К содержимому
Дайджест

MOSS Image: 5B-модель с точным размещением текста

Sam Witteveen·26 октября 2026·13:44
текст даёт основное выбрать инструмент
Открыть на YouTube
Обзор открытой модели генерации изображений MOSS Image: что она умеет в тексте и раскладке, какие ограничения и как пользоваться JSON-управлением — для разработчиков и практиков, которым нужна коммерчески безопасная модель.

Что в ролике

Если нужны изображения с точным текстом и размещением объектов, модель MOSS Image от Open MOSS интересна лицензией Apache 2.0: весами и кодом можно распоряжаться как угодно, включая коммерцию и NSFW. Это диффузионный трансформер на 5 млрд параметров, обученный с нуля, с текстовым энкодером Qwen 3.5 на 9 млрд параметров, который принимает промпты до 4000 токенов. Автор показывает на SFT-модели в VLM Omni: фотореалистичные портреты, продуктовые кадры, стили и соотношения сторон от 0,25 мегапикселя до 4 мегапикселей, с оптимумом 1–2 мегапикселя. Главная сила — генерация текста: от одной строки до трёхстрочных постеров, меню и инфографики на английском и китайском, при этом на внутреннем бенчмарке Open MOSS модель обходит другие открытые аналоги и почти догоняет Nano Banana и GPT Image 2. Ключевая фича — JSON-раскладка: сцена описывается вместе с bounding box для каждого элемента, и модель старается разместить объекты и текст именно там, а LLM может писать такой JSON автоматически. Из ограничений: модель не умеет редактировать существующие изображения (только text-to-image и стандартный inpainting в ComfyUI), а слишком много слов на странице может ломать текст. Для ускорения генерации с примерно 30 секунд сообщество уже выпустило 8-шаговые и 4-шаговые LoRA, квантованные версии и файнтюны, а сама команда обещает официальную дистилляцию.

Практика

Что получишь
Сможете генерировать изображения с предсказуемым расположением текста и объектов через JSON-раскладку, а при необходимости — использовать веса и код модели в коммерческом продукте благодаря Apache 2.0.
Первый шаг
Скачайте SFT-модель MOSS Image с Hugging Face и запустите её в ComfyUI, затем опишите сцену с bounding box в JSON и сгенерируйте первый постер.
Цифры
  • —5 млрд параметров — размер самой модели MOSS Image
  • —9 млрд параметров — размер текстового энкодера Qwen 3.5, который читает промпт
  • —4000 токенов — максимальная длина промпта, которую принимает модель
  • —30 секунд — примерно столько занимает генерация без LoRA на оборудовании автора
Честно
Бенчмарк, по которому модель обходит конкурентов, — собственный от Open MOSS, независимых замеров пока нет. Детали JSON-раскладки и интерфейс галереи автор показывает на экране, в речи они не расшифрованы. Рекламы продуктов нет, но в конце автор просит лайк и подписку.
Если слова незнакомы — 10 терминов

Связки из этого ролика

3 шт.

Компоненты

7 шт.

Формат: обзор · для практикующих · уверенность разметки 0.85 · источник