Đội ngũ OpenMOSS đã phát hành mô hình sinh ảnh mã nguồn mở MOSS-Image, dựa trên kiến trúc DiT một luồng với 5 tỷ tham số, hỗ trợ prompt dài nhất 4K token và render văn bản dài tiếng Trung và tiếng Anh, đồng thời có khả năng cấu trúc JSON có thể chỉnh sửa. Mô hình này thể hiện hiệu suất xuất sắc trong render văn bản dài, độ chính xác bố cục và đánh giá ưu tiên end-to-end, được phát hành theo giấy phép Apache-2.0, tương thích với hệ sinh thái Diffusers, Gradio và ComfyUI, phù hợp cho các nhà phát triển cần bố cục chính xác và triển khai tại chỗ.Tác giả bài viết, nguồn: AIBase
Gần đây, OpenMOSS (đội ngũ từ NLP của Đại học Phúc Đán và các nhóm sáng tạo Thượng Hải, v.v.) chính thức ra mắt mô hình sinh ảnh nguồn mở — MOSS-Image. Nhằm giải quyết các vấn đề lâu năm của các mô hình văn bản-sang-hình ảnh truyền thống như lỗi chính tả, cắt đứt đoạn văn và sắp xếp sai vị trí các yếu tố trong thiết kế áp phích, infographic, truyện tranh và giao diện người dùng, mô hình này được huấn luyện từ đầu dựa trên nền tảng DiT (Diffusion Transformer) với 5 tỷ tham số, hỗ trợ toàn diện các lời nhắc dài tới khoảng 4K token, hiển thị văn bản dài tiếng Trung và tiếng Anh, cũng như bố cục cấu trúc JSON có thể chỉnh sửa.
Về mặt kiến trúc kỹ thuật, MOSS-Image sử dụng công thức huấn luyện Muon–AdamW, xử lý ngôn ngữ tự nhiên và bố cục có cấu trúc thông qua kênh điều kiện văn bản thống nhất. Mô hình sử dụng Qwen3.5-9B làm bộ mã hóa văn bản và kết hợp với FLUX.2VAE để giải mã hình ảnh. Bộ dữ liệu huấn luyện bao gồm khoảng 3 tỷ hình ảnh, tích hợp các chú thích đa cấp độ, giám sát văn bản và giám sát hộp giới hạn có cấu trúc (bbox). Để đáp ứng các yêu cầu sáng tạo phức tạp, mô hình còn tích hợp mô-đun lập kế hoạch bên ngoài PE (Prompt Enhancement) nhận thức ý định, tự động mở rộng các yêu cầu ngắn gọn thành các lệnh thực thi chi tiết bao gồm cấp độ phông chữ, bảng màu và thông số tọa độ.
Về năng lực cốt lõi và hiệu suất đánh giá, MOSS-Image thể hiện lợi thế chuyên biệt vượt trội:
Xử lý văn bản dài (LLTB): Trong đánh giá bao gồm 120 nhiệm vụ tiếng Trung và 120 nhiệm vụ tiếng Anh, với độ dài trung bình của văn bản mục tiêu khoảng 1339,8 ký tự, điểm Mean-6 đạt 96,3, thiết lập kỷ lục mới cho các mô hình trọng số mã nguồn mở, có khả năng duy trì tốt cấu trúc xuống dòng và đoạn văn.
Bố cục có cấu trúc (7Bench): Trên nhiệm vụ JSON Layout thống nhất, mIoU của khung phát hiện đạt 0.8786, mIoU của bố cục tổng thể là 0.6788, thể hiện hiệu suất xuất sắc trong việc kiểm soát mối quan hệ không gian và kích thước tương đối.
Đánh giá toàn diện (RealLayoutArena): Trong xếp hạng Elo kiểm tra mù, trình tạo của nó đạt điểm 1807.34 dưới cùng một prompt tăng cường, dẫn đầu ngành.
Hiện tại, trọng số Base và SFT của MOSS-Image đều được mở nguồn theo giấy phép Apache-2.0 và đã tích hợp đầy đủ các nền tảng sinh thái như Diffusers, Gradio và ComfyUI, hỗ trợ tinh chỉnh LoRA và tinh chỉnh toàn bộ mô hình. Tuy nhiên, phía chính thức cũng đã làm rõ các giới hạn hiện tại của nó: backbone của nó là mô hình văn bản sinh ảnh thuần túy, không thể nhận hình ảnh tham chiếu trực tiếp hoặc thực hiện chỉnh sửa hình ảnh bản địa, và module tăng cường gợi ý cũng phụ thuộc vào mô hình ngôn ngữ bên ngoài. Nhìn chung, việc ra mắt mô hình này mang đến một lựa chọn mã nguồn mở mạnh mẽ cho các nhà phát triển cần triển khai tại chỗ, căn chỉnh chính xác và định dạng có thể tái tạo.