MOSS-Image 출시: OpenMOSS, 프롬프트에서 바운딩 박스를 입력받는 5B DiT 공개

MOSS-Image 출시를 둘러싼 어색한 디테일은, 이에 대해 가장 크게 회자된 이야기가 아직 사실이 아니라는 점이다. 10월 17일, vLLM의 공식 계정은 OpenMOSS 팀의 오픈소스 릴리스를 축하하며 "vLLM-Omni로 Day 0부터 MOSS-Image를 지원하게 되어 자랑스럽다"고 밝혔다. 실제로 이 모델을 해당 런타임에 추가하는 풀 리퀘스트 — [Model] Add MOSImage text-to-image with SLG, 25개 파일에 걸쳐 3,605줄 추가 — 는 10월 14일에 열렸고 여전히 열려 있으며, 리뷰어는 고정된 레퍼런스 구현과의 출력 일치성 증거를 요구하고 있다. vLLM-Omni의 가장 최근 공개 릴리스는 10월 6일자 v0.31.0rc1이다. 따라서 출시된 어떤 vLLM-Omni 버전에도 이 모델은 포함되어 있지 않으며, Day 0 주장을 정직하게 표현하자면 서빙 경로는 직접 빌드할 수 있는 브랜치로 존재할 뿐, 설치할 수 있는 패키지로 존재하는 것은 아니다. 이 구분은 여기서 평소보다 더 중요하다. MOSS-Image는 진짜 내용이 가중치에 담겨 있는, 정말로 흥미로운 릴리스이기 때문이다: MOSS-Image-Base와 MOSS-Image-SFT, 2026년 10월 16일 Apache 2.0으로 공개되었으며, 구조화된 JSON 레이아웃을 프롬프트로 받아들이는 소형 diffusion transformer를 기반으로 한다.

윤곽만 파악하려는 사람을 위한 짧은 버전. OpenMOSS — MOSS 언어·음성 제품군을 만든 연구소이며 MOSI Intelligence 및 학계 파트너들과 협력하는 — 는 처음부터 학습한 5B 단일 스트림 확산 트랜스포머를 공개했고, 여기에는 고정된 Qwen3.5-9B 텍스트 인코더와 고정된 FLUX.2 VAE가 결합되며, 가중치와 추론 코드를 모두 포괄하는 허용적 라이선스가 적용된다. 이 모델의 강점은 원시 이미지 품질이 아니다. 바운딩 박스, 리터럴 텍스트 문자열, 타이포그래피 노트를 담은 JSON 객체를 넘기면 이를 그대로 반영한다는 점이다. 이 모델에 붙은 벤치마크 수치는 벤더 자체 수치이며, 벤더가 직접 만든 두 벤치마크에서 측정된 것이다. 그것이 실격 요인은 아니지만, 이를 리그 순위표가 아니라 연구소의 내부 성적표로 읽어야 한다는 뜻이기는 하다.

실제로 출시된 것은 무엇이며, 어디에 출시되었나요?

아티팩트는 간단명료하고 검증 가능하다. Hugging Face에서는 OpenMOSS-Team/MOSS-Image-Base와 OpenMOSS-Team/MOSS-Image-SFT가 가중치를 제공하며, 둘 모두를 위한 ModelScope 미러, 단일 A10G에서 실행되는 Gradio Space, 그리고 파이프라인과 ComfyUI 플러그인, 기술 보고서를 담은 GitHub 저장소가 있다. openmoss.ai의 프로젝트 페이지에도 같은 날짜가 찍혀 있다: 2026년 10월 16일 — MOSS-Image-Base 소개, 코드와 모델 가중치 제공.

두 개의 체크포인트, 하나의 아키텍처. Base는 사전 학습된 모델이고, SFT는 선별된 데이터로 미세 조정된 모델입니다. 공급업체 자체의 비교 예시는 SFT가 더 긴밀한 텍스트 그룹화와 더 정돈된 레이아웃을 만들어 낸다는 것을 보여주는데, 이는 의도적으로 증류되지 않은 채 남겨둔 기본 모델을 선별 데이터로 미세 조정했을 때 대략 기대할 수 있는 결과입니다. Base 카드에는 "CFG와 같은 추론 매개변수에 대한 사후 학습이나 증류를 전혀 거치지 않았다"고 명시되어 있으며, 그 이유는 학습 정보를 보존하고 모델에 LoRA를 더 쉽게 학습시키기 위해서라고 밝히고 있습니다. 실질적인 결과는 Base가 미세 조정에는 더 나은 호스트이고, 일상적인 프롬프팅에는 더 나쁜 기본값이라는 것입니다.

가중치와 독립형 파이프라인 코드의 라이선스는 Apache 2.0입니다 — 매출 임계값도, 허용 사용 부속서도, 별도의 상업용 등급도 없습니다. 대표 기능이 이미지에 읽을 수 있는 텍스트를 렌더링하는 것인 모델에게 이 사실은 벤치마크 표보다 더 중대한데, 텍스트 렌더링은 바로 상업적 작업—제품 목업, UI 시안, 인포그래픽, 포스터, 광고 레이아웃—에서 나타나는 기능이기 때문입니다.

중요한 숫자로 보는 아키텍처

기술 보고서의 구성 표는 해당 릴리스가 보도 자료에서 벗어나 사양이 되기 시작하는 지점이다. 5B 수치는 디퓨전 생성기만을 가리킨다 — 단일 스트림 트랜스포머, 42개의 조인트 블록 깊이, 은닉 폭 3072, 각각 128차원인 24개의 어텐션 헤드, SiTU-GLU 활성화를 사용하는 8192폭 피드포워드, 그리고 첫 번째 축이 참조 인덱스용으로 예약된 4축 로터리 위치 인코딩으로, 나중에 위치 체계를 변경하지 않고도 참조 조건부 생성을 추가할 수 있다.

그다음에는 "5B"라는 라벨이 조용히 배제하는 부분이 있습니다:

• 텍스트 인코더 — Qwen3.5-9B, 동결된 상태로, 4096 차원의 최종 레이어 토큰 은닉 상태를 3072로의 선형 투영과 두 개의 텍스트 전용 트랜스포머 블록을 통해 공급한다. 5B 생성기에 9B 인코더를 붙인 구성은 헤드라인 숫자가 시사하는 것보다 실질적으로 훨씬 더 큰 풋프린트다.

• VAE — FLUX.2의 VAE로, FLUX.2-klein-4B에서 로드되어 동결되었으며, 공간 다운샘플링 계수 8에서 32개의 잠재 채널을 사용하고, 2×2 잠재 패치가 16픽셀의 실효 이미지 스트라이드를 제공합니다. MOSS-Image의 자체 모델 카드에는 FLUX.2 small 디코더를 사용한다고 명시되어 있습니다.

• 다운로드 크기 — SFT 저장소는 총 약 27.2GB이며, 그중 텍스트 인코더는 4개 샤드에 걸쳐 대략 16.8GB이고 트랜스포머는 3개 샤드에 걸쳐 약 10.2GB입니다. 계획은 배지가 아니라 인코더를 기준으로 세우세요.

• 프롬프트 상한 — 최종 사전 학습 단계에서 4096 토큰, 벤더의 "최대 4K 토큰" 주장과 일치합니다. 출력 차원은 16의 양의 배수여야 하며, 가이드에서는 1, 1.5, 또는 2메가픽셀과 0.25M(512×512)에서 4M까지의 지원되는 외삽 범위를 권장합니다.

• 샘플링 기본값 — flow-matching Euler, 50스텝, CFG 3.0, shift 5.0, 레이어 22의 네거티브 브랜치에 skip-layer guidance 사용. 기본 guidance 경로는 스텝당 transformer forward 두 번이 필요하므로, 50스텝은 겉으로 들리는 것처럼 저렴한 설정이 아니다.

• 학습 — 점진적인 세 가지 해상도 단계: 256px로 210만 스텝, 512px로 210만 스텝, 그다음 대략 1024²로 31만 스텝이며, 샘플당 최대 토큰 수는 576에서 3,072로, 다시 8,192로 증가한다. 코퍼스는 ReLAION에서 파생된 세트로, 중복 제거와 AI 이미지 제거를 통해 약 50억 장에서 30억 장으로 축소되었으며, 보고서는 추가 필터링이 적용되지 않는다고 밝힌다 — 캡션에 아티팩트가 포함된 이미지는 버리지 않고 유지하며 해당 아티팩트를 설명한다. 최적화는 하이브리드 Muon–AdamW이며, 벤더 자체의 10억 파라미터 어블레이션은 두 체크포인트에서 AdamW보다 동일한 손실에 도달하기까지의 스텝 수가 33.2% 및 28.6% 더 적다고 보고한다. 학습에는 이기종 GPU 플랫폼이 사용되었다고 명시되어 있는데, 이는 모델에 관한 주장이라기보다 하드웨어 공급에 관한 주장이며, 보고서는 해당 플랫폼들의 이름을 밝히지 않는다.

벤치마크에 앞서 짚어둘 만한 점이 하나 있습니다

프롬프트 향상 모듈 — "영어 코알라 지식 인포그래픽을 디자인하라"를 완전한 콘텐츠 및 레이아웃 명세로 바꿔 주는 부분 — 은 벤더 자체의 소형 모델이 아닙니다. 보고서는 LayoutPE가 추론 시점에 모듈식 작업 지침과 함께 G​PT-6를 사용한다라고 명확히 밝히며, 저장소에 번들된 프롬프트 향상 스킬은 G​PT-6 계열 에이전트용으로 설계된 것으로 설명됩니다. 따라서 아래의 가장 강력한 종단 간 결과는 단일 모델의 출력이 아닙니다. 그것은 명세 부분이 다른 누군가의 API에서 실행되는 두 모델 파이프라인입니다. Elo 순위를 생성기의 순수한 척도로 읽고 있었다면, 그건 아닙니다.

벤치마크 표, 그리고 누가 그것을 작성했는지

MOSS-Image는 릴리스와 함께 제공되는 두 벤치마크에서 평가되며, 이는 기존 테스트가 자사가 중요하게 여기는 것을 측정하지 못한다는 벤더 자신의 주장에서 비롯된 것이다. LongLongTextBench는 240개의 문학 텍스트 렌더링 작업으로, 영어 120개, 중국어 120개이며 평균 목표 길이는 1,339.8자로 LongTextBench 평균의 약 11배다. RealLayoutArena는 61개의 디자인 작업(포스터 20개, 인포그래픽 20개, 사용자 인터페이스 21개)으로, 블라인드 쌍대 인간 비교로 평가되고 Bradley–Terry Elo 척도에 맞춰 산출된다. 기준선이 등장하는 경우, 이는 타사 모델을 벤더가 실행한 결과다. 이 섹션의 모든 수치는 벤더 보고이며 재현되지 않았고, 그 어느 것도 독립적으로 감사되지 않았다.

LongLongTextBench의 Mean-6 텍스트 커버리지에서 MOSS-Image는 96.3점을 기록했습니다 — 공급업체 표에서 최고의 오픈 웨이트 수치로, Qwen-Image-2512의 64.9를 크게 앞서며, 가장 긴 조건의 점수는 영어 97.1, 중국어 92.4입니다. 이 표를 정직하게 유지하는 숫자는 바로 그 위 행에 있습니다: 공급업체 자체 벤치마크에서, 공급업체 자체 실행에서 GPT Image 2는 99.0점, Nano Banana Pro는 96.6점을 기록했습니다. OpenMOSS는 경쟁사가 여전히 이기는 표를 공개했는데, 이는 의미가 있습니다.

7Bench 레이아웃 제어에서는 격차가 훨씬 더 큽니다 — 검출된 대상 객체에 대한 평균 IoU는 MOSS-Image가 0.88인 반면, I​deogram 4.0은 0.44, Nano Banana Pro와 Seedream 5.0 Pro는 0.33, Q​wen Image 3.0 Pro는 0.31, GPT Image 2는 0.30이며, Layout AUC는 0.70으로 0.16~0.20 범위에 분포하는 경쟁 모델군과 대조됩니다. 이 수치가 재현된다면, 정밀한 객체 배치는 이 모델이 실제로 보유한 역량입니다.

RealLayoutArena 엔드투엔드에서 MOSS-Image는 1698.70 Elo를 기록하며 95% 신뢰구간은 1655.96~1741.43으로, 전체 2위입니다. GPT Image 2(1844.35)에는 뒤지고, Seedream 5.0 Pro(1661.16), 프롬프트 향상을 적용한 Qwen Image 3.0 Pro(1614.84), Nano Banana Pro(1590.19)보다는 앞섭니다. 공유된 향상된 자연어 프롬프트 아래에서 백본만으로 비교 범위를 제한하면, MOSS-Image가 1807.34로 1위이며, ERNIE Image(1748.51)와 SenseNova-U1(1689.23)보다 앞섭니다. 프롬프트 전략 절제 실험은 이 논문을 활용하려는 사람에게 논문에서 가장 유용한 대목입니다. 동일한 시스템에서 JSON 레이아웃 프롬프트는 1622.87점, 자연어 프롬프트는 1506.20점을 기록합니다. 레이아웃 인터페이스는 덤으로 붙은 기능이 아닙니다. 성능이 바로 여기에서 나옵니다.

보고서가 스스로에게 제기하는 두 가지 유의점은 다시 말할 가치가 있다. LongTextBench는 현재의 강력한 모델들에게 거의 포화 상태에 가깝다고 설명되는데, 이는 벤더가 오래된 테스트에 안주하기보다 더 어려운 테스트를 만든 이유를 설명하는 것이다. 그리고 엔드투엔드 Elo의 신뢰구간은 겹치는 것이 전혀 없지만, 인간 평가자가 심사한 61개 과제 아레나에서는 그 폭이 넓다 — 85 Elo 점이다.

직접 실행하기, 그리고 그에 따르는 비용

오늘날 우리가 검증할 수 있는 MOSS-Image용 상용 API는 없으며, 자체 카탈로그에도 올라 있지 않습니다 — OrcaRouter는 200개 이상의 모델을 제공하는데 MOSS-Image는 그중 하나가 아니므로, 여기 있는 어떤 내용도 우리가 그것을 제공한다는 뜻으로 읽혀서는 안 됩니다. 존재하는 것은 자체 호스팅입니다: 커스텀 파이프라인(pipeline_moss_image, diffusers 0.38 이상, transformers 5.3 이상, torch 2.9 이상, Python 3.10+)을 사용하는 Diffusers 경로, Gradio 앱, 그리고 ComfyUI Manager를 통해 설치할 수 있는 네이티브 ComfyUI 플러그인이 있으며, 공식 ComfyUI 저장소로의 통합은 진행 중이라고 설명되고 있습니다. 또한 에이전트 프레임워크용 프롬프트 향상 스킬도 있는데, 이는 이미지 서비스를 호출하지 않고 픽셀 좌표 초안을 모델의 중심 좌표 JSON 형식으로 컴파일합니다 — 작지만 실질적으로 유용한 도구입니다.

커뮤니티는 벤더가 하지 않은 부분을 이미 해냈습니다. 출시 후 약 하루 만에 Hugging Face에 서드파티 빌드가 등장했습니다: 모델의 Comfy-Org 패키징, 실험적인 Kijai 빌드, GGUF 양자화, INT8 및 INT4 ConvRot 변환, W4A8 OrbitQuant 빌드, 그리고 — 데이터센터가 없는 사람이라면 누구에게나 가장 유용한 — 기본 50단계를 정면으로 공략하는 4단계 DMD LoRA와 8단계 증류 변형입니다. 이 중 어느 것도 벤더 지원 대상이 아니고 벤치마크된 것도 없지만, 이들은 출시가 이를 인용하려는 사람이 아니라 사용하려는 사람들에게 자리 잡았다는 흔한 신호입니다.

라우팅 계층이 존재 가치를 발휘하는 지점이 바로 여기이며, 경계를 두고 분명히 짚고 넘어갈 만합니다. 저희는 MOSS-Image를 호스팅하지 않으므로 그것을 제공할 수 없고, 그렇지 않은 듯이 암시하지도 않을 것입니다. 저희가 할 수 있는 것은 비교의 나머지 절반입니다. 자체 호스팅한 MOSS-Image를 호스팅 이미지 모델과 비교해 보고 싶다면, 호스팅 쪽은 저희 카탈로그에서 하나의 API 키로 공급사 정가, 0% 마크업으로 이용할 수 있습니다 — 따라서 호스팅 모델의 공급사 가격 변경은 분기별 계약 주기가 아니라 같은 날 여기에 반영됩니다 — 그리고 자동 페일오버가 공급사 전반에서 지원되며, 라우팅 DSL을 통해 여러 모델을 단일 엔드포인트 뒤에 배치할 수 있습니다. 검증되지 않은 체크포인트를 임대한 모델과 비교 테스트하는 데 두 번째 SDK가 필요해서는 안 되며, 그것이 여기서 내세우는 유일한 주장입니다.

누가 이 일을 진행해야 하며, 누가 기다려야 합니까?

특정 위치에 정확하고 읽을 수 있는 다국어 텍스트가 들어간 이미지 — 포스터, 인터페이스 목업, 정보 카드처럼 레이아웃 자체가 결과물이고 우연한 부산물이 아닌 모든 작업 — 을 생성하는 일이 당신의 업무에 포함된다면, MOSS-Image는 지난달 가장 직접적으로 겨냥한 오픈 웨이트 릴리스이며, Apache 2.0 라이선스 덕분에 일반적인 상업적 검토도 짧습니다. SFT 체크포인트부터 시작하고, 산문이 아니라 구조화된 JSON을 제공해야 한다고 예상하며, 생성기 예산을 세우기 전에 인코더의 16.8GB를 먼저 예산에 넣으세요.

이번 주에 호출 가능한 엔드포인트가 필요하거나, 용량을 소유하기보다 임대하고 있거나, 도입을 확정하기 전에 독립적인 수치를 원한다면 기다리세요. 이 아키텍처는 고정된 인코더와 고정된 VAE를 갖춘 깔끔한 단일 스트림 설계라 실행하기는 간단하겠지만, 스텝당 두 번의 순전파로 50스텝은 실제 서빙 비용이 상당하고, "5B" 배지는 다운로드 규모를 실제보다 작게 보이게 하며, 대표 점수는 벤더가 자사 벤치마크에서 제3자 모델에서 실행되는 specification 단계를 사용해 산출한 것입니다. 재현 결과가 나오기를, 또는 vLLM-Omni 경로가 설치할 수 있는 무언가로 병합되기를 기다리세요.

이번 릴리스가 해결하지 못하는 두 가지 질문

모델의 레이아웃 제어가 워크플로 변경을 정당화할 수 있습니까?

그것은 당신이 의도를 상자와 문자열로 표현할 수 있는지에 달려 있습니다. 레이아웃 JSON은 캔버스 중심에서 측정된 절대 픽셀 좌표를 사용하며, bbox_format "yxyx" 형식을 사용합니다. 이는 최근 다른 여러 레이아웃 시스템이 사용하는 상대 좌표 관례와 다릅니다 — 공급업체는 절대 픽셀이 다중 해상도 작업에 더 적합하다고 주장합니다. 이를 채택한다는 것은 이미 가지고 있는 프롬프트 로직이 무엇이든 다시 작성해야 함을 의미하며, 공급업체 자체의 7Bench 격차(0.30–0.44 범위의 경쟁 시스템들을 상대로 한 0.88 mIoU)가 그 재작성이 보람 있다는 유일한 증거입니다. 그것은 해당 지표를 작성한 사람들이 측정했습니다.

파인튜닝 이야기는 정말 라이선스가 시사하는 만큼 개방적인가?

일부는 미지수다. 가중치와 파이프라인 코드는 Apache 2.0이고, Base는 LoRA가 파고들 여지를 남기기 위해 의도적으로 증류되지 않은 채 남겨졌는데, 이는 진정한 결단이다. 그러나 보고서의 훈련 레시피 — 단계별 해상도 커리큘럼, ReLAION 필터링 결정, Muon–AdamW 분할 — 는 문서일 뿐 공개된 데이터가 아니며, 지금까지의 파인튜닝 지침은 구체적인 지시(텍스트 인코더를 고정하라; 파인튜닝하지 말라)와 캡셔닝 프롬프트로 구성되어 있다. 단순한 SFT가 참조 기반 생성과 GIF 출력을 가능하게 한다는 주장은 “계속 지켜봐 달라”는 말이 붙은 발견으로 제시될 뿐, 오늘 확인할 수 있는 결과로 제시된 것은 아니다.

MOSS-Image를 인상적인 저장소에서 확고한 선택지로 옮겨 줄 세 가지가 있으며, 그중 어느 것도 아직 존재하지 않습니다: 저자들이 아닌 누군가에 의한 LongLongTextBench 또는 RealLayoutArena의 독립적인 실행, vLLM-Omni 패치가 리뷰어가 요구한 출력 동등성 증거와 함께 태그된 릴리스에 병합되는 것, 그리고 커뮤니티 변환만이 아니라 벤더의 승인을 받은 몇 단계 증류 체크포인트. 그때까지 정확한 요약은 이것입니다 — 잘 문서화된 5B 디퓨전 트랜스포머로, 비상하게 강력한 텍스트-레이아웃 인터페이스, 코드와 가중치를 모두 포괄하는 허용적 라이선스, 스스로 작성한 테스트에서의 벤치마크 선두 및 엔드투엔드 비교에서의 2위, 그리고 실체는 있지만 여전히 열린 풀 리퀘스트에 머물러 있는 서빙 스토리를 갖춘 것입니다.

이번과 같은 릴리스의 배경이 되는, 문서화된 AI 실패 및 에이전트 사건들은 OrcaRouter AI Incident Archive에 수집되어 있으며, 각 항목에는 자체 출처, 심각도, 신뢰도 등급 및 이의 제기 플래그가 포함되어 있습니다.