OpenMOSS टीम ने ओपन-सोर्स इमेज जनरेशन मॉडल MOSS-Image जारी किया है, जो 5B पैरामीटर एकल-स्ट्रीम DiT आर्किटेक्चर पर आधारित है और अधिकतम 4K टोकन प्रॉम्प्ट्स और हिंदी और अंग्रेजी लंबे टेक्स्ट रेंडरिंग को सपोर्ट करता है, साथ ही एडिटेबल स्ट्रक्चर्ड JSON Layout क्षमता भी प्रदान करता है। यह मॉडल लंबे टेक्स्ट रेंडरिंग, लेआउट सटीकता और एंड-टू-एंड प्रेफरेंस इवैलुएशन में उत्कृष्ट प्रदर्शन करता है, जिसे Apache-2.0 लाइसेंस के तहत ओपन-सोर्स किया गया है और Diffusers, Gradio और ComfyUI इकोसिस्टम के साथ संगत है, जो सटीक लेआउट और लोकल डिप्लॉयमेंट की आवश्यकता वाले डेवलपर्स के लिए उपयुक्त है।लेखक, स्रोत: AIBase
हाल ही में, OpenMOSS (फुडान एनएलपी और शंघाई चुआंज़ी आदि टीमों) ने ओपन सोर्स इमेज जनरेशन मॉडल — MOSS-Image का आधिकारिक रूप से लॉन्च किया। पारंपरिक टेक्स्ट-टू-इमेज मॉडल्स जो पोस्टर, इनफोग्राफिक्स, कॉमिक्स और UI डिज़ाइन में लंबे समय से “टेक्स्ट स्पेलिंग त्रुटियाँ, पैराग्राफ कट-ऑफ, एलिमेंट्स का गलत स्थान” जैसी समस्याओं का सामना करते हैं, इस मॉडल ने 5B पैरामीटर के सिंगल-स्ट्रीम DiT (Diffusion Transformer) को आधार मानकर शून्य से प्री-ट्रेन किया है, जो लगभग 4K टोकन तक के प्रॉम्प्ट्स, हिंदी और अंग्रेजी लंबे टेक्स्ट रेंडरिंग और संपाद्य संरचित JSON Layout का समर्थन करता है।
तकनीकी ढांचे के संदर्भ में, MOSS-Image, Muon–AdamW ट्रेनिंग फॉर्मूला का उपयोग करता है और प्राकृतिक भाषा और संरचित लेआउट को एकीकृत टेक्स्ट कंडीशनिंग चैनल के माध्यम से प्रोसेस करता है। मॉडल Qwen3.5-9B को टेक्स्ट एन्कोडर के रूप में और FLUX.2VAE को इमेज डिकोडर के रूप में उपयोग करता है। ट्रेनिंग डेटासेट में लगभग 3B इमेजेस शामिल हैं, जिनमें मल्टी-ग्रेन्युलर कैप्शन, टेक्स्ट सुपरवाइज़न और संरचित बाउंडिंग बॉक्स (bbox) सुपरवाइज़न शामिल हैं। जटिल सृजनात्मक आवश्यकताओं के लिए, मॉडल में इंटेंट-अवेयर प्रॉम्प्ट एन्हांसमेंट (PE) एक्सटर्नल प्लानिंग मॉड्यूल शामिल किया गया है, जो संक्षिप्त अनुरोधों को स्वचालित रूप से फ़ॉन्ट हाइरार्की, पैलेट और कोऑर्डिनेट स्पेसिफिकेशन सहित एक्जीक्यूटेबल निर्देशों में विस्तारित करता है।
मूल क्षमताओं और मूल्यांकन प्रदर्शन पर, MOSS-Image ने एक मजबूत विशेषज्ञता दिखाई:
लंबे पाठ रेंडरिंग (LLTB): एक ऐसे मूल्यांकन में जिसमें 120 अंग्रेजी और 120 चीनी कार्य शामिल थे और औसत लक्ष्य पाठ लगभग 1339.8 वर्णों का था, इसका मीन-6 स्कोर 96.3 था, जो ओपन-सोर्स वेट मॉडल के लिए एक नया रिकॉर्ड है और यह लाइन ब्रेक और पैराग्राफ संरचना को अच्छी तरह से बनाए रखता है।
स्ट्रक्चर्ड लेआउट (7Bench): यूनिफाइड JSON लेआउट कार्य पर, इसका बॉक्स mIoU 0.8786 है और कुल लेआउट mIoU 0.6788 है, जो स्थानिक संबंधों और सापेक्ष आकार नियंत्रण में उत्कृष्ट प्रदर्शन करता है।
End-to-end preference (RealLayoutArena): Its generator itself scored 1807.34 in blind test Elo ranking under unified enhanced prompts, leading the industry.
वर्तमान में, MOSS-Image के बेस और SFT वजन दोनों Apache-2.0 लाइसेंस के तहत ओपन सोर्स किए गए हैं और Diffusers, Gradio और ComfyUI जैसे इकोसिस्टम पथों को पूरी तरह से एकीकृत किया गया है, जिससे LoRA और पूर्ण सूक्ष्म समायोजन समर्थित है। हालाँकि, आधिकारिक रूप से स्पष्ट किया गया है कि इसकी वर्तमान सीमाएँ हैं: इसका बैकबोन एक शुद्ध पाठ से चित्र उत्पन्न करने वाला मॉडल है, जो सीधे संदर्भ चित्र स्वीकार नहीं कर सकता या मूल छवि संपादन नहीं कर सकता, और इसका प्रॉम्प्ट वृद्धि मॉड्यूल बाहरी भाषा मॉडल पर निर्भर करता है। समग्र रूप से, यह मॉडल स्थानीय डिप्लॉयमेंट, सटीक लेआउट और पुनरुत्पादनयोग्य प्रारूपों की आवश्यकता वाले विकासकर्ताओं के लिए एक सशक्त ओपन-सोर्स विकल्प प्रदान करता है।