Pasukan OpenMOSS melancarkan model generasi imej sumber terbuka MOSS-Image, berdasarkan arsitektur DiT aliran tunggal dengan 5B parameter, menyokong petunjuk sehingga 4K token dan render teks panjang Bahasa Cina dan Inggeris, dengan kemampuan layout JSON terstruktur yang boleh diedit. Model ini menunjukkan prestasi cemerlang dalam render teks panjang, ketepatan layout, dan penilaian peringkat end-to-end, dilancarkan di bawah lesen Apache-2.0, kompatibel dengan ekosistem Diffusers, Gradio, dan ComfyUI, sesuai untuk pembangun yang memerlukan penataan tepat dan pelaksanaan tempatan.Penulis artikel, sumber: AIBase
Baru-baru ini, OpenMOSS (tim NLP Fudan dan Shanghai Chuangzhi dll.) secara rasmi melancarkan model penghasil gambar sumber terbuka — MOSS-Image. Mengatasi masalah berterusan dalam model teks-ke-gambar tradisional seperti "kesalahan ejaan teks, pemotongan perenggan, dan penyusunan elemen yang salah" dalam poster, infografik, komik, dan reka bentuk UI, model ini dilatih dari awal dengan DiT (Diffusion Transformer) 5B parameter sebagai asas, menyokong sepenuhnya petunjuk sehingga 4K token, render teks panjang bahasa Cina dan Inggeris, serta JSON Layout yang boleh diedit.
Dari segi arsitektur teknikal, MOSS-Image menggunakan resepi latihan Muon–AdamW yang mengolah bahasa semula jadi dan tata letak terstruktur melalui saluran bersyarat teks yang seragam. Model ini menggunakan Qwen3.5-9B sebagai encoder teks, disertai FLUX.2VAE untuk dekod imej. Set data latihan merangkumi sekitar 3B imej, dengan integrasi caption multi-granular, pengawasan teks, dan pengawasan kotak batas terstruktur (bbox). Untuk mengatasi keperluan kreatif yang kompleks, model ini juga memperkenalkan modul perancangan luaran intent-aware Prompt Enhancement (PE) yang secara automatik mengembangkan permintaan ringkas menjadi arahan boleh dilaksanakan yang merangkumi hierarki fon, palet warna, dan spesifikasi koordinat.
Dalam kemampuan inti dan prestasi penilaian, MOSS-Image menunjukkan keunggulan khusus yang sangat kuat:
Paparan teks panjang (LLTB): Dalam penilaian yang mengandungi 120 tugas bahasa Cina dan 120 tugas bahasa Inggeris, dengan panjang teks sasaran purata sekitar 1339.8 aksara, skor Mean-6 adalah 96.3, mencipta rekod tertinggi baru untuk model berat sumber terbuka, mampu mengekalkan struktur baris dan perenggan dengan baik.
Struktur terstruktur (7Bench): Dalam tugas JSON Layout seragam, mIoU kotak pengesanan mencapai 0.8786, mIoU struktur keseluruhan ialah 0.6788, dan menunjukkan prestasi cemerlang dalam kawalan hubungan ruang dan saiz relatif.
Preferensi end-to-end (RealLayoutArena): Dalam peringkat Elo ujian buta, generatornya sendiri mencapai skor 1807.34 di bawah petunjuk peningkatan seragam, berada di garis terdepan industri.
Sekarang, timbangan Base dan SFT MOSS-Image telah dibuka sumbernya di bawah lesen Apache-2.0, dan sepenuhnya terintegrasi dengan ekosistem seperti Diffusers, Gradio, dan ComfyUI, menyokong LoRA serta penyesuaian penuh. Walau bagaimanapun, pihak rasmi telah menetapkan sempadan semasa: backbone-nya merupakan model teks-ke-gambar tulen, tidak boleh menerima gambar rujukan secara langsung atau menjalankan penyuntingan gambar asli, dan modul peningkatan petunjuknya bergantung kepada model bahasa luaran. Secara keseluruhan, pelancaran model ini memberikan pilihan sumber terbuka yang kuat kepada pembangun yang memerlukan pelaksanaan tempatan, penyusunan tepat, dan format yang boleh diulang.