXiv เลข 2609.03796 ครับ สรุปสั้น ๆ ว่าถ้ามองหาโมเดลสร้างภาพแบบเปิดน้ำหนักที่จัดการข้อความจีน-อังกฤษในภาพได้ดี ตัวนี้น่าลองครับ