OpenMOSS টিম মুক্ত উৎসের ইমেজ জেনারেশন মডেল MOSS-Image প্রকাশ করেছে, যা 5B প্যারামিটার একক-স্ট্রিম DiT আর্কিটেকচারের উপর ভিত্তি করে তৈরি, যা 4K টোকেন পর্যন্ত প্রম্পট এবং চীনা ও ইংরেজি দীর্ঘ টেক্সট রেন্ডারিংকে সমর্থন করে এবং সম্পাদনযোগ্য স্ট্রাকচারড JSON Layout সুবিধা প্রদান করে। এই মডেলটি দীর্ঘ টেক্সট রেন্ডারিং, লেআউটের সঠিকতা এবং এন্ড-টু-এন্ড প্রিফারেন্স মেট্রিকসে উল্লেখযোগ্যভাবে ভালো পারফরম্যান্স দেখিয়েছে। এটি Apache-2.0 লাইসেন্সে মুক্ত উৎসে প্রকাশিত, Diffusers, Gradio এবং ComfyUI ইকোসিস্টেমের সাথে সামঞ্জস্যপূর্ণ, যা সঠিক লেআউট এবং লোকাল ডিপ্লয়মেন্টের প্রয়োজনীয়তা থাকা ডেভেলপারদের জন্য উপযুক্ত।লেখক এবং উৎস: AIBase
সাম্প্রতিক সময়ে, OpenMOSS (ফুডান এনএলপি এবং শাংহাই চুয়ানজি সহ বিভিন্ন দল) ওপেন-সোর্স ইমেজ জেনারেশন মডেল — MOSS-Image প্রকাশ করেছে। পোস্টার, ইনফোগ্রাফিক, কমিক এবং UI ডিজাইনে প্রচলিত টেক্সট-টু-ইমেজ মডেলগুলির দীর্ঘদিনের চ্যালেঞ্জগুলি—যেমন “টেক্সট স্পেলিং ভুল, প্যারাগ্রাফ কাট অফ, এলিমেন্টের অবস্থানের বিভ্রান্তি”—এর সমাধানের জন্য, এই মডেলটি 5B প্যারামিটারের একক-স্ট্রিম DiT (Diffusion Transformer) কে ভিত্তি করে শূন্য থেকে প্রিট্রেইন করা হয়েছে, যা 4K টোকেনের প্রায় সর্বোচ্চ প্রম্পট, চীনা এবং ইংরেজি দীর্ঘ টেক্সট রেন্ডারিং এবং সম্পাদনযোগ্য স্ট্রাকচারড JSON Layout-কে সমর্থন করে।
টেকনিক্যাল আর্কিটেকচারে, MOSS-Image মিউন–AdamW ট্রেনিং রেসিপি ব্যবহার করে, যা প্রাকৃতিক ভাষা এবং স্ট্রাকচার্ড লেআউট উভয়কেই একটি ইউনিফাইড টেক্সট কন্ডিশনিং চ্যানেলের মাধ্যমে প্রক্রিয়া করে। মডেলটি Qwen3.5-9B কে টেক্সট এনকোডার হিসাবে ব্যবহার করে এবং FLUX.2VAE এর সাথে ইমেজ ডিকোডিংয়ের জন্য প্রয়োগ করে। ট্রেনিং ডেটাসেটটি প্রায় 3B ছবি নিয়ে গঠিত, যাতে মাল্টি-গ্রেনুলারিটি ক্যাপশন, টেক্সট-বেসড সুপারভিশন এবং স্ট্রাকচার্ড বাউন্ডিং বক্স (bbox) সুপারভিশন অন্তর্ভুক্ত রয়েছে। জটিল সৃজনশীল প্রয়োজনীয়তা মোকাবেলা করতে, মডেলটি ইনটেনশন-অ্যাওয়্যার প্রমপ্ট এনহ্যানসমেন্ট (PE) এক্সটার্নাল প্ল্যানিং মডিউলও অন্তর্ভুক্ত করেছে, যা সংক্ষিপ্ত অনুরোধগুলিকে ফন্ট হাইয়ারারকি, কালার প্যালেট এবং কোঅর্ডিনেট স্পেসিফিকেশনসহ এক্সিকিউটেবল নির্দেশনা-এ স্বয়ংক্রিয়ভাবে বিস্তৃত করতে পারে।
মূল ক্ষমতা এবং মূল্যায়ন পারফরম্যান্সে, MOSS-Image একটি শক্তিশালী বিশেষায়িত সুবিধা প্রদর্শন করেছে:
দীর্ঘ টেক্সট রেন্ডারিং (LLTB): একটি মূল্যায়নে, যেখানে চীনা এবং ইংরেজি প্রতিটি 120টি টাস্ক এবং গড় লক্ষ্য টেক্সট প্রায় 1339.8 ক্যারেক্টার ছিল, এর Mean-6 স্কোর 96.3 ছিল, যা ওপেন-সোর্স ওয়েট মডেলের জন্য একটি নতুন রেকর্ড তৈরি করেছে এবং লাইন ব্রেক এবং প্যারাগ্রাফ স্ট্রাকচারকে ভালোভাবে বজায় রাখতে পারে।
স্ট্রাকচার্ড লেআউট (7Bench): ইউনিফাইড জেসন লেআউট টাস্কে, এর বক্স mIoU 0.8786 এবং সামগ্রিক লেআউট mIoU 0.6788, যা স্থানিক সম্পর্ক এবং আপেক্ষিক আকার নিয়ন্ত্রণে উত্কৃষ্ট পারফরম্যান্স দেখায়।
এন্ড-টু-এন্ড প্রাধান্য (RealLayoutArena): অন্ধ পরীক্ষার Elo র্যাঙ্কিংয়ে, একই প্রম্পট বৃদ্ধির অধীনে এর জেনারেটর স্কোর 1807.34 পেয়েছে, যা শিল্পের অগ্রণী অবস্থান।
বর্তমানে, MOSS-Image-এর বেস এবং SFT ওজন উভয়ই Apache-2.0 লাইসেন্সে ওপেন সোর্স করা হয়েছে এবং Diffusers, Gradio এবং ComfyUI সহ বিভিন্ন ইকোসিস্টেমের সাথে সম্পূর্ণভাবে ইন্টিগ্রেট করা হয়েছে, যা LoRA এবং ফুল-ফাইন-টিউনিংকে সমর্থন করে। তবে, অফিসিয়ালভাবে এটি পরিষ্কারভাবে উল্লেখ করেছে যে এর ব্যাকবোন একটি শুধুমাত্র টেক্সট-টু-ইমেজ মডেল, যা প্রত্যক্ষভাবে রেফারেন্স ইমেজ গ্রহণ করতে বা ন্যাটিভ ইমেজ এডিটিং করতে পারে না, এবং এর প্রম্পট এনহ্যান্সমেন্ট মডিউলও বাহ্যিক ভাষা মডেলের উপর নির্ভরশীল। সামগ্রিকভাবে, এই মডেলটির চালুকরণ স্থানীয়ভাবে ডিপ্লয়, প্রিসিশন লেআউট এবং রিপ্রোডিউসিবল ফরম্যাটের প্রয়োজনীয়তা থাকা ডেভেলপারদের জন্য একটি শক্তিশালী ওপেন-সোর্স বিকল্প প্রদান করে।