MOSI Intelligence и команда OpenMOSS опубликовали MOSS-Image — модель генерации изображений по текстовому описанию с 5 миллиардами параметров, предназначенную для создания плакатов, товарных снимков и другой графики, где плотный текст и точная компоновка имеют такое же значение, как и качество изображения. Релиз включает MOSS-Image-Base и дообученный вариант MOSS-Image-SFT, с весами на Hugging Face и ModelScope под лицензией Apache 2.0. В техническом отчете MOSI Intelligence указана вместе с Shanghai Innovation Institute (SII), Университетом Фудань и Шанхайским университетом Цзяо Тун.
В течение нескольких дней после запуска 16 октября китайские технологические СМИ сообщили, что модель возглавила список трендов Hugging Face в категории «текст в изображение», а количество загрузок и звезд на GitHub стремительно росло на зеркалах Hugging Face и связанных хостах, при этом официальный репозиторий преодолел отметку примерно в 1,4 тысячи звезд. Эти показатели загрузок и звезд являются данными сообщества, а не проверенными метриками компании, и они меняются по мере умножения зеркал и дистиллированных чекпоинтов. Разработчики на Reddit и X уже опубликовали сравнительные тесты с другими открытыми весами, а проекты сообщества выпустили 8-шаговые и 4-шаговые дистилляции, пакеты квантования и рабочие процессы ComfyUI.
Команда предлагает контроль. MOSS-Image принимает запросы длиной до 4096 токенов и может использовать структурированный JSON-макет, который определяет текст и объекты с помощью ограничивающих рамок, вместо того чтобы полагаться только на композицию на естественном языке. В тесте Long Long Text Benchmark команды модель демонстрирует среднее покрытие текста Mean-6 на уровне 96,3% среди моделей с открытыми весами. На RealLayoutArena, слепом тесте дизайна «от начала до конца», ее оценочное количество очков Эло составляет 1698,70 — второе место после GPT Image 2 при коротких брифах по дизайну, и 1807,34 при использовании общих расширенных запросов, что ставит ее на первое место во второй группе по собственной оценке команды.
Архитектурно MOSS-Image представляет собой однопоточный диффузионный трансформер, предварительно обученный с нуля. Замороженный текстовый энкодер Qwen3.5-9B и вариационный автоэнкодер FLUX.2 подают данные в унифицированный путь генерации. По словам команды, рецепт обучения отфильтровывает изображения, сгенерированные ИИ, для сохранения большего фотографического разнообразия, и модель обучалась на гетерогенных GPU-платформах. Адаптеры нулевого дня уже перечислены для Diffusers, ComfyUI, SGLang и vLLM-Omni, а размещенный API доступен на платформе MOSI.
Открытые веса предоставляют дизайнерам и разработчикам агентов компактную основу для работы с большим количеством макетов без необходимости ждать закрытого API. Показатели бенчмарков и рейтингов выше взяты из отчета команды и трекеров сообщества; их следует рассматривать как самоотчетные или краудсорсинговые сигналы, а не как результаты независимых лабораторных исследований.
Всегда имейте в виду, что редакции могут придерживаться предвзятых взглядов в освещении новостей.
Автор – Pandaily
