OpenMOSS ٹیم نے اوپن سورس ایمیج جنریشن ماڈل MOSS-Image جاری کیا ہے، جو 5B پیرامیٹرز کے سینگل سٹریم DiT آرکیٹیکچر پر مبنی ہے اور 4K ٹوکن تک کے پرامپٹس اور انگریزی اور چینی متن کے لمبے ٹیکسٹ رینڈرنگ کو سپورٹ کرتا ہے، ساتھ ہی قابل ایڈٹ کنڈکچرل JSON Layout کی سہولت فراہم کرتا ہے۔ یہ ماڈل لمبے ٹیکسٹ رینڈرنگ، لے آؤٹ کی درستگی اور اینڈ تو اینڈ پریفرنس ایوال میں بہترین کارکردگی دکھاتا ہے، اور Apache-2.0 لائسنس کے تحت اوپن سورس ہے، جو Diffusers، Gradio اور ComfyUI ایکوسسٹم کے ساتھ مطابقت رکھتا ہے اور اس کا استعمال ایسے ڈویلپرز کے لیے مناسب ہے جنہیں درست لے آؤٹ اور لوکل ڈپلومنٹ کی ضرورت ہو۔مضمون کے مصنف، ذریعہ: AIBase
ہالیا وقت میں، OpenMOSS (فودان NLP اور شنگھائی چوانزھی جیسی ٹیموں) نے اوپن سورس ایمیج جنریشن ماڈل — MOSS-Image کا اعلان کیا ہے۔ روایتی ٹیکسٹ تو ایمیج ماڈلز کے خلاف جو پوسٹر، انفارمیشن گرافکس، کامکس اور UI ڈیزائن میں مسلسل "ٹیکسٹ کی غلط تحریر، پیراگراف کا قطع، عناصر کا غلط مقام" جیسے مسائل کا سامنا کرتے ہیں، اس ماڈل نے 5B پیرامیٹرز والے سینگل سٹریم DiT (Diffusion Transformer) کو بنیاد بناتے ہوئے صفر سے پری ٹرین کیا گیا ہے، جو لمبائی میں تقریباً 4K ٹوکن تک کے پرومپٹس، چینی اور انگریزی لمبے متن کے رینڈرنگ اور قابل ترمیم سٹرکچرڈ JSON Layout کو مکمل طور پر سپورٹ کرتا ہے۔
ٹیکنیکل آرکیٹیکچر کے حوالے سے، MOSS-Image Muon–AdamW ٹریننگ ریسیپی کا استعمال کرتا ہے، جو قدرتی زبان اور ساختی لے آؤٹ دونوں کو ایک یکسانہ ٹیکسٹ کنڈیشن چینل کے ذریعے پروسیس کرتا ہے۔ ماڈل Qwen3.5-9B کو ٹیکسٹ اینکوڈر کے طور پر استعمال کرتا ہے اور تصویر ڈیکوڈنگ کے لیے FLUX.2VAE کا استعمال کرتا ہے۔ ٹریننگ ڈیٹا سیٹ میں تقریباً 3 ارب تصاویر شامل ہیں، جن میں متعدد درجہ بندی کے کیپشنز، ٹیکسٹ سپروایزن اور ساختاری باؤنڈنگ باکس (bbox) سپروایزن شامل ہیں۔ پیچیدہ تخلیقی ضروریات کے لیے، ماڈل میں انتظامی پروگرامنگ (PE) باہری منصوبہ بندی ماڈول بھی شامل کیا گیا ہے، جو مختصر درخواستوں کو فونٹ ہائرارکی، رنگ پالٹ اور کوآرڈینیٹ سپیسیفکیشنز کے ساتھ قابل اجراء ہدایات میں خودکار طور پر وسعت دے سکتا ہے۔
مرکزی صلاحیتوں اور جائزہ کی کارکردگی میں، MOSS-Image نے انتہائی مضبوط مخصوص فوائد دکھائے:
طویل متن رینڈرنگ (LLTB): ایک ایسے جائزے میں جس میں 120 اردو اور 120 انگریزی کام ہیں اور اوسطاً 1339.8 کریکٹرز کا مقصد متن ہے، اس کا Mean-6 اسکور 96.3 ہے، جو کہ اوپن سورس وزن ماڈل کے لیے نیا ریکارڈ ہے اور یہ نئی لائنز اور پیراگراف سٹرکچر کو بہترین طریقے سے برقرار رکھتا ہے۔
سٹرکچرڈ لے آؤٹ (7Bench): یونیفائڈ JSON لے آؤٹ ٹاسک پر، اس کا باؤنڈنگ باکس mIoU 0.8786 اور کل لے آؤٹ mIoU 0.6788 ہے، جو جگہ کے رشتے اور نسبتی سائز کنٹرول میں عمدہ کارکردگی دکھاتا ہے۔
اینڈ تو اینڈ ترجیح (RealLayoutArena): اندھی ٹیسٹ Elo رینکنگ میں، اس جنریٹر کا ایک ہی طرح کے بہتر شدہ پرامپٹس کے تحت اسکور 1807.34 ہے، جو صنعت کی قیادت کرتا ہے۔
اپنے باس اور SFT وزن کو ابھی Apache-2.0 لائسنس کے تحت اوپن سورس کیا گیا ہے، اور یہ Diffusers، Gradio اور ComfyUI جیسے ایکوسسٹم کے ساتھ مکمل طور پر انٹیگریٹ ہے، جس سے LoRA اور مکمل فائن ٹیوننگ کی سہولت حاصل ہوتی ہے۔ تاہم، باقاعدہ طور پر واضح کیا گیا ہے کہ اس کی موجودہ حدود یہ ہیں: اس کا باک بون صرف متن سے تصویر بنانے والا ماڈل ہے، جو براہ راست ریفرنس تصویر کو قبول نہیں کرتا اور نہ ہی اصل تصویر ایڈٹنگ کرتا ہے، اور اس کا پرامپٹ بہتر بنانے والا ماڈل بھی باہری زبان کے ماڈل پر منحصر ہے۔ مجموعی طور پر، یہ ماڈل مقامی ڈپلومنٹ، درست لے آؤٹ، اور قابل دہرائی فارمیٹس کی ضرورت رکھنے والے ڈویلپرز کے لیے ایک طاقتور اوپن سورس منتخبہ فراہم کرتا ہے۔