MOSS-Image

MOSS-Image är en familj bildgenereringsmodeller från OpenMOSS, ett forskningsteam med rötter i Fudan-universitetet, Shanghai Innovation Institute och företaget MOSI Intelligence. Den tekniska rapporten står på MOSI.AI. Familjen består av två varianter: MOSS-Image-Base, grundmodellen, och MOSS-Image-SFT, som är finjusterad på noga utvald data och enligt skaparna ger tydligare och mer välordnad text.

Modellen är en diffusionsmodell på 5 miljarder parametrar som tränats från grunden. Det som skiljer den från många andra öppna bildmodeller är layoutstyrningen: i stället för bara en vanlig beskrivning kan man skicka in en strukturerad beskrivning (JSON) där varje objekt och textrad har en egen ruta som anger exakt var i bilden det ska placeras. Den klarar också långa beskrivningar på upp till 4 000 tokens, återger lång text på både engelska och kinesiska och kan göra både animerad stil och fotorealistiska bilder.

Till modellen hör ett verktyg som gör om en enkel bildidé till en detaljerad beskrivning eller layout. Enligt den tekniska rapporten når MOSS-Image bäst resultat bland modeller med öppna vikter på teamets eget test för lång text i bilder (LongLongTextBench), med 96,3 % i genomsnittlig täckning, och hamnar tvåa i deras test för hela bildsystem med layout (RealLayoutArena).

Vikterna är öppna under Apache 2.0-licensen och finns på Hugging Face och ModelScope. Modellen fungerar direkt i ComfyUI, SGLang och vLLM-Omni, och sedan 20 oktober finns den även via MOSI:s API. Den är gjord för att vara lätt att finjustera, och med ett verktyg från communityn räcker enligt skaparna 6 GB grafikminne för att träna en LoRA.