A equipe OpenMOSS lançou o modelo de geração de imagens de código aberto MOSS-Image, baseado na arquitetura DiT de fluxo único com 5B parâmetros, suportando prompts de até 4K tokens e renderização de textos longos em chinês e inglês, com capacidade de layout estruturado editável em JSON. O modelo apresenta excelente desempenho em renderização de textos longos, precisão de layout e avaliações de preferência end-to-end, está disponível sob a licença Apache-2.0 e é compatível com os ecossistemas Diffusers, Gradio e ComfyUI, sendo ideal para desenvolvedores que exigem layout preciso e implantação local.Autor do artigo, fonte: AIBase
Recentemente, o OpenMOSS (equipes do NLP da Fudan e da Shanghai Chuangzhi, entre outras) lançou oficialmente o modelo de geração de imagens de código aberto — MOSS-Image. Para abordar os desafios persistentes dos modelos tradicionais de texto para imagem em cartazes, infográficos, quadrinhos e design de interface, como erros de ortografia, cortes de parágrafos e elementos desalinhados, o modelo foi pré-treinado do zero com uma arquitetura DiT (Diffusion Transformer) de 5B parâmetros, oferecendo suporte abrangente a prompts de até aproximadamente 4K tokens, renderização de textos longos em chinês e inglês, e layout estruturado editável em JSON.
Na arquitetura técnica, o MOSS-Image utiliza a fórmula de treinamento Muon–AdamW, processando linguagem natural e layout estruturado por meio de um canal condicional de texto unificado. O modelo emprega o Qwen3.5-9B como codificador de texto, combinado com o FLUX.2VAE para decodificação de imagens. O conjunto de dados de treinamento abrange aproximadamente 3 bilhões de imagens, incorporando legendas de múltiplas granularidades, supervisão textual e supervisão por caixas delimitadoras estruturadas (bbox). Para atender a demandas criativas complexas, o modelo introduz um módulo externo de planejamento com conscientização de intenção (PE), que expande automaticamente solicitações curtas em instruções executáveis contendo hierarquia de fontes, paletas de cores e especificações de coordenadas.
Em capacidades centrais e desempenho de avaliação, o MOSS-Image demonstrou uma forte vantagem especializada:
Renderização de texto longo (LLTB): Em uma avaliação contendo 120 tarefas em chinês e 120 em inglês, com um texto-alvo médio de aproximadamente 1.339,8 caracteres, obteve uma pontuação Mean-6 de 96,3, estabelecendo um novo recorde para modelos com pesos abertos, capaz de preservar bem quebras de linha e estrutura de parágrafos.
Layout estruturado (7Bench): na tarefa unificada de JSON Layout, alcançou um mIoU de caixas de detecção de 0,8786 e um mIoU de layout geral de 0,6788, apresentando excelente desempenho no controle de relações espaciais e tamanhos relativos.
Preferência ponto a ponto (RealLayoutArena): Seu gerador alcançou uma pontuação de 1807.34 no ranking Elo cego, sob prompts uniformemente aprimorados, posicionando-se à frente da indústria.
Atualmente, os pesos Base e SFT do MOSS-Image estão abertos sob a licença Apache-2.0 e são totalmente integrados com ecossistemas como Diffusers, Gradio e ComfyUI, suportando LoRA e fine-tuning completo. No entanto, o oficial também esclareceu seus limites atuais: seu backbone é um modelo puramente texto-para-imagem, incapaz de receber imagens de referência ou executar edição de imagem nativa, e seu módulo de aprimoramento de prompt depende de modelos de linguagem externos. Em geral, o lançamento deste modelo oferece aos desenvolvedores que precisam de implantação local, layout preciso e formatos reprodutíveis uma nova opção poderosa e aberta.