MOSS-Image вышла: OpenMOSS выпустила 5B DiT, который принимает ограничивающие рамки в промпте

Неловкая деталь, стоящая за запуском MOSS-Image, заключается в том, что самое громкое заявление о нём пока не совсем соответствует действительности. 17 октября собственный аккаунт vLLM поздравил команду OpenMOSS с открытым релизом и заявил, что «гордится поддержкой MOSS-Image в Day 0 вместе с vLLM-Omni». Пул-реквест, который фактически добавляет модель в эту среду выполнения — [Model] Добавление MOSImage text-to-image с SLG, 3 605 добавленных строк в 25 файлах — был открыт 14 октября и всё ещё открыт, а рецензент запрашивает доказательства паритета выходных данных с закреплённой эталонной реализацией. Новейший опубликованный релиз vLLM-Omni — v0.31.0rc1 от 6 октября. Так что ни одна выпущенная версия vLLM-Omni не содержит эту модель, и честная версия заявления о Day 0 состоит в том, что путь обслуживания существует в виде ветки, которую можно собрать, а не пакета, который можно установить. Здесь эта разница важнее, чем обычно, потому что MOSS-Image — по-настоящему интересный релиз, реальное содержание которого заключено в весах: MOSS-Image-Base и MOSS-Image-SFT, выпущенных 16 октября 2026 года под лицензией Apache 2.0 и построенных вокруг компактного диффузионного трансформера, который принимает структурированные JSON-макеты в качестве промпта.

Краткая версия для тех, кому нужна суть. OpenMOSS — лаборатория, стоящая за линейкой языковых и речевых моделей MOSS и работающая с MOSI Intelligence и академическими партнёрами — выпустила 5B однопоточный диффузионный трансформер, обученный с нуля, в паре с замороженным текстовым энкодером Qwen3.5-9B и замороженным VAE FLUX.2, под разрешительной лицензией, охватывающей как веса, так и код инференса. Её главное преимущество — не качество изображений как таковое; оно в том, что вы можете передать ей JSON-объект с ограничивающими рамками, буквальными текстовыми строками и заметками по типографике, и она их соблюдёт. Приложенные к ней показатели бенчмарков — собственные показатели вендора, измеренные на двух бенчмарках, которые вендор тоже создал. Это не дисквалифицирует, но означает, что их следует читать как внутреннюю таблицу результатов лаборатории, а не как турнирную таблицу.

Что на самом деле было выпущено и где

Артефакты просты и проверяемы. На Hugging Face, OpenMOSS-Team/MOSS-Image-Base и OpenMOSS-Team/MOSS-Image-SFT содержат веса, с зеркалами ModelScope для обоих, Gradio Space, работающий на одном A10G, и репозиторий GitHub, содержащий пайплайн, плагин ComfyUI и технический отчёт. На странице проекта openmoss.ai указана та же дата: 16 октября 2026 г. — Представляем MOSS-Image-Base, с доступными кодом и весами модели.

Два чекпоинта, одна архитектура. Base — это предобученная модель; SFT дообучена на курированных данных. Собственный пример сравнения от поставщика показывает, что SFT обеспечивает более плотную группировку текста и более организованную компоновку, что примерно соответствует тому, что можно ожидать от дообучения на курированных данных базовой модели, которую намеренно оставили недистиллированной. В карточке Base прямо указано, что она «не проходила никакого пост-обучения или дистилляции параметров вывода, таких как CFG»; заявленная причина — сохранить информацию об обучении и упростить обучение LoRA на модели. Практическое следствие: Base — лучшая основа для дообучения и худший выбор по умолчанию для обычного промптинга.

Лицензия — Apache 2.0 для весов и для кода отдельного пайплайна: без порога по выручке, без приложения о допустимом использовании, без отдельного коммерческого тарифа. Для модели, чья главная заявленная возможность — отрисовка разборчивого текста на изображениях, это более значимый факт, чем таблица бенчмарков, потому что отрисовка текста — именно та возможность, которая проявляется в коммерческой работе: продуктовые мокапы, UI-компоновки, инфографика, постеры, рекламные макеты.

Архитектура в цифрах, которые имеют значение

Таблица конфигурации технического отчёта — это то место, где релиз перестаёт быть пресс-релизом и становится спецификацией. Цифра 5B относится только к диффузионному генератору — однопоточному трансформеру глубиной в 42 объединённых блока, со скрытой шириной 3072, 24 головами внимания по 128 измерений каждая, полносвязным слоем шириной 8192 с активациями SiTU-GLU и четырёхосным ротационным позиционным кодированием, первая ось которого зарезервирована под референсный индекс, так что генерацию, обусловленную референсом, можно будет добавить позже, не меняя позиционную схему.

А есть ещё та часть, которую метка «5B» тихо исключает:

• Текстовый энкодер — Qwen3.5-9B, замороженный, передающий скрытые состояния токенов последнего слоя размерностью 4096 через линейную проекцию в 3072 плюс два текстовых трансформерных блока. 9B-энкодер, прикрученный к 5B-генератору, — это существенно больший размер, чем предполагает заявленное число.

• VAE — VAE модели FLUX.2, замороженный и загруженный из FLUX.2-klein-4B, 32 латентных канала при коэффициенте пространственной понижающей дискретизации 8, с латентными патчами 2×2, обеспечивающими эффективный шаг по изображению в 16 пикселей. В собственной карточке модели MOSS-Image отмечается, что используется малый декодер FLUX.2.

• Размер загрузки — репозиторий SFT занимает в общей сложности около 27,2 ГБ, из которых текстовый энкодер — примерно 16,8 ГБ в четырёх шардах, а трансформер — около 10,2 ГБ в трёх. Планируйте под энкодер, а не под бейдж.

• Потолок промпта — 4096 токенов на финальной стадии предобучения, что соответствует заявлению производителя «до 4K токенов». Размеры выходных данных должны быть положительными числами, кратными 16; при этом руководство рекомендует использовать один, полтора или два мегапикселя, а поддерживаемый диапазон экстраполяции — от 0,25 Мп (512×512) до 4 Мп.

• Настройки сэмплирования по умолчанию — flow-matching Euler, 50 шагов, CFG 3.0, shift 5.0, со skip-layer guidance на отрицательной ветви на слое 22. Путь guidance по умолчанию требует двух прямых проходов трансформера за шаг, поэтому 50 шагов — не такая дешёвая настройка, как может показаться.

• Обучение — три последовательных этапа разрешения: 256 пикселей на протяжении 2,1 млн шагов, 512 пикселей на протяжении 2,1 млн шагов, затем примерно 1024² на протяжении 0,31 млн шагов, при этом максимальное число токенов на образец возрастает с 576 до 3 072 и до 8 192. Корпус — это набор, производный от ReLAION, сокращённый примерно с 5 млрд до 3 млрд изображений за счёт дедупликации и удаления ИИ-изображений; при этом в отчёте утверждается, что дополнительная фильтрация не применяется: изображения, в подписях к которым содержатся артефакты, сохраняются, а их артефакты описываются, а не отбрасываются. Оптимизация представляет собой гибрид Muon–AdamW, а собственный абляционный эксперимент производителя с моделью на 1 млрд параметров сообщает о на 33,2 % и 28,6 % меньшем числе шагов до достижения того же значения потерь, чем у AdamW, на двух контрольных точках. Утверждается, что для обучения использовались гетерогенные GPU-платформы, — это заявление о поставках оборудования, а не о модели, и в отчёте они не названы.

Об одном стоит упомянуть перед бенчмарками

Модуль улучшения промптов — компонент, который превращает «разработать английскую инфографику о знаниях коал» в полную спецификацию контента и макета — не является собственной небольшой моделью вендора. В отчёте прямо указано, что LayoutPE использует G​PT-6 с модульными инструкциями по задачам во время вывода, а встроенный в репозиторий навык prompt-enhancer описывается как предназначенный для агентов семейства G​PT-6. Таким образом, наилучший сквозной результат ниже — это не вывод одной модели; это двухмодельный конвейер, половина спецификации которого работает на чужом API. Если вы рассматривали рейтинг Elo как чистую меру генератора, то это не так.

Таблица бенчмарков и кто её составил

MOSS-Image оценивается на двух бенчмарках, поставляемых вместе с релизом, — порождённых собственным аргументом вендора о том, что существующие тесты не измеряют то, что для него важно. LongLongTextBench — это 240 задач на отрисовку литературного текста: 120 на английском, 120 на китайском, при средней целевой длине 1 339,8 символа, примерно в одиннадцать раз больше среднего показателя LongTextBench. RealLayoutArena — это 61 задача по дизайну (20 плакатов, 20 инфографик, 21 пользовательский интерфейс), оцениваемых слепым попарным сравнением людей и приведённых к шкале Эло по модели Брэдли — Терри. Там, где появляются базовые результаты, это выполненные вендором прогоны моделей других разработчиков. Каждая цифра в этом разделе заявлена вендором, не воспроизведена, и ни одна из них не проходила независимый аудит.

В показателе Mean-6 текстового покрытия LongLongTextBench MOSS-Image набирает 96,3 — лучший результат среди моделей с открытыми весами в таблице вендора, заметно опережая 64,9 у Qwen-Image-2512, а его оценки для самого длинного условия — 97,1 для английского и 92,4 для китайского. Цифра, которая заставляет таблицу оставаться честной, — это строка над ней: на собственном бенчмарке вендора, на собственных прогонах вендора, GPT Image 2 набирает 99,0, а Nano Banana Pro — 96,6. OpenMOSS опубликовала таблицу, в которой конкурент всё ещё побеждает, и это кое-чего стоит.

В тесте 7Bench на управление компоновкой разрыв гораздо шире — средний IoU по обнаруженным целевым объектам составляет 0,88 у MOSS-Image против 0,44 у Ideogram 4.0, 0,33 у Nano Banana Pro и Seedream 5.0 Pro, 0,31 у Qwen Image 3.0 Pro и 0,30 у GPT Image 2, при Layout AUC 0,70 против диапазона от 0,16 до 0,20. Если эти числа подтвердятся при воспроизведении, точное размещение объектов — это та способность, которой действительно обладает эта модель.

В сквозном тесте RealLayoutArena MOSS-Image набирает 1698,70 Эло с 95% доверительным интервалом от 1655,96 до 1741,43 — второе место в общем зачёте, после GPT Image 2 с 1844,35 и перед Seedream 5.0 Pro (1661,16), Qwen Image 3.0 Pro с улучшением промпта (1614,84) и Nano Banana Pro (1590,19). Когда сравнение ограничивается только бэкбоном при общих расширенных промптах на естественном языке, MOSS-Image выходит на первое место с 1807,34, опережая ERNIE Image с 1748,51 и SenseNova-U1 с 1689,23. Абляция стратегии промптов — самая полезная строка в статье для тех, кто планирует её использовать: промпты с JSON-разметкой набирают 1622,87, промпты на естественном языке — 1506,20 на той же системе. Интерфейс разметки — не бонусная функция. Именно в нём заключается производительность.

Два предостережения, которые отчёт выдвигает против самого себя, стоит повторить. LongTextBench описывается как близкий к насыщению для сильных современных моделей — так вендор объясняет, почему он создал более сложный тест, а не почивал на лаврах старого. А доверительный интервал для сквозного Elo ни с чем не пересекается, но он широк — 85 пунктов Elo — на арене из 61 задачи, оцениваемой людьми-оценщиками.

Запуск своими силами и его стоимость

На сегодняшний день не существует коммерческого API для MOSS-Image, который мы могли бы проверить, и его нет в нашем собственном каталоге — OrcaRouter обслуживает более 200 моделей, и MOSS-Image в их число не входит, так что ничто здесь не должно восприниматься как наше предложение этой модели. Что реально существует — это самостоятельный хостинг: путь через Diffusers с кастомным пайплайном (pipeline_moss_image, diffusers 0.38 или новее, transformers 5.3 или новее, torch 2.9 или новее, Python 3.10+), приложение на Gradio и нативный плагин ComfyUI, устанавливаемый через ComfyUI Manager, а интеграция в официальный репозиторий ComfyUI описывается как находящаяся в процессе разработки. Есть также навык prompt-enhancer для агентных фреймворков, и он компилирует черновики с пиксельными координатами в JSON-формат центрированных координат модели, не обращаясь ни к какому сервису генерации изображений — небольшой, но действительно полезный инструмент.

Сообщество уже сделало то, что не сделал производитель. Примерно в течение суток после выпуска на Hugging Face появились сторонние сборки: упаковка модели от Comfy-Org, экспериментальная сборка Kijai, квантования GGUF, преобразования INT8 и INT4 ConvRot, сборка W4A8 OrbitQuant и — самое полезное для тех, у кого нет дата-центра — 4-шаговая DMD LoRA и 8-шаговая дистиллированная версия, которые напрямую атакуют стандартные 50 шагов. Ни одна из них не поддерживается производителем и не прошла бенчмарки, но это обычный сигнал того, что релиз дошёл до людей, которые намерены его использовать, а не ссылаться на него.

Именно здесь слой маршрутизации оправдывает своё место, и стоит точно обозначить границу. Мы не хостим MOSS-Image, поэтому не можем его обслуживать и не будем намекать на обратное. Что мы можем — это вторая половина сравнения: если вы хотите сравнить самостоятельно размещённую MOSS-Image с хостируемыми моделями изображений, к хостируемой стороне можно получить доступ через один ключ API в нашем каталоге по прейскурантной цене провайдера с наценкой 0% — поэтому изменение цены вендором на хостируемую модель действует здесь в тот же день, а не по квартальному циклу контракта — с автоматическим переключением при сбое между провайдерами и DSL маршрутизации, который позволяет разместить несколько моделей за одним эндпоинтом. Тестирование непроверенного чекпойнта против арендованного не должно требовать второго SDK, и это единственное утверждение, которое здесь делается.

Кому следует действовать в этом вопросе, а кому — подождать

Если ваша работа связана с генерацией изображений, содержащих корректный, разборчивый многоязычный текст в заданных позициях — плакаты, макеты интерфейсов, информационные карточки, всё, где макет является целью, а не счастливой случайностью, — MOSS-Image представляет собой наиболее прямо нацеленный релиз с открытыми весами за последний месяц, а лицензия Apache 2.0 означает, что обычная коммерческая проверка будет недолгой. Начните с чекпоинта SFT, рассчитывайте на то, что придётся передавать структурированный JSON, а не прозу, и заложите в бюджет 16,8 ГБ для энкодера, прежде чем закладывать бюджет для генератора.

Повремените, если вам нужен вызываемый эндпоинт на этой неделе, если вы арендуете мощности, а не владеете ими, или если вам нужна независимая оценка, прежде чем на что-то решаться. Архитектура — это чистая однопоточная схема с замороженным энкодером и замороженным VAE, что упростит её запуск, — но 50 шагов при двух прямых проходах на шаг — это реальная стоимость сервинга, значок «5B» занижает объём загрузки, а главные оценки были получены вендором на собственных бенчмарках вендора с использованием этапа спецификации, который работает на сторонней модели. Дождитесь воспроизведения — или того, когда путь vLLM-Omni сольётся во что-то, что можно установить.

Два вопроса, которые этот релиз не решает

Оправдывает ли управление компоновкой модели изменение рабочего процесса?

Это зависит от того, удастся ли вам выразить своё намерение в виде рамок и строк. В JSON макета используются абсолютные пиксельные координаты, отсчитываемые от центра холста, с bbox_format "yxyx", что не похоже на соглашения об относительных координатах, которые используют несколько других недавних систем макетирования, — вендор утверждает, что абсолютные пиксели лучше подходят для работы с несколькими разрешениями. Чтобы перейти на это, придётся переписать всю логику промптов, которая у вас уже есть, а собственный разрыв вендора в 7Bench (0,88 mIoU против поля в 0,30–0,44) — единственное доказательство того, что переписывание окупается. Его измерили те, кто написал эту метрику.

Так ли открыта история Fine-Tuning, как подразумевает лицензия?

Частично неизвестно. Веса и код пайплайна распространяются под Apache 2.0, а Base намеренно оставили недистиллированной, чтобы LoRA было за что зацепиться, — это серьёзное обязательство. Но тренировочный рецепт из отчёта — поэтапная стратегия повышения разрешения, решения по фильтрации ReLAION, разделение Muon–AdamW — это документация, а не опубликованные данные, а рекомендации по дообучению пока состоят из конкретных инструкций (держите текстовый энкодер замороженным; не дообучайте его) плюс промпт для создания подписей. Утверждение, что простой SFT открывает генерацию по референсу и вывод GIF, приводится как вывод с пометкой «следите за обновлениями», а не как результат, который можно проверить сегодня.

Три вещи перевели бы MOSS-Image из впечатляющего репозитория в устоявшийся выбор, и ни одной из них пока не существует: независимый прогон LongLongTextBench или RealLayoutArena кем-либо, кроме авторов; патч vLLM-Omni, влитый в помеченный тегом релиз, вместе с доказательствами совпадения выходных данных, которые запросил его рецензент; и дистиллированный чекпоинт с малым числом шагов, получивший одобрение вендора, а не только конверсии от сообщества. До тех пор точное резюме таково — хорошо документированный 5B-диффузионный трансформер с необычно сильным интерфейсом для текста и макета, разрешительная лицензия, которая распространяется как на код, так и на веса, лидерство в бенчмарках на тестах, которые он написал сам, и второе место в сквозном сравнении, а также история сервинга, которая реальна, но всё ещё находится в открытом пул-реквесте.

Задокументированные сбои ИИ и инциденты с агентами, стоящие за такими релизами, как этот, собраны в OrcaRouter AI Incident Archive, где каждая запись содержит собственные источники, уровень серьёзности, степень уверенности и флаг оспаривания.