MOSS-Image è uscito: OpenMOSS ha rilasciato un DiT da 5B che accetta bounding box nel prompt

Il dettaglio scomodo dietro il lancio di MOSS-Image è che la cosa più clamorosa detta al riguardo non è ancora del tutto vera. Il 17 ottobre, l'account di vLLM stesso si è congratulato con il team OpenMOSS per il rilascio open source e ha dichiarato di essere "orgoglioso di supportare MOSS-Image dal Day 0 con vLLM-Omni". La pull request che aggiunge effettivamente il modello a quel runtime — [Model] Aggiungi MOSImage text-to-image con SLG, 3.605 righe aggiunte su 25 file — è stata aperta il 14 ottobre ed è ancora aperta, con il revisore che chiede prove di parità di output rispetto a un'implementazione di riferimento fissata. La release pubblicata più recente di vLLM-Omni è v0.31.0rc1, datata 6 ottobre. Quindi nessuna versione distribuita di vLLM-Omni contiene questo modello, e la versione onesta dell'affermazione sul Day 0 è che il percorso di serving esiste come branch che puoi compilare, non come pacchetto che puoi installare. Questa distinzione conta più del solito qui, perché MOSS-Image è un rilascio davvero interessante il cui vero contenuto è nei pesi: MOSS-Image-Base e MOSS-Image-SFT, rilasciati il 16 ottobre 2026 sotto Apache 2.0, costruiti attorno a un compatto transformer di diffusione che accetta layout JSON strutturati come prompt.

La sintesi per chi ne vuole un’idea generale. OpenMOSS — il laboratorio dietro la linea MOSS per linguaggio e voce, che lavora con MOSI Intelligence e partner accademici — ha rilasciato un transformer di diffusione single-stream da 5B addestrato da zero, abbinato a un text encoder Qwen3.5-9B congelato e a un VAE FLUX.2 congelato, con una licenza permissiva che copre sia i pesi sia il codice di inferenza. Il suo punto di forza non è la qualità d’immagine grezza; è che puoi passargli un oggetto JSON contenente bounding box, stringhe di testo letterali e note tipografiche, e le rispetterà. I numeri di benchmark che lo accompagnano sono quelli dello stesso fornitore, misurati su due benchmark creati anche dal fornitore. Questo non lo squalifica, ma significa che dovresti leggerli come il tabellone interno di un laboratorio, non come una classifica.

Cosa è stato effettivamente rilasciato, e dove

Gli artefatti sono semplici e verificabili. Su Hugging Face, OpenMOSS-Team/MOSS-Image-Base e OpenMOSS-Team/MOSS-Image-SFT contengono i pesi, con mirror su ModelScope per entrambi, uno Space Gradio in esecuzione su una singola A10G e un repository GitHub che contiene la pipeline, il plugin ComfyUI e un report tecnico. La pagina del progetto su openmoss.ai riporta la stessa data: 16 ottobre 2026 — Introduzione a MOSS-Image-Base, con codice e pesi del modello disponibili.

Due checkpoint, una sola architettura. Base è il modello preaddestrato; SFT è messo a punto su dati curati. L'esempio di confronto fornito dal fornitore stesso mostra che SFT produce un raggruppamento del testo più compatto e un layout più ordinato, che è all'incirca ciò che ci si aspetterebbe da un fine-tuning su dati curati di un modello base lasciato deliberatamente non distillato. La scheda di Base afferma esplicitamente che «non ha subito alcun post-training né distillazione dei parametri di inferenza come CFG», con la motivazione dichiarata di preservare le informazioni di addestramento e rendere il modello più facile su cui addestrare LoRA. La conseguenza pratica è che Base è l'host migliore per il fine-tuning e il default peggiore per il prompting occasionale.

La licenza è Apache 2.0 per i pesi e per il codice della pipeline standalone — nessuna soglia di ricavi, nessun allegato sull'uso accettabile, nessun livello commerciale separato. Per un modello la cui capacità principale è rendere testo leggibile nelle immagini, questo è un fatto più rilevante della tabella dei benchmark, perché il rendering del testo è esattamente la capacità che emerge nel lavoro commerciale: mockup di prodotto, composizioni UI, infografiche, poster, layout pubblicitari.

L'architettura, nei numeri che contano

La tabella di configurazione del rapporto tecnico è il punto in cui il rilascio smette di essere un comunicato stampa e inizia a essere una specifica. Il valore di 5B si riferisce al solo generatore di diffusione — un transformer a flusso singolo, con una profondità di 42 blocchi congiunti, larghezza nascosta 3072, 24 teste di attenzione da 128 dimensioni ciascuna, un feed-forward di ampiezza 8192 che usa attivazioni SiTU-GLU, e una codifica posizionale rotativa a quattro assi il cui primo asse è riservato a un indice di riferimento, così che la generazione condizionata dal riferimento possa essere aggiunta in seguito senza modificare lo schema posizionale.

Poi c'è la parte che l'etichetta "5B" esclude silenziosamente:

• Codificatore di testo — Qwen3.5-9B, congelato, che alimenta gli stati nascosti dei token dell'ultimo livello a dimensione 4096 attraverso una proiezione lineare a 3072, più due blocchi transformer solo testo. Un encoder da 9B avvitato a un generatore da 5B comporta un'occupazione decisamente maggiore di quanto suggerisca il numero di copertina.

• VAE — il VAE di FLUX.2, congelato e caricato da FLUX.2-klein-4B, 32 canali latenti con un fattore di downsampling spaziale di 8, con patch latenti 2×2 che danno uno stride effettivo dell'immagine di 16 pixel. La model card di MOSS-Image stessa indica che utilizza il decoder small di FLUX.2.

• Dimensione del download — il repository SFT totalizza circa 27,2 GB, di cui l'encoder di testo pesa all'incirca 16,8 GB distribuiti su quattro shard e il transformer circa 10,2 GB distribuiti su tre. Pianifica tenendo conto dell'encoder, non del badge.

• Limite del prompt — 4096 token nella fase finale di pre-addestramento, in linea con la dichiarazione del fornitore di "fino a 4K token". Le dimensioni di output devono essere multipli positivi di 16, con la guida che consiglia uno, uno e mezzo o due megapixel e un intervallo di extrapolazione supportato da 0,25M (512×512) a 4M.

Valori predefiniti di campionamento — flow-matching Euler, 50 step, CFG 3.0, shift 5.0, con skip-layer guidance sul ramo negativo al layer 22. Il percorso di guidance predefinito richiede due forward del transformer per step, ed è per questo che 50 step non sono l'impostazione economica che sembra.

• Addestramento — tre fasi progressive di risoluzione: 256px per 2,1M di passi, 512px per 2,1M di passi, poi circa 1024² per 0,31M di passi, con il massimo di token per campione che passa da 576 a 3.072 e poi a 8.192. Il corpus è un insieme derivato da ReLAION, ridotto da circa 5 miliardi a 3 miliardi di immagini tramite deduplicazione e rimozione delle immagini generate dall'IA, con il rapporto che afferma che non viene applicato alcun ulteriore filtraggio — le immagini le cui didascalie contengono artefatti vengono mantenute e i loro artefatti descritti, anziché scartate. L'ottimizzazione è un ibrido Muon–AdamW, e l'ablation da 1 miliardo di parametri dello stesso fornitore riporta il 33,2% e il 28,6% di passi in meno per raggiungere la stessa loss rispetto ad AdamW a due checkpoint. Si afferma che l'addestramento ha utilizzato piattaforme GPU eterogenee, il che è un'affermazione sull'approvvigionamento hardware più che sul modello, e il rapporto non le nomina.

Una cosa che vale la pena segnalare prima dei benchmark

Il modulo di miglioramento del prompt — l'elemento che trasforma "progetta un'infografica in inglese sulla conoscenza dei koala" in una specifica completa di contenuto e layout — non è un piccolo modello proprio del fornitore. Il rapporto afferma chiaramente che LayoutPE utilizza G​PT-6 con istruzioni modulari per l'attività al momento dell'inferenza, e la skill di prompt-enhancer inclusa nel repository è descritta come progettata per agenti della famiglia G​PT-6. Quindi il risultato end-to-end più forte di seguito non è l'output di un singolo modello; è una pipeline a due modelli la cui metà relativa alla specifica viene eseguita sull'API di qualcun altro. Se stavi leggendo la classifica Elo come una misura pura del generatore, non è questo.

La tabella di benchmark, e chi l'ha redatta

MOSS-Image è valutato su due benchmark forniti con la release, nati dalla stessa argomentazione del fornitore secondo cui i test esistenti non misurano ciò che gli sta a cuore. LongLongTextBench comprende 240 attività di rendering di testi letterari — 120 in inglese, 120 in cinese, con una lunghezza obiettivo media di 1.339,8 caratteri, circa undici volte la media di LongTextBench. RealLayoutArena comprende 61 attività di design (20 poster, 20 infografiche, 21 interfacce utente) giudicate tramite confronto umano a coppie in cieco e ricondotte a una scala Elo Bradley–Terry. Laddove compaiono le baseline, si tratta delle esecuzioni del fornitore relative a modelli altrui. Ogni cifra in questa sezione è riportata dal fornitore, non riprodotta, e nessuna di esse è stata sottoposta ad audit indipendente.

Sulla copertura testuale Mean-6 di LongLongTextBench, MOSS-Image ottiene 96,3 — il miglior valore open-weight nella tabella del fornitore, ben al di sopra del 64,9 di Qwen-Image-2512, e i suoi punteggi nella condizione più lunga sono 97,1 in inglese e 92,4 in cinese. Il numero che tiene onesta la tabella è quello della riga sopra: sul benchmark dello stesso fornitore, sulle esecuzioni dello stesso fornitore, GPT Image 2 ottiene 99,0 e Nano Banana Pro 96,6. OpenMOSS ha pubblicato una tabella in cui un concorrente vince comunque, il che vale qualcosa.

Su 7Bench layout control, il divario è molto più ampio: la IoU media sugli oggetti target rilevati è 0,88 per MOSS-Image contro 0,44 per Ideogram 4.0, 0,33 per Nano Banana Pro e Seedream 5.0 Pro, 0,31 per Qwen Image 3.0 Pro e 0,30 per GPT Image 2, con una Layout AUC di 0,70 contro un campo che si attesta tra 0,16 e 0,20. Se questi numeri reggono la riproduzione, il posizionamento preciso degli oggetti è la capacità che questo modello possiede davvero.

Su RealLayoutArena end-to-end, MOSS-Image si colloca a 1698,70 Elo con un intervallo di confidenza al 95% da 1655,96 a 1741,43 — secondo in assoluto, dietro GPT Image 2 a 1844,35 e davanti a Seedream 5.0 Pro (1661,16), Q​wen Image 3.0 Pro con potenziamento dei prompt (1614,84) e Nano Banana Pro (1590,19). Quando il confronto è limitato al solo backbone con prompt in linguaggio naturale potenziati condivisi, MOSS-Image è primo a 1807,34, davanti a ERNIE Image a 1748,51 e a SenseNova-U1 a 1689,23. L'ablazione della strategia di prompt è la riga più utile del paper per chiunque intenda usarlo: i prompt di layout JSON ottengono 1622,87, i prompt in linguaggio naturale 1506,20 sullo stesso sistema. L'interfaccia di layout non è una funzionalità bonus. È lì che risiede la performance.

Due avvertenze che il rapporto solleva contro se stesso meritano di essere ripetute. LongTextBench è descritto come vicino alla saturazione per i forti modelli attuali, il che significa che il fornitore spiega perché ha costruito un test più difficile anziché affidarsi a uno vecchio. E l'intervallo di confidenza sull'Elo end-to-end non si sovrappone a nulla, ma è ampio — 85 punti Elo — su un'arena di 61 attività giudicata da valutatori umani.

Eseguirlo da soli, e quanto costa

Oggi non esiste un'API commerciale per MOSS-Image che possiamo verificare, e non è nel nostro catalogo — OrcaRouter serve oltre 200 modelli e MOSS-Image non è tra questi, quindi nulla di quanto qui riportato deve essere interpretato come un'offerta da parte nostra. Ciò che esiste è il self-hosting: la via Diffusers con una pipeline personalizzata (pipeline_moss_image, diffusers 0.38 o successivo, transformers 5.3 o successivo, torch 2.9 o successivo, Python 3.10+), un'app Gradio e un plugin nativo per ComfyUI installabile tramite ComfyUI Manager, con l'integrazione nel repository ufficiale di ComfyUI descritta come in corso. C'è anche una skill di prompt-enhancer per framework di agenti, che compila bozze con coordinate in pixel nel formato JSON a coordinate centrate del modello senza chiamare alcun servizio di immagini — un piccolo strumento davvero utile.

La comunità ha già fatto la parte che il fornitore non ha fatto. Entro circa un giorno dal rilascio, su Hugging Face sono apparse build di terze parti: un packaging Comfy-Org del modello, una build sperimentale di Kijai, quantizzazioni GGUF, conversioni ConvRot INT8 e INT4, una build W4A8 OrbitQuant e — la cosa più utile per chi non ha un datacenter — una LoRA DMD a 4 step e una variante distillata a 8 step che attaccano frontalmente il default a 50 step. Nessuna di queste è supportata dal fornitore e nessuna è stata sottoposta a benchmark, ma sono il normale segnale che un rilascio è arrivato a persone che intendono usarlo anziché citarlo.

È qui che uno strato di routing si guadagna il suo posto, e vale la pena essere precisi sul confine. Non ospitiamo MOSS-Image, quindi non possiamo servirlo e non lasceremo intendere il contrario. Quello che possiamo fare è l'altra metà del confronto: se vuoi misurare un MOSS-Image self-hosted rispetto a modelli di immagini ospitati, il lato ospitato è raggiungibile con una sola chiave API su il nostro catalogo al prezzo di listino del provider con 0% di ricarico — così una variazione di prezzo di un fornitore su un modello ospitato è attiva qui lo stesso giorno, non su un ciclo contrattuale trimestrale — con failover automatico tra provider e un DSL di routing che ti consente di mettere diversi modelli dietro un unico endpoint. Testare un checkpoint non collaudato rispetto a uno a noleggio non dovrebbe richiedere un secondo SDK, e questa è l'unica affermazione che viene fatta.

Chi dovrebbe muoversi su questo, e chi dovrebbe aspettare?

Se il tuo lavoro prevede la generazione di immagini che contengono testo multilingue corretto e leggibile in posizioni specifiche — poster, mockup di interfacce, schede informative, qualunque cosa in cui il layout sia il risultato da consegnare anziché un felice imprevisto — MOSS-Image è la release open-weights più direttamente mirata dell'ultimo mese, e la licenza Apache 2.0 significa che la consueta verifica commerciale è breve. Inizia dal checkpoint SFT, aspettati di dover fornire JSON strutturato anziché prosa, e prevedi nel budget i 16,8 GB dell'encoder prima di prevedere il budget per il generatore.

Aspetta se hai bisogno di un endpoint richiamabile questa settimana, se stai noleggiando capacità invece di possederla, o se vuoi un numero indipendente prima di impegnarti. L'architettura è un design pulito a flusso singolo con un encoder congelato e un VAE congelato, il che la renderà semplice da eseguire — ma 50 passi a due forward per passo sono un vero costo di serving, il badge "5B" sottostima il download, e i punteggi in evidenza sono stati prodotti dal fornitore sui benchmark del fornitore stesso usando una fase di specifica che gira su un modello di terze parti. Aspetta una riproduzione, o che il percorso vLLM-Omni confluisca in qualcosa che puoi installare.

Due domande che questa versione non risolve

Il controllo del layout del modello giustifica un cambiamento del flusso di lavoro?

Dipende dalla possibilità di esprimere il tuo intento come riquadri e stringhe. Il JSON di layout usa coordinate in pixel assolute misurate dal centro della tela, con bbox_format "yxyx", il che è diverso dalle convenzioni a coordinate relative usate da diversi altri recenti sistemi di layout — il fornitore sostiene che i pixel assoluti si adattino meglio al lavoro multi-risoluzione. Adottarlo significa riscrivere qualunque logica di prompt tu abbia già, e il divario 7Bench del fornitore stesso (0,88 mIoU contro un campo a 0,30–0,44) è l'unica prova che la riscrittura convenga. È stato misurato dalle persone che hanno scritto la metrica.

La storia del Fine-Tuning è aperta quanto la licenza lascia intendere?

In parte sconosciuto. I pesi e il codice della pipeline sono Apache 2.0 e Base è stato deliberatamente lasciato non distillato, così che le LoRA avessero qualcosa su cui fare presa — il che è un impegno concreto. Ma la ricetta di addestramento del report — il curriculum di risoluzione a stadi, le decisioni di filtraggio di ReLAION, la suddivisione Muon–AdamW — è documentazione, non dati rilasciati, e le indicazioni sul fine-tuning finora consistono in istruzioni specifiche (mantieni congelato l'encoder di testo; non eseguirne il fine-tuning) più un prompt per le didascalie. L'affermazione che un semplice SFT sblocchi la generazione basata su riferimento e l'output GIF è presentata come una scoperta con un «stay tuned» allegato, non come un risultato che si possa verificare oggi.

Tre cose farebbero passare MOSS-Image da repository impressionante a scelta consolidata, e nessuna di esse esiste ancora: un'esecuzione indipendente di LongLongTextBench o RealLayoutArena da parte di qualcuno che non siano gli autori, la patch di vLLM-Omni integrata in una release con tag, corredata delle prove di parità di output che il suo revisore ha richiesto, e un checkpoint distillato a pochi step con il beneplacito di un vendor invece che solo conversioni della community. Fino ad allora il riassunto accurato è questo: un diffusion transformer da 5B ben documentato con un'interfaccia testo-e-layout insolitamente solida, una licenza permissiva che copre sia il codice sia i pesi, la leadership nei benchmark su test che ha scritto da sé e il secondo posto nel confronto end-to-end, e una storia di serving che è reale ma che risiede ancora in una pull request aperta.

I fallimenti documentati dell'IA e gli incidenti degli agenti dietro release come questa sono raccolti nell'OrcaRouter AI Incident Archive, dove ogni voce riporta le proprie fonti, gravità, grado di confidenza e flag di contestazione.