Nhóm mô hình Bailing của Ant Group (Tập đoàn Ant) đã mã nguồn mở dòng Ming-Image-0.1-Design vào ngày 23/9, gồm hai mô hình cùng có 6 tỷ tham số (6B). Mã nguồn và trọng số được đăng trên Hugging Face dưới tổ chức inclusionAI, theo giấy phép MIT.
- Ming-Image-0.1-Design đảm nhận việc "từ văn bản ra bản thiết kế": nhập mô tả yêu cầu, mô hình tạo ra giao diện UI, bảng dữ liệu, đồ họa thông tin, áp phích — những sản phẩm thiết kế hoàn chỉnh lấy bố cục và chữ làm trọng tâm;
- Ming-Image-0.1-Design-Layer đảm nhận việc "từ bản thiết kế ra lớp ảnh": tách một ảnh thiết kế đã được làm phẳng thành 2 đến 9 lớp trong suốt có thể chỉnh sửa độc lập.
Cùng đợt mã nguồn mở này còn có hai gói kỹ năng cho agent: Ling UI Design Skill, và Image-to-Editable-PPT Skill dùng để chuyển ảnh thành file PPT có thể chỉnh sửa. API của các mô hình được mở miễn phí trên OpenRouter trong hai tuần.
Nhắm vào loại hình ảnh nào
Các mô hình text-to-image thông thường vẽ hình khá tốt, nhưng hễ đụng đến nút bấm, thẻ thông tin, khu vực nhiều cột — những nội dung đòi hỏi chữ chính xác và bố cục thẳng hàng — là dễ lộ lỗi: viết sai chữ, lệch hàng, phối màu không nhất quán trong cùng một ảnh. Ming-Image-0.1-Design tập trung xử lý đúng những điểm này.
Theo mô tả chính thức, mô hình Design hỗ trợ prompt có cấu trúc dài tới 8K token, cho phép nhét nguyên một yêu cầu dài đã ghi rõ tiêu đề, nội dung nút bấm, nội dung thẻ và bảng màu; việc render chữ và độ ổn định bố cục cho tiêu đề, nút bấm, vùng thông tin nhiều khu vực được tăng cường riêng; VAE hỗ trợ RGBA gốc, các phần tử nền trong suốt có thể tạo trực tiếp. Độ phân giải đầu ra khuyến nghị là 2048×2048, muốn nhanh hơn thì dùng 1024×1024.
Mô hình Layer giải quyết vấn đề ở đầu ngược lại. Nhà thiết kế nhận một ảnh do AI tạo ra, muốn đổi màu một nút bấm, trước đây chỉ có thể tạo lại từ đầu hoặc tách thủ công; sau khi tách lớp, chữ, nền, phần tử chính có thể di chuyển và thay thế độc lập với nhau.
Kết quả và cách đọc số liệu
Trên bảng xếp hạng chuyên về thiết kế UI/UX do đơn vị đánh giá bên thứ ba Artificial Analysis cập nhật ngày 18/9, Ming-Image-0.1-Design đạt 1082 điểm Elo, đứng đầu nhóm mô hình mã nguồn mở (open-weight). Ant Group đồng thời công bố ba chỉ số thành phần: độ ổn định bố cục 67,4%, bố cục phức tạp 67,0%, render chữ 66,7%. Ba con số phần trăm này được thống kê theo phương pháp nào, đối chiếu với những mô hình nào thì tài liệu công khai không nêu rõ, nên khi đọc nên lấy thứ hạng Elo làm căn cứ chính.
Trang mô hình trên Hugging Face không nêu chi tiết kiến trúc nền, cũng không đưa ra so sánh trực tiếp với các mô hình đóng nguồn. Thứ hạng trên bảng xếp hạng chỉ giới hạn trong phạm vi mô hình mã nguồn mở; so với các công cụ thiết kế thương mại đóng nguồn thì đang ở vị trí nào, hiện chưa có dữ liệu công khai.
Ý nghĩa với các nhóm trong nước
Trước hết là ngưỡng phần cứng. Cấu hình chạy được xác nhận chính thức là một card đồ họa CUDA 80GB VRAM, độ chính xác BF16 — tức cấp độ card trung tâm dữ liệu như A100, H100. Card đồ họa phổ thông có chạy được không, lượng tử hóa thì chất lượng giảm bao nhiêu, trang mô hình không đề cập, các nhóm triển khai tại chỗ phải tự kiểm tra. Ai muốn xem hiệu quả trước thì API OpenRouter miễn phí hai tuần là cách vào với chi phí thấp nhất.
Về giấy phép, MIT cho phép sử dụng thương mại và phát triển lại, gần như không tạo thêm gánh nặng pháp lý cho các công ty muốn nhúng khả năng tạo ảnh vào công cụ thiết kế hoặc hệ thống vật liệu marketing của riêng mình.
Gần với công việc văn phòng thường ngày nhất là gói kỹ năng PPT. Không ít tài liệu báo cáo được ghép bằng cách "chụp màn hình rồi sửa tay"; nếu một ảnh có thể tách ngược lại thành các phần tử trang có thể chỉnh sửa, thời gian làm lại nhiều lần sẽ được tiết kiệm. Độ chính xác thực tế ra sao còn tùy chữ tách ra có sửa trực tiếp được không, phông chữ có bị thay đổi không — điểm này chính thức cũng chưa công bố đánh giá.
Chữ tiếng Trung là một điểm khác cần kiểm chứng thêm. Tài liệu gói kỹ năng của Ant Group có ví dụ thiết kế tiếng Trung, nhưng trang mô hình không liệt kê riêng kết quả kiểm tra render chữ tiếng Trung; người dùng làm áp phích, giao diện tiếng Trung cần tự chạy thử vài lần trước khi kết luận.
Nguồn tham khảo: trang mô hình Hugging Face, ITHome, CocoLoop, Artificial Analysis; thông số tham số, giấy phép và cấu hình VRAM lấy theo trang mô hình Hugging Face làm chuẩn, thứ hạng bảng xếp hạng và số liệu thành phần lấy theo Artificial Analysis và công bố chính thức.