MOSS-Image יצא: OpenMOSS שחררו DiT של 5B שמקבל תיבות תוחמות בפרומפט

הפרט המביך שמאחורי ההשקה של MOSS-Image הוא שהדבר הבולט ביותר שנאמר עליה עדיין אינו מדויק לגמרי. ב-17 באוקטובר, החשבון של vLLM עצמה בירך את צוות OpenMOSS על ההשקה בקוד פתוח ואמר שהוא "גאה לתמוך ב-MOSS-Image ביום 0 עם vLLM-Omni". בקשת המשיכה שבעצם מוסיפה את המודל לאותה סביבת הרצה — [מודל] הוספת MOSImage טקסט-לתמונה עם SLG, 3,605 שורות שנוספו ב-25 קבצים — נפתחה ב-14 באוקטובר ועדיין פתוחה, כשהסוקר מבקש ראיות להתאמת פלט מול מימוש ייחוס מוצמד. המהדורה האחרונה שפורסמה של vLLM-Omni היא v0.31.0rc1, מתאריך 6 באוקטובר. כך שאף גרסה ששוחררה של vLLM-Omni אינה מכילה את המודל הזה, והגרסה הכנה של טענת "יום 0" היא שנתיב ההגשה קיים כענף שאפשר לבנות, לא כחבילה שאפשר להתקין. ההבחנה הזו חשובה כאן יותר מהרגיל, מפני ש-MOSS-Image היא מהדורה מעניינת באמת שתכנה האמיתי נמצא במשקלים: MOSS-Image-Base ו-MOSS-Image-SFT, שפורסמו ב-16 באוקטובר 2026 תחת Apache 2.0, ובנויות סביב טרנספורמר דיפוזיה קומפקטי שמקבל פריסות JSON מובנות כפרומפט.

הגרסה המקוצרת למי שרוצה להבין את התמונה הכללית. OpenMOSS — המעבדה שמאחורי קו השפה והדיבור של MOSS, שעובדת עם MOSI Intelligence ושותפים אקדמיים — שחררה טרנספורמר דיפוזיה חד-זרימי בנפח 5B שאומן מאפס, בצירוף מקודד טקסט Qwen3.5-9B קפוא ו-FLUX.2 VAE קפוא, תחת רישיון מתירני שמכסה גם את המשקולות וגם את קוד ההסקה. נקודת המכירה שלה אינה איכות התמונה הגולמית; היא היכולת למסור לה אובייקט JSON שמכיל תיבות תוחמות, מחרוזות טקסט מילוליות והערות טיפוגרפיה, והיא תכבד אותן. מספרי הבנצ'מרק שמצורפים לה הם של הספק עצמו, שנמדדו על שני בנצ'מרקים שגם אותם הספק בנה. זה לא פוסל אותם, אבל זה כן אומר שכדאי לקרוא אותם כלוח תוצאות פנימי של מעבדה ולא כטבלת ליגה.

מה שלמעשה נשלח, ולאן

התוצרים פשוטים וניתנים לבדיקה. ב-Hugging Face, OpenMOSS-Team/MOSS-Image-Base וOpenMOSS-Team/MOSS-Image-SFTנושאים את המשקלים, עם מראות של ModelScope לשניהם, Space של Gradio שרץ על A10G בודד, ומאגר GitHub שמחזיק את ה-pipeline, את התוסף ל-ComfyUI ודוח טכני. דף הפרויקט ב-openmoss.ai מציין את אותו תאריך: 16 באוקטובר 2026 — הכרזה על MOSS-Image-Base, עם קוד ומשקלי מודל זמינים.

שני צ'קפוינטים, ארכיטקטורה אחת. Base הוא המודל המיומן מראש; SFT עבר כיוונון עדין על נתונים מסוננים. דוגמת ההשוואה של הספק עצמו מראה ש-SFT מפיק קיבוץ טקסט הדוק יותר ופריסה מאורגנת יותר, וזה פחות או יותר מה שהייתם מצפים מכיוונון עדין על נתונים מסוננים של מודל בסיס שהושאר במכוון ללא זיקוק. כרטיס ה-Base מציין במפורש שהוא "לא עבר כל אימון-משך או זיקוק של פרמטרי הסקה כגון CFG", כשהסיבה המוצהרת היא לשמר את המידע של האימון ולהקל על אימון LoRA-ים על המודל. ההשלכה המעשית היא ש-Base הוא המארח הטוב יותר לכיוונון עדין, וברירת המחדל הגרועה יותר לפרומפטים מזדמנים.

הרישיון הוא Apache 2.0 עבור המשקולות ועבור קוד ה-pipeline העצמאי — ללא סף הכנסות, ללא נספח שימוש מקובל, ללא מסלול מסחרי נפרד. עבור מודל שיכולת הדגל שלו היא רינדור טקסט קריא לתוך תמונות, זו עובדה בעלת חשיבות רבה יותר מטבלת הבנצ'מרקים, מפני שרינדור טקסט הוא בדיוק היכולת שמופיעה בעבודה מסחרית: הדמיות מוצר, קומפוזיציות ממשק משתמש, אינפוגרפיקות, פוסטרים, פריסות פרסומות.

הארכיטקטורה, במספרים שבאמת חשובים

טבלת התצורה של הדוח הטכני היא המקום שבו ההשקה מפסיקה להיות הודעה לעיתונות ומתחילה להיות מפרט. המספר 5B מתייחס למחולל הדיפוזיה בלבד — טרנספורמר חד-זרימי, בעומק של 42 בלוקים משותפים, רוחב חבוי 3072, 24 ראשי קשב בגודל 128 ממדים כל אחד, רשת הזנה קדימה ברוחב 8192 המשתמשת באקטיבציות SiTU-GLU, וקידוד מיקום סיבובי בעל ארבעה צירים שצירו הראשון שמור לאינדקס ייחוס, כך שניתן יהיה להוסיף בהמשך יצירה מותנית בייחוס בלי לשנות את סכמת המיקום.

ואז יש את החלק שתווית "5B" מחריגה בשקט:

• מקודד טקסט — Qwen3.5-9B, קפוא, המזין מצבי חבויים של טוקנים בשכבה האחרונה במימד 4096 דרך הטלה לינארית ל-3072 בתוספת שני בלוקי טרנספורמר טקסט בלבד. מקודד 9B המחובר למחולל 5B הוא טביעת רגל גדולה באופן מהותי ממה שמספר הכותרת מרמז.

• VAE — ה-VAE של FLUX.2, קפוא ונטען מ-FLUX.2-klein-4B, עם 32 ערוצי לטנט בגורם דגימה מרחבית יורדת של 8, עם טלאי לטנט בגודל 2×2 המעניקים צעד תמונה אפקטיבי של 16 פיקסלים. כרטיס המודל של MOSS-Image עצמו מציין שהוא משתמש במפענח הקטן של FLUX.2.

• גודל ההורדה — מאגר ה-SFT מסתכם בכ-27.2 GB, מתוכם מקודד הטקסט הוא כ-16.8 GB על פני ארבעה רסיסים והטרנספורמר כ-10.2 GB על פני שלושה. תתכננו לפי המקודד, לא לפי התג.

• תקרת הפרומפט — 4096 טוקנים בשלב האימון המקדים הסופי, בהתאמה לטענת הספק ״עד 4K טוקנים״. ממדי הפלט חייבים להיות כפולות חיוביות של 16, כאשר המדריך ממליץ על מגה־פיקסל אחד, אחד וחצי או שניים, וטווח אקסטרפולציה נתמך מ־0.25M (512×512) עד 4M.

• ברירות מחדל של דגימה — Euler מסוג flow matching, 50 צעדים, CFG 3.0, shift 5.0, עם הנחיית דילוג-שכבות (skip-layer guidance) על הענף השלילי בשכבה 22. מסלול ההנחיה המוגדר כברירת מחדל דורש שני מעברים קדימה של transformer בכל צעד, ולכן 50 צעדים אינם ההגדרה הזולה כפי שזה נשמע.

• אימון — שלושה שלבי רזולוציה פרוגרסיביים: 256px עבור 2.1M צעדים, 512px עבור 2.1M צעדים, ואז בערך 1024² עבור 0.31M צעדים, כאשר מספר הטוקנים המקסימלי לדגימה עולה מ-576 ל-3,072 ל-8,192. הקורפוס הוא סט שמקורו ב-ReLAION, שקוצץ מכ-5 מיליארד ל-3 מיליארד תמונות באמצעות הסרת כפילויות והסרת תמונות AI, כאשר הדוח מציין שלא מיושם סינון נוסף — תמונות שהכיתובים שלהן מכילים ארטיפקטים נשמרות והארטיפקטים שלהן מתוארים, במקום להיות מוסרות. האופטימיזציה היא Muon–AdamW היברידית, והאבלציה של 1B פרמטרים של הספק עצמו מדווחת על 33.2% ו-28.6% פחות צעדים לאותו loss מאשר AdamW בשתי נקודות ביקורת. נמסר שהאימון השתמש בפלטפורמות GPU הטרוגניות, וזו טענה לגבי אספקת חומרה ולא לגבי המודל, והדוח אינו מפרט אותן.

דבר אחד שכדאי לציין לפני הבנצ'מרקים

מודול שיפור הפרומפטים — החלק שהופך את "עצב אינפוגרפיקת ידע על קואלות באנגלית" למפרט מלא של תוכן ופריסה — אינו מודל קטן של הספק עצמו. הדוח מציין במפורש שLayoutPE משתמש ב-GPT-6 עם הוראות משימה מודולריות בזמן הסקה, ומיומנות שיפור הפרומפטים המצורפת למאגר מתוארת כמיועדת לסוכנים ממשפחת GPT-6. לכן התוצאה החזקה ביותר מקצה לקצה שלהלן אינה פלט של מודל בודד; היא צינור של שני מודלים שחציו המפרטי רץ על ה-API של מישהו אחר. אם קראתם את דירוג Elo כמדד טהור של המחולל, הוא אינו כזה.

טבלת הבנצ'מרק, ומי חיבר אותה

MOSS-Image מוערך על שני מדדי-בנצ'מרק שמגיעים עם השחרור, שנולדו מהטענה של הספק עצמו שמבחנים קיימים אינם מודדים את הדבר שאכפת לו ממנו. LongLongTextBench כולל 240 משימות רינדור טקסט ספרותי — 120 באנגלית, 120 בסינית, באורך יעד ממוצע של 1,339.8 תווים, בערך פי אחד עשר מהממוצע של LongTextBench. RealLayoutArena כולל 61 משימות עיצוב (20 פוסטרים, 20 אינפוגרפיקות, 21 ממשקי משתמש) שנשפטות באמצעות השוואה אנושית עיוורת בזוגות ומותאמות לסקאלת Bradley–Terry Elo. היכן שמופיעים קווי בסיס, אלה הן הרצות של הספק על מודלים של אחרים. כל נתון בסעיף זה מדווח על ידי הספק, לא שוחזר, ואף לא אחד מהם עבר ביקורת בלתי תלויה.

בכיסוי הטקסט Mean-6 של LongLongTextBench, MOSS-Image משיג 96.3 — הנתון הטוב ביותר בקטגוריית המשקלים הפתוחים בטבלה של הספק, בפער ניכר מ-64.9 של Qwen-Image-2512, וציוניו בתנאי הארוך ביותר הם 97.1 באנגלית ו-92.4 בסינית. הנתון ששומר על יושרה של הטבלה הוא השורה שמעליה: בבנצ'מרק של הספק עצמו, בהרצות של הספק עצמו, GPT Image 2 משיג 99.0 ו-Nano Banana Pro משיג 96.6. OpenMOSS פרסמה טבלה שבה מתחרה עדיין מנצח, וזה שווה משהו.

בבקרת הפריסה של 7Bench, הפער גדול בהרבה — ה-IoU הממוצע על פני אובייקטי מטרה שזוהו הוא 0.88 עבור MOSS-Image לעומת 0.44 עבור I​deogram 4.0, 0.33 עבור Nano Banana Pro ו-Seedream 5.0 Pro, 0.31 עבור Q​wen Image 3.0 Pro ו-0.30 עבור GPT Image 2, עם Layout AUC של 0.70 לעומת שדה שנע בין 0.16 ל-0.20. אם המספרים האלה ישרדו שחזור, הצבת אובייקטים מדויקת היא היכולת שהמודל הזה באמת מחזיק בה.

ב-RealLayoutArena מקצה לקצה, MOSS-Image נוחת על 1698.70 Elo עם רווח סמך של 95% של 1655.96 עד 1741.43 — שני בסך הכול, אחרי GPT Image 2 עם 1844.35 ולפני Seedream 5.0 Pro ‏(1661.16), Qwen Image 3.0 Pro עם שיפור פרומפטים (1614.84) ו-Nano Banana Pro ‏(1590.19). כשההשוואה מוגבלת למודל הבסיס בלבד תחת פרומפטים משותפים בשפה טבעית משופרת, MOSS-Image מגיע ראשון עם 1807.34, לפני ERNIE Image עם 1748.51 ו-SenseNova-U1 עם 1689.23. ניתוח האבלציה של אסטרטגיית הפרומפטים הוא השורה השימושית ביותר במאמר לכל מי שמתכנן להשתמש בו: פרומפטים של פריסת JSON מקבלים 1622.87, פרומפטים בשפה טבעית 1506.20 על אותה מערכת. ממשק הפריסה אינו תוספת שולית. שם טמונים הביצועים.

שתי הסתייגויות שהדוח מעלה נגד עצמו ראויות לחזרה. LongTextBench מתואר כקרוב לרוויה עבור המודלים החזקים הנוכחיים, וזהו הספק שמסביר מדוע בנה מבחן קשה יותר במקום להישען על מבחן ישן. ומרווח הסמך של ה-Elo מקצה לקצה אינו חופף לשום דבר, אך הוא רחב — 85 נקודות Elo — בזירה בת 61 משימות שנשפטת בידי מדרגים אנושיים.

להריץ את זה בעצמך, ומה זה עולה

נכון להיום אין API מסחרי עבור MOSS-Image שאנחנו יכולים לאמת, והוא גם לא נמצא בקטלוג שלנו — OrcaRouter מספקת למעלה מ-200 מודלים ו-MOSS-Image אינו אחד מהם, כך שאין לפרש דבר כאן כהצעה שלנו לספק אותו. מה שכן קיים הוא אחסון עצמי: מסלול ה-Diffusers עם pipeline מותאם אישית (pipeline_moss_image, diffusers 0.38 ומעלה, transformers 5.3 ומעלה, torch 2.9 ומעלה, Python 3.10+), אפליקציית Gradio, ותוסף ComfyUI מקורי שניתן להתקין דרך ComfyUI Manager, עם אינטגרציה למאגר ComfyUI הרשמי שמתוארת כנמצאת בעבודה. קיים גם סקיל משפר-פרומפטים עבור מסגרות סוכנים, והוא מהדר טיוטות בקואורדינטות פיקסלים לפורמט ה-JSON של קואורדינטות ממורכזות של המודל בלי לקרוא לשירות תמונות כלשהו — כלי קטן ומועיל באמת.

הקהילה כבר עשתה את החלק שהספק לא עשה. בתוך בערך יממה מהשחרור, הופיעו ב-Hugging Face גרסאות בנייה של צד שלישי: אריזת Comfy-Org של המודל, גרסת בנייה ניסיונית של Kijai, קוונטיזציות GGUF, המרות ConvRot של INT8 ו-INT4, גרסת בנייה W4A8 OrbitQuant, ו—השימושיים ביותר למי שאין לו מרכז נתונים—LoRA מסוג DMD עם 4 שלבים ווריאנט מזוקק של 8 שלבים שתוקפים חזיתית את ברירת המחדל של 50 שלבים. אף אחד מאלה אינו נתמך על ידי הספק ואף אחד מהם לא עבר בנצ'מרק, אבל הם הסימן הרגיל לכך ששחרור נחת אצל אנשים שמתכוונים להשתמש בו ולא רק לצטט אותו.

כאן שכבת ניתוב מצדיקה את מקומה, וכדאי להיות מדויקים לגבי הגבול. אנחנו לא מארחים את MOSS-Image, ולכן איננו יכולים לשרת אותו ולא נרמוז אחרת. מה שכן אפשרי הוא החצי השני של ההשוואה: אם ברצונכם למדוד MOSS-Image באחסון עצמי מול מודלים מתארחים של תמונות, הצד המתארח נגיש דרך מפתח API אחד ב-קטלוג שלנו במחיר המחירון של הספק עם 0% תוספת — כך ששינוי מחיר של ספק במודל מתארח מתעדכן כאן באותו יום, ולא במחזור חוזה רבעוני — עם מעבר אוטומטי בין ספקים בעת כשל ו-DSL לניתוב שמאפשר לכם להציב כמה מודלים מאחורי נקודת קצה אחת. בדיקת צ'קפוינט לא מוכח מול אחד שכור לא אמורה לדרוש SDK נוסף, וזו ההצהרה היחידה שנאמרת.

מי צריך להתקדם עם זה, ומי צריך לחכות?

אם העבודה שלך כוללת יצירת תמונות שמכילות טקסט נכון, קריא ורב-לשוני במיקומים ספציפיים — פוסטרים, מוקאפים של ממשקים, כרטיסי מידע, כל דבר שבו הפריסה היא התוצר ולא מקריות משמחת — MOSS-Image הוא השחרור עם המשקולות הפתוחות הממוקד ביותר של החודש האחרון, ורישיון Apache 2.0 אומר שהסקירה המסחרית הרגילה היא קצרה. התחל מצ'קפוינט SFT, צפה לספק JSON מובנה ולא פרוזה, ותקצב 16.8 GB עבור המקודד לפני שאתה מתקצב עבור המחולל.

חכו אם אתם צריכים נקודת קצה ניתנת לקריאה השבוע, אם אתם שוכרים קיבולת במקום להחזיק בה, או אם אתם רוצים מספר בלתי תלוי לפני שאתם מתחייבים. האדריכלות היא עיצוב נקי של זרם יחיד עם מקודד קפוא ו-VAE קפוא, מה שיהפוך את ההרצה לפשוטה — אבל 50 צעדים בשני מעברים קדימה לכל צעד מהווים עלות שירות ממשית, תג ה-"5B" ממעיט בגודל ההורדה, וציוני הכותרת הופקו על ידי הספק על הבנצ'מרקים של הספק עצמו תוך שימוש בשלב אפיון שרץ על מודל של צד שלישי. חכו לשחזור, או לכך שנתיב vLLM-Omni יתמזג למשהו שתוכלו להתקין.

שתי שאלות שהגרסה הזו לא מכריעה

האם שליטת המודל בפריסה מצדיקה שינוי בתהליך העבודה?

זה תלוי אם אתה יכול לבטא את הכוונה שלך כתיבות ומחרוזות. ה-JSON של הפריסה משתמש בקואורדינטות פיקסלים מוחלטות הנמדדות ממרכז הקנבס, עם bbox_format "yxyx", וזה שונה ממוסכמות הקואורדינטות היחסיות שכמה מערכות פריסה אחרות וחדשות משתמשות בהן — הספק טוען שפיקסלים מוחלטים מתאימים יותר לעבודה בריבוי רזולוציות. לאמץ את זה פירושו לשכתב כל לוגיקת פרומפט שכבר יש לך, והפער של הספק עצמו ב-7Bench (0.88 mIoU מול שדה בטווח 0.30–0.44) הוא העדות היחידה לכך שהשכתוב משתלם. הוא נמדד על ידי האנשים שכתבו את המדד.

האם סיפור ה-Fine-Tuning פתוח כפי שהרישיון מרמז?

חלקית לא ידוע. המשקלים וקוד ה-pipeline הם תחת רישיון Apache 2.0 ו-Base הושאר במכוון לא מזוקק כדי של-LoRAs יהיה על מה לנשוך, וזהו מחויבות אמיתית. אבל מתכון האימון של הדוח — תוכנית הלימודים המדורגת של הרזולוציה, החלטות הסינון של ReLAION, הפיצול בין Muon ל-AdamW — הוא תיעוד, לא נתונים ששוחררו, והנחיות הכיוונון העדין עד כה מורכבות מהוראות ספציפיות (השאר את מקודד הטקסט קפוא; אל תבצע עליו כיוונון עדין) בתוספת פרומפט לכיתוב. הטענה ש-SFT פשוט מאפשר יצירה מבוססת ייחוס ופלט GIF מוצגת כממצא עם "הישארו מעודכנים" מצורף, ולא כתוצאה שאפשר לבדוק היום.

שלושה דברים יזיזו את MOSS-Image ממאגר מרשים לבחירה מוחלטת, ואף אחד מהם עדיין אינו קיים: הרצה עצמאית של LongLongTextBench או RealLayoutArena בידי מישהו מלבד המחברים; הטלאי של vLLM-Omni ממוזג למהדורה מתויגת עם ראיות להתאמת פלט שהסוקר ביקש; וצ'קפוינט מזוקק בכמה צעדים עם ברכת ספק ולא רק המרות קהילתיות. עד אז, הסיכום המדויק הוא זה — טרנספורמר דיפוזיה 5B מתועד היטב עם ממשק טקסט ופריסה חזק במיוחד, רישיון מתירני שמכסה גם את הקוד וגם את המשקולות, מנהיגות בבנצ'מרקים במבחנים שהוא עצמו כתב ומקום שני בהשוואה מקצה לקצה, וסיפור שירות שהוא אמיתי אך עדיין יושב בבקשת משיכה פתוחה.

הכשלים המתועדים של ה-AI ותקריות הסוכנים שמאחורי גרסאות כמו זו נאספים בארכיון תקריות ה-AI של OrcaRouter, שבו כל רשומה כוללת מקורות משלה, חומרה, דירוג מהימנות ודגל מחלוקת.