MOSS-Image ist da: OpenMOSS hat ein 5B-DiT veröffentlicht, das Bounding Boxes im Prompt akzeptiert

Das heikle Detail hinter dem Start von MOSS-Image ist, dass das Lauteste, was darüber gesagt wurde, noch nicht ganz stimmt. Am 17. Oktober gratulierte vLLMs eigener Account dem OpenMOSS-Team zur Open-Source-Veröffentlichung und erklärte, man sei „stolz darauf, MOSS-Image am Day 0 mit vLLM-Omni zu unterstützen“. Der Pull Request, der das Modell tatsächlich zu dieser Runtime hinzufügt – [Modell] MOSImage Text-zu-Bild mit SLG hinzufügen, 3.605 hinzugefügte Zeilen über 25 Dateien – wurde am 14. Oktober geöffnet und ist weiterhin offen, wobei der Reviewer Nachweise zur Ausgabeparität gegenüber einer gepinnten Referenzimplementierung anfordert. Die neueste veröffentlichte Version von vLLM-Omni ist v0.31.0rc1 vom 6. Oktober. Es gibt also keine ausgelieferte Version von vLLM-Omni, die dieses Modell enthält, und die ehrliche Version der Day-0-Behauptung ist, dass der Serving-Pfad als Branch existiert, den man bauen kann, nicht als Paket, das man installieren kann. Diese Unterscheidung ist hier wichtiger als sonst, denn MOSS-Image ist ein wirklich interessantes Release, dessen eigentlicher Inhalt in den Gewichten steckt: MOSS-Image-Base und MOSS-Image-SFT, veröffentlicht am 16. Oktober 2026 unter Apache 2.0, aufgebaut um einen kompakten Diffusion-Transformer, der strukturierte JSON-Layouts als Prompt akzeptiert.

Die Kurzfassung für alle, die nur die Eckdaten wollen. OpenMOSS — das Labor hinter der MOSS-Produktlinie für Language- und Speech-Modelle, in Zusammenarbeit mit MOSI Intelligence und akademischen Partnern — veröffentlichte einen von Grund auf trainierten 5B-Single-Stream-Diffusion-Transformer, zusammen mit einem eingefrorenen Qwen3.5-9B-Textencoder und einem eingefrorenen FLUX.2-VAE, unter einer permissiven Lizenz, die sowohl die Gewichte als auch den Inferenzcode umfasst. Sein Verkaufsargument ist nicht die rohe Bildqualität; es ist, dass man ihm ein JSON-Objekt mit Bounding Boxes, wörtlichen Textstrings und Typografie-Hinweisen übergeben kann und es sich daran hält. Die dazu angegebenen Benchmark-Zahlen stammen vom Anbieter selbst und wurden auf zwei Benchmarks gemessen, die der Anbieter ebenfalls selbst entwickelt hat. Das ist kein Ausschlusskriterium, aber es bedeutet, dass man sie als internes Scoreboard eines Labors lesen sollte und nicht als Ligatabelle.

Was tatsächlich ausgeliefert wurde, und wo

Die Artefakte sind unkompliziert und überprüfbar. Auf Hugging Face, OpenMOSS-Team/MOSS-Image-Base und OpenMOSS-Team/MOSS-Image-SFT tragen die Gewichte, mit ModelScope-Spiegeln für beide, einem auf einer einzelnen A10G laufenden Gradio Space und einem GitHub-Repository, das die Pipeline, das ComfyUI-Plugin und einen technischen Bericht enthält. Die Projektseite unter openmoss.ai trägt dasselbe Datum: 16. Oktober 2026 — Einführung von MOSS-Image-Base, mit verfügbarem Code und Modellgewichten.

Zwei Checkpoints, eine Architektur. Base ist das vortrainierte Modell; SFT ist auf kuratierten Daten feinabgestimmt. Das eigene Vergleichsbeispiel des Anbieters zeigt, dass SFT eine engere Textgruppierung und ein organisierteres Layout erzeugt, was ungefähr dem entspricht, was man von einem auf kuratierten Daten feinabgestimmten Basismodell erwarten würde, das bewusst nicht destilliert wurde. Die Base-Karte stellt ausdrücklich fest, dass es „kein Post-Training oder keine Destillation von Inferenzparametern wie CFG durchlaufen hat“, wobei als Grund angegeben wird, Trainingsinformationen zu erhalten und das Modell einfacher für das Trainieren von LoRAs zu machen. Die praktische Konsequenz ist, dass Base der bessere Host für Fine-Tuning und die schlechtere Standardwahl für beiläufiges Prompting ist.

Die Lizenzierung ist Apache 2.0 für die Gewichte und für den eigenständigen Pipeline-Code – keine Umsatzschwelle, keinen Anhang zur zulässigen Nutzung, keine separate kommerzielle Stufe. Für ein Modell, dessen Aushängeschild die Fähigkeit ist, lesbaren Text in Bilder zu rendern, ist das eine folgenreichere Tatsache als die Benchmark-Tabelle, denn die Textdarstellung ist genau die Fähigkeit, die in kommerzieller Arbeit auftaucht: Produkt-Mockups, UI-Entwürfe, Infografiken, Poster, Anzeigenlayouts.

Die Architektur – in den Zahlen, auf die es ankommt

Die Konfigurationstabelle des technischen Berichts ist der Punkt, an dem die Veröffentlichung aufhört, eine Pressemitteilung zu sein, und beginnt, eine Spezifikation zu sein. Die Angabe 5B bezieht sich allein auf den Diffusionsgenerator – einen Single-Stream-Transformer, 42 Joint-Blöcke tief, Hidden-Breite 3072, 24 Attention-Heads mit je 128 Dimensionen, ein 8192 breites Feed-Forward mit SiTU-GLU-Aktivierungen und eine vierachsige Rotary-Position-Encoding, deren erste Achse für einen Referenzindex reserviert ist, sodass referenzkonditionierte Generierung später hinzugefügt werden kann, ohne das Positionsschema zu ändern.

Dann gibt es da den Teil, den die Bezeichnung „5B“ stillschweigend ausschließt:

• Text-Encoder — Qwen3.5-9B, eingefroren, der Hidden States der Token der letzten Schicht mit Dimension 4096 über eine lineare Projektion auf 3072 plus zwei reine Text-Transformer-Blöcke einspeist. Ein an einen 5B-Generator angeflanschter 9B-Encoder ist ein wesentlich größerer Footprint, als die Zahl in der Überschrift vermuten lässt.

• VAE — das VAE von FLUX.2, eingefroren und aus FLUX.2-klein-4B geladen, mit 32 latenten Kanälen bei einem räumlichen Downsampling-Faktor von 8, wobei 2×2-latente Patches eine effektive Bildschrittweite von 16 Pixeln ergeben. Die eigene Modellkarte von MOSS-Image vermerkt, dass es den FLUX.2 small decoder verwendet.

• Download-Größe — das SFT-Repository umfasst insgesamt etwa 27,2 GB, wovon der Text-Encoder ungefähr 16,8 GB verteilt auf vier Shards und der Transformer rund 10,2 GB verteilt auf drei Shards ausmacht. Planen Sie mit dem Encoder, nicht mit dem Badge.

• Prompt-Obergrenze — 4096 Tokens in der letzten Phase des Pretrainings, übereinstimmend mit der Herstellerangabe „bis zu 4K Tokens“. Ausgabedimensionen müssen positive Vielfache von 16 sein, wobei der Leitfaden ein, eineinhalb oder zwei Megapixel empfiehlt und einen unterstützten Extrapolationsbereich von 0,25 M (512×512) bis 4 M.

• Sampling-Standardwerte — Flow-Matching-Euler, 50 Schritte, CFG 3.0, Shift 5.0, mit Skip-Layer-Guidance auf dem negativen Zweig in Layer 22. Der standardmäßige Guidance-Pfad benötigt zwei Vorwärtsdurchläufe des Transformers pro Schritt, weshalb 50 Schritte nicht so günstig sind, wie es klingt.

• Training – drei progressive Auflösungsstufen: 256 px für 2,1 M Schritte, 512 px für 2,1 M Schritte, dann ungefähr 1024² für 0,31 M Schritte, wobei die maximale Anzahl an Tokens pro Sample von 576 über 3.072 auf 8.192 steigt. Der Korpus ist ein von ReLAION abgeleiteter Datensatz, der durch Deduplizierung und Entfernung von KI-Bildern von etwa 5 Milliarden auf 3 Milliarden Bilder reduziert wurde, wobei der Bericht angibt, dass keine weitere Filterung angewendet wird – Bilder, deren Captions Artefakte enthalten, werden beibehalten und ihre Artefakte beschrieben, anstatt verworfen zu werden. Die Optimierung ist ein hybrides Muon–AdamW, und die eigene 1B-Parameter-Ablation des Anbieters berichtet von 33,2 % bzw. 28,6 % weniger Schritten bis zum selben Loss als AdamW an zwei Checkpoints. Es wird angegeben, dass für das Training heterogene GPU-Plattformen verwendet wurden, was eine Aussage über die Hardware-Beschaffung und nicht über das Modell ist, und der Bericht nennt sie nicht.

Eine Sache, die vor den Benchmarks angemerkt werden sollte

Das Prompt-Enhancement-Modul — der Teil, der aus „entwirf eine englischsprachige Wissensinfografik über Koalas“ eine vollständige Inhalts- und Layout-Spezifikation verwandelt — ist kein kleines Modell des Anbieters selbst. Der Bericht stellt unmissverständlich fest, dass LayoutPE G​PT-6 mit modularen Aufgabenanweisungen zur Inferenzzeit verwendet, und der im Repository mitgelieferte Prompt-Enhancer-Skill wird dahingehend beschrieben, dass er für Agenten der G​PT-6-Familie konzipiert wurde. Das stärkste End-to-End-Ergebnis weiter unten ist also nicht die Ausgabe eines einzelnen Modells; es ist eine Zwei-Modell-Pipeline, deren Spezifikationshälfte über die API eines Drittanbieters läuft. Wenn Sie die Elo-Rangliste als reines Maß für den Generator betrachtet haben, dann ist sie das nicht.

Die Benchmark-Tabelle und wer sie verfasst hat

MOSS-Image wird anhand von zwei Benchmarks bewertet, die mit dem Release ausgeliefert werden und aus dem Argument des Anbieters selbst hervorgegangen sind, dass bestehende Tests nicht das messen, worauf es ihm ankommt. LongLongTextBench umfasst 240 Aufgaben zum Rendern literarischer Texte – 120 englische, 120 chinesische, bei einer mittleren Ziellänge von 1.339,8 Zeichen, rund elfmal so hoch wie der Durchschnitt von LongTextBench. RealLayoutArena umfasst 61 Designaufgaben (20 Poster, 20 Infografiken, 21 Benutzeroberflächen), die durch blinde paarweise menschliche Vergleiche beurteilt und auf eine Bradley–Terry-Elo-Skala abgebildet werden. Wo Baselines auftauchen, handelt es sich um die Läufe des Anbieters mit fremden Modellen. Jede Zahl in diesem Abschnitt stammt vom Anbieter, ist nicht reproduziert, und nichts davon wurde unabhängig geprüft.

Bei der Mean-6-Textabdeckung von LongLongTextBench erzielt MOSS-Image 96,3 — der beste Open-Weight-Wert in der Tabelle des Anbieters, deutlich vor den 64,9 von Qwen-Image-2512, und seine Longest-Condition-Werte liegen bei 97,1 für Englisch und 92,4 für Chinesisch. Die Zahl, die die Tabelle ehrlich hält, ist die Zeile darüber: auf dem eigenen Benchmark des Anbieters, bei den eigenen Läufen des Anbieters, GPT Image 2 erzielt 99,0 und Nano Banana Pro 96,6. OpenMOSS veröffentlichte eine Tabelle, in der ein Wettbewerber immer noch gewinnt, was etwas wert ist.

Bei der Layout-Steuerung von 7Bench ist der Abstand viel größer — die mittlere IoU über erkannte Zielobjekte beträgt 0,88 für MOSS-Image gegenüber 0,44 für Ideogram 4.0, 0,33 für Nano Banana Pro und Seedream 5.0 Pro, 0,31 für Qwen Image 3.0 Pro und 0,30 für GPT Image 2, mit einer Layout-AUC von 0,70 gegenüber einem Feld, das von 0,16 bis 0,20 reicht. Wenn diese Zahlen einer Reproduktion standhalten, ist präzise Objektplatzierung die Fähigkeit, die dieses Modell tatsächlich besitzt.

Im End-to-End-Test auf RealLayoutArena erreicht MOSS-Image 1698,70 Elo mit einem 95%-Konfidenzintervall von 1655,96 bis 1741,43 — insgesamt auf Platz zwei, hinter GPT Image 2 mit 1844,35 und vor Seedream 5.0 Pro (1661,16), Qwen Image 3.0 Pro mit Prompt-Enhancement (1614,84) und Nano Banana Pro (1590,19). Wird der Vergleich auf das Backbone allein unter gemeinsamen erweiterten natürlichsprachlichen Prompts beschränkt, liegt MOSS-Image mit 1807,34 auf Platz eins, vor ERNIE Image mit 1748,51 und SenseNova-U1 mit 1689,23. Die Prompt-Strategie-Ablation ist die nützlichste Aussage im Paper für alle, die planen, es zu nutzen: JSON-Layout-Prompts erreichen 1622,87, natürlichsprachliche Prompts 1506,20 auf demselben System. Die Layout-Schnittstelle ist keine Zusatzfunktion. Dort steckt die Performance.

Zwei Vorbehalte, die der Bericht gegen sich selbst erhebt, verdienen es, wiederholt zu werden. LongTextBench wird als nahe an der Sättigung für starke aktuelle Modelle beschrieben, was der Anbieter damit erklärt, warum er einen schwierigeren Test gebaut hat, statt sich auf einem alten auszuruhen. Und das Konfidenzintervall für das End-to-End-Elo überschneidet sich mit nichts, ist aber breit — 85 Elo-Punkte — in einer Arena mit 61 Aufgaben, die von menschlichen Bewertern beurteilt wird.

Selbst betreiben, und was das kostet

Heute gibt es keine kommerzielle API für MOSS-Image, die wir verifizieren können, und sie ist nicht in unserem eigenen Katalog – OrcaRouter bedient über 200 Modelle, und MOSS-Image ist keines davon, daher sollte nichts hier als ein Angebot von uns verstanden werden. Was existiert, ist Self-Hosting: der Diffusers-Weg mit einer benutzerdefinierten Pipeline (pipeline_moss_image, diffusers 0.38 oder neuer, transformers 5.3 oder neuer, torch 2.9 oder neuer, Python 3.10+), eine Gradio-App und ein natives ComfyUI-Plugin, das über den ComfyUI Manager installierbar ist, wobei die Integration in das offizielle ComfyUI-Repository als in Arbeit beschrieben wird. Es gibt außerdem einen Prompt-Enhancer-Skill für Agent-Frameworks, der Pixelkoordinaten-Entwürfe in das zentrierte Koordinaten-JSON-Format des Modells kompiliert, ohne einen Bilddienst aufzurufen – ein kleines, wirklich nützliches Stück Tooling.

Die Community hat bereits den Teil erledigt, den der Anbieter nicht übernommen hat. Innerhalb von rund einem Tag nach der Veröffentlichung erschienen auf Hugging Face Builds von Drittanbietern: eine Comfy-Org-Paketierung des Modells, ein experimenteller Kijai-Build, GGUF-Quantisierungen, INT8- und INT4-ConvRot-Konvertierungen, ein W4A8-OrbitQuant-Build und – am nützlichsten für alle ohne Rechenzentrum – eine 4-Schritt-DMD-LoRA und eine destillierte 8-Schritt-Variante, die die 50-Schritt-Standardeinstellung direkt angehen. Nichts davon wird vom Anbieter unterstützt, und nichts davon ist gebenchmarkt, aber sie sind das normale Signal dafür, dass eine Veröffentlichung bei Leuten angekommen ist, die sie nutzen wollen, statt sie zu zitieren.

Hier zahlt sich eine Routing-Schicht aus, und es lohnt sich, die Grenze präzise zu benennen. Wir hosten MOSS-Image nicht, können es also nicht bereitstellen und werden nichts anderes implizieren. Was wir tun können, ist die andere Hälfte des Vergleichs: Wenn Sie ein selbst gehostetes MOSS-Image gegen gehostete Bildmodelle messen möchten, ist die gehostete Seite über einen einzigen API-Schlüssel in unserem Katalog zum Listenpreis des Anbieters mit 0 % Aufschlag erreichbar – eine Preisänderung eines Anbieters bei einem gehosteten Modell ist hier also am selben Tag live, nicht im vierteljährlichen Vertragszyklus – mit automatischem Failover über Anbieter hinweg und einer Routing-DSL, mit der Sie mehrere Modelle hinter einem einzigen Endpunkt platzieren können. Einen unerprobten Checkpoint gegen einen gemieteten zu testen, sollte kein zweites SDK erfordern, und das ist die einzige Behauptung, die hier aufgestellt wird.

Wer sollte diesbezüglich aktiv werden, und wer sollte abwarten?

Wenn Ihre Arbeit das Generieren von Bildern umfasst, die korrekten, lesbaren, mehrsprachigen Text an bestimmten Positionen enthalten – Poster, Interface-Mockups, Informationskarten, alles, bei dem das Layout das eigentliche Ergebnis und nicht ein glücklicher Zufall ist –, dann ist MOSS-Image die am direktesten darauf ausgerichtete Open-Weights-Veröffentlichung des letzten Monats, und die Apache-2.0-Lizenz bedeutet, dass die übliche kommerzielle Prüfung kurz ausfällt. Beginnen Sie mit dem SFT-Checkpoint, rechnen Sie damit, eher strukturiertes JSON als Fließtext bereitzustellen, und kalkulieren Sie die 16,8 GB des Encoders ein, bevor Sie den Generator einplanen.

Warte, wenn du diese Woche einen aufrufbaren Endpunkt brauchst, wenn du Kapazität mietest statt sie zu besitzen, oder wenn du eine unabhängige Zahl willst, bevor du dich festlegst. Die Architektur ist ein sauberes Single-Stream-Design mit einem eingefrorenen Encoder und einem eingefrorenen VAE, was sie unkompliziert ausführbar macht — aber 50 Schritte mit zwei Vorwärtsdurchläufen pro Schritt sind echte Serving-Kosten, das „5B“-Label untertreibt den Download, und die Headline-Werte wurden vom Anbieter auf den eigenen Benchmarks des Anbieters erzeugt, wobei eine Spezifikationsstufe zum Einsatz kam, die auf einem Drittanbieter-Modell läuft. Warte auf eine Reproduktion oder darauf, dass der vLLM-Omni-Pfad in etwas gemergt wird, das du installieren kannst.

Zwei Fragen, die dieses Release nicht klärt

Rechtfertigt die Layoutsteuerung des Modells eine Workflow-Änderung?

Das hängt davon ab, ob Sie Ihre Absicht als Boxen und Strings ausdrücken können. Das Layout-JSON verwendet absolute Pixelkoordinaten, gemessen vom Mittelpunkt der Leinwand, mit bbox_format "yxyx", was anders ist als die relativen Koordinatenkonventionen, die mehrere andere aktuelle Layout-Systeme verwenden – der Anbieter argumentiert, dass absolute Pixel besser für Multi-Resolution-Arbeit geeignet sind. Es zu übernehmen bedeutet, jede Prompt-Logik, die Sie bereits haben, neu zu schreiben, und die 7Bench-Lücke des Anbieters selbst (0,88 mIoU gegenüber einem Feld bei 0,30–0,44) ist der einzige Beleg dafür, dass sich das Umschreiben lohnt. Sie wurde von den Leuten gemessen, die die Metrik geschrieben haben.

Ist die Fine-Tuning-Story so offen, wie die Lizenz es impliziert?

Teilweise unbekannt. Die Gewichte und der Pipeline-Code stehen unter Apache 2.0, und Base wurde bewusst nicht destilliert, damit LoRAs etwas zum Festbeißen hätten, was ein echtes Bekenntnis ist. Aber das Trainingsrezept des Berichts – das gestufte Auflösungs-Curriculum, die ReLAION-Filterentscheidungen, die Muon–AdamW-Aufteilung – ist Dokumentation, keine veröffentlichten Daten, und die Fine-Tuning-Anleitung besteht bisher aus konkreten Anweisungen (den Text-Encoder eingefroren halten; ihn nicht fine-tunen) plus einem Captioning-Prompt. Die Behauptung, dass einfaches SFT die referenzbasierte Generierung und GIF-Ausgabe freischaltet, wird als Befund mit einem angehängten „Stay tuned“ dargestellt, nicht als ein Ergebnis, das man heute überprüfen kann.

Drei Dinge würden MOSS-Image von einem beeindruckenden Repository zu einer etablierten Wahl machen, und keines davon existiert bisher: ein unabhängiger Durchlauf von LongLongTextBench oder RealLayoutArena durch jemanden, der nicht zu den Autoren gehört, der in eine getaggte Version gemergte vLLM-Omni-Patch mit den Nachweisen zur Ausgabeparität, die sein Reviewer gefordert hat, und ein destillierter Few-Step-Checkpoint mit Segen eines Anbieters statt nur Community-Konvertierungen. Bis dahin lautet die treffende Zusammenfassung so – ein gut dokumentierter 5B-Diffusion-Transformer mit einer ungewöhnlich starken Text-und-Layout-Schnittstelle, einer permissiven Lizenz, die sowohl den Code als auch die Gewichte abdeckt, Benchmark-Führerschaft bei Tests, die er selbst geschrieben hat, und zweiter Platz im End-to-End-Vergleich, sowie eine Serving-Story, die real ist, aber noch in einem offenen Pull Request steckt.

Die dokumentierten KI-Ausfälle und Agent-Vorfälle hinter Veröffentlichungen wie dieser werden gesammelt in dem OrcaRouter AI Incident Archive, wo jeder Eintrag eigene Quellen, Schweregrad, Konfidenzstufe und eine Kennzeichnung als strittig enthält.