MOSS-Image już dostępny: OpenMOSS udostępnił 5B DiT, który przyjmuje bounding boxy w prompcie

Niezręczny szczegół stojący za premierą MOSS-Image polega na tym, że najgłośniejsze zdanie na jego temat wciąż nie do końca jest prawdą. 17 października konto samego vLLM pogratulowało zespołowi OpenMOSS wydania open source i oświadczyło, że jest „dumne ze wspierania MOSS-Image w Dniu 0 dzięki vLLM-Omni”. Pull request, który faktycznie dodaje ten model do tego środowiska uruchomieniowego — [Model] Add MOSImage text-to-image with SLG, 3605 dodanych linii w 25 plikach — został otwarty 14 października i wciąż pozostaje otwarty, a recenzent prosi o dowód zgodności wyników z przypiętą implementacją referencyjną. Najnowsze opublikowane wydanie vLLM-Omni to v0.31.0rc1 z 6 października. Żadna wydana wersja vLLM-Omni nie zawiera więc tego modelu, a uczciwa wersja twierdzenia o Dniu 0 brzmi: ścieżka serwowania istnieje jako gałąź, którą można zbudować, a nie jako pakiet, który można zainstalować. To rozróżnienie ma tu większe znaczenie niż zwykle, ponieważ MOSS-Image to naprawdę interesujące wydanie, którego prawdziwa treść tkwi w wagach: MOSS-Image-Base i MOSS-Image-SFT, wydane 16 października 2026 na licencji Apache 2.0, zbudowane wokół kompaktowego transformera dyfuzyjnego, który przyjmuje ustrukturyzowane układy JSON jako prompt.

Krótka wersja dla kogoś, kto chce poznać ogólny zarys. OpenMOSS — laboratorium stojące za linią językową i mową MOSS, współpracujące z MOSI Intelligence i partnerami akademickimi — udostępniło wytrenowany od podstaw jednoprzepływowy transformer dyfuzyjny o 5B parametrów, w parze z zamrożonym enkoderem tekstu Qwen3.5-9B i zamrożonym VAE FLUX.2, na permisywnej licencji obejmującej zarówno wagi, jak i kod wnioskowania. Jego zaletą nie jest surowa jakość obrazu; jest nią to, że można mu przekazać obiekt JSON zawierający ramki ograniczające, dosłowne ciągi tekstowe i uwagi typograficzne, a on je uszanuje. Dołączone do niego wyniki benchmarków pochodzą od samego dostawcy i zostały zmierzone na dwóch benchmarkach, które dostawca również stworzył. To nie jest dyskwalifikujące, ale oznacza, że należy je czytać jako wewnętrzną tablicę wyników laboratorium, a nie jako tabelę ligową.

Co faktycznie zostało wydane i gdzie

Artefakty są proste i weryfikowalne. Na Hugging Face OpenMOSS-Team/MOSS-Image-Base i OpenMOSS-Team/MOSS-Image-SFT przechowują wagi, a dla obu dostępne są kopie lustrzane w ModelScope, Gradio Space działający na pojedynczym A10G oraz repozytorium GitHub zawierające potok, wtyczkę ComfyUI i raport techniczny. Strona projektu pod adresem openmoss.ai podaje tę samą datę: 16 października 2026 — Przedstawiamy MOSS-Image-Base, wraz z udostępnieniem kodu i wag modelu.

Dwa checkpointy, jedna architektura. Base to model wstępnie wytrenowany; SFT jest dostrajany na wyselekcjonowanych danych. Własny przykład porównawczy dostawcy pokazuje, że SFT daje ciaśniejsze grupowanie tekstu i bardziej uporządkowany układ, co mniej więcej odpowiada temu, czego można by oczekiwać po dostrojeniu modelu bazowego na wyselekcjonowanych danych, który celowo pozostawiono niedestylowanym. Karta Base wprost stwierdza, że model „nie został poddany żadnemu treningowi po wstępnym wytrenowaniu ani destylacji parametrów wnioskowania, takich jak CFG”, a podanym powodem jest zachowanie informacji treningowych i ułatwienie trenowania na nim LoRA. Praktyczna konsekwencja jest taka, że Base lepiej sprawdza się jako baza do dostrajania, a gorzej jako domyślny wybór do swobodnego promptowania.

Licencja na wagi i samodzielny kod pipeline’u to Apache 2.0 — bez progu przychodowego, bez aneksu o dopuszczalnym użyciu, bez oddzielnego poziomu komercyjnego. W przypadku modelu, którego sztandarową możliwością jest renderowanie czytelnego tekstu na obrazach, jest to fakt o większym znaczeniu niż tabela benchmarków, ponieważ renderowanie tekstu to dokładnie ta możliwość, która pojawia się w pracy komercyjnej: makiety produktów, kompozycje UI, infografiki, plakaty, projekty układów reklam.

Architektura w liczbach, które się liczą

Tabela konfiguracji w raporcie technicznym to miejsce, w którym premiera przestaje być komunikatem prasowym, a zaczyna być specyfikacją. Liczba 5B odnosi się wyłącznie do generatora dyfuzyjnego — jednostrumieniowego transformatora o głębokości 42 bloków łączonych, szerokości ukrytej 3072, 24 głowicach uwagi po 128 wymiarów każda, warstwie feed-forward o szerokości 8192 wykorzystującej aktywacje SiTU-GLU oraz czteroosiowym obrotowym kodowaniu pozycji, którego pierwsza oś jest zarezerwowana na indeks referencyjny, dzięki czemu generowanie warunkowane referencją można dodać później bez zmiany schematu pozycyjnego.

Potem jest część, którą etykieta „5B” po cichu pomija:

• Enkoder tekstu — Qwen3.5-9B, zamrożony, przekazujący ukryte stany tokenów z ostatniej warstwy o wymiarze 4096 przez projekcję liniową do 3072 oraz dwa bloki transformera przeznaczone wyłącznie do tekstu. Enkoder 9B dokręcony do generatora 5B to istotnie większy ślad niż sugeruje liczba z nagłówka.

• VAE — VAE modelu FLUX.2, zamrożony i wczytany z FLUX.2-klein-4B, 32 kanały latentne przy przestrzennym współczynniku podpróbkowania równym 8, z łatami latentnymi 2×2 dającymi efektywny krok obrazu wynoszący 16 pikseli. Własna karta modelu MOSS-Image wskazuje, że używa ona małego dekodera FLUX.2.

• Rozmiar pobierania — repozytorium SFT ma łącznie około 27,2 GB, z czego enkoder tekstu to około 16,8 GB w czterech shardach, a transformer około 10,2 GB w trzech. Planuj pod enkoder, nie pod plakietkę.

• Górny limit promptu — 4096 tokenów na końcowym etapie pretreningu, co odpowiada deklaracji dostawcy „do 4K tokenów”. Wymiary wyjściowe muszą być dodatnimi wielokrotnościami 16, a przewodnik zaleca jeden megapiksel, półtora megapiksela lub dwa megapiksele oraz obsługiwany zakres ekstrapolacji od 0,25 mln (512×512) do 4 mln.

• Domyślne ustawienia próbkowania — Euler flow-matching, 50 kroków, CFG 3.0, shift 5.0, z guidance z pominięciem warstwy na gałęzi negatywnej w warstwie 22. Domyślna ścieżka guidance wymaga dwóch przejść transformera w przód na krok, dlatego 50 kroków nie jest tak tanim ustawieniem, jak brzmi.

Trening — trzy progresywne etapy rozdzielczości: 256 px przez 2,1 mln kroków, 512 px przez 2,1 mln kroków, a następnie około 1024² przez 0,31 mln kroków, przy czym maksymalna liczba tokenów na próbkę rośnie z 576 do 3 072 do 8 192. Korpus to zbiór pochodzący z ReLAION, zredukowany z około 5 miliardów do 3 miliardów obrazów poprzez deduplikację i usuwanie obrazów AI, a raport stwierdza, że nie stosuje się dalszego filtrowania — obrazy, których podpisy zawierają artefakty, są zachowywane, a ich artefakty opisywane, zamiast być odrzucane. Optymalizacja to hybrydowe połączenie Muon–AdamW, a własna ablacja dostawcy dla 1 mld parametrów raportuje o 33,2% i 28,6% mniej kroków do tej samej straty niż AdamW w dwóch punktach kontrolnych. Podano, że trening wykorzystywał heterogeniczne platformy GPU, co jest twierdzeniem o dostawach sprzętu, a nie o modelu, i raport ich nie wymienia.

Jedna rzecz, którą warto zaznaczyć przed benchmarkami

Moduł ulepszania promptów — element, który zamienia „zaprojektuj angielską infografikę wiedzy o koali” w pełną specyfikację treści i układu — nie jest małym modelem samego dostawcy. W raporcie stwierdza się wprost, że LayoutPE używa G​PT-6 z modułowymi instrukcjami zadań w czasie wnioskowania, a dołączona do repozytorium umiejętność ulepszania promptów jest opisana jako zaprojektowana dla agentów z rodziny G​PT-6. Zatem najmocniejszy wynik end-to-end poniżej nie jest wynikiem pojedynczego modelu; to potok dwóch modeli, którego połowa odpowiedzialna za specyfikację działa na cudzym API. Jeśli odczytywałeś ranking Elo jako czystą miarę generatora, to nie jest on taką miarą.

Tabela testów porównawczych i kto ją opracował

MOSS-Image jest oceniany na dwóch benchmarkach dołączonych do wydania, które powstały z argumentu samego dostawcy, że istniejące testy nie mierzą tego, na czym mu zależy. LongLongTextBench to 240 zadań renderowania tekstu literackiego — 120 po angielsku, 120 po chińsku, przy średniej docelowej długości 1339,8 znaku, około jedenaście razy większej niż średnia w LongTextBench. RealLayoutArena to 61 zadań projektowych (20 plakatów, 20 infografik, 21 interfejsów użytkownika) ocenianych przez ludzi w ślepych porównaniach parami i dopasowanych do skali Bradley–Terry Elo. Tam, gdzie pojawiają się wartości odniesienia, są to uruchomienia modeli innych osób wykonane przez dostawcę. Każda liczba w tej sekcji została podana przez dostawcę, nie została odtworzona i żadna z nich nie została niezależnie zweryfikowana.

W zakresie pokrycia tekstu Mean-6 w LongLongTextBench MOSS-Image uzyskuje 96,3 — najlepszy wynik wśród modeli o otwartych wagach w tabeli dostawcy, wyraźnie wyprzedzając wynik 64,9 modelu Q​wen-Image-2512, a jego wyniki dla najdłuższego warunku to 97,1 dla języka angielskiego i 92,4 dla chińskiego. Liczba, która utrzymuje tę tabelę w ryzach, to wiersz nad nią: na własnym benchmarku dostawcy, na własnych przebiegach dostawcy, GPT Image 2 uzyskuje 99,0, a Nano Banana Pro 96,6. OpenMOSS opublikował tabelę, w której konkurent wciąż wygrywa, coś jednak znaczy.

W kontroli układu 7Bench różnica jest znacznie większa — średnie IoU dla wykrytych obiektów docelowych wynosi 0,88 dla MOSS-Image wobec 0,44 dla Ideogram 4.0, 0,33 dla Nano Banana Pro i Seedream 5.0 Pro, 0,31 dla Qwen Image 3.0 Pro i 0,30 dla GPT Image 2, przy Layout AUC na poziomie 0,70 wobec wyników od 0,16 do 0,20. Jeśli te liczby przetrwają reprodukcję, precyzyjne rozmieszczanie obiektów to zdolność, którą ten model rzeczywiście posiada.

W testach end-to-end na RealLayoutArena MOSS-Image osiąga 1698,70 Elo przy 95% przedziale ufności od 1655,96 do 1741,43 — drugie miejsce ogółem, za GPT Image 2 z wynikiem 1844,35 i przed Seedream 5.0 Pro (1661,16), Q​wen Image 3.0 Pro z ulepszaniem promptów (1614,84) oraz Nano Banana Pro (1590,19). Gdy porównanie ogranicza się wyłącznie do samego szkieletu (backbone) przy wspólnych ulepszonych promptach w języku naturalnym, MOSS-Image zajmuje pierwsze miejsce z wynikiem 1807,34, przed ERNIE Image z wynikiem 1748,51 i SenseNova-U1 z wynikiem 1689,23. Ablacja strategii promptów to najużyteczniejszy fragment artykułu dla każdego, kto planuje go używać: prompty układu JSON uzyskują 1622,87, a prompty w języku naturalnym 1506,20 w tym samym systemie. Interfejs układu nie jest funkcją dodatkową. To w nim tkwi wydajność.

Warto powtórzyć dwa zastrzeżenia, które raport wysuwa przeciwko sobie. LongTextBench opisano jako bliski nasycenia dla silnych obecnych modeli, co stanowi wyjaśnienie dostawcy, dlaczego zbudował trudniejszy test, zamiast opierać się na starym. A przedział ufności dla Elo end-to-end nie nakłada się na nic, ale jest szeroki — 85 punktów Elo — w arenie 61 zadań ocenianej przez ludzkich sędziów.

Samodzielne uruchamianie i związane z tym koszty

Obecnie nie ma żadnego komercyjnego API dla MOSS-Image, które możemy zweryfikować, i nie ma go w naszym własnym katalogu — OrcaRouter obsługuje ponad 200 modeli, a MOSS-Image nie jest jednym z nich, więc niczego tutaj nie należy odczytywać jako naszej oferty. To, co istnieje, to samodzielny hosting: ścieżka Diffusers z niestandardowym pipeline'em (pipeline_moss_image, diffusers 0.38 lub nowszy, transformers 5.3 lub nowszy, torch 2.9 lub nowszy, Python 3.10+), aplikacja Gradio oraz natywna wtyczka ComfyUI instalowana przez ComfyUI Manager, a integracja z oficjalnym repozytorium ComfyUI jest opisana jako w toku. Istnieje również umiejętność ulepszania promptów dla frameworków agentowych, która kompiluje szkice ze współrzędnymi pikselowymi do formatu JSON z wyśrodkowanymi współrzędnymi modelu, bez wywoływania jakiejkolwiek usługi obrazowej — małe, naprawdę przydatne narzędzie.

Społeczność zrobiła już to, czego nie zrobił dostawca. W ciągu mniej więcej jednego dnia od premiery na Hugging Face pojawiły się kompilacje firm trzecich: pakiet modelu przygotowany przez Comfy-Org, eksperymentalna kompilacja Kijai, kwantyzacje GGUF, konwersje INT8 i INT4 ConvRot, kompilacja W4A8 OrbitQuant oraz — najbardziej przydatne dla każdego, kto nie ma centrum danych — 4-krokowy DMD LoRA i 8-krokowy wariant destylowany, które wprost atakują domyślne 50 kroków. Żadne z nich nie jest wspierane przez dostawcę ani nie ma przeprowadzonych benchmarków, ale są to zwykłe sygnały, że premiera trafiła do osób, które zamierzają jej używać, a nie tylko ją cytować.

To tutaj warstwa routingu zasługuje na swoje miejsce i warto precyzyjnie określić granicę. Nie hostujemy MOSS-Image, więc nie możemy go udostępniać i nie będziemy sugerować inaczej. Możemy natomiast zrobić drugą połowę porównania: jeśli chcesz zmierzyć samodzielnie hostowany MOSS-Image z hostowanymi modelami obrazów, strona hostowana jest dostępna przez jeden klucz API w naszym katalogu w cenie katalogowej dostawcy z 0% marży — więc zmiana ceny dostawcy dla hostowanego modelu jest tu widoczna tego samego dnia, a nie w kwartalnym cyklu umownym — z automatycznym przełączaniem awaryjnym między dostawcami i DSL routingu, który pozwala umieścić kilka modeli za jednym punktem końcowym. Testowanie nieprzetestowanego checkpointu względem wynajętego nie powinno wymagać drugiego SDK i to jest jedyne twierdzenie, jakie tu stawiamy.

Kto powinien działać w tej sprawie, a kto powinien czekać?

Jeśli Twoja praca polega na generowaniu obrazów zawierających poprawny, czytelny, wielojęzyczny tekst w określonych miejscach — plakaty, makiety interfejsów, karty informacyjne, cokolwiek, gdzie układ jest celem, a nie przypadkowym efektem — MOSS-Image to najbardziej ukierunkowane wydanie open-weights z ostatniego miesiąca, a licencja Apache 2.0 sprawia, że standardowy przegląd komercyjny jest krótki. Zacznij od checkpointu SFT, spodziewaj się dostarczania ustrukturyzowanego JSON-a, a nie prozy, i zaplanuj w budżecie 16,8 GB na enkoder, zanim zaplanujesz środki na generator.

Poczekaj, jeśli w tym tygodniu potrzebujesz wywoływalnego endpointu, jeśli wynajmujesz moc obliczeniową, a nie masz jej na własność, albo jeśli chcesz niezależnego wyniku, zanim się zobowiążesz. Architektura to czysty projekt jednoprzepływowy z zamrożonym enkoderem i zamrożonym VAE, co sprawi, że uruchomienie będzie proste — ale 50 kroków przy dwóch przejściach do przodu na krok to realny koszt serwowania, plakietka „5B” zaniża rozmiar pobierania, a kluczowe wyniki zostały uzyskane przez dostawcę na własnych benchmarkach dostawcy przy użyciu etapu specyfikacji działającego na modelu innej firmy. Poczekaj na reprodukcję albo na to, aż ścieżka vLLM-Omni zostanie scalona w coś, co możesz zainstalować.

Dwa pytania, których to wydanie nie rozstrzyga

Czy kontrola układu modelu uzasadnia zmianę przepływu pracy?

To zależy od tego, czy potrafisz wyrazić swój zamiar jako prostokąty i ciągi znaków. Układ JSON używa bezwzględnych współrzędnych pikselowych mierzonych od środka kanwy, z bbox_format "yxyx", co odbiega od konwencji względnych współrzędnych stosowanych w kilku innych niedawnych systemach układu — dostawca przekonuje, że bezwzględne piksele lepiej pasują do pracy z wieloma rozdzielczościami. Przyjęcie tego oznacza przepisanie jakiejkolwiek logiki promptów, jaką już masz, a własna różnica dostawcy w 7Bench (0,88 mIoU wobec konkurencji na poziomie 0,30–0,44) to jedyny dowód, że przepisanie się opłaca. Zmierzyli ją ludzie, którzy napisali tę metrykę.

Czy historia Fine-Tuningu jest tak otwarta, jak sugeruje licencja?

Częściowo nieznane. Wagi i kod pipeline’u są objęte licencją Apache 2.0, a Base celowo nie poddano destylacji, żeby LoRAs miały na czym się zaczepić — to prawdziwe zobowiązanie. Ale recepta treningowa z raportu — etapowy curriculum rozdzielczości, decyzje dotyczące filtrowania ReLAION, podział Muon–AdamW — to dokumentacja, a nie udostępnione dane, a wytyczne dotyczące dostrajania jak dotąd składają się z konkretnych instrukcji (utrzymuj enkoder tekstu zamrożony; nie dostrajaj go) oraz promptu do opisywania. Twierdzenie, że prosty SFT odblokowuje generowanie oparte na referencjach i wyjście GIF, jest podane jako ustalenie z dołączonym „czekajcie na dalsze informacje”, a nie jako wynik, który można sprawdzić już dziś.

Trzy rzeczy przeniosłyby MOSS-Image z imponującego repozytorium do ugruntowanego wyboru, a żadna z nich jeszcze nie istnieje: niezależne uruchomienie LongLongTextBench lub RealLayoutArena przez kogokolwiek innego niż autorzy, poprawka vLLM-Omni scalona do wydania z tagiem wraz z dowodem zgodności wyników, o który prosił jej recenzent, oraz kilkustopniowy destylowany checkpoint z błogosławieństwem dostawcy, a nie tylko konwersje społecznościowe. Do tego czasu trafne podsumowanie jest następujące — dobrze udokumentowany transformer dyfuzyjny 5B z wyjątkowo silnym interfejsem tekstu i układu, permisywna licencja obejmująca zarówno kod, jak i wagi, pozycja lidera w benchmarkach na testach, które sam napisał, i drugie miejsce w porównaniu end-to-end, a także historia serwowania, która jest prawdziwa, ale wciąż tkwi w otwartym pull requeście.

Udokumentowane awarie AI i incydenty z agentami stojące za takimi wydaniami jak to są gromadzone w OrcaRouter AI Incident Archive, gdzie każdy wpis zawiera własne źródła, poziom istotności, stopień pewności i znacznik sporności.