Tim OpenMOSS merilis model generasi gambar open-source MOSS-Image, berbasis arsitektur DiT aliran tunggal dengan 5B parameter, yang mendukung prompt hingga 4K token dan rendering teks panjang bahasa Mandarin dan Inggris, serta memiliki kemampuan layout terstruktur yang dapat diedit dalam format JSON. Model ini menunjukkan kinerja unggul dalam rendering teks panjang, akurasi layout, dan evaluasi preferensi end-to-end, dirilis di bawah lisensi Apache-2.0, kompatibel dengan ekosistem Diffusers, Gradio, dan ComfyUI, cocok untuk pengembang yang membutuhkan tata letak presisi dan deployment lokal.Penulis artikel, sumber: AIBase
Baru-baru ini, OpenMOSS (tim dari NLP Fudan dan Shanghai Chuangzhi, dll.) secara resmi meluncurkan model generasi gambar open-source — MOSS-Image. Mengatasi masalah umum pada model teks-ke-gambar tradisional seperti kesalahan ejaan teks, pemotongan paragraf, dan pergeseran elemen dalam desain poster, infografis, komik, dan UI, model ini dilatih dari awal dengan basis DiT (Diffusion Transformer) 5 miliar parameter, mendukung penuh prompt hingga sekitar 4K token, rendering teks panjang bahasa Tiongkok dan Inggris, serta layout terstruktur yang dapat diedit dalam format JSON.
Dalam hal arsitektur teknis, MOSS-Image menggunakan resep pelatihan Muon–AdamW yang menangani bahasa alami dan tata letak terstruktur melalui saluran kondisi teks yang seragam. Model ini menggunakan Qwen3.5-9B sebagai text encoder, dipadukan dengan FLUX.2VAE untuk dekode gambar. Dataset pelatihan mencakup sekitar 3 miliar gambar, yang mengintegrasikan caption multi-granular, pengawasan teks, dan pengawasan bounding box (bbox) terstruktur. Untuk mengatasi kebutuhan kreatif yang kompleks, model juga mengintroduksi modul perencanaan eksternal intent-aware Prompt Enhancement (PE) yang secara otomatis memperluas permintaan singkat menjadi instruksi eksekutif yang mencakup hierarki font, palet warna, dan spesifikasi koordinat.
Dalam kemampuan inti dan kinerja evaluasi, MOSS-Image menunjukkan keunggulan spesifik yang sangat kuat:
Long Text Rendering (LLTB): Dalam evaluasi yang mencakup 120 tugas dalam bahasa Mandarin dan 120 tugas dalam bahasa Inggris, dengan rata-rata teks target sekitar 1339,8 karakter, skor Mean-6 mencapai 96,3, mencatatkan rekor tertinggi baru untuk model dengan bobot open-source, mampu mempertahankan struktur baris dan paragraf dengan baik.
Struktur tata letak (7Bench): Pada tugas JSON Layout seragam, mIoU kotak deteksi mencapai 0,8786, sedangkan mIoU tata letak keseluruhan adalah 0,6788, dengan kinerja unggul dalam pengendalian hubungan spasial dan ukuran relatif.
Preferensi end-to-end (RealLayoutArena): Dalam peringkat Elo blind test, generatornya sendiri mencapai skor 1807.34 di bawah prompt augmentasi seragam, berada di puncak industri.
Saat ini, bobot Base dan SFT dari MOSS-Image telah dirilis sebagai open source dengan lisensi Apache-2.0, dan sepenuhnya terintegrasi dengan ekosistem seperti Diffusers, Gradio, dan ComfyUI, mendukung LoRA serta fine-tuning penuh. Namun, pihak resmi juga menetapkan batasan saat ini: backbone-nya merupakan model teks-ke-gambar murni, tidak dapat menerima gambar referensi secara langsung atau melakukan pengeditan gambar asli, dan modul penguatan prompt-nya bergantung pada model bahasa eksternal. Secara keseluruhan, peluncuran model ini memberikan pilihan open source yang kuat bagi pengembang yang membutuhkan deploy lokal, tata letak tepat, dan format yang dapat direproduksi.