MOSS-Image ya está aquí: OpenMOSS lanzó un DiT de 5B que acepta cuadros delimitadores en el prompt

El detalle incómodo detrás del lanzamiento de MOSS-Image es que lo más sonado que se ha dicho al respecto todavía no es del todo cierto. El 17 de octubre, la propia cuenta de vLLM felicitó al equipo de OpenMOSS por el lanzamiento de código abierto y dijo que estaba "orgullosa de apoyar MOSS-Image el Día 0 con vLLM-Omni". El pull request que realmente añade el modelo a ese runtime — [Modelo] Añadir MOSImage de texto a imagen con SLG, 3.605 líneas añadidas en 25 archivos — se abrió el 14 de octubre y sigue abierto, y el revisor pide evidencia de paridad de salida frente a una implementación de referencia fijada. La versión publicada más reciente de vLLM-Omni es v0.31.0rc1, del 6 de octubre. Así que ninguna versión distribuida de vLLM-Omni contiene este modelo, y la versión honesta de la afirmación del Día 0 es que la ruta de servicio existe como una rama que puedes compilar, no como un paquete que puedes instalar. Esa distinción importa más de lo habitual aquí, porque MOSS-Image es un lanzamiento genuinamente interesante cuyo contenido real está en los pesos: MOSS-Image-Base y MOSS-Image-SFT, publicados el 16 de octubre de 2026 bajo Apache 2.0, construidos en torno a un transformer de difusión compacto que acepta layouts JSON estructurados como prompt.

La versión resumida para quien quiera hacerse una idea. OpenMOSS —el laboratorio detrás de la línea de lenguaje y voz MOSS, que trabaja con MOSI Intelligence y socios académicos— lanzó un transformador de difusión de flujo único de 5B entrenado desde cero, acompañado de un codificador de texto Qwen3.5-9B congelado y un VAE FLUX.2 congelado, bajo una licencia permisiva que cubre tanto los pesos como el código de inferencia. Su argumento de venta no es la calidad de imagen bruta; es que puedes darle un objeto JSON que contenga cuadros delimitadores, cadenas de texto literales y notas tipográficas, y los respetará. Las cifras de benchmark que lo acompañan son del propio proveedor, medidas en dos benchmarks que el proveedor también creó. Eso no lo descalifica, pero sí implica que deberías leerlas como el marcador interno de un laboratorio en lugar de como una tabla de clasificación.

Qué se lanzó realmente y dónde

Los artefactos son sencillos y verificables. En Hugging Face, OpenMOSS-Team/MOSS-Image-Base y OpenMOSS-Team/MOSS-Image-SFT contienen los pesos, con réplicas en ModelScope para ambos, un Space de Gradio ejecutándose en una sola A10G, y un repositorio de GitHub que alberga el pipeline, el plugin de ComfyUI y un informe técnico. La página del proyecto en openmoss.ai marca la misma fecha: 16 de octubre de 2026 — Presentamos MOSS-Image-Base, con código y pesos del modelo disponibles.

Dos puntos de control, una arquitectura. Base es el modelo preentrenado; SFT está ajustado con datos seleccionados. El propio ejemplo comparativo del proveedor muestra que SFT produce una agrupación de texto más compacta y una composición más ordenada, que es más o menos lo que cabría esperar de un ajuste con datos seleccionados de un modelo base que se dejó deliberadamente sin destilar. La ficha de Base dice explícitamente que «no se ha sometido a ningún postentrenamiento ni destilación de parámetros de inferencia como CFG», y la razón aducida es preservar la información de entrenamiento y facilitar el entrenamiento de LoRAs con el modelo. La consecuencia práctica es que Base es el mejor anfitrión para el ajuste fino y el peor valor predeterminado para el prompting ocasional.

La licencia es Apache 2.0 tanto para los pesos como para el código independiente del pipeline: sin umbral de ingresos, sin anexo de uso aceptable, sin nivel comercial aparte. Para un modelo cuya capacidad más destacada es renderizar texto legible en imágenes, ese es un hecho más trascendente que la tabla de benchmarks, porque el renderizado de texto es exactamente la capacidad que aparece en el trabajo comercial: maquetas de productos, composiciones de interfaz, infografías, pósteres, diseños publicitarios.

La arquitectura, en las cifras que importan

La tabla de configuración del informe técnico es donde el lanzamiento deja de ser una nota de prensa y empieza a ser una especificación. La cifra de 5B se refiere únicamente al generador de difusión: un transformer de flujo único, con 42 bloques conjuntos de profundidad, ancho oculto de 3072, 24 cabezas de atención de 128 dimensiones cada una, un feed-forward de 8192 de ancho que usa activaciones SiTU-GLU, y una codificación posicional rotatoria de cuatro ejes cuyo primer eje está reservado para un índice de referencia, de modo que la generación condicionada por referencia pueda añadirse más adelante sin cambiar el esquema posicional.

Luego está la parte que la etiqueta "5B" excluye silenciosamente:

• Codificador de texto — Qwen3.5-9B, congelado, que alimenta los estados ocultos de tokens de la capa final en dimensión 4096 mediante una proyección lineal a 3072 más dos bloques transformer solo de texto. Un codificador de 9B acoplado a un generador de 5B implica una huella significativamente mayor de lo que sugiere la cifra titular.

• VAE — el VAE de FLUX.2, congelado y cargado desde FLUX.2-klein-4B, 32 canales latentes con un factor de submuestreo espacial de 8, con parches latentes de 2×2 que dan un paso de imagen efectivo de 16 píxeles. La propia tarjeta de modelo de MOSS-Image señala que utiliza el decodificador pequeño de FLUX.2.

• Tamaño de descarga — el repositorio SFT totaliza unos 27,2 GB, de los cuales el codificador de texto es de aproximadamente 16,8 GB repartidos en cuatro fragmentos y el transformer de alrededor de 10,2 GB repartidos en tres. Planifica en función del codificador, no de la insignia.

• Límite de prompt — 4096 tokens en la etapa final de preentrenamiento, coincidiendo con la afirmación del proveedor de "hasta 4K tokens". Las dimensiones de salida deben ser múltiplos positivos de 16, y la guía recomienda uno, uno y medio o dos megapíxeles, con un rango de extrapolación soportado de 0,25 M (512×512) a 4 M.

• Valores predeterminados de muestreo: Euler con flow-matching, 50 pasos, CFG 3.0, shift 5.0, con skip-layer guidance en la rama negativa en la capa 22. La ruta de guía predeterminada necesita dos pasadas forward del transformer por paso, y por eso 50 pasos no son la configuración barata que parece.

• Entrenamiento — tres etapas progresivas de resolución: 256 px durante 2,1 M de pasos, 512 px durante 2,1 M de pasos y luego aproximadamente 1024² durante 0,31 M de pasos, con el máximo de tokens por muestra aumentando de 576 a 3072 y a 8192. El corpus es un conjunto derivado de ReLAION, recortado de unos 5000 millones a 3000 millones de imágenes mediante deduplicación y eliminación de imágenes de IA; el informe afirma que no se aplica ningún filtrado adicional: las imágenes cuyas descripciones contienen artefactos se conservan y sus artefactos se describen, en lugar de descartarlas. La optimización es un híbrido Muon–AdamW, y la propia ablación de 1000 millones de parámetros del proveedor informa de un 33,2 % y un 28,6 % menos de pasos para alcanzar la misma pérdida que AdamW en dos puntos de control. Se afirma que el entrenamiento utilizó plataformas de GPU heterogéneas, lo cual es una afirmación sobre el suministro de hardware más que sobre el modelo, y el informe no las nombra.

Una cosa que conviene señalar antes de los benchmarks

El módulo de mejora de prompts —la pieza que convierte «diseña una infografía de conocimiento sobre koalas en inglés» en una especificación completa de contenido y diseño— no es un modelo pequeño del propio proveedor. El informe afirma claramente que LayoutPE usa G​PT-6 con instrucciones de tarea modulares en tiempo de inferencia, y la habilidad de mejora de prompts incluida en el repositorio se describe como diseñada para agentes de la familia G​PT-6. Por lo tanto, el resultado de extremo a extremo más sólido que aparece a continuación no es la salida de un solo modelo; es un pipeline de dos modelos cuya mitad de especificación se ejecuta en la API de un tercero. Si interpretabas el ranking Elo como una medida pura del generador, no lo es.

La tabla comparativa, y quién la elaboró

MOSS-Image se evalúa en dos benchmarks que se incluyen con la versión, nacidos del propio argumento del proveedor de que las pruebas existentes no miden lo que a él le importa. LongLongTextBench consta de 240 tareas de renderizado de texto literario —120 en inglés, 120 en chino, con una longitud objetivo media de 1.339,8 caracteres, aproximadamente once veces el promedio de LongTextBench—. RealLayoutArena consta de 61 tareas de diseño (20 carteles, 20 infografías, 21 interfaces de usuario) evaluadas mediante comparación humana por pares a ciegas y ajustadas a una escala Elo Bradley–Terry. Donde aparecen las líneas base, son las ejecuciones del proveedor de modelos de otros. Todas las cifras de esta sección están reportadas por el proveedor, no se han reproducido y ninguna ha sido auditada de forma independiente.

En la cobertura de texto Mean-6 de LongLongTextBench, MOSS-Image obtiene 96.3 — la mejor cifra de pesos abiertos de la tabla del proveedor, muy por delante del 64.9 de Qwen-Image-2512, y sus puntuaciones en la condición más larga son 97.1 en inglés y 92.4 en chino. La cifra que mantiene honesta la tabla es la fila que está justo encima: en el propio benchmark del proveedor, en las propias ejecuciones del proveedor, GPT Image 2 obtiene 99.0 y Nano Banana Pro 96.6. OpenMOSS publicó una tabla en la que un competidor sigue ganando, lo cual vale algo.

En el control de diseño de 7Bench, la brecha es mucho más amplia: la IoU media sobre los objetos objetivo detectados es de 0,88 para MOSS-Image frente a 0,44 para I​deogram 4.0, 0,33 para Nano Banana Pro y Seedream 5.0 Pro, 0,31 para Q​wen Image 3.0 Pro y 0,30 para GPT Image 2, con un AUC de Layout de 0,70 frente a un campo que va de 0,16 a 0,20. Si esas cifras sobreviven a la reproducción, la colocación precisa de objetos es la capacidad que este modelo realmente posee.

En RealLayoutArena de extremo a extremo, MOSS-Image se sitúa en 1698.70 de Elo con un intervalo de confianza del 95 % de 1655.96 a 1741.43 — segundo en general, por detrás de GPT Image 2 con 1844.35 y por delante de Seedream 5.0 Pro (1661.16), Qwen Image 3.0 Pro con mejora de prompt (1614.84) y Nano Banana Pro (1590.19). Cuando la comparación se restringe únicamente al backbone bajo prompts compartidos de lenguaje natural mejorados, MOSS-Image queda primero con 1807.34, por delante de ERNIE Image con 1748.51 y SenseNova-U1 con 1689.23. La ablación de la estrategia de prompts es la línea más útil del artículo para cualquiera que planee usarlo: los prompts de diseño JSON obtienen 1622.87, los prompts de lenguaje natural 1506.20 en el mismo sistema. La interfaz de diseño no es una característica adicional. Es donde reside el rendimiento.

Vale la pena repetir dos salvedades que el informe plantea contra sí mismo. A LongTextBench se lo describe como cercano a la saturación para los modelos fuertes actuales, lo que constituye la explicación del proveedor sobre por qué creó una prueba más difícil en lugar de conformarse con una antigua. Y el intervalo de confianza del Elo de extremo a extremo no se superpone con nada, pero es amplio —85 puntos Elo— en una arena de 61 tareas evaluada por calificadores humanos.

Ejecutarlo tú mismo, y lo que eso cuesta

Hoy no existe una API comercial de MOSS-Image que podamos verificar, y no está en nuestro propio catálogo —OrcaRouter sirve más de 200 modelos y MOSS-Image no es uno de ellos, así que nada de lo que aquí se dice debe interpretarse como que lo ofrecemos. Lo que existe es el autoalojamiento: la ruta de Diffusers con un pipeline personalizado (pipeline_moss_image, diffusers 0.38 o posterior, transformers 5.3 o posterior, torch 2.9 o posterior, Python 3.10+), una app Gradio y un plugin nativo de ComfyUI instalable mediante ComfyUI Manager, con una integración en el repositorio oficial de ComfyUI descrita como en curso. También hay una habilidad mejoradora de prompts para frameworks de agentes, y compila borradores con coordenadas de píxeles al formato JSON de coordenadas centradas del modelo sin llamar a ningún servicio de imágenes — una pequeña pieza de herramientas genuinamente útil.

La comunidad ya ha hecho la parte que el proveedor no hizo. En aproximadamente un día desde el lanzamiento, aparecieron builds de terceros en Hugging Face: un empaquetado de Comfy-Org del modelo, un build experimental de Kijai, cuantizaciones GGUF, conversiones ConvRot INT8 e INT4, un build W4A8 OrbitQuant y —lo más útil para cualquiera que no tenga un centro de datos— una LoRA DMD de 4 pasos y una variante destilada de 8 pasos que atacan frontalmente los 50 pasos predeterminados. Ninguna de ellas está respaldada por el proveedor ni ha sido sometida a benchmarks, pero son la señal normal de que un lanzamiento ha calado entre personas que pretenden usarlo en lugar de citarlo.

Aquí es donde una capa de enrutamiento se gana su lugar, y merece la pena ser precisos sobre el límite. No alojamos MOSS-Image, así que no podemos servirlo y no vamos a insinuar lo contrario. Lo que sí podemos hacer es la otra mitad de la comparación: si quieres medir un MOSS-Image autoalojado frente a modelos de imagen alojados, el lado alojado es accesible con una sola clave de API en nuestro catálogo al precio de lista del proveedor con un 0 % de margen —por lo que un cambio de precio de un proveedor en un modelo alojado se refleja aquí el mismo día, no en un ciclo de contratos trimestral— con conmutación por error automática entre proveedores y un DSL de enrutamiento que te permite colocar varios modelos detrás de un único endpoint. Probar un checkpoint no probado frente a uno alquilado no debería requerir un segundo SDK, y esa es la única afirmación que se hace.

¿Quién debería actuar en esto, y quién debería esperar?

Si tu trabajo implica generar imágenes que contengan texto multilingüe correcto y legible en posiciones específicas —pósteres, maquetas de interfaz, tarjetas informativas, cualquier cosa donde el diseño sea el entregable y no una feliz casualidad—, MOSS-Image es el lanzamiento de pesos abiertos más directamente orientado del último mes, y la licencia Apache 2.0 hace que la revisión comercial habitual sea breve. Empieza con el checkpoint SFT, espera tener que proporcionar JSON estructurado en lugar de prosa, y presupuesta los 16,8 GB del codificador antes de presupuestar el generador.

Espera si necesitas un endpoint invocable esta semana, si estás alquilando capacidad en lugar de poseerla, o si quieres una cifra independiente antes de comprometerte. La arquitectura es un diseño limpio de flujo único con un encoder congelado y un VAE congelado, lo que hará que sea sencillo de ejecutar, pero 50 pasos con dos forwards por paso es un costo de servicio real, la insignia "5B" subestima la descarga, y las puntuaciones destacadas fueron producidas por el proveedor en los benchmarks del propio proveedor usando una etapa de especificación que se ejecuta en un modelo de terceros. Espera una reproducción, o que la ruta de vLLM-Omni se fusione en algo que puedas instalar.

Dos preguntas que esta versión no resuelve

¿El control de diseño del modelo justifica un cambio en el flujo de trabajo?

Eso depende de si puedes expresar tu intención como cajas y cadenas. El JSON de maquetación usa coordenadas de píxeles absolutas medidas desde el centro del lienzo, con bbox_format "yxyx", lo cual difiere de las convenciones de coordenadas relativas que emplean otros sistemas de maquetación recientes: el proveedor sostiene que los píxeles absolutos se adaptan mejor al trabajo con múltiples resoluciones. Adoptarlo implica reescribir cualquier lógica de prompts que ya tengas, y la propia brecha de 7Bench del proveedor (0,88 mIoU frente a un campo de 0,30–0,44) es la única evidencia de que la reescritura vale la pena. Fue medida por las personas que escribieron la métrica.

¿Es la historia del Fine-Tuning tan abierta como la licencia da a entender?

Parcialmente desconocido. Los pesos y el código del pipeline son Apache 2.0, y Base se dejó deliberadamente sin destilar para que los LoRA tuvieran algo en lo que hincar el diente, lo cual es un compromiso real. Pero la receta de entrenamiento del informe —el currículo de resolución por etapas, las decisiones de filtrado de ReLAION, la división Muon–AdamW— es documentación, no datos publicados, y la guía de ajuste fino hasta ahora consiste en instrucciones específicas (mantener congelado el codificador de texto; no ajustarlo) además de un prompt para generar leyendas. La afirmación de que un SFT simple desbloquea la generación basada en referencias y la salida de GIF se presenta como un hallazgo con un «estén atentos» adjunto, no como un resultado que se pueda comprobar hoy.

Tres cosas harían pasar a MOSS-Image de un repositorio impresionante a una opción consolidada, y ninguna de ellas existe todavía: una ejecución independiente de LongLongTextBench o RealLayoutArena por alguien distinto de los autores, el parche de vLLM-Omni fusionado en una versión etiquetada con la evidencia de paridad de salida que pidió su revisor, y un checkpoint destilado de pocos pasos con el aval de un proveedor en lugar de solo conversiones de la comunidad. Hasta entonces, el resumen preciso es este — un transformer de difusión de 5B bien documentado con una interfaz de texto y diseño inusualmente potente, una licencia permisiva que cubre tanto el código como los pesos, liderazgo en benchmarks en pruebas que escribió él mismo y segundo puesto en la comparación de extremo a extremo, y una historia de servicio que es real pero que todavía sigue en una pull request abierta.

Los fallos de IA documentados y los incidentes de agentes que hay detrás de lanzamientos como este se recopilan en el Archivo de Incidentes de IA de OrcaRouter, donde cada entrada incluye sus propias fuentes, gravedad, grado de confianza e indicador de disputa.