MOSS-Image Sudah Rilis: OpenMOSS Meluncurkan DiT 5B yang Menerima Bounding Box di dalam Prompt

Detail janggal di balik peluncuran MOSS-Image adalah bahwa hal paling lantang yang dikatakan tentangnya belum sepenuhnya benar. Pada 17 Oktober, akun vLLM sendiri memberi selamat kepada tim OpenMOSS atas rilis sumber terbukanya dan mengatakan bahwa mereka "bangga mendukung MOSS-Image pada Hari ke-0 dengan vLLM-Omni." Pull request yang benar-benar menambahkan model tersebut ke runtime itu — [Model] Tambahkan MOSImage teks-ke-gambar dengan SLG, 3.605 baris yang ditambahkan di 25 berkas — dibuka pada 14 Oktober dan masih terbuka, dengan peninjau meminta bukti kesetaraan keluaran terhadap implementasi referensi yang dipatok. Rilis terbaru vLLM-Omni yang dipublikasikan adalah v0.31.0rc1, tertanggal 6 Oktober. Jadi tidak ada versi vLLM-Omni yang sudah dirilis yang memuat model ini, dan versi jujur dari klaim Hari ke-0 adalah bahwa jalur penyajian itu ada sebagai cabang yang bisa Anda bangun, bukan sebagai paket yang bisa Anda pasang. Perbedaan itu lebih penting dari biasanya di sini, karena MOSS-Image adalah rilis yang sungguh menarik yang konten sebenarnya ada di bobotnya: MOSS-Image-Base dan MOSS-Image-SFT, dirilis pada 16 Oktober 2026 di bawah Apache 2.0, dibangun di sekitar diffusion transformer ringkas yang menerima tata letak JSON terstruktur sebagai prompt.

Versi ringkas bagi siapa pun yang ingin gambaran besarnya. OpenMOSS — lab di balik lini bahasa dan ucapan MOSS, yang bekerja sama dengan MOSI Intelligence dan mitra akademis — merilis transformer difusi aliran tunggal 5B yang dilatih dari nol, dipasangkan dengan encoder teks Qwen3.5-9B yang dibekukan dan VAE FLUX.2 yang dibekukan, di bawah lisensi permisif yang mencakup bobot maupun kode inferensi. Nilai jualnya bukan kualitas gambar mentah; melainkan bahwa Anda dapat memberinya objek JSON yang berisi kotak pembatas, string teks literal, dan catatan tipografi, lalu ia akan mematuhinya. Angka tolok ukur yang dilampirkan padanya adalah milik vendor sendiri, yang diukur pada dua tolok ukur yang juga dibuat vendor. Itu tidak serta-merta mendiskualifikasi, tetapi memang berarti Anda sebaiknya membacanya sebagai papan skor internal lab, bukan sebagai tabel liga.

Apa yang sebenarnya dirilis, dan di mana

Artefak-artefaknya lugas dan dapat diperiksa. Di Hugging Face, OpenMOSS-Team/MOSS-Image-Base dan OpenMOSS-Team/MOSS-Image-SFT membawa bobotnya, dengan mirror ModelScope untuk keduanya, sebuah Gradio Space yang berjalan di satu A10G, dan repositori GitHub yang menyimpan pipeline, plugin ComfyUI, dan laporan teknis. Halaman proyek di openmoss.ai mencantumkan tanggal yang sama: 16 Oktober 2026 — Memperkenalkan MOSS-Image-Base, dengan kode dan bobot model tersedia.

Dua checkpoint, satu arsitektur. Base adalah model praterlatih; SFT di-fine-tune pada data terkurasi. Contoh perbandingan milik vendor sendiri menunjukkan SFT menghasilkan pengelompokan teks yang lebih rapat dan tata letak yang lebih terorganisasi, yang kira-kira seperti yang Anda harapkan dari fine-tune data terkurasi pada model dasar yang sengaja dibiarkan tanpa distilasi. Kartu Base secara eksplisit menyatakan bahwa model ini "belum menjalani pasca-pelatihan atau distilasi parameter inferensi seperti CFG", dengan alasan yang dinyatakan adalah untuk mempertahankan informasi pelatihan dan membuat model lebih mudah untuk melatih LoRA di atasnya. Konsekuensi praktisnya adalah Base adalah host yang lebih baik untuk fine-tuning dan default yang lebih buruk untuk prompting santai.

Lisensi adalah Apache 2.0 untuk bobot dan untuk kode pipeline mandiri — tidak ada ambang pendapatan, tidak ada lampiran penggunaan yang dapat diterima, tidak ada tingkatan komersial terpisah. Bagi model yang kemampuan utamanya adalah merender teks yang terbaca ke dalam gambar, itu adalah fakta yang lebih berdampak daripada tabel tolok ukur, karena rendering teks justru merupakan kemampuan yang muncul dalam pekerjaan komersial: mockup produk, komp UI, infografis, poster, tata letak iklan.

Arsitekturnya, dalam angka-angka yang penting

Tabel konfigurasi dalam laporan teknis adalah titik ketika rilis berhenti menjadi siaran pers dan mulai menjadi spesifikasi. Angka 5B hanya merujuk pada generator difusi — sebuah transformer aliran tunggal, sedalam 42 blok gabungan, lebar tersembunyi 3072, 24 kepala atensi yang masing-masing berdimensi 128, feed-forward selebar 8192 yang menggunakan aktivasi SiTU-GLU, dan pengkodean posisi rotary empat sumbu yang sumbu pertamanya dicadangkan untuk indeks referensi, sehingga generasi yang dikondisikan referensi dapat ditambahkan nanti tanpa mengubah skema posisional.

Lalu ada bagian yang secara diam-diam dikecualikan oleh label "5B":

• Encoder teks — Qwen3.5-9B, dibekukan, menyuapkan keadaan tersembunyi token lapisan akhir pada dimensi 4096 melalui proyeksi linear ke 3072 plus dua blok transformer khusus teks. Encoder 9B yang dipasang ke generator 5B menghasilkan jejak yang jauh lebih besar daripada yang disiratkan oleh angka utamanya.

• VAE — VAE milik FLUX.2, dibekukan dan dimuat dari FLUX.2-klein-4B, 32 kanal laten pada faktor downsampling spasial 8, dengan patch laten 2×2 yang menghasilkan stride gambar efektif sebesar 16 piksel. Kartu model MOSS-Image sendiri mencatat bahwa ia menggunakan dekoder kecil FLUX.2.

• Ukuran unduhan — total repositori SFT sekitar 27,2 GB, dengan encoder teks kira-kira 16,8 GB di empat shard dan transformer sekitar 10,2 GB di tiga shard. Rencanakan untuk encoder, bukan lencana.

• Batas maksimum prompt — 4096 token pada tahap prapelatihan akhir, sesuai dengan klaim vendor “hingga 4K token”. Dimensi keluaran harus merupakan kelipatan positif dari 16, dengan panduan merekomendasikan satu, satu setengah, atau dua megapiksel dan rentang ekstrapolasi yang didukung dari 0,25M (512×512) hingga 4M.

• Default sampling — Euler flow-matching, 50 langkah, CFG 3.0, shift 5.0, dengan panduan skip-layer pada cabang negatif di layer 22. Jalur panduan default membutuhkan dua forward transformer per langkah, itulah sebabnya 50 langkah bukan pengaturan murah seperti kedengarannya.

• Pelatihan — tiga tahap resolusi progresif: 256px selama 2,1 juta langkah, 512px selama 2,1 juta langkah, lalu kira-kira 1024² selama 0,31 juta langkah, dengan jumlah token maksimum per sampel meningkat dari 576 menjadi 3.072 menjadi 8.192. Korpusnya adalah kumpulan turunan ReLAION yang dipangkas dari sekitar 5 miliar menjadi 3 miliar gambar melalui deduplikasi dan penghapusan gambar AI, dengan laporan menyatakan bahwa tidak ada penyaringan lebih lanjut yang diterapkan — gambar yang keterangannya mengandung artefak tetap dipertahankan dan artefaknya dijelaskan, bukan dibuang. Optimisasi adalah Muon–AdamW hibrida, dan ablasi 1B parameter milik vendor sendiri melaporkan 33,2% dan 28,6% lebih sedikit langkah untuk mencapai loss yang sama dibandingkan AdamW pada dua checkpoint. Pelatihan dinyatakan telah menggunakan platform GPU yang heterogen, yang merupakan klaim tentang pasokan perangkat keras, bukan tentang modelnya, dan laporan tersebut tidak menyebutkannya.

Satu hal yang perlu diperhatikan sebelum benchmark

Modul penyempurnaan prompt — bagian yang mengubah "rancang infografis pengetahuan koala berbahasa Inggris" menjadi spesifikasi konten dan tata letak lengkap — bukanlah model kecil milik vendor itu sendiri. Laporan tersebut menyatakan secara gamblang bahwa LayoutPE menggunakan G​PT-6 dengan instruksi tugas modular pada waktu inferensi, dan keterampilan penyempurna prompt yang disertakan dalam repositori dijelaskan sebagai dirancang untuk agen keluarga G​PT-6. Jadi hasil end-to-end terkuat di bawah ini bukanlah keluaran satu model; ini adalah pipeline dua model yang separuh spesifikasinya berjalan di API milik pihak lain. Jika Anda membaca peringkat Elo sebagai ukuran murni dari generator, bukan itu maksudnya.

Tabel benchmark, dan siapa yang menyusunnya

MOSS-Image dievaluasi pada dua benchmark yang disertakan dalam rilis, yang lahir dari argumen vendor sendiri bahwa tes yang ada tidak mengukur hal yang menjadi perhatiannya. LongLongTextBench terdiri atas 240 tugas rendering teks sastra — 120 bahasa Inggris, 120 bahasa Tionghoa, dengan panjang target rata-rata 1.339,8 karakter, sekitar sebelas kali rata-rata LongTextBench. RealLayoutArena terdiri atas 61 tugas desain (20 poster, 20 infografis, 21 antarmuka pengguna) yang dinilai melalui perbandingan berpasangan manusia secara buta dan disesuaikan dengan skala Elo Bradley–Terry. Jika baseline muncul, itu adalah hasil uji vendor terhadap model milik pihak lain. Setiap angka di bagian ini dilaporkan oleh vendor, tidak direproduksi, dan tidak ada satu pun yang telah diaudit secara independen.

Pada cakupan teks Mean-6 milik LongLongTextBench, MOSS-Image mencetak skor 96,3 — angka open-weight terbaik dalam tabel vendor tersebut, jauh di atas 64,9 milik Q​wen-Image-2512, dan skor kondisi terpanjangnya adalah 97,1 untuk bahasa Inggris serta 92,4 untuk bahasa Tionghoa. Angka yang membuat tabel itu tetap jujur adalah baris di atasnya: pada benchmark milik vendor sendiri, pada uji coba milik vendor sendiri, GPT Image 2 mencetak 99,0 dan Nano Banana Pro 96,6. OpenMOSS menerbitkan tabel yang di dalamnya seorang pesaing tetap menang, dan itu ada nilainya.

Pada kontrol tata letak 7Bench, selisihnya jauh lebih lebar — IoU rata-rata pada objek target yang terdeteksi adalah 0,88 untuk MOSS-Image dibandingkan 0,44 untuk Ideogram 4.0, 0,33 untuk Nano Banana Pro dan Seedream 5.0 Pro, 0,31 untuk Qwen Image 3.0 Pro, dan 0,30 untuk GPT Image 2, dengan Layout AUC sebesar 0,70 berbanding rentang 0,16 hingga 0,20. Jika angka-angka itu bertahan saat direproduksi, penempatan objek yang presisi adalah kemampuan yang benar-benar dimiliki model ini.

Pada RealLayoutArena secara end-to-end, MOSS-Image berada di 1698,70 Elo dengan interval kepercayaan 95% dari 1655,96 hingga 1741,43 — peringkat kedua secara keseluruhan, di belakang GPT Image 2 pada 1844,35 dan di atas Seedream 5.0 Pro (1661,16), Qwen Image 3.0 Pro dengan peningkatan prompt (1614,84) dan Nano Banana Pro (1590,19). Ketika perbandingan dibatasi hanya pada backbone di bawah prompt bahasa alami yang ditingkatkan yang sama, MOSS-Image menempati peringkat pertama pada 1807,34, di atas ERNIE Image pada 1748,51 dan SenseNova-U1 pada 1689,23. Ablasi strategi prompt adalah bagian paling berguna dalam makalah ini bagi siapa pun yang berencana menggunakannya: prompt tata letak JSON mendapat skor 1622,87, prompt bahasa alami 1506,20 pada sistem yang sama. Antarmuka tata letak bukan fitur bonus. Di situlah performanya berada.

Dua catatan yang diangkat laporan terhadap dirinya sendiri patut diulang. LongTextBench digambarkan hampir mencapai saturasi untuk model-model kuat saat ini, yang merupakan penjelasan vendor mengapa mereka membangun tes yang lebih sulit alih-alih bersandar pada tes lama. Dan interval kepercayaan pada Elo ujung ke ujung tidak beririsan dengan apa pun, tetapi rentangnya lebar — 85 poin Elo — pada arena 61 tugas yang dinilai oleh penilai manusia.

Menjalankannya sendiri, dan berapa biayanya

Saat ini tidak ada API komersial untuk MOSS-Image yang dapat kami verifikasi, dan model tersebut tidak ada di katalog kami sendiri — OrcaRouter melayani lebih dari 200 model dan MOSS-Image bukan salah satunya, jadi tidak ada apa pun di sini yang boleh ditafsirkan sebagai kami menawarkannya. Yang tersedia adalah self-hosting: jalur Diffusers dengan pipeline kustom (pipeline_moss_image, diffusers 0.38 atau lebih baru, transformers 5.3 atau lebih baru, torch 2.9 atau lebih baru, Python 3.10+), aplikasi Gradio, dan plugin ComfyUI native yang dapat dipasang melalui ComfyUI Manager, dengan integrasi ke repositori resmi ComfyUI yang digambarkan masih dalam proses. Ada juga skill prompt-enhancer untuk framework agen, dan skill ini mengompilasi draf koordinat piksel menjadi format JSON koordinat terpusat milik model tanpa memanggil layanan gambar apa pun — perangkat kecil yang benar-benar berguna.

Komunitas sudah melakukan bagian yang tidak dilakukan vendor. Dalam waktu sekitar sehari setelah rilis, build pihak ketiga muncul di Hugging Face: paket Comfy-Org dari model tersebut, build Kijai eksperimental, kuantisasi GGUF, konversi ConvRot INT8 dan INT4, build W4A8 OrbitQuant, dan — yang paling berguna bagi siapa pun yang tidak punya pusat data — LoRA DMD 4 langkah dan varian distilasi 8 langkah yang menyerang langsung default 50 langkah. Tidak satu pun dari ini didukung vendor dan tidak satu pun di-benchmark, tetapi ini adalah sinyal normal bahwa sebuah rilis telah sampai ke orang-orang yang berniat memakainya, bukan sekadar mengutipnya.

Di sinilah lapisan routing membuktikan nilainya, dan penting untuk bersikap tepat tentang batasnya. Kami tidak menghosting MOSS-Image, jadi kami tidak dapat menyajikannya dan tidak akan menyiratkan sebaliknya. Yang dapat kami lakukan adalah separuh lainnya dari perbandingan: jika Anda ingin mengukur MOSS-Image yang dihosting sendiri terhadap model gambar yang dihosting, sisi yang dihosting dapat diakses melalui satu kunci API di katalog kami dengan harga daftar penyedia dengan markup 0% — sehingga perubahan harga vendor pada model yang dihosting langsung aktif di sini pada hari yang sama, bukan pada siklus kontrak triwulanan — dengan failover otomatis di seluruh penyedia dan DSL routing yang memungkinkan Anda menempatkan beberapa model di belakang satu endpoint. Menguji checkpoint yang belum terbukti terhadap yang disewa seharusnya tidak memerlukan SDK kedua, dan itulah satu-satunya klaim yang dibuat.

Siapa yang harus bergerak dalam hal ini, dan siapa yang harus menunggu

Jika pekerjaan Anda melibatkan pembuatan gambar yang memuat teks multibahasa yang benar dan terbaca jelas pada posisi tertentu — poster, mockup antarmuka, kartu informasi, apa pun yang tata letaknya menjadi hasil yang diinginkan, bukan kebetulan belaka — MOSS-Image adalah rilis open-weights paling tepat sasaran dalam sebulan terakhir, dan lisensi Apache 2.0 berarti tinjauan komersial yang biasa dilakukan tidak akan lama. Mulailah dengan checkpoint SFT, bersiaplah untuk menyediakan JSON terstruktur alih-alih prosa, dan anggarkan 16,8 GB untuk encoder-nya sebelum Anda menganggarkan untuk generatornya.

Tunggu jika Anda membutuhkan endpoint yang dapat dipanggil minggu ini, jika Anda menyewa kapasitas alih-alih memilikinya, atau jika Anda ingin angka independen sebelum berkomitmen. Arsitekturnya adalah desain satu-aliran yang bersih dengan encoder yang dibekukan dan VAE yang dibekukan, yang akan membuatnya mudah dijalankan — tetapi 50 langkah dengan dua forward per langkah adalah biaya penyajian yang nyata, label "5B" meremehkan ukuran unduhan, dan skor utama dihasilkan oleh vendor pada benchmark milik vendor sendiri menggunakan tahap spesifikasi yang berjalan pada model pihak ketiga. Tunggu hasil reproduksi, atau sampai jalur vLLM-Omni bergabung menjadi sesuatu yang dapat Anda pasang.

Dua pertanyaan yang tidak dijawab oleh rilis ini

Apakah kontrol tata letak model membenarkan perubahan alur kerja?

Itu bergantung pada apakah Anda dapat menyatakan maksud Anda sebagai kotak dan string. JSON tata letak menggunakan koordinat piksel absolut yang diukur dari pusat kanvas, dengan bbox_format "yxyx", yang tidak seperti konvensi koordinat relatif yang digunakan beberapa sistem tata letak terkini lainnya — vendor berargumen piksel absolut lebih cocok untuk pekerjaan multi-resolusi. Mengadopsinya berarti menulis ulang logika prompt apa pun yang sudah Anda miliki, dan selisih 7Bench milik vendor sendiri (0,88 mIoU dibandingkan dengan para pesaing pada 0,30–0,44) adalah satu-satunya bukti bahwa penulisan ulang itu sepadan. Itu diukur oleh orang-orang yang menulis metrik tersebut.

Apakah cerita Fine-Tuning seterbuka yang disiratkan oleh lisensinya?

Sebagian tidak diketahui. Bobot dan kode pipeline berlisensi Apache 2.0 dan Base sengaja dibiarkan tanpa distilasi agar LoRA punya sesuatu untuk digarap, yang merupakan komitmen nyata. Tetapi resep pelatihan dalam laporan — kurikulum resolusi bertahap, keputusan penyaringan ReLAION, pemisahan Muon–AdamW — hanyalah dokumentasi, bukan data yang dirilis, dan panduan fine-tuning sejauh ini terdiri atas instruksi spesifik (pertahankan text encoder tetap dibekukan; jangan lakukan fine-tuning terhadapnya) plus prompt captioning. Klaim bahwa SFT sederhana membuka generasi berbasis referensi dan output GIF dinyatakan sebagai temuan dengan "stay tuned" yang disertakan, bukan sebagai hasil yang bisa Anda periksa hari ini.

Tiga hal akan mengubah MOSS-Image dari repositori yang mengesankan menjadi pilihan yang mapan, dan tidak satu pun dari ketiganya ada saat ini: uji coba independen LongLongTextBench atau RealLayoutArena oleh pihak selain para penulisnya, patch vLLM-Omni yang sudah dimerge ke rilis bertag dengan bukti kesetaraan keluaran yang diminta oleh peninjaunya, dan checkpoint terdistilasi beberapa langkah dengan restu vendor, bukan hanya konversi dari komunitas. Sampai saat itu, ringkasan yang akurat adalah ini — transformer difusi 5B yang terdokumentasi dengan baik dengan antarmuka teks-dan-tata letak yang luar biasa kuat, lisensi permisif yang mencakup kode sekaligus bobot, kepemimpinan benchmark pada pengujian yang ditulisnya sendiri dan peringkat kedua dalam perbandingan end-to-end, serta cerita penyajian yang nyata tetapi masih berada di pull request terbuka.

Kegagalan AI yang terdokumentasi dan insiden agen di balik rilis seperti ini dikumpulkan dalam the OrcaRouter AI Incident Archive, tempat setiap entri membawa sumbernya sendiri, tingkat keparahan, peringkat keyakinan, dan penanda sengketa.