MOSS-Image เปิดตัวแล้ว: OpenMOSS ปล่อย DiT ขนาด 5B ที่รับ bounding box ในพรอมต์

รายละเอียดที่น่าอึดอัดเบื้องหลังการเปิดตัว MOSS-Image คือคำกล่าวที่ดังก้องที่สุดเกี่ยวกับมันยังไม่เป็นความจริงเสียทั้งหมด เมื่อวันที่ 17 ตุลาคม บัญชีของ vLLM เองได้แสดงความยินดีกับทีม OpenMOSS เรื่องการเปิดซอร์สครั้งนี้ และระบุว่า "ภูมิใจที่ได้สนับสนุน MOSS-Image ใน Day 0 ด้วย vLLM-Omni" พูลรีเควสที่เพิ่มโมเดลนี้เข้าไปในรันไทม์นั้นจริง ๆ — [Model] เพิ่ม MOSImage แบบ text-to-image ด้วย SLG ซึ่งเพิ่มไป 3,605 บรรทัดใน 25 ไฟล์ — ถูกเปิดเมื่อวันที่ 14 ตุลาคม และยังเปิดอยู่ โดยผู้รีวิวขอหลักฐานความเท่าเทียมของเอาต์พุตเทียบกับ reference implementation ที่ปักหมุดเวอร์ชันไว้ รีลีสล่าสุดที่เผยแพร่ของ vLLM-Omni คือ v0.31.0rc1 ลงวันที่ 6 ตุลาคม ดังนั้นจึงไม่มีเวอร์ชันที่จัดจำหน่ายจริงของ vLLM-Omni ใดที่มีโมเดลนี้ และคำกล่าวอ้าง Day 0 ฉบับตรงไปตรงมาคือ เส้นทางการเสิร์ฟมีอยู่ในฐานะแบรนช์ที่คุณบิลด์เองได้ ไม่ใช่แพ็กเกจที่คุณติดตั้งได้ ความแตกต่างนี้สำคัญกว่าปกติในกรณีนี้ เพราะ MOSS-Image เป็นรีลีสที่น่าสนใจจริง ๆ ซึ่งเนื้อหาจริงอยู่ที่เวต: MOSS-Image-Base และ MOSS-Image-SFT เผยแพร่เมื่อวันที่ 16 ตุลาคม 2026 ภายใต้ Apache 2.0 สร้างขึ้นจาก diffusion transformer ขนาดกะทัดรัดที่รับเลย์เอาต์ JSON แบบมีโครงสร้างเป็นพรอมป์ต์

ฉบับย่อสำหรับคนที่อยากได้ภาพรวมคร่าว ๆ OpenMOSS — แล็บที่อยู่เบื้องหลังสายผลิตภัณฑ์ภาษาและเสียง MOSS ซึ่งร่วมงานกับ MOSI Intelligence และพันธมิตรทางวิชาการ — ได้เปิดตัว diffusion transformer แบบ single-stream ขนาด 5B ที่ฝึกตั้งแต่ศูนย์ ใช้คู่กับตัวเข้ารหัสข้อความ Qwen3.5-9B แบบแช่แข็ง และ FLUX.2 VAE แบบแช่แข็ง ภายใต้สัญญาอนุญาตแบบเปิดกว้างที่ครอบคลุมทั้งน้ำหนักโมเดลและโค้ดสำหรับ inference จุดขายของมันไม่ใช่คุณภาพภาพดิบ แต่คือคุณสามารถป้อนออบเจ็กต์ JSON ที่มีกล่องขอบเขต สตริงข้อความตามตัวอักษร และโน้ตด้านการจัดพิมพ์ให้มัน แล้วมันจะทำตามนั้น ตัวเลข benchmark ที่แนบมากับมันเป็นของผู้ขายเอง วัดบน benchmark สองตัวที่ผู้ขายสร้างเองด้วย นั่นไม่ได้ทำให้มันใช้ไม่ได้ แต่หมายความว่าคุณควรอ่านมันเป็นกระดานคะแนนภายในของแล็บ มากกว่าจะเป็นตารางจัดอันดับ

สิ่งที่ส่งมอบจริง และส่งไปที่ไหน

อาร์ติแฟกต์เหล่านี้ตรงไปตรงมาและตรวจสอบได้ บน Hugging Face OpenMOSS-Team/MOSS-Image-Base และ OpenMOSS-Team/MOSS-Image-SFT เป็นที่เก็บน้ำหนักโมเดล โดยมีมิเรอร์บน ModelScope สำหรับทั้งคู่ มี Gradio Space ที่รันบน A10G ตัวเดียว และมีที่เก็บ GitHub ที่เก็บไปป์ไลน์ ปลั๊กอิน ComfyUI และรายงานทางเทคนิค หน้าโปรเจกต์ที่ openmoss.ai ระบุวันที่เดียวกัน: 16 ตุลาคม 2026 — ขอแนะนำ MOSS-Image-Base พร้อมโค้ดและน้ำหนักโมเดลที่พร้อมใช้งาน

สองเช็คพอยต์ สถาปัตยกรรมเดียว Base เป็นโมเดลที่ผ่านการฝึกมาก่อน ส่วน SFT ถูกปรับแต่งละเอียดบนข้อมูลที่คัดสรรแล้ว ตัวอย่างการเปรียบเทียบของผู้ขายเองแสดงให้เห็นว่า SFT ให้การจัดกลุ่มข้อความที่แน่นขึ้นและเลย์เอาต์ที่เป็นระเบียบมากขึ้น ซึ่งก็ประมาณสิ่งที่คุณคาดหวังได้จากการปรับแต่งละเอียดด้วยข้อมูลคัดสรรของโมเดลฐานที่ถูกตั้งใจทิ้งไว้โดยไม่กลั่น การ์ดของ Base ระบุชัดเจนว่า "ไม่ได้ผ่านการฝึกภายหลังหรือการกลั่นพารามิเตอร์การอนุมาน เช่น CFG" เหตุผลที่ระบุไว้คือเพื่อรักษาข้อมูลการฝึกและทำให้โมเดลง่ายต่อการฝึก LoRAs ผลที่ตามมาในทางปฏิบัติคือ Base เป็นโฮสต์ที่ดีกว่าสำหรับการปรับแต่งละเอียด และเป็นค่าเริ่มต้นที่แย่กว่าสำหรับการพรอมป์ต์ทั่วไป

การออกใบอนุญาตคือ Apache 2.0 สำหรับเวทและสำหรับโค้ดไปป์ไลน์แบบสแตนด์อโลน — ไม่มีเกณฑ์รายได้ ไม่มีภาคผนวกการใช้งานที่ยอมรับได้ ไม่มีระดับเชิงพาณิชย์แยกต่างหาก สำหรับโมเดลที่ความสามารถหลักคือการเรนเดอร์ข้อความที่อ่านออกได้ลงในภาพ นั่นเป็นข้อเท็จจริงที่สำคัญยิ่งกว่าตารางเบนช์มาร์ก เพราะการเรนเดอร์ข้อความเป็นความสามารถที่ปรากฏในงานเชิงพาณิชย์อย่างชัดเจน: โมคอัปผลิตภัณฑ์ คอมพ์ UI อินโฟกราฟิก โปสเตอร์ เลย์เอาต์โฆษณา

สถาปัตยกรรม ในตัวเลขที่สำคัญ

ตารางการกำหนดค่าในรายงานทางเทคนิคคือจุดที่การเปิดตัวหยุดเป็นข่าวประชาสัมพันธ์และเริ่มเป็นสเปก ตัวเลข 5B หมายถึงเฉพาะตัวสร้างแบบดิฟฟิวชันเท่านั้น — ทรานส์ฟอร์มเมอร์แบบสตรีมเดียว ลึก 42 บล็อกร่วม ความกว้างที่ซ่อน 3072 หัวความสนใจ 24 หัวที่มิติละ 128 ฟีดฟอร์เวิร์ดกว้าง 8192 ที่ใช้การเปิดใช้งาน SiTU-GLU และการเข้ารหัสตำแหน่งแบบโรตารีสี่แกน ซึ่งแกนแรกสงวนไว้สำหรับดัชนีอ้างอิง ดังนั้นการสร้างที่ปรับตามเงื่อนไขอ้างอิงจึงสามารถเพิ่มได้ในภายหลังโดยไม่ต้องเปลี่ยนรูปแบบตำแหน่ง

แล้วก็ยังมีส่วนที่ป้าย "5B" ตัดออกไปอย่างเงียบ ๆ:

• ตัวเข้ารหัสข้อความ — Qwen3.5-9B แบบถูกแช่แข็ง ป้อนสถานะซ่อนของโทเค็นในเลเยอร์สุดท้ายที่มิติ 4096 ผ่านการฉายเชิงเส้นไปยัง 3072 บวกกับบล็อกทรานส์ฟอร์เมอร์แบบข้อความล้วนอีกสองบล็อก การนำตัวเข้ารหัสขนาด 9B มาต่อพ่วงกับตัวสร้างขนาด 5B ทำให้กินพื้นที่มากกว่าที่ตัวเลขพาดหัวบอกไว้อย่างมีนัยสำคัญ

• VAE — VAE ของ FLUX.2 ซึ่งถูกแช่แข็งและโหลดจาก FLUX.2-klein-4B, 32 ช่องแฝงที่ปัจจัยการดาวน์แซมปลิงเชิงพื้นที่เท่ากับ 8, โดยมีแพตช์แฝงขนาด 2×2 ให้สไตรด์ภาพที่มีประสิทธิผล 16 พิกเซล การ์ดโมเดลของ MOSS-Image เองระบุว่าใช้ FLUX.2 small decoder

• ขนาดดาวน์โหลด — รีโพซิทอรี SFT รวมประมาณ 27.2 GB โดยตัวเข้ารหัสข้อความมีขนาดประมาณ 16.8 GB กระจายอยู่สี่ชาร์ด และทรานส์ฟอร์เมอร์ประมาณ 10.2 GB กระจายอยู่สามชาร์ด วางแผนสำหรับตัวเข้ารหัส ไม่ใช่แบดจ์

• เพดานพรอมป์ต — 4096 โทเคน ในขั้นตอนการฝึกก่อนล่วงหน้าขั้นสุดท้าย ตรงกับข้ออ้างของผู้ขายที่ว่า "สูงสุด 4K โทเคน" ขนาดมิติเอาต์พุตต้องเป็นจำนวนเต็มบวกที่เป็นพหุคูณของ 16 โดยคู่มือแนะนำที่หนึ่ง หนึ่งจุดห้า หรือสองเมกะพิกเซล และช่วงเอกซ์ทราโพเลชันที่รองรับตั้งแต่ 0.25M (512×512) ถึง 4M

• ค่าเริ่มต้นการสุ่ม — flow-matching Euler, 50 steps, CFG 3.0, shift 5.0 พร้อม skip-layer guidance บน negative branch ที่ layer 22 เส้นทาง guidance เริ่มต้นต้องใช้การ forward ของ transformer สองครั้งต่อ step ซึ่งเป็นเหตุผลว่าทำไม 50 steps จึงไม่ใช่ค่าตั้งค่าที่ประหยัดอย่างที่ฟังดู

• การฝึก — สามขั้นตอนความละเอียดแบบเพิ่มขึ้นตามลำดับ: 256px เป็นเวลา 2.1M สเต็ป, 512px เป็นเวลา 2.1M สเต็ป, จากนั้นประมาณ 1024² เป็นเวลา 0.31M สเต็ป โดยจำนวนโทเคนสูงสุดต่อตัวอย่างเพิ่มขึ้นจาก 576 เป็น 3,072 เป็น 8,192 คลังข้อมูลเป็นชุดที่ได้มาจาก ReLAION ซึ่งถูกตัดจากประมาณ 5 พันล้านเหลือ 3 พันล้านภาพ ด้วยการลบข้อมูลซ้ำและการนำภาพที่สร้างโดย AI ออก โดยรายงานระบุว่าไม่มีการกรองเพิ่มเติม — ภาพที่คำบรรยายมีอาร์ติแฟกต์จะถูกเก็บไว้และอธิบายอาร์ติแฟกต์เหล่านั้น แทนที่จะตัดทิ้ง การปรับให้เหมาะสมเป็นแบบผสม Muon–AdamW และการทดลอง ablation ขนาด 1B พารามิเตอร์ของผู้ขายเองรายงานว่าที่สองเช็กพอยต์ ใช้สเต็ปน้อยกว่า AdamW 33.2% และ 28.6% เพื่อให้ได้ loss เท่ากัน มีการระบุว่าการฝึกใช้แพลตฟอร์ม GPU ที่แตกต่างหลากหลาย ซึ่งเป็นข้อกล่าวอ้างเกี่ยวกับการจัดหาฮาร์ดแวร์มากกว่าเกี่ยวกับตัวโมเดล และรายงานไม่ได้ระบุชื่อแพลตฟอร์มเหล่านั้น

มีสิ่งหนึ่งที่ควรชี้ให้เห็นก่อนการทดสอบเบนช์มาร์ก

โมดูลปรับปรุงพรอมป์ต์ — ส่วนที่เปลี่ยน “ออกแบบอินโฟกราฟิกความรู้เกี่ยวกับโคอาลาเป็นภาษาอังกฤษ” ให้เป็นข้อกำหนดเนื้อหาและเลย์เอาต์ฉบับเต็ม — ไม่ใช่โมเดลขนาดเล็กของผู้ขายเอง รายงานระบุอย่างชัดเจนว่า LayoutPE ใช้ G​PT-6 พร้อมคำสั่งงานแบบโมดูลาร์ ณ เวลาที่อนุมาน และสกิล prompt-enhancer ที่รวมมาในรีโพซิทอรีถูกอธิบายว่าออกแบบมาสำหรับเอเจนต์ในตระกูล G​PT-6 ดังนั้นผลลัพธ์แบบ end-to-end ที่แข็งแกร่งที่สุดด้านล่างจึงไม่ใช่เอาต์พุตของโมเดลเดียว แต่เป็นไปป์ไลน์สองโมเดลซึ่งครึ่งที่ทำข้อกำหนดนั้นทำงานบน API ของผู้อื่น หากคุณอ่านอันดับ Elo เป็นตัววัดล้วน ๆ ของตัวสร้าง มันไม่ใช่เช่นนั้น

ตารางเบนช์มาร์ก และใครเป็นผู้จัดทำ

MOSS-Image ถูกประเมินบนสองเบนช์มาร์กที่มาพร้อมกับรีลีส ซึ่งเกิดจากข้อโต้แย้งของผู้ขายเองว่าการทดสอบที่มีอยู่ไม่ได้วัดสิ่งที่มันให้ความสำคัญ LongLongTextBench คืองานเรนเดอร์ข้อความวรรณกรรม 240 งาน — ภาษาอังกฤษ 120 งาน จีน 120 งาน โดยมีความยาวเป้าหมายเฉลี่ย 1,339.8 ตัวอักษร ประมาณสิบเอ็ดเท่าของค่าเฉลี่ยของ LongTextBench RealLayoutArena คืองานออกแบบ 61 งาน (โปสเตอร์ 20 ชิ้น อินโฟกราฟิก 20 ชิ้น ส่วนติดต่อผู้ใช้ 21 ชิ้น) ซึ่งตัดสินด้วยการเปรียบเทียบแบบคู่โดยมนุษย์แบบปกปิด และปรับให้เข้ากับสเกล Elo แบบ Bradley–Terry เมื่อใดที่มีการแสดงค่าเบสไลน์ ค่าเหล่านั้นคือการรันโมเดลของผู้อื่นโดยผู้ขาย ทุกตัวเลขในส่วนนี้เป็นข้อมูลที่ผู้ขายรายงาน ยังไม่ได้ถูกทำซ้ำ และไม่มีส่วนใดเลยที่ได้รับการตรวจสอบอย่างอิสระ

ในด้านความครอบคลุมข้อความ Mean-6 ของ LongLongTextBench นั้น MOSS-Image ได้คะแนน 96.3 — เป็นตัวเลขของโมเดลน้ำหนักเปิดที่ดีที่สุดในตารางของผู้ขาย ทิ้งห่างจาก Qwen-Image-2512 ที่ได้ 64.9 อย่างชัดเจน และคะแนนในเงื่อนไขที่ยาวที่สุดของมันอยู่ที่ 97.1 สำหรับภาษาอังกฤษ และ 92.4 สำหรับภาษาจีน ตัวเลขที่ทำให้ตารางนี้ยังซื่อตรงคือแถวที่อยู่เหนือขึ้นไป: บนเบนช์มาร์กของผู้ขายเอง จากการรันของผู้ขายเอง GPT Image 2ได้ 99.0 และ Nano Banana Pro ได้ 96.6 OpenMOSS เผยแพร่ตารางที่คู่แข่งยังชนะอยู่ ซึ่งก็มีคุณค่าอยู่ไม่น้อย

ในการควบคุมเลย์เอาต์ของ 7Bench ช่องว่างกว้างกว่ามาก — ค่าเฉลี่ย IoU ของวัตถุเป้าหมายที่ตรวจพบอยู่ที่ 0.88 สำหรับ MOSS-Image เทียบกับ 0.44 สำหรับ Ideogram 4.0, 0.33 สำหรับ Nano Banana Pro และ Seedream 5.0 Pro, 0.31 สำหรับ Qwen Image 3.0 Pro และ 0.30 สำหรับ GPT Image 2 โดยมี Layout AUC 0.70 เทียบกับกลุ่มอื่นที่อยู่ในช่วง 0.16 ถึง 0.20 หากตัวเลขเหล่านี้ยังคงอยู่เมื่อทำการทดลองซ้ำ การจัดวางวัตถุอย่างแม่นยำคือความสามารถที่โมเดลนี้มีอยู่จริง

ในการทดสอบแบบ end-to-end บน RealLayoutArena นั้น MOSS-Image ได้คะแนน Elo 1698.70 โดยมีช่วงความเชื่อมั่น 95% อยู่ที่ 1655.96 ถึง 1741.43 — เป็นอันดับสองโดยรวม ตามหลัง GPT Image 2 ที่ 1844.35 และนำหน้า Seedream 5.0 Pro (1661.16), Qwen Image 3.0 Pro พร้อมการปรับปรุงพรอมป์ต์ (1614.84) และ Nano Banana Pro (1590.19) เมื่อจำกัดการเปรียบเทียบให้เหลือเฉพาะ backbone ภายใต้พรอมป์ต์ภาษาธรรมชาติแบบปรับปรุงเดียวกัน MOSS-Image อยู่ในอันดับหนึ่งที่ 1807.34 นำหน้า ERNIE Image ที่ 1748.51 และ SenseNova-U1 ที่ 1689.23 การทดลอง ablation ด้านกลยุทธ์พรอมป์ต์เป็นบรรทัดที่มีประโยชน์ที่สุดในบทความสำหรับใครก็ตามที่วางแผนจะนำไปใช้: พรอมป์ต์เลย์เอาต์แบบ JSON ได้คะแนน 1622.87 ส่วนพรอมป์ต์ภาษาธรรมชาติได้ 1506.20 บนระบบเดียวกัน อินเทอร์เฟซเลย์เอาต์ไม่ใช่ฟีเจอร์โบนัส มันคือจุดที่ประสิทธิภาพอยู่

ข้อแม้สองประการที่รายงานยกขึ้นมาโต้แย้งตัวเองนั้นน่ากล่าวซ้ำ LongTextBench ถูกอธิบายว่าอยู่ใกล้จุดอิ่มตัวสำหรับโมเดลที่แข็งแกร่งในปัจจุบัน ซึ่งเป็นคำอธิบายของผู้ขายว่าทำไมจึงสร้างแบบทดสอบที่ยากขึ้นแทนที่จะหยุดอยู่กับแบบทดสอบเก่า และช่วงความเชื่อมั่นของ Elo แบบ end-to-end ไม่ทับซ้อนกับสิ่งใด แต่ก็กว้าง — 85 คะแนน Elo — บนอารีนา 61 งานที่ตัดสินโดยผู้ให้คะแนนที่เป็นมนุษย์

การรันด้วยตัวเอง และค่าใช้จ่ายที่ตามมา

วันนี้ยังไม่มี API เชิงพาณิชย์สำหรับ MOSS-Image ที่เราสามารถตรวจสอบได้ และมันไม่ได้อยู่ในแค็ตตาล็อกของเราเอง — OrcaRouter ให้บริการโมเดลมากกว่า 200 รุ่น และ MOSS-Image ไม่ใช่หนึ่งในนั้น ดังนั้นไม่ควรตีความสิ่งใดที่นี่ว่าเราเป็นผู้เสนอโมเดลนี้ สิ่งที่มีอยู่คือการโฮสต์เอง นั่นคือเส้นทาง Diffusers ด้วยไปป์ไลน์แบบกำหนดเอง (pipeline_moss_image ซึ่งต้องใช้ diffusers 0.38 หรือใหม่กว่า, transformers 5.3 หรือใหม่กว่า, torch 2.9 หรือใหม่กว่า, Python 3.10+), แอป Gradio และปลั๊กอิน ComfyUI แบบเนทีฟที่ติดตั้งได้ผ่าน ComfyUI Manager โดยการผสานรวมเข้ากับที่เก็บ ComfyUI อย่างเป็นทางการนั้นระบุว่าอยู่ระหว่างดำเนินการ นอกจากนี้ยังมีสกิล prompt-enhancer สำหรับเฟรมเวิร์กเอเจนต์ และมันคอมไพล์ฉบับร่างพิกัดแบบพิกเซลให้เป็นรูปแบบ JSON พิกัดกึ่งกลางของโมเดลโดยไม่เรียกใช้บริการรูปภาพใด ๆ — เป็นเครื่องมือชิ้นเล็กที่มีประโยชน์จริง ๆ

ชุมชนได้ทำในส่วนที่ผู้ขายไม่ได้ทำไปแล้ว ภายในเวลาประมาณหนึ่งวันหลังการเปิดตัว บิลด์จากบุคคลที่สามก็ปรากฏขึ้นบน Hugging Face: แพ็กเกจโมเดลโดย Comfy-Org, บิลด์ Kijai แบบทดลอง, การควอนไทซ์ GGUF, การแปลง ConvRot เป็น INT8 และ INT4, บิลด์ W4A8 OrbitQuant และ — สิ่งที่มีประโยชน์ที่สุดสำหรับใครก็ตามที่ไม่มีดาต้าเซ็นเตอร์ — DMD LoRA แบบ 4 สเต็ป และตัวแปรกลั่นแบบ 8 สเต็ปที่โจมตีค่าเริ่มต้น 50 สเต็ปโดยตรง ไม่มีสิ่งใดได้รับการสนับสนุนจากผู้ขาย และไม่มีสิ่งใดได้รับการวัดประสิทธิภาพ แต่สิ่งเหล่านี้เป็นสัญญาณปกติว่าการเปิดตัวได้เข้าถึงผู้คนที่ตั้งใจจะใช้งานมันจริง ๆ มากกว่าจะเพียงอ้างอิง

นี่คือจุดที่เลเยอร์การกำหนดเส้นทาง (routing layer) พิสูจน์คุณค่าของตัวเอง และคุ้มค่าที่จะนิยามขอบเขตให้ชัดเจน เราไม่ได้โฮสต์ MOSS-Image ดังนั้นเราจึงไม่สามารถให้บริการมันได้ และจะไม่สื่อเป็นนัยเป็นอย่างอื่น สิ่งที่เราทำได้คืออีกครึ่งหนึ่งของการเปรียบเทียบนี้: หากคุณต้องการวัด MOSS-Image ที่โฮสต์เองเทียบกับโมเดลภาพแบบโฮสต์ ฝั่งโฮสต์นั้นเข้าถึงได้ด้วยคีย์ API เพียงคีย์เดียวบนแคตตาล็อกของเรา ในราคาตามรายการของผู้ให้บริการ โดยบวกเพิ่ม 0% — ดังนั้นเมื่อผู้จำหน่ายเปลี่ยนราคาของโมเดลแบบโฮสต์ ที่นี่จะอัปเดตให้ทันทีภายในวันเดียวกัน ไม่ใช่รอรอบสัญญารายไตรมาส — พร้อมด้วยการสลับไปใช้ระบบสำรองอัตโนมัติข้ามผู้ให้บริการ และ routing DSL ที่ให้คุณวางหลายโมเดลไว้เบื้องหลัง endpoint เดียว การทดสอบ checkpoint ที่ยังไม่ผ่านการพิสูจน์เทียบกับแบบที่เช่าใช้ ไม่ควรต้องใช้ SDK ตัวที่สอง และนั่นคือข้อกล่าวอ้างเดียวที่กำลังระบุอยู่

ใครควรดำเนินการกับเรื่องนี้ และใครควรรอ

ถ้างานของคุณเกี่ยวข้องกับการสร้างภาพที่มีข้อความหลายภาษาที่ถูกต้องและอ่านออกได้ในตำแหน่งที่กำหนด เช่น โปสเตอร์ ม็อกอัปอินเทอร์เฟซ การ์ดข้อมูล หรืออะไรก็ตามที่เลย์เอาต์เป็นสิ่งที่ต้องส่งมอบมากกว่าจะเป็นผลพลอยได้ MOSS-Image คือรุ่น open-weights ที่ตรงเป้าหมายที่สุดที่เปิดตัวในเดือนที่ผ่านมา และสัญญาอนุญาต Apache 2.0 หมายความว่าการตรวจสอบเชิงพาณิชย์ตามปกติจะใช้เวลาสั้น เริ่มจากเช็กพอยต์ SFT คาดว่าจะต้องป้อน JSON ที่มีโครงสร้างแทนข้อความบรรยาย และเผื่อทรัพยากรสำหรับ 16.8 GB ของ encoder ก่อนที่จะเผื่อสำหรับ generator

รอก่อน ถ้าคุณต้องการ endpoint ที่เรียกใช้งานได้ภายในสัปดาห์นี้ ถ้าคุณเช่าความจุมาใช้แทนที่จะเป็นเจ้าของเอง หรือถ้าคุณต้องการตัวเลขที่เป็นอิสระก่อนจะตัดสินใจลงมือ สถาปัตยกรรมนี้เป็นการออกแบบแบบ single-stream ที่เรียบง่าย โดยใช้ encoder ที่ถูก freeze ไว้และ VAE ที่ถูก freeze ไว้ ซึ่งจะทำให้รันได้ตรงไปตรงมา — แต่ 50 steps ที่สอง forwards ต่อ step นั้นเป็นต้นทุนการเสิร์ฟจริง ๆ ป้าย "5B" บนหัวนั้นบอกขนาดดาวน์โหลดต่ำกว่าความเป็นจริง และคะแนนที่เป็นหัวข่าวนั้นถูกสร้างโดยผู้ขาย บน benchmark ของผู้ขายเอง โดยใช้ขั้นตอน specification ที่รันบนโมเดลของบุคคลที่สาม รอให้มีการทำ reproduction หรือรอให้เส้นทาง vLLM-Omni ถูก merge เข้ากับสิ่งที่คุณติดตั้งได้ก่อน

สองคำถามที่การเปิดตัวครั้งนี้ยังไม่ได้ให้คำตอบ

การควบคุมเลย์เอาต์ของโมเดลเพียงพอที่จะทำให้ต้องเปลี่ยนเวิร์กโฟลว์หรือไม่

เรื่องนั้นขึ้นอยู่กับว่าคุณสามารถแสดงเจตนาของคุณในรูปของกล่องและสตริงได้หรือไม่ เลย์เอาต์ JSON ใช้พิกัดพิกเซลแบบสัมบูรณ์ซึ่งวัดจากจุดศูนย์กลางของแคนวาส โดยระบุเป็น bbox_format "yxyx" ซึ่งต่างจากธรรมเนียมพิกัดสัมพัทธ์ที่ระบบเลย์เอาต์ใหม่ ๆ หลายระบบใช้ — ผู้ขายให้เหตุผลว่าพิกเซลแบบสัมบูรณ์เหมาะกับงานหลายความละเอียดมากกว่า การนำมาใช้จึงหมายถึงการเขียนตรรกะพรอมป์ที่คุณมีอยู่เดิมใหม่ทั้งหมด และช่องว่าง 7Bench ของผู้ขายเอง (0.88 mIoU เทียบกับกลุ่มที่ได้ 0.30–0.44) ก็เป็นหลักฐานเดียวว่าการเขียนใหม่นั้นคุ้มค่า ค่าดังกล่าววัดโดยคนที่เขียนเมตริกนี้เอง

เรื่องราวของ Fine-Tuning เปิดกว้างอย่างที่สัญญาอนุญาตบอกเป็นนัยไว้จริงหรือ

บางส่วนยังไม่ทราบแน่ชัด น้ำหนักและโค้ดไปป์ไลน์อยู่ภายใต้ Apache 2.0 และ Base ถูกจงใจปล่อยไว้โดยไม่กลั่น (undistilled) เพื่อให้ LoRAs มีอะไรให้เกาะ ซึ่งถือเป็นความมุ่งมั่นจริงจัง แต่สูตรการฝึกในรายงาน — หลักสูตรความละเอียดแบบเป็นขั้นตอน การตัดสินใจกรอง ReLAION การแยก Muon–AdamW — เป็นเอกสาร ไม่ใช่ข้อมูลที่เปิดเผย และคำแนะนำในการปรับแต่งละเอียดจนถึงตอนนี้ประกอบด้วยคำสั่งเฉพาะ (ตรึงตัวเข้ารหัสข้อความไว้ ห้ามปรับแต่งละเอียด) พร้อมกับพรอมป์สำหรับคำบรรยายภาพ ข้ออ้างว่า SFT ธรรมดาปลดล็อกการสร้างแบบอ้างอิงและเอาต์พุต GIF นั้นระบุเป็นข้อค้นพบพร้อมข้อความ "โปรดติดตาม" ไม่ใช่ผลลัพธ์ที่คุณตรวจสอบได้ในวันนี้

สามสิ่งที่จะทำให้ MOSS-Image ก้าวจากคลังที่น่าประทับใจไปสู่ตัวเลือกที่ลงตัว และยังไม่มีสิ่งใดเกิดขึ้นเลย: การรัน LongLongTextBench หรือ RealLayoutArena แบบอิสระโดยผู้ที่ไม่ใช่ผู้เขียน, แพตช์ vLLM-Omni ที่ถูก merge เข้าสู่ tagged release พร้อมหลักฐาน output-parity ที่ผู้ตรวจทานร้องขอ, และ checkpoint แบบ few-step distilled ที่ได้รับ vendor blessing แทนที่จะมีเพียงการแปลงโดยชุมชน จนถึงตอนนั้น สรุปที่ถูกต้องคือสิ่งนี้ — ทรานส์ฟอร์มเมอร์แบบดิฟฟิวชันขนาด 5B ที่มีเอกสารประกอบอย่างดี พร้อมอินเทอร์เฟซข้อความและเลย์เอาต์ที่แข็งแกร่งอย่างผิดปกติ, ใบอนุญาตแบบ permissive ที่ครอบคลุมทั้งโค้ดและเวตต์, ความเป็นผู้นำใน benchmark บนการทดสอบที่มันเขียนขึ้นเอง และอันดับสองในการเปรียบเทียบแบบ end-to-end, และเรื่องราวการให้บริการที่เป็นจริงแต่ยังคงอยู่ใน open pull request

ความล้มเหลวของ AI และเหตุการณ์เกี่ยวกับเอเจนต์ที่มีการบันทึกเป็นหลักฐานไว้ ซึ่งอยู่เบื้องหลังการเปิดตัวในลักษณะนี้ ถูกรวบรวมไว้ใน OrcaRouter AI Incident Archive โดยแต่ละรายการมีแหล่งอ้างอิง ระดับความรุนแรง ระดับความเชื่อมั่น และแฟล็กข้อโต้แย้งของตัวเอง