OpenMOSS ekibi, 5B parametreli tek akışlı DiT mimarisine dayalı MOSS-Image açık kaynak görsel üretme modelini duyurdu. Model, en uzun 4K token'lık giriş metni ve İngilizce ile Çince uzun metinlerin işlenmesini destekliyor, düzenlenebilir yapılandırılmış JSON Layout yeteneğine sahip. Uzun metin işleme, düzen doğruluğu ve uçtan uca tercih testlerinde üstün performans gösteriyor. Apache-2.0 lisansı altında açık kaynak olarak yayınlanmıştır ve Diffusers, Gradio ve ComfyUI ekosistemleriyle uyumludur; hassas düzenlemeye ve yerel dağıtıma ihtiyaç duyan geliştiriciler için uygundur.Yazan: AIBase
Son zamanlarda OpenMOSS (Fudan NLP ve Şanghay Çuangzhi gibi takımlar) açık kaynaklı görüntü oluşturma modeli olan MOSS-Image’ı resmen duyurdu. Geleneksel metinden görsel oluşturma modellerinin afişler, bilgi grafikleri, karikatürler ve UI tasarımı alanında uzun süredir karşılaştığı “metin yazım hataları, paragraf kesintileri, öğelerin yanlış konumlanmaları” gibi sorunlara çözüm sunmak amacıyla, bu model 5B parametreli tek akışlı DiT (Diffusion Transformer) tabanlı olarak sıfırdan önceden eğitildi ve yaklaşık 4K token’a kadar uzunluktaki ipuçlarını, hem İngilizce hem Çince uzun metinlerin işlenmesini ve düzenlenebilir yapılandırılmış JSON Layout’u tam olarak destekliyor.
Teknik mimari açısından MOSS-Image, Muon–AdamW eğitim formülünü kullanarak doğal dil ve yapısal düzenlemeleri tek bir metin koşullu kanal ile işler. Model, metin kodlayıcı olarak Qwen3.5-9B ve görüntü çözücü olarak FLUX.2VAE kullanır. Eğitim veri kümesi yaklaşık 3 milyar görüntüyü kapsar ve çok düzeyli başlık, metin denetimi ve yapılandırılmış sınırlayıcı kutu (bbox) denetimini içerir. Karmaşık yaratım ihtiyaçlarını karşılamak için model, kısa talepleri yazı tipi hiyerarşisi, renk paleti ve koordinat spesifikasyonlarını içeren yürütülebilir komutlara otomatik olarak genişleten niyet algılayan bir uyarı artırma (PE) dış planlama modülünü entegre eder.
Temel yetenekler ve değerlendirme performansı açısından MOSS-Image, güçlü bir uzmanlık avantajı sergiliyor:
Uzun metin işleme (LLTB): 120'er Türkçe ve İngilizce görevden oluşan, ortalama hedef metin uzunluğu yaklaşık 1339,8 karakter olan bir değerlendirme setinde, Mean-6 puanı 96,3 olarak kaydedilerek açık kaynak ağırlık modelleri arasında yeni bir rekor kırdı ve satır atlamaları ile paragraf yapılarını iyi koruyabiliyor.
Yapılandırılmış düzen (7Bench): Tek bir JSON düzen görevinde, algılama kutusu mIoU'su 0,8786 ve genel düzen mIoU'su 0,6788 olarak elde edilmiştir; uzaysal ilişkiler ve göreli boyut kontrolünde üstün performans göstermiştir.
Sonundan sonuna kadar tercih (RealLayoutArena): Göz blinded Elo sıralamasında, aynı artırılmış istekler altında üreticinin puanı 1807,34 olarak, sektörde lider konumda.
MOSS-Image'in Base ve SFT ağırlıkları şu anda Apache-2.0 lisansı altında açık kaynaklıdır ve Diffusers, Gradio ve ComfyUI gibi ekosistem yollarıyla tam olarak entegre edilmiştir; LoRA ve tam fine-tuning desteği sunar. Ancak resmi olarak şu sınırlar belirtilmiştir: backbone'u yalnızca metinden görsel oluşturan bir modeldir, referans görsel doğrudan kabul edemez veya yerel görsel düzenleme yapamaz; uyarı artırma modülü de harici bir dil modeline bağımlıdır. Genel olarak, bu model, yerel dağıtım, hassas düzenlemeler ve tekrarlanabilir formatlar gerektiren geliştiriciler için güçlü bir açık kaynaklı yeni bir seçenek sunmaktadır.