Ming-Image Design zeichnet textlastige Screens in 7 Sekunden, auf einer Karte mit 80 GB

Ein einziger Zeilenumbruch entschied, ob unser Fuchs-Sticker als sauber freigestelltes Motiv zurückkam oder als weißes Quadrat. Das ist der heikelste Teil von Ming-Image-0.1-Design, dem neuen offenen Modell von inclusionAI für App-Screens, Dashboards, Folien und Poster voller Text. Die Zahl, auf die es ankommt, ist der Speicher. Als 6B verkauft, klingt es nach einer 12-GB-Karte. Auf einer NVIDIA A100 mit 80 GB in unserer Cloud lag die Spitze bei 64,4 GiB. Wenn Sie Bildmodelle deployen, ändert das, welche Karte Sie mieten. Auf dieser Karte zeichnete es einen App-Screen mit 1024 x 1024 in 6 bis 7 Sekunden und ein Poster mit 2048 x 2048 in 36. Wörter in Anführungszeichen kamen meist richtig geschrieben heraus. Es steht unter MIT-Lizenz, Sie dürfen also ausliefern, was es erzeugt. Für Mockups mit echtem Text auf eigener Hardware planen Sie eine 80-GB-Karte ein und prüfen jedes transparente Asset per Code.

Gleicher Prompt, gleicher Zufallsstart. Der Zeilenumbruch ist der einzige Unterschied.

Die 6B sind nur ein Mitglied der Band

Auf einem Konzertplakat steht der Name der Sängerin. Im Tourbus fahren trotzdem das Schlagzeug, die Verstärker und der Bassist mit. Bei Ming-Image Design ist es genauso. Der Teil mit 6 Milliarden Parametern, der zeichnet, belegt 12,3 GB auf der Platte. Dahinter sitzen ein Sprachmodell mit 34 GB, das Ihren Prompt liest, ein Verbindungsstück mit 6,2 GB und ein kleiner Decoder. Insgesamt ist das Repo 52,9 GB groß.

Die Autoren schreiben es selbst in ihr README: Das kleinste validierte Setup ist "one GPU with at least 80 GiB of memory." Weitererzählt wurde aber die Parameterzahl. Wir sind in einem News-Video von AI Search auf das Modell gestoßen, das von 12 Gigabyte sprach, und unser eigener Katalog hat diese Zahl übernommen. Wir wollten die echte, also haben wir es laufen lassen.

Schnell genug für eine Design-Schleife, für einen Bruchteil eines Cents pro Screen

Wir haben das validierte Setup der Autoren beibehalten: unkomprimiertes Modell, 12 Durchgänge pro Bild, eine Anfrage nach der anderen, darunter ihr eigener Python-Code. Wir haben 15 Bilder mit eigenen Prompts erzeugt, jeweils ein Versuch.

Größe	Rechenzeit auf der Karte pro Bild	Spitze beim Kartenspeicher
1024 x 1024	6,2 bis 7,4 s	50,45 GiB
2048 x 2048	35,8 s	64,4 GiB

Viermal so viele Pixel kosten etwa fünfmal so viel Zeit. Ununterbrochen ausgelastet, würde eine Karte bei 1024 etwa 400 bis 500 Screens pro Stunde schaffen. Eine A100 mit 80 GB kostet zur Miete etwa 1,4 bis 1,8 Dollar pro Stunde, ein Screen mit 1024 kostet also einen Viertel- bis einen halben Cent und ein Poster mit 2048 etwa 2 Cent. Das ist eine Schätzung aus Einzelbildern, kein Dauerlauf.

Wörter in Anführungszeichen stimmen, der Rest ist Dekoration

Kurzer Text, den Sie in Anführungszeichen schreiben, ist meist auch der Text, den Sie bekommen. Ein Konzertposter bekam den Bandnamen und drei Städtetermine richtig. Eine Folie mit dem Titel "Q3 GPU spend" bekam jede Balkenbeschriftung richtig. Die drei Kennzahlenkarten eines Dashboards waren perfekt. Text in Anführungszeichen kam in 5 von 7 Layouts richtig heraus.

Text, den Sie dem Modell überlassen, ist eine andere Geschichte. Diagrammachsen, Zwischenüberschriften und Feature-Karten, die wir nicht ausgeschrieben hatten, kamen als überzeugende Pseudowörter zurück. Auch lange Listen gingen daneben: Eine Café-Karte mit 12 Zeilen kam mit zwei falschen Preisen und einer Kaffeezeile zurück, um die wir nie gebeten hatten.

Transparenz klappte bei einer von sechs Prompt-Varianten

Jedes Bild kommt als PNG mit Alphakanal zurück, der Ebene, die angibt, wie durchsichtig jedes Pixel ist. Das ist das Kunststück des Modells: ein Sticker oder Logo, das ohne weißen Kasten drumherum auf einer Folie landet.

In der Praxis klappte es bei einer von sechs Varianten. Die Autoren veröffentlichen zehn Auslöse-Phrasen. Mit "RGBA, 4-channel, transparent background" in einer eigenen ersten Zeile kam der Fuchs mit 83,2 % vollständig transparenten Pixeln zurück, zweimal. Mit einem Komma statt des Zeilenumbruchs: deckendes Weiß. Ein App-Icon mit der Phrase in eigener Zeile kam ebenfalls deckend zurück, genauso drei weitere Kombinationen aus Phrase und Motiv.

Für wen das interessant ist

Teams, die Mockups, Folien oder Poster mit Text machen, den sie ausschreiben können: Schreiben Sie jedes benötigte Wort in Anführungszeichen.
Alle, die Speisekarten, Preislisten oder Tabellen brauchen: Lesen Sie jede Zeile, bevor sie rausgeht.
Alle, die transparente Assets brauchen: Setzen Sie die Phrase in eine eigene Zeile und prüfen Sie die Alpha-Ebene per Code. Unser Backend liefert zu jedem Bild den Anteil transparenter Pixel mit, diese Prüfung ist also eine Zeile.
Teams mit Karten unter 80 GB: Planen Sie vorerst eine 80-GB-Karte ein. Wir hatten eine Emulation mit 24 GB geplant, und sie ist nie gelaufen.

Auf InferenceKey kommt Ming als Python-Skript, nicht als Server, also haben wir es in ein Custom Backend verpackt: ein kleines Programm, das das Modell einmal lädt und Anfragen beantwortet. Ein Programm, das schon bei OpenAI Bilder anfragt, kann stattdessen diese Karte aufrufen. Ein Neustart nach einem Update dauerte 29 Sekunden. Die exakten Bibliotheksversionen der Autoren laufen unter Python 3.11 nicht wie angegeben. Etwas neuere beheben das, und das SDK-Beispiel liefert genau diese mit.

Die ehrliche Grenze: Das ist ein Verhaltenstest mit einem Versuch pro Prompt auf einem einzigen Kartentyp, kein Qualitäts-Benchmark.

Danke an inclusionAI dafür, Ming-Image-0.1-Design gebaut und unter MIT veröffentlicht zu haben, mitsamt dem Inferenz-Code und den Transparenz-Phrasen, und an AI Search, wo wir es entdeckt haben. Unser Teil waren das Custom Backend, das Deployment auf InferenceKey, die Korrekturen an den Abhängigkeiten und die Messungen.

Lesen Sie den vollständigen Test mit jedem Bild, den Speicherwerten und den Deployment-Schritten in unserem Research-Beitrag.