MOSS-Image صدر: أطلقت OpenMOSS نموذج DiT بحجم 5B يقبل مربعات التحديد داخل الموجّه

التفصيل المحرج وراء إطلاق MOSS-Image هو أن أعلى ما قيل عنه ليس صحيحًا تمامًا بعد. في 17 أكتوبر، هنّأ حساب vLLM نفسه فريق OpenMOSS على الإصدار مفتوح المصدر، وقال إنه "فخور بدعم MOSS-Image في اليوم صفر عبر vLLM-Omni". أما طلب السحب الذي يضيف النموذج فعليًا إلى بيئة التشغيل تلك — [نموذج] إضافة MOSImage من نص إلى صورة مع SLG، بواقع 3,605 أسطر مضافة عبر 25 ملفًا — فقد فُتح في 14 أكتوبر ولا يزال مفتوحًا، إذ يطلب المراجع أدلة على تكافؤ المخرجات مع تنفيذ مرجعي مثبَّت. أحدث إصدار منشور من vLLM-Omni هو v0.31.0rc1 بتاريخ 6 أكتوبر. لذا لا يحتوي أي إصدار صادر من vLLM-Omni على هذا النموذج، والنسخة الأمينة من ادعاء "اليوم صفر" هي أن مسار الخدمة موجود كفرع يمكنك بناؤه، لا كحزمة يمكنك تثبيتها. وهذه التفرقة تهم هنا أكثر من المعتاد، لأن MOSS-Image إصدار مثير للاهتمام حقًا ويقع محتواه الحقيقي في الأوزان: MOSS-Image-Base و MOSS-Image-SFT، وقد صدرا في 16 أكتوبر 2026 تحت رخصة Apache 2.0، وهما مبنيان حول محوّل انتشار مدمج يقبل تخطيطات JSON منظَّمة كتوجيه نصي.

النسخة المختصرة لمن يريد أن يتبيّن ملامح الأمر. أطلقت OpenMOSS — المختبر الذي يقف خلف خط MOSS اللغوي والكلامي، بالتعاون مع MOSI Intelligence وشركاء أكاديميين — نموذج محوّل انتشار أحادي المسار بحجم 5 مليارات معلمة، مدرَّبًا من الصفر، مقترنًا بمشفّر نصي Qwen3.5-9B مجمّد وVAE من FLUX.2 مجمّد، بموجب ترخيص متساهل يغطي الأوزان وشيفرة الاستدلال معًا. نقطة جذبه ليست جودة الصورة الخام؛ بل إنه يمكنك أن تسلّمه كائن JSON يحتوي على مربعات إحاطة وسلاسل نصية حرفية وملاحظات طباعية، فيلتزم بها. أرقام المعايير المرفقة به هي أرقام المورّد نفسه، مقيسة على معيارين بناهما المورّد أيضًا. هذا لا ينفي أهليتها، لكنه يعني أنه ينبغي أن تقرأها كلوحة نتائج داخلية لمختبر لا كجدول ترتيب تنافسي.

ما الذي تم شحنه فعليًا، وأين

المخرجات واضحة وسهلة التحقق. على Hugging Face، OpenMOSS-Team/MOSS-Image-Base وOpenMOSS-Team/MOSS-Image-SFT تحتويان على الأوزان، مع نسخ مرآة من ModelScope لكليهما، وGradio Space يعمل على وحدة A10G واحدة، ومستودع GitHub يضم خط الأنابيب، وإضافة ComfyUI، وتقريرًا تقنيًا. وتسجّل صفحة المشروع على openmoss.ai التاريخ نفسه: 16 أكتوبر 2026 — الإعلان عن MOSS-Image-Base، مع إتاحة الكود وأوزان النموذج.

نقطتا تفتيش، معمارية واحدة. Base هو النموذج المُدرَّب مسبقًا؛ SFT مُدرَّب تدريبًا دقيقًا على بيانات منسقة. يُظهر مثال المقارنة الخاص بالمورّد أن SFT ينتج تجميعًا نصيًا أكثر إحكامًا وتخطيطًا أكثر تنظيمًا، وهو ما تتوقعه تقريبًا من تدريب دقيق على بيانات منسقة لنموذج أساسي تُرك عمدًا دون تقطير. بطاقة Base صريحة في أنه "لم يخضع لأي تدريب لاحق أو تقطير لمعاملات الاستدلال مثل CFG"، والسبب المذكور هو الحفاظ على معلومات التدريب وجعل النموذج أسهل في تدريب LoRAs عليه. النتيجة العملية هي أن Base هو المضيف الأفضل للتدريب الدقيق والافتراضي الأسوأ للمطالبة العادية.

الترخيص هو Apache 2.0 للأوزان ولشيفرة خط الأنابيب المستقلة — لا عتبة إيرادات، ولا ملحق للاستخدام المقبول، ولا طبقة تجارية منفصلة. وبالنسبة لنموذج تكون قدرته البارزة هي عرض نصّ مقروء داخل الصور، فإن هذه الحقيقة أعمق أثرًا من جدول المقاييس المعيارية، لأن عرض النص هو بالضبط القدرة التي تظهر في الأعمال التجارية: نماذج المنتجات، وتصاميم واجهات المستخدم، والإنفوجرافيك، والملصقات، وتصاميم الإعلانات.

البنية المعمارية، بالأرقام التي تهم

جدول التكوين في التقرير الفني هو النقطة التي يتوقف فيها الإصدار عن كونه بيانًا صحفيًا ويبدأ في كونه مواصفة. وتشير قيمة 5B إلى مولّد الانتشار وحده — محوّل أحادي المسار، بعمق 42 كتلة مشتركة، وعرض مخفي 3072، و24 رأس انتباه بحجم 128 بُعدًا لكل رأس، وشبكة تغذية أمامية بعرض 8192 تستخدم تنشيطات SiTU-GLU، وترميز موضعي دوراني رباعي المحاور يكون محوره الأول مخصصًا لمؤشر مرجعي، بحيث يمكن إضافة التوليد المشروط بالمرجع لاحقًا دون تغيير المخطط الموضعي.

ثم هناك الجزء الذي يستبعده وسم "5B" بصمت:

• مُرمِّز النص — Qwen3.5-9B، مجمّد، يُغذّي حالات الرموز المخفية في الطبقة النهائية بأبعاد 4096 عبر إسقاط خطي إلى 3072 بالإضافة إلى كتلتَي محوّل نصيّتين فقط. إن مُرمِّزًا بحجم 9B مربوطًا بمولِّد بحجم 5B يشكّل بصمةً أكبر بدرجة ملموسة مما يوحي به الرقم المعلن.

• VAE — VAE الخاص بـ FLUX.2، مُجمَّد ومحمَّل من FLUX.2-klein-4B، 32 قناة كامنة عند عامل تخفيض مكاني مقداره 8، مع رقع كامنة 2×2 تمنح خطوة صورة فعالة قدرها 16 بكسل. تشير بطاقة النموذج الخاصة بـ MOSS-Image إلى أنه يستخدم مفكّك الترميز الصغير FLUX.2.

• حجم التنزيل — يبلغ إجمالي مستودع SFT حوالي 27.2 غيغابايت، منه نحو 16.8 غيغابايت لمُشفِّر النص موزَّعة على أربع شُذَر، وحوالي 10.2 غيغابايت للمحوِّل موزَّعة على ثلاث. خطِّط للمُشفِّر، لا للشارة.

• سقف البرومبت — 4096 توكنًا في المرحلة النهائية من التدريب المسبق، بما يطابق ادعاء المورّد "حتى 4K من التوكنات". يجب أن تكون أبعاد الإخراج من مضاعفات العدد 16 الموجبة، مع توصية الدليل بواحد أو واحد ونصف أو اثنين ميجابكسل، ونطاق استقراء مدعوم من 0.25M (512×512) إلى 4M.

• الإعدادات الافتراضية لأخذ العينات — مطابقة التدفق بأويلر، 50 خطوة، CFG 3.0، shift 5.0، مع توجيه تخطي الطبقات على الفرع السالب عند الطبقة 22. يحتاج مسار التوجيه الافتراضي إلى تمريرتين أماميتين للمحوّل لكل خطوة، ولهذا فإن 50 خطوة ليست الإعداد الرخيص الذي يبدو عليه.

• التدريب — ثلاث مراحل تقدمية للدقة: 256 بكسل لمدة 2.1 مليون خطوة، 512 بكسل لمدة 2.1 مليون خطوة، ثم ما يقرب من 1024² لمدة 0.31 مليون خطوة، مع ارتفاع الحد الأقصى لعدد الرموز لكل عينة من 576 إلى 3,072 إلى 8,192. المجموعة هي مجموعة مشتقة من ReLAION تم تقليصها من حوالي 5 مليارات إلى 3 مليارات صورة عن طريق إزالة التكرار وإزالة الصور المولدة بالذكاء الاصطناعي، مع ذكر التقرير أنه لا يتم تطبيق أي تصفية إضافية — يتم الاحتفاظ بالصور التي تحتوي تعليقاتها التوضيحية على عيوب ووصف عيوبها، بدلاً من حذفها. التحسين هو مزيج هجين من Muon–AdamW، وتقرير الاستئصال الخاص بالبائع لنموذج بمعامل 1B يشير إلى خطوات أقل بنسبة 33.2% و28.6% للوصول إلى نفس الخسارة مقارنة بـ AdamW عند نقطتي تحقق. يُذكر أن التدريب استخدم منصات GPU غير متجانسة، وهو ادعاء حول توريد الأجهزة وليس حول النموذج، ولا يذكر التقرير أسماءها.

هناك أمر واحد يستحق الإشارة إليه قبل اختبارات الأداء

وحدة تحسين الأوامر — الجزء الذي يحوّل "تصميم إنفوجرافيك معرفي عن الكوالا باللغة الإنجليزية" إلى مواصفة كاملة للمحتوى والتخطيط — ليست نموذجًا صغيرًا مملوكًا للمورّد نفسه. يذكر التقرير بوضوح أن LayoutPE يستخدم G​PT-6 مع تعليمات مهام وحداتية عند الاستدلال، كما أن مهارة تحسين الأوامر المضمّنة في المستودع موصوفة بأنها مصممة لوكلاء من عائلة G​PT-6. لذلك فإن أقوى نتيجة شاملة من طرف إلى طرف أدناه ليست مخرجات نموذج واحد؛ بل هي خط أنابيب من نموذجين يعمل نصفه الخاص بالمواصفة عبر واجهة برمجة تطبيقات طرف آخر. إذا كنت تقرأ ترتيب Elo كمقياس خالص للمولِّد، فهو ليس كذلك.

جدول المعايير، ومن ألّفه

يتم تقييم MOSS-Image على معيارين يُشحنان مع الإصدار، نابعين من حجة المورّد نفسه بأن الاختبارات الحالية لا تقيس الشيء الذي يهمه. LongLongTextBench هو 240 مهمة عرض نص أدبي — 120 بالإنكليزية، و120 بالصينية، بمتوسط طول مستهدف يبلغ 1,339.8 حرفًا، أي نحو أحد عشر ضعف متوسط LongTextBench. RealLayoutArena هو 61 مهمة تصميم (20 ملصقًا، و20 رسمًا معلوماتيًا، و21 واجهة مستخدم) تُقيَّم عبر مقارنة بشرية زوجية عمياء وتُوفَّق على مقياس إيلو Bradley–Terry. وحيثما تظهر خطوط الأساس، فهي تشغيلات المورّد لنماذج أشخاص آخرين. كل رقم في هذا القسم مُبلَّغ من المورّد، وغير مُعاد إنتاجه، ولم يخضع أي منه لتدقيق مستقل.

في تغطية النص Mean-6 على LongLongTextBench، يسجّل MOSS-Image نتيجة 96.3 — أفضل رقم مفتوح الأوزان في جدول المورّد، متفوقًا بوضوح على 64.9 الخاصة بـ Qwen-Image-2512، كما أن درجاته في أطول الشروط هي 97.1 بالإنجليزية و92.4 بالصينية. الرقم الذي يُبقي الجدول صادقًا هو الصف الذي يعلوه: على معيار المورّد نفسه، وفي تشغيلات المورّد نفسها، GPT Image 2 يسجّل 99.0 وNano Banana Pro 96.6. وقد نشرت OpenMOSS جدولًا لا يزال فيه منافس يفوز، وهذا أمر له قيمته.

في اختبار 7Bench للتحكم في التخطيط، الفجوة أوسع كثيرًا — إذ يبلغ متوسط IoU على الأهداف المكتشفة 0.88 لـ MOSS-Image مقابل 0.44 لـ Ideogram 4.0، و0.33 لـ Nano Banana Pro وSeedream 5.0 Pro، و0.31 لـ Qwen Image 3.0 Pro و0.30 لـ GPT Image 2، مع Layout AUC قدره 0.70 مقابل مجال يتراوح بين 0.16 و0.20. إذا صمدت هذه الأرقام عند إعادة الإنتاج، فإن وضع الأجسام بدقة هو القدرة التي يمتلكها هذا النموذج فعلاً.

في اختبار RealLayoutArena من طرف إلى طرف، يستقر MOSS-Image عند 1698.70 Elo مع فاصل ثقة 95% يتراوح بين 1655.96 و1741.43 — في المرتبة الثانية إجمالًا، خلف GPT Image 2 عند 1844.35 وأمام Seedream 5.0 Pro (1661.16)، وQwen Image 3.0 Pro مع تحسين المطالبات (1614.84) وNano Banana Pro (1590.19). وعندما يقتصر التقييم على العمود الفقري وحده تحت مطالبات محسّنة باللغة الطبيعية ومشتركة، يأتي MOSS-Image أولًا عند 1807.34، متقدمًا على ERNIE Image عند 1748.51 وSenseNova-U1 عند 1689.23. ويُعدّ تحليل الاستئصال الخاص باستراتيجية المطالبات أكثر سطر فائدة في الورقة لأي شخص يخطط لاستخدامها: تسجّل مطالبات تخطيط JSON 1622.87، بينما تسجّل المطالبات باللغة الطبيعية 1506.20 على النظام نفسه. واجهة التخطيط ليست ميزة إضافية. إنها حيث يكمن الأداء.

من الجدير بتكرار تحفظين يوردهما التقرير ضد نفسه. يُوصف LongTextBench بأنه قريب من التشبّع بالنسبة للنماذج القوية الحالية، وهو ما يفسّره المزوّد بكونه سببًا لبناء اختبار أصعب بدلًا من الاعتماد على اختبار قديم. كما أن فترة الثقة الخاصة بـ Elo من طرف إلى طرف لا تتقاطع مع أي شيء، لكنها واسعة — 85 نقطة Elo — في ساحة من 61 مهمة يقيّمها مقيّمون بشريون.

تشغيله بنفسك، وما يترتب على ذلك من تكاليف

اليوم لا توجد واجهة برمجة تطبيقات تجارية لـ MOSS-Image يمكننا التحقق منها، وهي ليست في كتالوجنا الخاص — يخدم OrcaRouter أكثر من 200 طراز وMOSS-Image ليس أحدها، لذا لا ينبغي قراءة أي شيء هنا على أنه عرض منا له. ما هو موجود هو الاستضافة الذاتية: مسار Diffusers مع خط أنابيب مخصص (pipeline_moss_image، diffusers 0.38 أو أحدث، transformers 5.3 أو أحدث، torch 2.9 أو أحدث، Python 3.10+)، وتطبيق Gradio، وإضافة ComfyUI أصلية قابلة للتثبيت عبر ComfyUI Manager، مع وصف التكامل في مستودع ComfyUI الرسمي بأنه قيد التقدم. وهناك أيضًا مهارة مُحسّن الأوامر لأطر الوكلاء، وهي تُحوّل مسودات الإحداثيات البكسلية إلى صيغة JSON ذات الإحداثيات المتمركزة الخاصة بالنموذج دون استدعاء أي خدمة صور — أداة صغيرة ومفيدة حقًا.

لقد أنجز المجتمع بالفعل الجزء الذي لم يفعله المورّد. خلال يوم تقريبًا من الإصدار، ظهرت بنيات من أطراف ثالثة على Hugging Face: حزمة Comfy-Org للنموذج، وبنية Kijai تجريبية، وتكميمات GGUF، وتحويلات INT8 وINT4 ConvRot، وبنية W4A8 OrbitQuant، والأكثر فائدة لأي شخص لا يملك مركز بيانات — LoRA DMD من 4 خطوات ونسخة مُقطَّرة من 8 خطوات تهاجمان الإعداد الافتراضي ذا 50 خطوة مباشرةً. لا شيء من هذه مدعوم من المورّد ولا شيء منها مُختبَر بمعايير، لكنها الإشارة المعتادة إلى أن إصدارًا قد نزل لدى أشخاص ينوون استخدامه لا مجرد الاقتباس منه.

هنا تبرّر طبقة التوجيه مكانتها، ويجدر بنا أن نكون دقيقين بشأن الحدود. نحن لا نستضيف MOSS-Image، لذا لا يمكننا تقديمه ولن نلمّح إلى خلاف ذلك. ما يمكننا فعله هو النصف الآخر من المقارنة: إذا كنت ترغب في قياس MOSS-Image المستضاف ذاتيًا مقابل نماذج صور مستضافة، فإن الجانب المستضاف يمكن الوصول إليه عبر مفتاح API واحد على كتالوجنا بسعر قائمة المزوّد مع هامش ربح 0% — لذا فإن تغيير سعر المورّد لنموذج مستضاف يسري هنا في اليوم نفسه، وليس وفق دورة عقود ربع سنوية — مع تحويل تلقائي عند الفشل عبر المزوّدين ولغة توجيه DSL تتيح لك وضع عدة نماذج خلف نقطة نهاية واحدة. لا ينبغي أن يتطلب اختبار نقطة تحقق غير مُثبتة مقابل أخرى مستأجرة وجود SDK ثانٍ، وهذا هو الادعاء الوحيد المطروح.

من الذي ينبغي أن يتحرك في هذا، ومن الذي ينبغي أن ينتظر؟

إذا كان عملك يتضمن توليد صور تحتوي على نص صحيح ومقروء ومتعدد اللغات في مواضع محددة — ملصقات، أو نماذج أولية للواجهات، أو بطاقات معلومات، أو أي شيء يكون فيه التخطيط هو المُخرَج المطلوب وليس مصادفة سعيدة — فإن MOSS-Image هو الإصدار مفتوح الأوزان الأكثر توجُّهًا مباشرةً إلى هذا النوع من المهام خلال الشهر الماضي، كما أن ترخيص Apache 2.0 يعني أن المراجعة التجارية المعتادة ستكون قصيرة. ابدأ من نقطة تفتيش SFT، وتوقّع أن تقدّم JSON مُهيكلًا بدلًا من نص نثري، واحسب ضمن ميزانيتك 16.8 GB الخاصة بالمُشفِّر قبل أن تحسب ميزانية المُولِّد.

انتظر إذا كنت بحاجة إلى نقطة نهاية قابلة للاستدعاء هذا الأسبوع، أو إذا كنت تستأجر السعة بدلًا من امتلاكها، أو إذا أردت رقمًا مستقلًا قبل أن تلتزم. المعمارية تصميم نظيف أحادي المسار مع مُرمِّز مُجمَّد وVAE مُجمَّد، ما سيجعل تشغيله مباشرًا — لكن 50 خطوة بمرورين أماميين لكل خطوة يمثل تكلفة خدمة حقيقية، وشارة "5B" تقلّل من حجم التنزيل، والنتائج الرئيسية أنتجها المورّد على معايير المورّد نفسه باستخدام مرحلة تخمين تعمل على نموذج طرف ثالث. انتظر إعادة إنتاج، أو أن يُدمج مسار vLLM-Omni في شيء يمكنك تثبيته.

سؤالان لا يحسمهما هذا الإصدار

هل يبرر التحكم في تخطيط النموذج تغييرًا في سير العمل؟

يعتمد ذلك على ما إذا كان بإمكانك التعبير عن مقصدك في صورة صناديق وسلاسل نصية. يستخدم JSON التخطيط إحداثيات بكسل مطلقة تُقاس من مركز اللوحة، مع bbox_format "yxyx"، وهو أمر مخالف لاصطلاحات الإحداثيات النسبية التي تستخدمها عدة أنظمة تخطيط حديثة أخرى — ويرى المورّد أن وحدات البكسل المطلقة تناسب العمل متعدد الدقات على نحو أفضل. ويعني تبنّيه إعادة كتابة أي منطق للمطالبات لديك بالفعل، وفجوة 7Bench الخاصة بالمورّد نفسه (0.88 mIoU مقابل مجال عند 0.30–0.44) هي الدليل الوحيد على أن إعادة الكتابة مجدية. وقد قاسها الأشخاص الذين كتبوا المقياس.

هل قصة الضبط الدقيق (Fine-Tuning) مفتوحة كما يوحي الترخيص؟

غير معروف جزئيًا. الأوزان وشيفرة خط الأنابيب مرخّصة بموجب Apache 2.0، وقد تُرِك Base عمدًا غير مقطّر كي يكون لدى LoRAs ما تتشبث به، وهذا التزام حقيقي. لكن وصفة التدريب في التقرير — منهج الدقة المرحلي، وقرارات التصفية في ReLAION، وتقسيم Muon–AdamW — هي توثيق، وليست بيانات منشورة، كما أن إرشادات الضبط الدقيق حتى الآن تتألف من تعليمات محددة (أبقِ مُرمِّز النص مجمّدًا؛ لا تضبطه ضبطًا دقيقًا) إضافة إلى برومبت للتسميات التوضيحية. أما الادعاء بأن SFT البسيط يفتح الباب للتوليد المعتمد على المرجع وإخراج GIF، فقد ورد كاكتشاف مقرون بعبارة «ابقوا متابعين»، لا كنتيجة يمكنك التحقق منها اليوم.

ثلاثة أشياء ستنقل MOSS-Image من مستودع مثير للإعجاب إلى خيار مستقر، ولا يوجد أي منها بعد: تشغيل مستقل لـ LongLongTextBench أو RealLayoutArena من قبل أي شخص غير المؤلفين، وتصحيح vLLM-Omni مدموج في إصدار موسوم مع أدلة تطابق المخرجات التي طلبها مراجعه، ونقطة تحقق مقطّرة بعدد خطوات قليل مع مباركة من مورّد بدلاً من تحويلات المجتمع فقط. حتى ذلك الحين، الملخص الدقيق هو هذا — محوّل انتشار بحجم 5B موثّق جيدًا بواجهة نص وتخطيط قوية على نحو غير معتاد، ورخصة متساهلة تغطي الشيفرة فضلاً عن الأوزان، وتصدّر لمعايير الأداء على اختبارات كتبها بنفسه والمركز الثاني في المقارنة من البداية إلى النهاية، وقصة خدمة حقيقية لكنها لا تزال عالقة في طلب سحب مفتوح.

إخفاقات الذكاء الاصطناعي الموثقة وحوادث الوكلاء الكامنة وراء إصدارات مثل هذا الإصدار تُجمع في أرشيف حوادث الذكاء الاصطناعي OrcaRouter، حيث يحمل كل مدخل مصادره الخاصة ودرجة خطورته ودرجة ثقته وعلامة كونه محل نزاع.