OpenMOSSチームは、5BパラメータのシングルストリームDiTアーキテクチャに基づくオープンソース画像生成モデル「MOSS-Image」をリリースしました。このモデルは、最大4Kトークンのプロンプトと中国語・英語の長文レンダリングをサポートし、編集可能な構造化JSONレイアウト機能を備えています。長文レンダリング、レイアウトの正確性、エンドツーエンドの偏り評価において優れた性能を発揮し、Apache-2.0ライセンスでオープンソース化されています。Diffusers、Gradio、ComfyUIのエコシステムと互換性があり、高精度なレイアウトとローカルデプロイを必要とする開発者に適しています。文章作成者、出典：AIBase
近日、OpenMOSS（復旦大学NLPチームおよび上海創智など）は、オープンソースの画像生成モデル「MOSS-Image」を正式にリリースしました。従来のテキストから画像生成モデルがポスター、インフォグラフィック、漫画、UIデザインにおいて長年抱えてきた「文字のスペルミス」「段落の切り捨て」「要素のずれ」などの課題に対し、このモデルは5Bパラメータの単一ストリームDiT（Diffusion Transformer）をベースにゼロから事前学習を行い、最大約4Kトークンのプロンプト、中国語・英語の長文レンダリング、編集可能な構造化JSONレイアウトを包括的にサポートしています。
技術アーキテクチャにおいて、MOSS-ImageはMuon–AdamWトレーニングレシピを採用し、統一されたテキスト条件チャネルを通じて自然言語と構造化レイアウトを処理します。モデルはテキストエンコーダーにQwen3.5-9Bを、画像デコーダーにFLUX.2VAEを使用しています。トレーニングデータセットは約30億枚の画像をカバーし、マルチグレインキャプション、テキスト監視、構造化バウンディングボックス（bbox）監視を統合しています。複雑な作成要件に対応するため、モデルは意図認識型のプロンプト拡張（PE）外部計画モジュールを導入しており、短いリクエストをフォント階層、パレット、座標仕様を含む実行可能な指示に自動的に拡張します。
核心能力と評価パフォーマンスにおいて、MOSS-Imageは非常に優れた専門的優位性を示しています：
長文レンダリング（LLTB）：中国語と英語各120のタスクを含み、平均ターゲットテキストが約1339.8文字の評価において、Mean-6スコアは96.3となり、オープンソース重みモデルで新たな最高記録を更新。改行や段落構造をよく保持できます。
構造化レイアウト（7Bench）：統一されたJSONレイアウトタスクにおいて、検出ボックスのmIoUは0.8786、全体のレイアウトmIoUは0.6788で、空間関係と相対サイズの制御において優れた性能を発揮しています。
エンドツーエンドの好み（RealLayoutArena）：盲検Eloランキングにおいて、統一された強化プロンプト下でのジェネレーターのスコアは1807.34に達し、業界をリードしています。
現在、MOSS-ImageのBaseおよびSFT重みはApache-2.0ライセンスでオープンソース化されており、Diffusers、Gradio、ComfyUIなどのエコシステムと完全に連携し、LoRAおよびフルファインチューニングをサポートしています。ただし、公式はその現在の制限を明確にしています：バックボーンは純粋なテキストから画像を生成するモデルであり、参照画像を直接受け取ったり、ネイティブな画像編集を実行することはできません。また、プロンプト強化モジュールも外部の言語モデルに依存しています。全体として、このモデルのリリースは、ローカルデプロイ、精密なレイアウト、再現可能なフォーマットを必要とする開発者にとって、強力なオープンソースの新選択肢を提供します。