MOSS-Image is uitgebracht: OpenMOSS levert een 5B DiT die bounding boxes in de prompt accepteert

Het ongemakkelijke detail achter de lancering van MOSS-Image is dat het luidste dat erover wordt gezegd nog niet helemaal waar is. Op 17 oktober feliciteerde het eigen account van vLLM het OpenMOSS-team met de open-source release en zei dat het "trots was om MOSS-Image op Day 0 te ondersteunen met vLLM-Omni." De pull request die het model daadwerkelijk aan die runtime toevoegt — [Model] MOSImage tekst-naar-afbeelding toevoegen met SLG, 3.605 toegevoegde regels verdeeld over 25 bestanden — werd geopend op 14 oktober en is nog steeds open, waarbij de reviewer vraagt om bewijs van output-pariteit tegen een vastgezette referentie-implementatie. De nieuwste gepubliceerde release van vLLM-Omni is v0.31.0rc1, gedateerd 6 oktober. Dus geen enkele uitgebrachte versie van vLLM-Omni bevat dit model, en de eerlijke versie van de Day 0-bewering is dat het serving-pad bestaat als een branch die je kunt bouwen, niet als een pakket dat je kunt installeren. Dat onderscheid is hier meer dan gebruikelijk van belang, want MOSS-Image is een oprecht interessante release waarvan de echte inhoud in de gewichten zit: MOSS-Image-Base en MOSS-Image-SFT, uitgebracht op 16 oktober 2026 onder Apache 2.0, gebouwd rond een compacte diffusietransformer die gestructureerde JSON-layouts als prompt accepteert.

De korte versie voor wie de grote lijnen wil. OpenMOSS — het lab achter de MOSS-taal- en spraaklijn, dat samenwerkt met MOSI Intelligence en academische partners — heeft een 5B single-stream diffusietransformer uitgebracht, vanaf nul getraind, gekoppeld aan een bevroren Qwen3.5-9B tekstencoder en een bevroren FLUX.2 VAE, onder een permissieve licentie die zowel de gewichten als de inferentiecode dekt. Het verkoopargument is niet de ruwe beeldkwaliteit; het is dat je er een JSON-object met bounding boxes, letterlijke tekststrings en typografische notities aan kunt geven, en dat het zich daaraan houdt. De benchmarkcijfers die eraan zijn gekoppeld, zijn die van de leverancier zelf, gemeten op twee benchmarks die de leverancier ook zelf heeft gebouwd. Dat is niet diskwalificerend, maar het betekent wel dat je ze moet lezen als het interne scorebord van een lab, niet als een ranglijst.

Wat er daadwerkelijk is verzonden, en waar

De artefacten zijn eenvoudig en controleerbaar. Op Hugging Face OpenMOSS-Team/MOSS-Image-Base en OpenMOSS-Team/MOSS-Image-SFTbevatten de gewichten, met ModelScope-mirrors voor beide, een Gradio Space die op een enkele A10G draait, en een GitHub-repository met de pipeline, de ComfyUI-plugin en een technisch rapport. De projectpagina op openmoss.ai vermeldt dezelfde datum: 16 oktober 2026 — Introductie van MOSS-Image-Base, met code en modelgewichten beschikbaar.

Twee checkpoints, één architectuur. Base is het voorgetrainde model; SFT is gefinetuned op gecureerde data. Het eigen vergelijkingsvoorbeeld van de leverancier laat zien dat SFT een strakkere tekstgroepering en een overzichtelijkere lay-out produceert, wat ongeveer is wat je zou verwachten van een fine-tune op gecureerde data van een basismodel dat bewust niet is gedistilleerd. De Base-kaart zegt expliciet dat het "geen post-training of distillatie van inferentieparameters zoals CFG heeft ondergaan"; de opgegeven reden is om trainingsinformatie te behouden en het gemakkelijker te maken om LoRA's op het model te trainen. De praktische consequentie is dat Base de betere basis is voor fine-tuning en de slechtere standaard voor casual prompting.

De licentie is Apache 2.0 voor de gewichten en voor de zelfstandige pipelinecode — geen omzetdrempel, geen bijlage over acceptabel gebruik, geen apart commercieel niveau. Voor een model waarvan de belangrijkste capaciteit het weergeven van leesbare tekst in afbeeldingen is, is dat een gewichtiger feit dan de benchmarktabel, omdat tekstweergave precies de capaciteit is die opduikt in commercieel werk: productmock-ups, UI-comps, infographics, posters, advertentielay-outs.

De architectuur, in de cijfers die ertoe doen

De configuratietabel in het technische rapport is het punt waarop de release ophoudt een persbericht te zijn en een specificatie wordt. Het getal 5B verwijst uitsluitend naar de diffusiegenerator — een single-stream transformer, 42 joint blocks diep, verborgen breedte 3072, 24 attention heads van elk 128 dimensies, een feed-forward met een breedte van 8192 die SiTU-GLU-activaties gebruikt, en een vierassige roterende positiecodering waarvan de eerste as is gereserveerd voor een referentie-index, zodat referentiegeconditioneerde generatie later kan worden toegevoegd zonder het positionele schema te wijzigen.

Dan is er nog het deel dat het label "5B" stilzwijgend uitsluit:

• Tekstencoder — Qwen3.5-9B, bevroren, voedt de verborgen toestanden van de tokens van de laatste laag met dimensie 4096 via een lineaire projectie naar 3072 plus twee transformer-blokken die alleen tekst verwerken. Een 9B-encoder die aan een 5B-generator is vastgeschroefd, heeft een aanzienlijk grotere voetafdruk dan het getal in de kop doet vermoeden.

• VAE — de VAE van FLUX.2, bevroren en geladen vanuit FLUX.2-klein-4B, 32 latente kanalen bij een ruimtelijke downsamplingfactor van 8, met 2×2 latente patches die een effectieve beeldstride van 16 pixels opleveren. De eigen modelkaart van MOSS-Image vermeldt dat deze de FLUX.2 small decoder gebruikt.

Downloadgrootte — de SFT-repository komt in totaal op ongeveer 27,2 GB, waarvan de tekstencoder ongeveer 16,8 GB verdeeld over vier shards is en de transformer ongeveer 10,2 GB verdeeld over drie. Reken op de encoder, niet op de badge.

• Prompt-plafond — 4096 tokens in de laatste pretrainingsfase, overeenkomend met de bewering van de leverancier "tot 4K tokens". Uitvoerafmetingen moeten positieve veelvouden van 16 zijn, waarbij de gids één, anderhalf of twee megapixels aanraadt en een ondersteund extrapolatiebereik van 0,25M (512×512) tot 4M.

• Standaardinstellingen voor sampling — flow-matching Euler, 50 stappen, CFG 3.0, shift 5.0, met skip-layer-guidance op de negatieve tak in laag 22. Het standaard guidance-pad vereist twee transformer-forwards per stap, daarom is een instelling van 50 stappen niet zo goedkoop als het klinkt.

• Training — drie progressieve resolutiestadia: 256px gedurende 2,1M stappen, 512px gedurende 2,1M stappen, en vervolgens ongeveer 1024² gedurende 0,31M stappen, waarbij het maximale aantal tokens per sample stijgt van 576 naar 3.072 naar 8.192. Het corpus is een van ReLAION afgeleide set die door deduplicatie en verwijdering van AI-afbeeldingen is teruggebracht van ongeveer 5 miljard naar 3 miljard afbeeldingen, waarbij het rapport stelt dat er geen verdere filtering wordt toegepast — afbeeldingen waarvan de bijschriften artefacten bevatten, worden behouden en hun artefacten beschreven, in plaats van verwijderd. De optimalisatie is een hybride Muon–AdamW, en de eigen 1B-parameter-ablation van de leverancier rapporteert 33,2% en 28,6% minder stappen tot hetzelfde verlies dan AdamW bij twee checkpoints. Er wordt gesteld dat er voor de training heterogene GPU-platforms zijn gebruikt, wat een bewering is over de hardwareleverantie en niet over het model, en het rapport noemt ze niet.

Eén ding dat ik wil aankaarten voordat de benchmarks beginnen.

De promptverbeteringsmodule — het onderdeel dat "design an English koala knowledge infographic" omzet in een volledige inhouds- en lay-outspecificatie — is geen klein model van de leverancier zelf. Het rapport stelt ronduit dat LayoutPE G​PT-6 gebruikt met modulaire taakinstructies op inferentietijd, en de bij de repository meegeleverde prompt-enhancer-skill wordt beschreven als ontworpen voor agenten uit de G​PT-6-familie. Dus het sterkste end-to-endresultaat hieronder is niet de output van één enkel model; het is een pipeline met twee modellen waarvan de specificatiehelft op de API van iemand anders draait. Als je de Elo-ranglijst als een zuivere maatstaf voor de generator beschouwde, dan is dat niet zo.

De benchmarktabel, en wie deze heeft opgesteld.

MOSS-Image wordt geëvalueerd op twee benchmarks die met de release worden meegeleverd, voortgekomen uit het eigen argument van de leverancier dat bestaande tests niet meten wat voor hem van belang is. LongLongTextBench bestaat uit 240 taken voor het weergeven van literaire tekst — 120 Engels, 120 Chinees, met een gemiddelde doellengte van 1.339,8 tekens, ongeveer elf keer het gemiddelde van LongTextBench. RealLayoutArena bestaat uit 61 ontwerptaken (20 posters, 20 infographics, 21 gebruikersinterfaces), beoordeeld via blinde paarsgewijze menselijke vergelijking en afgestemd op een Bradley–Terry-Elo-schaal. Waar baselines voorkomen, zijn dat de runs van de leverancier met modellen van anderen. Elk cijfer in deze sectie is door de leverancier gerapporteerd, niet gereproduceerd, en niets ervan is onafhankelijk gecontroleerd.

Op de Mean-6-tekstdekking van LongLongTextBench scoort MOSS-Image 96,3 — de beste open-weightwaarde in de tabel van de leverancier, ruim boven de 64,9 van Qwen-Image-2512, en de scores voor de langste conditie zijn 97,1 Engels en 92,4 Chinees. Het cijfer dat de tabel eerlijk houdt, is de rij erboven: op de eigen benchmark van de leverancier, op de eigen runs van de leverancier, GPT Image 2 scoort 99,0 en Nano Banana Pro 96,6. OpenMOSS publiceerde een tabel waarin een concurrent nog steeds wint, wat iets waard is.

Op het gebied van 7Bench-layoutbeheer is de kloof veel groter — de gemiddelde IoU over gedetecteerde doelobjecten is 0,88 voor MOSS-Image tegenover 0,44 voor I​deogram 4.0, 0,33 voor Nano Banana Pro en Seedream 5.0 Pro, 0,31 voor Q​wen Image 3.0 Pro en 0,30 voor GPT Image 2, met een Layout AUC van 0,70 tegen een veld dat van 0,16 tot 0,20 loopt. Als die cijfers een reproductie overleven, is nauwkeurige objectplaatsing het vermogen dat dit model werkelijk bezit.

Op RealLayoutArena end-to-end komt MOSS-Image uit op 1698,70 Elo met een 95%-betrouwbaarheidsinterval van 1655,96 tot 1741,43 — algemeen tweede, achter GPT Image 2 op 1844,35 en voor Seedream 5.0 Pro (1661,16), Qwen Image 3.0 Pro met promptverbetering (1614,84) en Nano Banana Pro (1590,19). Wanneer de vergelijking wordt beperkt tot alleen de backbone onder gedeelde verbeterde natuurlijke-taalprompts, komt MOSS-Image als eerste uit op 1807,34, voor ERNIE Image op 1748,51 en SenseNova-U1 op 1689,23. De ablatie van de promptstrategie is de nuttigste regel in het artikel voor iedereen die van plan is het te gebruiken: JSON-layoutprompts scoren 1622,87, natuurlijke-taalprompts 1506,20 op hetzelfde systeem. De layout-interface is geen bonusfunctie. Daar zit de prestatie.

Twee kanttekeningen die het rapport tegen zichzelf inbrengt, zijn het herhalen waard. LongTextBench wordt beschreven als bijna verzadigd voor sterke huidige modellen, wat de leverancier uitlegt als reden waarom hij een moeilijkere test heeft gebouwd in plaats van op een oude te vertrouwen. En het betrouwbaarheidsinterval voor de end-to-end Elo vertoont geen overlap, maar is breed — 85 Elo-punten — in een arena met 61 taken, beoordeeld door menselijke beoordelaars.

Zelf uitvoeren, en wat dat kost

Vandaag de dag is er geen commerciële API voor MOSS-Image die wij kunnen verifiëren, en het staat niet in onze eigen catalogus — OrcaRouter serveert meer dan 200 modellen en MOSS-Image is daar niet een van, dus niets hier mag worden opgevat als dat wij het aanbieden. Wat bestaat, is self-hosting: de Diffusers-route met een aangepaste pipeline (pipeline_moss_image, diffusers 0.38 of nieuwer, transformers 5.3 of nieuwer, torch 2.9 of nieuwer, Python 3.10+), een Gradio-app en een native ComfyUI-plugin die kan worden geïnstalleerd via ComfyUI Manager, waarbij de integratie in de officiële ComfyUI-repository als in ontwikkeling wordt beschreven. Er is ook een prompt-enhancer-skill voor agent-frameworks, en die compileert concepten met pixelcoördinaten naar het JSON-formaat met gecentreerde coördinaten van het model zonder een beeldservice aan te roepen — een klein, echt nuttig stuk gereedschap.

De community heeft al het deel gedaan dat de leverancier niet deed. Binnen ongeveer een dag na de release verschenen er builds van derden op Hugging Face: een Comfy-Org-verpakking van het model, een experimentele Kijai-build, GGUF-kwantisaties, INT8- en INT4-ConvRot-conversies, een W4A8 OrbitQuant-build, en — het nuttigst voor iedereen zonder datacenter — een 4-staps DMD-LoRA en een 8-staps gedistilleerde variant die de standaard van 50 stappen frontaal aanvallen. Geen van deze wordt door de leverancier ondersteund en geen ervan is gebenchmarkt, maar ze zijn het normale signaal dat een release is geland bij mensen die hem willen gebruiken in plaats van citeren.

Dit is waar een routeringslaag zijn bestaansrecht verdient, en het is de moeite waard om precies te zijn over de grens. Wij hosten MOSS-Image niet, dus we kunnen het niet aanbieden en zullen dat ook niet suggereren. Wat we wél kunnen doen, is de andere helft van de vergelijking: als je een zelfgehoste MOSS-Image wilt afmeten tegen gehoste beeldmodellen, is de gehoste kant bereikbaar via één API-sleutel op onze catalogus tegen de adviesprijs van de provider met 0% opslag — dus een prijswijziging van een leverancier voor een gehost model is hier dezelfde dag live, niet volgens een kwartaalcontractcyclus — met automatische failover tussen providers en een routerings-DSL waarmee je meerdere modellen achter één endpoint kunt plaatsen. Een onbewezen checkpoint testen tegen een gehuurd exemplaar zou geen tweede SDK mogen vereisen, en dat is de enige claim die wordt gemaakt.

Wie moet dit oppakken, en wie moet wachten?

Als je werk draait om het genereren van afbeeldingen met correcte, leesbare, meertalige tekst op specifieke posities — posters, interface-mockups, infokaarten, alles waarbij de lay-out het eindproduct is in plaats van een toevallige meevaller — dan is MOSS-Image de meest direct gerichte open-weights-release van de afgelopen maand, en de Apache 2.0-licentie betekent dat de gebruikelijke commerciële toetsing kort is. Begin met het SFT-checkpoint, verwacht gestructureerde JSON te moeten aanleveren in plaats van proza, en reserveer ruimte voor de 16,8 GB van de encoder voordat je ruimte reserveert voor de generator.

Wacht als je deze week een aanroepbaar endpoint nodig hebt, als je capaciteit huurt in plaats van die te bezitten, of als je een onafhankelijk cijfer wilt voordat je je vastlegt. De architectuur is een strak single-streamontwerp met een bevroren encoder en een bevroren VAE, wat het eenvoudig te draaien maakt — maar 50 stappen met twee forward-passes per stap is een echte kostenpost voor serving, de "5B"-badge doet de download kleiner lijken, en de headline-scores zijn geproduceerd door de leverancier op de eigen benchmarks van de leverancier, met een speculatieve fase die op een model van een derde partij draait. Wacht op een reproductie, of tot het vLLM-Omni-pad is samengevoegd tot iets dat je kunt installeren.

Twee vragen die deze release niet beantwoordt

Rechtvaardigt het lay-outbeheer van het model een wijziging van de workflow?

Dat hangt ervan af of je je intentie kunt uitdrukken als boxen en strings. De layout-JSON gebruikt absolute pixelcoördinaten gemeten vanaf het midden van het canvas, met bbox_format "yxyx", wat afwijkt van de conventies met relatieve coördinaten die verschillende andere recente layoutsystemen gebruiken — de leverancier stelt dat absolute pixels beter geschikt zijn voor werk met meerdere resoluties. Het overnemen ervan betekent dat je alle promptlogica die je al hebt, moet herschrijven, en de eigen 7Bench-kloof van de leverancier (0,88 mIoU tegenover een veld op 0,30–0,44) is het enige bewijs dat het herschrijven loont. Die werd gemeten door de mensen die de metriek hebben geschreven.

Is het Fine-Tuning-verhaal zo open als de licentie doet vermoeden?

Gedeeltelijk onbekend. De gewichten en pipelinecode zijn Apache 2.0 en Base is bewust niet gedistilleerd gelaten zodat LoRA's iets hadden om op te bijten, wat een echte toezegging is. Maar het trainingsrecept van het rapport — het gefaseerde resolutiecurriculum, de ReLAION-filterbeslissingen, de Muon–AdamW-splitsing — is documentatie, geen vrijgegeven data, en de begeleiding voor fine-tuning bestaat tot nu toe uit specifieke instructies (houd de tekstencoder bevroren; fine-tune die niet) plus een captioning-prompt. De bewering dat eenvoudige SFT referentiegebaseerde generatie en GIF-uitvoer mogelijk maakt, wordt gepresenteerd als een bevinding met de mededeling 'blijf op de hoogte', niet als een resultaat dat je vandaag kunt controleren.

Drie dingen zouden MOSS-Image van een indrukwekkende repository naar een vaste keuze tillen, en geen ervan bestaat al: een onafhankelijke run van LongLongTextBench of RealLayoutArena door iemand anders dan de auteurs, de vLLM-Omni-patch die in een getagde release is samengevoegd met het bewijs van outputpariteit waar de reviewer om vroeg, en een few-step-gedistilleerd checkpoint met een zegen van de leverancier in plaats van alleen community-conversies. Tot die tijd is de nauwkeurige samenvatting deze — een goed gedocumenteerde 5B-diffusiontransformer met een ongewoon sterke tekst-en-layoutinterface, een permissieve licentie die zowel de code als de weights dekt, leiderschap in benchmarks op tests die het zelf heeft geschreven en een tweede plaats in de end-to-end vergelijking, en een servingverhaal dat reëel is maar zich nog steeds in een open pull request bevindt.

De gedocumenteerde AI-fouten en incidenten met agents achter releases zoals deze worden verzameld in het OrcaRouter AI Incident Archive, waar elke vermelding zijn eigen bronnen, ernst, betrouwbaarheidsgraad en betwistingsmarkering bevat.