好文集ChatGPT Plus¥119

一张电商主图拆成 6 层，一键换成双 11 版——我在 A100 上实测了蚂蚁开源的 Ming-Image

柯基是只猫·约 8 分钟阅读
文章封面：一张电商主图拆成 6 层，一键换成双 11 版——我在 A100 上实测了蚂蚁开源的 Ming-Image
文章目录

部分视频或图片暂未收录，已在正文保留提示；需要时可查看原文。查看原文 ↗

媒体暂未收录，可在原文中查看

AI 生图在电商里用得越来越多，但有个老问题一直没解决：生完改不了。

大促要把「日常价」换成「双 11 价」，背景要换成红金配色，只能整张重抽。重抽完，商品的形状、高光、鞋带的走向全变了，这张图就不能用了。

蚂蚁百灵前几天开源了 Ming-Image-0.1 设计系列，里面有个 Layer 模型，专门做一件事：把一张设计图拆成几个独立的透明图层。文字是文字，商品是商品，背景是背景。

我在一张 A100-80G 上把它部署起来，拿 12 张电商图做了一轮 1024 分辨率的评测，又搭了一个主图工作台，把「生成 → 拆层 → 换皮 → 导出」串成一条流水线。下面分两部分讲：先讲怎么部署、跑得怎么样；再讲用在电商主图上能做什么。

第一部分：拆开它

1.1 它是什么

这次开源的是两个模型加两个 Skill，权重和 Skill 都是 MIT 协议：

这篇只测两个模型。

文章配图

1.2 「6B」不是全部

发布稿里写的是 6B。我第一反应是：我的 Mac（M4 Pro，24 GB）应该能跑。

下下来一看，不是这么回事。6B 只是扩散主干。一次完整推理要用到四个部件：

文章配图

Design 一套 51.25 GB，Layer 的主干更大，一套约 65 GB。两个模型有一部分文件相同，去重以后一共要下 83.8 GB。

所以：

  • 24 GB 的 Mac 跑不了。 社区有 MLX 移植版，int4 也要 36 GB 内存。

  • 官方验证过的配置是单张 80 GB 卡、bf16。

  • 两个模型一张 80G 卡放不下，只能轮流加载，切换一次 25–35 秒。

1.3 部署过程

环境：A100-SXM4-80GB，驱动 535，CUDA 12.2；Python 3.10，按官方 requirements.txt 装 PyTorch 2.4.0、Transformers 4.57.1、Diffusers 0.36.0。

跑第一张图：

git clone https://github.com/inclusionAI/Ming-Image && cd Ming-Image
pip install -r requirements.txt

# 文生图
python infer.py --model <Design 权重目录> --task text-to-image \
  --prompt '...' --width 1024 --height 1024 --output-dir outputs/t2i

# 拆层（--num-layers 或者在提示词里写分层计划）
python infer.py --model <Layer 权重目录> --task layer-decompose \
  --input-image poster.png --num-layers 6 --resolution 1024 \
  --output-dir outputs/layers

官方自带两组冒烟测试，跑默认参数那组（Design 2048 文生图 + 1024 编辑 + Layer 1024 拆 6 层，12 步）一共 407 秒，全部通过。

一个关键设置：打开 VAE 逐帧 + 分块解码。

Layer 拆层的最后一步是 VAE 解码。拆 6 层时，它要把 6 个图层加 1 张重组图、一共 7 帧一次性解出来，1024 分辨率下这一步的显存峰值是全流程最高的。

Ming 用的 VAE（AutoencoderKLQwenImage）本身就支持两种省显存的解码方式：

  • 逐帧（slicing）：7 帧一帧一帧解，不一起解

  • 分块（tiling）：每一帧再切成小块解，最后拼回去

模型加载完以后打开就行，不用改官方代码：

for m in model.modules():
    if type(m).__name__ == "AutoencoderKLQwenImage":
        m.use_slicing = True
        m.enable_tiling()

打开前后，1024 拆 6 层的显存峰值从 71.8 GB 降到 55.4 GB，拼回去的图层看不出接缝。80G 卡一下宽裕了 25 GB。官方给的省显存建议里也有这一条，我建议默认打开。

1.4 实测：速度和显存

单卡、bf16、12 步、VAE 逐帧 + 分块解码，测的时候卡上没有别的进程。

文章配图

文章配图

文章配图

几点感受：

  • Design 很快，而且很稳。1024 出一张 6.4–6.8 秒，几十次下来波动不到 0.5 秒；2048 也就 38 秒。

  • Layer 的耗时和层数成正比，1024 下每多一层大约多 40 秒。可以先用 512 半分钟出稿，满意了再上 1024。我用的是默认的 eager 注意力，装上 FlashAttention 2 还能更快。

  • 全程显存峰值不超过 56 GB，一张 80G 卡跑任何一个模型都有余量。

1.5 实测：Design 的中文字和透明底

中文字：电商图最怕字写错。年货节海报的大标题「年货节 · 满300减50」放大 3 倍看，笔画干净，数字和符号都对。后面主图里的「逐风 R3 跑鞋」「轻至210g」「¥399」也都是模型直接写出来的。

文章配图

透明底：Design 能直接生成带透明通道的素材，不用再抠图。提示词前面加「抠图素材，背景alpha=0」，后面只写物体本身，比如「一只银色不锈钢保温杯，单个物体居中，柔和高光」。7.4 秒出图，打开 alpha 通道看，是真的透明。后面换皮时的价格标签，就是这么生成的。

文章配图

文章配图

1.6 实测：Layer 在电商图上拆得怎么样

Layer 的官方指标来自 Crello，是一个平面设计数据集。电商主图里有大量写实商品照片：反光、透明、毛发、阴影。它在这类图上表现怎么样，还需要进一步验证。

我做了 12 张测试图，分 4 类，每类 3 张：

文章配图

测法：每张图先让 Ling-3.0-flash-VL 看图写一份分层计划（每层是什么、写了什么字，平均 11 秒），再交给 Layer 在 1024 分辨率下拆。拆完把图层叠回去，和原图算 PSNR / SSIM，看重组后丢了多少信息。同一批图再跑一遍不给计划的，做对照。24 次全部跑完，没有一次失败。

文章配图

文章配图

（1024，带分层计划；拆层平均 176 秒，显存峰值 54.1 GB）

几个亮点：

  1. 平面海报和白底商品图，基本是「拆完能直接用」的水平。 这两类 6 张图 PSNR 都在 29 dB 以上，SSIM 0.97–0.99。商品图恰恰是电商里最常见的主图类型。

  2. 12 张里 9 张 PSNR 超过 29 dB，中位数约 31 dB。

  3. 难例也有亮点。 五件护肤品前后叠在一起（D03），拆出来每件一层，33.2 dB，是全场最高；毛绒熊（D02）也有 30.7 dB。

  4. 文字层分得很干净。 标题、价格标签、卖点文字基本都能各自独立成层，后面换皮、改文案都靠这一点。

文章配图

分层计划是关键。 不给计划、只给层数时，模型偶尔会把图层前后顺序排错，比如把背景里的大色块排到了商品前面，叠回去商品就被挡住了。给了计划之后，同一张保温杯海报从 15.0 dB 回到 33.1 dB；平面海报这一类平均从 22.0 dB 提到 32.3 dB。整体平均从 26.8 dB 提到 29.1 dB。

所以我的用法是：Ling-3.0-flash-VL 先看图写计划，再交给 Layer 拆，多花 10 秒左右，换来稳定的图层顺序和角色。

文章配图

（A02 保温杯海报，带计划 33.1 dB）

第二部分：用起来——电商主图工作台

拆层这个能力，单看一组图层文件感受不出来。它真正的价值在「拆完之后」：图层可以挪、可以换、可以反复改，而商品一个像素都不动。

所以我搭了一个工作台，把流程串起来：

  • 浏览器里填商品名、价格、卖点

  • Ling-3.0-flash 把这几句话扩写成一份分层的设计提示词

  • Ming Design 出主图

  • Ling-3.0-flash-VL 看图写分层计划，Ming Layer 拆层

  • 在图层上换皮、改文案、出多语言版本，最后导出 PSD

Ming 两个模型跑在 A100 上，两个 Ling 模型走 API。下面用一双虚构的跑鞋「逐风 R3」走一遍。

2.1 从一句话到一张主图

媒体暂未收录，可在原文中查看

左边填「逐风 R3 跑鞋 / ¥399 / 一体织面，轻至210g，碳板回弹」。Ling-3.0-flash 先把它扩写成一份分层 JSON：背景是什么、商品放哪、标题什么字号、价格标签在哪个角。画布上同步画出每一层的位置框。

然后 Design 出图：纯推理 6.8 秒，算上传输一共 8.5 秒，显存 46.9 GB。标题、三条卖点胶囊、红色价格吊牌，一次就排好了。

文章配图

2.2 拆开

点「拆成 6 个透明图层」。工作台先让 Ling-3.0-flash-VL 看图写分层计划，再交给 Layer。

拆出来的 6 层：标题、卖点文字、卖点底框、价格吊牌、跑鞋、背景。连卖点的文字和它下面的白色胶囊底框都分成了两层。跑鞋的投影跟着跑鞋层走，换背景时鞋不会「飘」。

重组回去 PSNR 33.7 dB、SSIM 0.984，推理 229 秒，显存峰值 54.1 GB。

文章配图

文章配图

切到 3D 视图，6 层悬空展开，可以拖着转。右边列出每一层的角色。

文章配图

2.3 亮点一：大促换皮，商品一个像素都不动

这是整个工作台最想展示的功能。

底部点「双 11」：工作台让 Design 重新生成一张双 11 风格的背景，再生成一个透明底的双 11 价格标签，替换掉原来的背景层和标签层。跑鞋层、标题层、卖点层都不碰，价格 ¥399 自动保留到新标签上。

画面上方会显示一行「商品层像素差 0」：换皮前后，商品区域逐像素比较，一个都没变。日常、双 11、双 12、年货节四个主题，商品层像素差全部是 0。

媒体暂未收录，可在原文中查看

文章配图

每换一个主题，Design 只需要生成一张背景、一个标签，每次 6–7 秒。这个项目从出图到四套换皮、文案 A/B、英文版，Design 一共调了 41 次，每次都在 6.4–6.8 秒之间。

在 3D 视图里点换皮更直观：只有最底下的背景层和价格标签那一层翻过去换掉，中间的跑鞋原地不动。

媒体暂未收录，可在原文中查看
媒体暂未收录，可在原文中查看

2.4 亮点二：文案 A/B，只换字

做 A/B 测试，最怕的是两张图除了文案，别的地方也不一样，那测出来的差异就说不清了。

拆层以后，只重新生成标题那一层，背景、跑鞋、卖点、价格一个像素都不变。我一次填了三条标题：「逐风 R3 · 新品首发」「一双鞋 跑完半马」「轻 · 快 · 回弹」，出三版。

文章配图

2.5 亮点三：一键英文

跨境卖家要出英文主图，以前也是整张重做。

现在把分层计划里识别出的中文原文交给 Ling 翻译，再让 Design 生成透明底的英文文字，替换掉中文文字层。标题和三条卖点分别翻译、各自放回原位：「Wind Chaser R3 Running Shoes」「One-piece Knit Upper」「Light as 210g」「Carbon Plate Bounce-back」。跑鞋和价格吊牌原样保留。

文章配图

2.6 亮点四：导出 PSD，交给设计师

最后一步，导出 PSD。用 Photoshop 打开，6 个图层都按「角色 · 名称」命名好了，设计师可以接着精修。也可以导出每层一张透明 PNG 的压缩包。

这一步是很多生图工具做不到的：它们最后交出来的都是一张平图。

写在最后

Ming-Image 最让我意外的，不是它出图多好看，而是它把「生成」和「编辑」接上了。一张 AI 生成的主图，拆完以后变成了一组可以反复用的素材：换节日、换文案、换语言，商品始终是同一双鞋。

如果想试：

全文完
查看原文
发现更多