MOSS-Image đã ra mắt: OpenMOSS phát hành DiT 5B có thể nhận bounding box trong prompt

Chi tiết ngượng ngùng đằng sau màn ra mắt MOSS-Image là điều được nói to nhất về nó vẫn chưa hẳn đúng. Vào ngày 17 tháng 10, chính tài khoản của vLLM đã chúc mừng nhóm OpenMOSS về bản phát hành mã nguồn mở và nói rằng họ "tự hào hỗ trợ MOSS-Image ngay từ Ngày 0 với vLLM-Omni." Còn pull request thực sự đưa mô hình vào runtime đó — [Model] Add MOSImage text-to-image with SLG, thêm 3.605 dòng trên 25 tệp — được mở vào ngày 14 tháng 10 và vẫn đang mở, với người phản biện yêu cầu bằng chứng về tính tương đồng đầu ra so với một bản triển khai tham chiếu đã được ghim phiên bản. Bản phát hành mới nhất được công bố của vLLM-Omni là v0.31.0rc1, ngày 6 tháng 10. Vậy nên không có phiên bản vLLM-Omni nào đã phát hành chứa mô hình này, và phiên bản trung thực của tuyên bố "Ngày 0" là: đường phục vụ tồn tại dưới dạng một nhánh bạn có thể build, chứ không phải một gói bạn có thể cài đặt. Sự khác biệt đó ở đây quan trọng hơn bình thường, bởi MOSS-Image là một bản phát hành thực sự thú vị mà nội dung thật sự nằm ở phần trọng số: MOSS-Image-Base và MOSS-Image-SFT, được phát hành ngày 16 tháng 10 năm 2026 theo giấy phép Apache 2.0, được xây dựng quanh một diffusion transformer nhỏ gọn có thể nhận bố cục JSON có cấu trúc làm prompt.

Bản tóm tắt ngắn cho người muốn nắm được đại ý của nó. OpenMOSS — phòng thí nghiệm đứng sau dòng MOSS về ngôn ngữ và giọng nói, hợp tác với MOSI Intelligence và các đối tác học thuật — đã phát hành một diffusion transformer đơn luồng 5B được huấn luyện từ đầu, đi kèm bộ mã hóa văn bản Qwen3.5-9B đóng băng và VAE FLUX.2 đóng băng, theo một giấy phép thoáng bao trùm cả trọng số lẫn mã suy luận. Điểm bán của nó không phải chất lượng hình ảnh thô; mà là bạn có thể đưa cho nó một đối tượng JSON chứa hộp giới hạn, chuỗi văn bản nguyên văn và ghi chú kiểu chữ, và nó sẽ tuân thủ những thứ đó. Các con số benchmark đi kèm là của chính nhà cung cấp, được đo trên hai bộ benchmark cũng do nhà cung cấp này tạo ra. Điều đó không khiến chúng trở nên vô giá trị, nhưng có nghĩa là bạn nên đọc chúng như bảng điểm nội bộ của một phòng thí nghiệm hơn là bảng xếp hạng thi đấu.

Thực tế đã phát hành những gì, và ở đâu

Các sản phẩm rất rõ ràng và có thể kiểm tra được. Trên Hugging Face, OpenMOSS-Team/MOSS-Image-Base và OpenMOSS-Team/MOSS-Image-SFTmang trọng số, cùng với bản sao ModelScope cho cả hai, một Gradio Space chạy trên một chiếc A10G duy nhất, và một kho GitHub chứa pipeline, plugin ComfyUI cùng một báo cáo kỹ thuật. Trang dự án tại openmoss.ai ghi cùng ngày: ngày 16 tháng 10 năm 2026 — Giới thiệu MOSS-Image-Base, với mã nguồn và trọng số mô hình đã có sẵn.

Hai checkpoint, một kiến trúc. Base là mô hình đã qua tiền huấn luyện; SFT được tinh chỉnh trên dữ liệu chọn lọc. Ví dụ so sánh của chính nhà cung cấp cho thấy SFT tạo ra cách nhóm văn bản chặt chẽ hơn và bố cục ngăn nắp hơn, đại khái đúng như kỳ vọng về một bản tinh chỉnh trên dữ liệu chọn lọc của một mô hình nền vốn được cố ý giữ nguyên không chưng cất. Thẻ Base nói rõ rằng nó "chưa trải qua bất kỳ quá trình hậu huấn luyện hay chưng cất nào đối với các tham số suy luận như CFG", lý do được nêu là để bảo toàn thông tin huấn luyện và giúp mô hình dễ huấn luyện LoRA hơn. Hệ quả thực tế là Base là nền tảng tốt hơn để tinh chỉnh và là mặc định kém hơn cho việc dùng prompt thông thường.

Việc cấp phép là Apache 2.0 cho các trọng số và cho mã pipeline độc lập — không có ngưỡng doanh thu, không có phụ lục về sử dụng được chấp nhận, không có gói thương mại riêng. Đối với một mô hình mà năng lực nổi bật là kết xuất văn bản dễ đọc thành hình ảnh, đó là một thực tế hệ trọng hơn bảng benchmark, bởi vì kết xuất văn bản chính xác là năng lực xuất hiện trong công việc thương mại: bản mô phỏng sản phẩm, bản thiết kế UI, đồ họa thông tin, áp phích, bố cục quảng cáo.

Kiến trúc, qua những con số quan trọng

Bảng cấu hình của báo cáo kỹ thuật là nơi bản phát hành không còn là một thông cáo báo chí nữa mà bắt đầu trở thành một bản đặc tả. Con số 5B chỉ đề cập đến riêng bộ sinh khuếch tán — một transformer đơn luồng, sâu 42 khối ghép, chiều rộng ẩn 3072, 24 đầu chú ý với mỗi đầu 128 chiều, một mạng truyền thẳng rộng 8192 sử dụng kích hoạt SiTU-GLU, và một mã hóa vị trí quay bốn trục với trục đầu tiên được dành riêng cho chỉ mục tham chiếu, để việc sinh có điều kiện theo tham chiếu có thể được thêm vào sau này mà không cần thay đổi sơ đồ vị trí.

Sau đó là phần mà nhãn "5B" âm thầm loại trừ:

• Bộ mã hóa văn bản — Qwen3.5-9B, đóng băng, đưa các trạng thái ẩn token ở lớp cuối cùng có số chiều 4096 qua một phép chiếu tuyến tính xuống 3072, cùng với hai khối transformer chỉ dành cho văn bản. Một bộ mã hóa 9B được gắn thêm vào một bộ sinh 5B chiếm dụng tài nguyên lớn hơn đáng kể so với con số được nêu ở tiêu đề.

• VAE — VAE của FLUX.2, được đóng băng và tải từ FLUX.2-klein-4B, 32 kênh latent với hệ số giảm mẫu không gian là 8, cùng các patch latent 2×2 cho bước ảnh hiệu dụng là 16 pixel. Thẻ mô hình của chính MOSS-Image ghi chú rằng nó sử dụng bộ giải mã nhỏ của FLUX.2.

• Kích thước tải xuống — kho SFT có tổng dung lượng khoảng 27,2 GB, trong đó text encoder chiếm khoảng 16,8 GB trải trên bốn shard và transformer khoảng 10,2 GB trải trên ba shard. Hãy tính toán cho encoder, đừng tính theo con số hiển thị.

• Giới hạn prompt — 4096 token ở giai đoạn tiền huấn luyện cuối cùng, khớp với tuyên bố "lên đến 4K token" của nhà cung cấp. Kích thước đầu ra phải là bội số dương của 16, với hướng dẫn khuyến nghị một, một rưỡi hoặc hai megapixel và phạm vi ngoại suy được hỗ trợ từ 0,25M (512×512) đến 4M.

• Mặc định lấy mẫu — flow-matching Euler, 50 bước, CFG 3.0, shift 5.0, với skip-layer guidance trên nhánh âm tại layer 22. Đường dẫn guidance mặc định cần hai lượt forward của transformer mỗi bước, đó là lý do 50 bước không phải là một thiết lập rẻ như nghe có vẻ.

• Huấn luyện — ba giai đoạn độ phân giải tăng dần: 256px trong 2,1M bước, 512px trong 2,1M bước, sau đó khoảng 1024² trong 0,31M bước, với số token tối đa trên mỗi mẫu tăng từ 576 lên 3.072 rồi lên 8.192. Kho ngữ liệu là một tập dẫn xuất từ ReLAION được tinh giản từ khoảng 5 tỷ xuống 3 tỷ hình ảnh bằng khử trùng lặp và loại bỏ hình ảnh do AI, với báo cáo nêu rằng không áp dụng thêm bộ lọc nào — những hình ảnh mà chú thích chứa tạo tác vẫn được giữ lại và các tạo tác của chúng được mô tả, thay vì bị loại bỏ. Việc tối ưu hóa là dạng kết hợp Muon–AdamW, và ablation 1B tham số của chính nhà cung cấp báo cáo rằng số bước cần ít hơn 33,2% và 28,6% để đạt cùng mức loss so với AdamW tại hai checkpoint. Quá trình huấn luyện được nêu là đã sử dụng các nền tảng GPU không đồng nhất, đây là một tuyên bố về nguồn cung phần cứng chứ không phải về mô hình, và báo cáo không nêu tên chúng.

Một điều đáng lưu ý trước khi đến phần đánh giá hiệu năng

Mô-đun tăng cường gợi ý — phần biến "thiết kế một infographic kiến thức về gấu koala bằng tiếng Anh" thành một đặc tả nội dung và bố cục đầy đủ — không phải là một mô hình nhỏ của chính nhà cung cấp. Báo cáo nói rõ rằng LayoutPE sử dụng GPT-6 với các hướng dẫn tác vụ dạng mô-đun tại thời điểm suy luận, và kỹ năng tăng cường gợi ý đi kèm trong kho lưu trữ được mô tả là được thiết kế cho các tác nhân thuộc họ GPT-6. Vì vậy, kết quả đầu-cuối mạnh nhất dưới đây không phải là đầu ra của một mô hình duy nhất; đó là một pipeline hai mô hình mà nửa phần đặc tả chạy trên API của người khác. Nếu bạn đang đọc bảng xếp hạng Elo như một thước đo thuần túy cho bộ sinh, thì nó không phải vậy.

Bảng benchmark, và ai là tác giả của nó

MOSS-Image được đánh giá trên hai bộ chuẩn mực đi kèm với bản phát hành, ra đời từ chính lập luận của nhà cung cấp rằng các bài kiểm tra hiện có không đo lường được thứ mà nó quan tâm. LongLongTextBench gồm 240 tác vụ kết xuất văn bản văn học — 120 tiếng Anh, 120 tiếng Trung, với độ dài mục tiêu trung bình là 1.339,8 ký tự, gần gấp mười một lần mức trung bình của LongTextBench. RealLayoutArena gồm 61 tác vụ thiết kế (20 poster, 20 đồ họa thông tin, 21 giao diện người dùng) được đánh giá bằng so sánh cặp đôi mù giữa người với người và được khớp vào thang Elo Bradley–Terry. Ở những chỗ xuất hiện đường cơ sở, chúng là các lần chạy của nhà cung cấp trên mô hình của người khác. Mọi số liệu trong phần này đều do nhà cung cấp báo cáo, chưa được tái lập, và không có số liệu nào được kiểm toán độc lập.

Về độ bao phủ văn bản Mean-6 của LongLongTextBench, MOSS-Image đạt 96.3 — con số cao nhất trong số các mô hình trọng số mở trên bảng của nhà cung cấp, vượt xa mức 64.9 của Qwen-Image-2512, và điểm ở điều kiện dài nhất của nó là 97.1 tiếng Anh và 92.4 tiếng Trung. Con số giữ cho bảng này trung thực là hàng ngay phía trên nó: trên chính benchmark của nhà cung cấp, trên chính các lần chạy của nhà cung cấp, GPT Image 2đạt 99.0 còn Nano Banana Pro đạt 96.6. OpenMOSS đã công bố một bảng mà trong đó một đối thủ vẫn giành chiến thắng, và điều đó cũng đáng kể.

Về phần kiểm soát bố cục trên 7Bench, khoảng cách còn rộng hơn nhiều — IoU trung bình trên các đối tượng mục tiêu được phát hiện là 0,88 đối với MOSS-Image, so với 0,44 ở Ideogram 4.0, 0,33 ở Nano Banana Pro và Seedream 5.0 Pro, 0,31 ở Qwen Image 3.0 Pro và 0,30 ở GPT Image 2, với Layout AUC là 0,70 so với mặt bằng chung chỉ dao động từ 0,16 đến 0,20. Nếu những con số đó vẫn đứng vững khi tái lập, thì việc đặt đối tượng chính xác là năng lực mà mô hình này thực sự sở hữu.

Trên RealLayoutArena end-to-end, MOSS-Image đạt 1698,70 Elo với khoảng tin cậy 95% từ 1655,96 đến 1741,43 — đứng thứ hai chung cuộc, sau GPT Image 2 ở mức 1844,35 và trên Seedream 5.0 Pro (1661,16), Qwen Image 3.0 Pro có tăng cường prompt (1614,84) và Nano Banana Pro (1590,19). Khi thu hẹp phạm vi so sánh chỉ còn riêng phần backbone dưới các prompt ngôn ngữ tự nhiên đã tăng cường dùng chung, MOSS-Image đứng đầu với 1807,34, trên ERNIE Image ở mức 1748,51 và SenseNova-U1 ở mức 1689,23. Phần ablation về chiến lược prompt là nội dung hữu ích nhất trong bài báo đối với bất kỳ ai dự định sử dụng nó: prompt bố cục JSON đạt 1622,87, prompt ngôn ngữ tự nhiên đạt 1506,20 trên cùng một hệ thống. Giao diện bố cục không phải là một tính năng tặng thêm. Đó chính là nơi hiệu năng thực sự nằm ở.

Hai lưu ý mà báo cáo tự nêu ra để phản biện chính mình thì đáng nhắc lại. LongTextBench được mô tả là gần bão hòa đối với các mô hình mạnh hiện nay, đó là cách nhà cung cấp giải thích vì sao họ xây dựng một bài kiểm tra khó hơn thay vì dựa vào một bài cũ. Và khoảng tin cậy cho Elo đầu-cuối không chồng lấn với bất cứ thứ gì, nhưng nó rộng — 85 điểm Elo — trên một đấu trường 61 tác vụ được đánh giá bởi người chấm.

Tự vận hành nó, và chi phí của việc đó

Hiện tại không có API thương mại nào cho MOSS-Image mà chúng tôi có thể xác minh, và nó không nằm trong danh mục của chính chúng tôi — OrcaRouter cung cấp hơn 200 mô hình và MOSS-Image không phải là một trong số đó, nên không có gì ở đây nên được hiểu là chúng tôi đang cung cấp nó. Thứ tồn tại là tự lưu trữ: hướng Diffusers với một pipeline tùy chỉnh (pipeline_moss_image, diffusers 0.38 trở lên, transformers 5.3 trở lên, torch 2.9 trở lên, Python 3.10+), một ứng dụng Gradio, và một plugin ComfyUI gốc có thể cài đặt qua ComfyUI Manager, với việc tích hợp vào kho chính thức của ComfyUI được mô tả là đang được tiến hành. Ngoài ra còn có một skill tăng cường prompt cho các framework agent, và nó biên dịch các bản nháp tọa độ pixel thành định dạng JSON tọa độ căn giữa của mô hình mà không gọi bất kỳ dịch vụ hình ảnh nào — một công cụ nhỏ nhưng thực sự hữu ích.

Cộng đồng đã làm phần mà nhà cung cấp chưa làm. Trong khoảng một ngày sau khi phát hành, các bản dựng của bên thứ ba đã xuất hiện trên Hugging Face: một gói đóng gói Comfy-Org của mô hình, một bản dựng Kijai thử nghiệm, các lượng tử hóa GGUF, các chuyển đổi ConvRot INT8 và INT4, một bản dựng W4A8 OrbitQuant, và — hữu ích nhất cho bất kỳ ai không có trung tâm dữ liệu — một DMD LoRA 4 bước và một biến thể chưng cất 8 bước tấn công trực diện vào mặc định 50 bước. Không cái nào trong số này được nhà cung cấp hỗ trợ và không cái nào được đánh giá chuẩn, nhưng chúng là dấu hiệu thông thường cho thấy một bản phát hành đã đến tay những người có ý định sử dụng nó chứ không chỉ trích dẫn nó.

Đây là lúc một lớp định tuyến chứng minh được giá trị của mình, và cần nói chính xác về ranh giới. Chúng tôi không lưu trữ MOSS-Image, nên chúng tôi không thể phục vụ nó và sẽ không ngụ ý điều ngược lại. Điều chúng tôi có thể làm là nửa còn lại của phép so sánh: nếu bạn muốn đo một MOSS-Image tự lưu trữ so với các mô hình hình ảnh được lưu trữ, thì phía được lưu trữ có thể truy cập chỉ bằng một API key trên danh mục của chúng tôi theo giá niêm yết của nhà cung cấp với mức markup 0% — nên khi nhà cung cấp thay đổi giá một mô hình được lưu trữ, ở đây thay đổi đó có hiệu lực ngay trong cùng ngày, chứ không theo chu kỳ hợp đồng hàng quý — cùng với tự động chuyển đổi dự phòng giữa các nhà cung cấp và một DSL định tuyến cho phép bạn đặt nhiều mô hình phía sau một endpoint duy nhất. Việc kiểm thử một checkpoint chưa được chứng minh so với một cái đi thuê không nên đòi hỏi thêm một SDK thứ hai, và đó là tuyên bố duy nhất được đưa ra.

Ai nên hành động về việc này, và ai nên chờ đợi

Nếu công việc của bạn liên quan đến việc tạo ra hình ảnh chứa văn bản đa ngôn ngữ chính xác, dễ đọc ở những vị trí cụ thể — áp phích, bản mô phỏng giao diện, thẻ thông tin, bất cứ thứ gì mà bố cục chính là sản phẩm bàn giao chứ không phải là sự may mắn tình cờ — thì MOSS-Image là bản phát hành trọng số mở được nhắm mục tiêu trực tiếp nhất trong tháng qua, và giấy phép Apache 2.0 có nghĩa là quy trình xem xét thương mại thông thường sẽ ngắn gọn. Hãy bắt đầu với checkpoint SFT, hãy chuẩn bị cung cấp JSON có cấu trúc thay vì văn xuôi, và dự trù ngân sách cho 16,8 GB của bộ mã hóa trước khi bạn dự trù ngân sách cho bộ sinh.

Hãy chờ nếu bạn cần một endpoint có thể gọi được trong tuần này, nếu bạn đang thuê năng lực tính toán thay vì sở hữu nó, hoặc nếu bạn muốn một con số độc lập trước khi cam kết. Kiến trúc là một thiết kế một luồng sạch sẽ với bộ mã hóa đóng băng và VAE đóng băng, điều này sẽ khiến việc chạy trở nên đơn giản — nhưng 50 bước với hai lượt forward mỗi bước là một chi phí phục vụ thực sự, nhãn "5B" đánh giá thấp dung lượng tải về, và các điểm số nổi bật được nhà cung cấp tạo ra trên chính các benchmark của nhà cung cấp bằng cách sử dụng một giai đoạn đặc tả chạy trên một mô hình của bên thứ ba. Hãy chờ một bản tái lập, hoặc chờ đường vLLM-Omni hợp nhất thành thứ bạn có thể cài đặt.

Hai câu hỏi mà bản phát hành này không giải quyết

Khả năng kiểm soát bố cục của mô hình có đáng để thay đổi quy trình làm việc không?

Điều đó phụ thuộc vào việc bạn có thể biểu đạt ý định của mình dưới dạng hộp và chuỗi hay không. JSON bố cục sử dụng tọa độ pixel tuyệt đối được đo từ tâm canvas, với bbox_format "yxyx", điều này khác với các quy ước tọa độ tương đối mà một số hệ thống bố cục gần đây khác sử dụng — nhà cung cấp lập luận rằng pixel tuyệt đối phù hợp hơn với công việc đa độ phân giải. Việc áp dụng nó đồng nghĩa với việc phải viết lại bất kỳ logic prompt nào bạn đã có, và khoảng cách 7Bench của chính nhà cung cấp (0,88 mIoU so với mức 0,30–0,44 của các hệ thống khác trong lĩnh vực) là bằng chứng duy nhất cho thấy việc viết lại là đáng giá. Nó được đo bởi chính những người đã viết ra chỉ số này.

Câu chuyện Fine-Tuning có thực sự mở như giấy phép ngụ ý không?

Một phần chưa rõ. Các trọng số và mã pipeline là Apache 2.0, và Base đã được cố ý để ở trạng thái không chưng cất (undistilled) để các LoRA có thứ để bám vào — một cam kết thực sự. Nhưng công thức huấn luyện trong báo cáo — lộ trình độ phân giải theo giai đoạn, các quyết định lọc ReLAION, việc tách Muon–AdamW — chỉ là tài liệu, không phải dữ liệu được phát hành, và hướng dẫn tinh chỉnh đến nay chỉ gồm các chỉ dẫn cụ thể (giữ bộ mã hóa văn bản ở trạng thái đóng băng; không tinh chỉnh nó) cùng một prompt tạo chú thích. Tuyên bố rằng SFT đơn giản mở khóa khả năng tạo sinh dựa trên tham chiếu và đầu ra GIF được nêu như một phát hiện kèm theo lời “hãy chờ đón”, chứ không phải một kết quả bạn có thể kiểm chứng ngay hôm nay.

Ba điều sẽ đưa MOSS-Image từ một repository ấn tượng trở thành một lựa chọn đã ngã ngũ, và chưa điều nào trong số đó tồn tại: một lần chạy độc lập LongLongTextBench hoặc RealLayoutArena do bất kỳ ai ngoài chính các tác giả thực hiện, bản vá vLLM-Omni được hợp nhất vào một bản phát hành có gắn thẻ kèm bằng chứng tương đồng đầu ra mà người phản biện của nó yêu cầu, và một checkpoint chưng cất vài bước với sự chứng nhận của nhà cung cấp thay vì chỉ có các bản chuyển đổi từ cộng đồng. Cho đến lúc đó, tóm tắt chính xác là thế này — một diffusion transformer 5B được tài liệu hóa kỹ càng với giao diện văn bản-và-bố cục mạnh mẽ một cách bất thường, một giấy phép thoáng bao trùm cả mã lẫn trọng số, vị trí dẫn đầu benchmark trên những bài kiểm tra do chính nó viết ra và vị trí thứ hai trong so sánh đầu-cuối, cùng một câu chuyện serving là có thật nhưng vẫn đang nằm trong một pull request còn mở.

Các lỗi AI và sự cố tác nhân được ghi nhận đằng sau những bản phát hành như bản này được tập hợp trong OrcaRouter AI Incident Archive, trong đó mỗi mục đều có nguồn, mức độ nghiêm trọng, xếp hạng độ tin cậy và cờ tranh chấp riêng.