LLaDA-Image模型在视觉生成领域展示了其独特的训练方法，该模型在预训练和中期训练阶段主要依赖于图像监督，其中超过90%的训练样本源于图像数据。图文对的引入则集中在后续的语言对齐环节。其表现引人瞩目，在Qwen-Image-Bench的评测中，LLaDA-Image在中英文两个榜单上均名列前茅，显示出其强大的生成能力。该模型能够生成栩栩如生的视觉内容，包括人物、动物、食物和风景，因此让人难以区分真实和虚构的图像。
LLaDA-Image来源于Inclusion AI，基于6B参数的扩散变换器（DiT）进行训练，并形成了支持文本生成和图像编辑的通用架构。该模型的创新之处在于它不依赖传统的文本与图像对预训练，首先从图像中建立视觉理解，再通过后续的模型微调实现语言的整合。这一方法，形象地说就是“先学会画，再学会听话”。
模型的训练过程处理了约2.2亿个样本，取得了中英文双榜的顶尖成绩。LLaDA-Image通过全新的分工机制，分别利用图像和图文对的特性，实现更高效的数据利用。在训练的早期阶段，图像自带的特性提供了充分的信息，而文本描述则用于强化和校正视觉输出。最终，LLaDA-Image以其突出的性能和灵活的训练策略，为视觉生成领域提供了新的思路。 龙8头号玩家