Выход LLaDA-Image: диффузионная модель для генерации и редактирования изображений

Вы будете смеяцца, но у нас новый генератор картинок. Разбавим Астра-истерику. LLaDA-Image: diffusion возвращается из текста в изображения Сегодня inclusionAI выпустила LLaDA-Image - открытую модель для генерации и редактирования изображений, и это интересно своей историей. LLaDA-Image — это 6B Diffusion Transformer, обученный с нуля, в связке с vision-language модулем на базе LLaDA2.0-Mini. В отличие от привычной схемы, где generation и editing реализованы разными моделями, здесь используется единый checkpoint для обеих задач. Есть две версии: LLaDA-Image — 50 шагов, ориентирована на максимальное качество. LLaDA-Image-Turbo — distilled-версия, рассчитанная всего на 2–4 шага. Рекомендуемый режим — 4 steps и CFG 1.0. И самое интересное для локального AI: ComfyUI уже здесь. RealRebelAI выпустили отдельную сборку LLaDA-Image-Turbo для ComfyUI с: — native INT8 Transformer в Safetensors — Q4_K_M GGUF для text encoder — поддержкой text-to-image — native image editing — собственными ComfyUI nodes Причём editing работает не как обычный img2img с denoise strength: используется нативный режим generation_mode="editing" самой LLaDA-Image. Тестируем: ComfyUI + quantized weights: https://huggingface.co/realrebelai/LLaDa-Image-Turbo_ComfyUI ComfyUI nodes: https://github.com/RealRebelAI/LLaDa-Image_ComfyUI Официальные веса: https://huggingface.co/inclusionAI/LLaDA-Image-Turbo Официальный код: https://github.com/inclusionAI/LLaDA-Image При этом сама идея LLaDA началась вообще не с изображений. В феврале 2025 года появилась оригинальная LLaDA — Large Language Diffusion with mAsking, я писал про нее, 8B языковая модель, построенная вокруг diffusion вместо классической autoregressive генерации. Модель генерирует текст через iterative denoising/masking, а не предсказывает следующий токен строго слева направо. Затем появились LLaDA 1.5, LLaDA-V и другие работы, развивающие diffusion language models. И получается интересная траектория: Text Diffusion → Vision-Language Diffusion → Image Generation + Editing Возможно, самое интересное в LLaDA-Image - не очередной benchmark, а сама попытка построить более единую diffusion-парадигму, которая начинается с текста и постепенно распространяется на мультимодальные задачи. Оригинальная LLaDA — Text Diffusion: https://github.com/ML-GSAI/LLaDA https://arxiv.org/abs/2502.09992 LLaDA 1.5: https://arxiv.org/abs/2505.19223 LLaDA-Image: https://arxiv.org/abs/2609.03796 @cgevent