Inilabas ng team ng OpenMOSS ang open-source image generation model na MOSS-Image, na batay sa 5B parameter single-stream DiT architecture, na sumusuporta sa pinakamahabang 4K token prompt at rendering ng mahabang teksto sa Ingles at Chinese, kasama ang kakayahang i-edit ang structured JSON Layout. Nagtatampok ang modelo sa mahusay na pagganap sa rendering ng mahabang teksto, accuracy ng layout, at end-to-end preference evaluation. Ito ay inilabas gamit ang Apache-2.0 license, at compatible sa mga ecosystem tulad ng Diffusers, Gradio, at ComfyUI, na ideal para sa mga developer na nangangailangan ng tumpak na layout at local deployment.May-akda ng artikulo, pinagkukunan: AIBase
Kasalukuyan, ang OpenMOSS (koponan ng Fudan NLP at Shanghai Chuangzhi atbp.) ay opisyal na ipinakilala ang open-source na image generation model — MOSS-Image. Para sa mga karaniwang problema sa tradisyonal na text-to-image models tulad ng mga mali sa pagkakasulat ng teksto, pagkakatigil ng mga talata, at maling posisyon ng mga elemento sa mga poster, infographics, komiks, at UI design, ang model na ito ay binuo mula sa simula gamit ang 5B parameter na single-stream DiT (Diffusion Transformer) at nagtataglay ng buong suporta para sa pinakamahabang 4K token na prompt, pag-render ng mahabang teksto sa Chinese at English, at structured JSON Layout na maaaring i-edit.
Sa teknikal na arkitektura, gumagamit ang MOSS-Image ng Muon–AdamW training recipe na nagpapahintulot sa pagtrato sa natural na wika at structured layout sa pamamagitan ng isang pinagsamang text conditioning channel. Gumagamit ang modelo ng Qwen3.5-9B bilang text encoder kasama ang FLUX.2VAE para sa image decoding. Ang training dataset ay naglalaman ng higit sa 3B na mga imahe, na naglalaman ng multi-granularity captions, text supervision, at structured bounding box (bbox) supervision. Upang tugunan ang mga kumplikadong paglikha, idinagdag ng modelo ang intent-aware Prompt Enhancement (PE) external planning module na awtomatikong lalawak sa maikling hiling bilang executable instructions na naglalaman ng font hierarchy, color palette, at coordinate specifications.
Sa mga pangunahing kakayahan at pagganap sa pagsusuri, ipinakita ng MOSS-Image ang malakas na espesyalisadong kahusayan:
Long Text Rendering (LLTB): Sa isang pagtataya na naglalaman ng 120 gawain sa Chinese at 120 gawain sa English, na may average na target text na halos 1,339.8 character, ang Mean-6 score nito ay 96.3, na nagtataguyod ng bagong tala para sa open-source weight models, at kayang mapanatili nang maayos ang mga pagsasara ng linya at istruktura ng talata.
Structured layout (7Bench): Sa unifying JSON Layout task, ang detection box mIoU ay nakamit ang 0.8786, habang ang overall layout mIoU ay 0.6788, na nagpapakita ng mahusay na pagganap sa spatial relationships at control ng relative size.
End-to-End Preference (RealLayoutArena): Sa blind Elo ranking, ang sariling generator nito ay nakakuha ng 1807.34 sa pinagsamang enhanced prompt, at nasa lider na posisyon sa industriya.
Kasalukuyan, ang Base at SFT weights ng MOSS-Image ay naglalabas sa ilalim ng Apache-2.0 license at buong pagsasama sa mga ecosystem path tulad ng Diffusers, Gradio, at ComfyUI, na sumusuporta sa LoRA at full fine-tuning. Gayunpaman, malinaw ng opisyal na mayroon itong kasalukuyang hangganan: ang backbone nito ay isang pure text-to-image model na hindi direktang nakakatanggap ng reference image o nagpapatakbo ng native image editing, at ang kanyang prompt enhancement module ay nakadepende sa panlabas na language model. Sa kabuuan, ang paglalabas ng model na ito ay nagbibigay ng isang makapangyarihang open-source na pagpipilian para sa mga developer na nangangailangan ng local deployment, tumpak na layout, at reproducible formatting.