inclusionAI 開源 Ming Image 0.1：自帶透明通道，還能把設計圖拆成圖層

Ming-Image-0.1 是 inclusionAI 開源的 6B 視覺設計模型系列，專門用來做 UI 介面、資訊圖表、海報以及帶有豐富文字的設計圖。

普通文生圖模型吐出來的是一張焊死的扁平圖片，要改個文案或者摳個元素非常麻煩。Ming-Image-0.1 包含兩個 60 億引數（6B）的模型，分別解決生成和編輯問題：一個叫 Ming-Image-0.1-Design，負責直接生成設計圖；另一個叫 Ming-Image-0.1-Design-Layer，負責把現有的整張平面圖逆向拆解成彼此獨立的透明圖層。

它能做什麼

主模型 Ming-Image-0.1-Design 支援最高 2K 解析度輸出，預設了 2048 級別的常見比例，也支援 1:4 到 4:1 之間的任意比例。

它最實用的能力是直接生成帶有 Alpha 通道的 4 通道 RGBA 影像。在提示詞開頭加上「帶透明通道，4通道RGBA影像」或「透明背景，alpha通道，無底圖」等固定詞，它就能直接輸出背景透明的摳圖素材或獨立元素，省去後期手動摳圖的步驟。

另一個模型 Ming-Image-0.1-Design-Layer 則是平面圖的拆解器。給它一張已經壓平成單層的設計圖，再指定拆成幾層，它能把文字、前景主體、背景襯底以及裝飾卡片分別抽離，匯出為一組單獨的透明 RGBA PNG 圖層。文字會在最上層，輔助卡片在文字下方，背景層墊底。

專案還延伸出了配套的工作流技能，比如 Ling UI Design 可以結合圖層拆解輔助智慧體根據提示詞或截圖寫 UI 程式碼，Image to Editable PPT 則能把生成的單頁圖轉成包含原生文本和形狀的可編輯 PowerPoint 幻燈片。

怎麼做到的與硬體門檻

為了精準控制排版和文字，它引入了類似 Figma 的結構化 JSON 提示詞流程。官方建議先用 Ling-3.0-flash-VL 或 qwen3.8-27B 這類視覺語言模型做提示詞增強，把簡單的一句話擴充套件成包含圖層座標、層級關係、顏色色值和逐字文本的結構化描述，再餵給影像模型渲染。

圖層拆解同樣依賴這種指令引導。視覺語言模型會先分析原始圖片，生成嚴格的層級規劃，確保文字逐字保留在最前層，主體和背景分離開來。

根據報道，在 Artificial Analysis 的 UI/UX 設計開源權重排行榜上，Ming Image Design 目前排在首位。開源授權採用寬鬆的 MIT License。

部署規格上，基礎版 Ming Image Design 模型檔案約 12GB，Design Layer 模型約 24GB。官方驗證推薦的預設執行環境是單張至少 80 GiB 視訊記憶體的 GPU，採用 BF16 精度推理，支援 FlashAttention 2。

程式碼和權重已釋出在 GitHub、Hugging Face 和 ModelScope，官方也提供了線上 Demo。

為什麼重要

我們認為這個專案打中了視覺生成落地裡最痛的一個環節：可編輯性。過去的文生圖工具更像在生成插畫，設計師拿到一張圖後很難二次修改，文字改不動，圖層分不開。Ming Image 把生成和圖層解耦結合在一起，配合透明通道，讓 AI 產物能夠真正放進 Figma 或 PPT 這樣的生產工具裡繼續加工。

它的主要門檻在執行成本上。官方推薦的單卡 80 GiB 視訊記憶體對個人開發者和輕量設計工作室來說偏高，本地跑起來並不輕鬆。但如果你正在為應用搭建自動生成介面、海報模板或製作資訊圖的工作流，它目前開源的權重和工作流非常值得接入測試。