El equipo de OpenMOSS lanza el modelo de generación de imágenes de código abierto MOSS-Image, basado en una arquitectura DiT de flujo único con 5 mil millones de parámetros, que admite prompts de hasta 4K tokens y la renderización de textos largos en chino e inglés, además de contar con capacidades de layout estructurado editable en JSON. El modelo destaca en la renderización de textos largos, precisión de layout y evaluaciones de preferencia end-to-end, y se publica bajo la licencia Apache-2.0, siendo compatible con los ecosistemas Diffusers, Gradio y ComfyUI, ideal para desarrolladores que requieren un diseño preciso y despliegue local.Autor del artículo, fuente: AIBase
Recientemente, OpenMOSS (equipo de NLP de Fudan y Shanghai Chuangzhi, entre otros) lanzó oficialmente el modelo de generación de imágenes de código abierto: MOSS-Image. Dirigido a los problemas persistentes de los modelos tradicionales de texto a imagen en carteles, infografías, cómics y diseño de UI, como errores ortográficos, recortes de párrafos y desplazamiento de elementos, este modelo se entrena desde cero con una arquitectura DiT (Diffusion Transformer) de 5B parámetros, ofreciendo soporte integral para prompts de hasta aproximadamente 4K tokens, renderizado de texto largo en chino e inglés, y un layout estructurado editable en JSON.
En términos de arquitectura técnica, MOSS-Image utiliza la fórmula de entrenamiento Muon–AdamW, que procesa lenguaje natural y diseños estructurados a través de un canal condicional de texto unificado. El modelo emplea Qwen3.5-9B como codificador de texto, junto con FLUX.2VAE para la decodificación de imágenes. El conjunto de datos de entrenamiento abarca aproximadamente 3 mil millones de imágenes, incorporando captions de múltiples granularidades, supervisión de texto y supervisión estructurada mediante cajas delimitadoras (bbox). Para abordar necesidades creativas complejas, el modelo incorpora un módulo externo de planificación con mejora de indicaciones consciente de la intención (PE), que amplía automáticamente solicitudes breves en instrucciones ejecutables que incluyen jerarquías de fuentes, paletas de colores y especificaciones de coordenadas.
En capacidades clave y rendimiento de evaluación, MOSS-Image demuestra una ventaja especial muy fuerte:
Renderizado de texto largo (LLTB): En una evaluación que incluye 120 tareas en chino y 120 en inglés, con un texto objetivo promedio de aproximadamente 1339.8 caracteres, obtuvo una puntuación Mean-6 de 96.3, estableciendo un nuevo récord para modelos con pesos abiertos, y logra conservar adecuadamente los saltos de línea y la estructura de párrafos.
Diseño estructurado (7Bench): en la tarea unificada de JSON Layout, alcanza un mIoU de 0.8786 para las cajas de detección y un mIoU global de 0.6788, destacándose en el control de relaciones espaciales y tamaños relativos.
Preferencia de extremo a extremo (RealLayoutArena): su generador alcanzó una puntuación de 1807.34 en el ranking Elo ciego bajo prompts mejorados uniformemente, ocupando una posición líder en la industria.
Actualmente, los pesos base y SFT de MOSS-Image están disponibles de código abierto bajo la licencia Apache-2.0 y están completamente integrados con ecosistemas como Diffusers, Gradio y ComfyUI, admitiendo ajustes LoRA y ajustes completos. Sin embargo, el equipo oficial ha definido claramente sus límites actuales: su backbone es un modelo exclusivamente de texto a imagen, no puede recibir imágenes de referencia ni realizar edición de imágenes nativa, y su módulo de mejora de prompts depende de modelos de lenguaje externos. En general, el lanzamiento de este modelo ofrece a los desarrolladores que necesitan implementación local, diseño preciso y formatos reproducibles una nueva opción potente y de código abierto.