Das Team von OpenMOSS hat das Bildgenerierungsmodell MOSS-Image mit 5B Parametern veröffentlicht und als Open Source freigegeben. Die Gewichte beider Varianten, Base und SFT, liegen unter der Lizenz Apache-2.0 auf Hugging Face; das GitHub-Repository enthält eine chinesische Dokumentation und einen ComfyUI-Workflow, zudem wurde ein technischer Bericht veröffentlicht. Im offiziellen Blog beschreibt das Team den Anspruch so:
„Ein offenes 5B-Bildgenerierungssystem: Langtext, strukturiertes Layout und feinabstimmbares Deployment in einem einzigen Generierungspfad.“
Lange Texte und editierbares Layout
Text-zu-Bild-Modelle machen bei größeren Textmengen seit jeher Fehler – genau hier setzt MOSS-Image an. Das Modell unterstützt Prompts von bis zu rund 4K Token und behält bei chinesischen wie englischen Langtexten Zeilenumbrüche und Absatzstruktur bei.
Eine weitere Fähigkeit ist das strukturierte Layout: Leinwand, Textblöcke, Objekte und Begrenzungsrahmen werden per JSON beschrieben, sodass Position, Größe und Beziehungen direkt festgelegt werden. Designer können die Struktur vor der Bildausgabe wiederholt anpassen und erst nach Freigabe des Layouts generieren – das erspart das Herumprobieren mit Prompts.
Technisch handelt es sich um einen von Grund auf vortrainierten Single-Stream-Diffusion-Transformer; als Optimierer kommt eine Kombination aus Muon und AdamW zum Einsatz. Als Text-Encoder dient Qwen3.5-9B, für die Bilddekodierung wird der VAE von FLUX.2 verwendet. Die Trainingsdaten umfassen etwa 3 Milliarden Bilder mit mehrstufigen Beschreibungen, Textsupervision und Bounding-Box-Annotationen; die Auflösung wurde schrittweise auf 1024×1024 erhöht, der Textkontext auf 4096 Token.
Die Benchmark-Zahlen
Der vom Team selbst entwickelte Langtext-Test LLTB umfasst je 120 chinesische und englische Aufgaben mit durchschnittlich rund 1340 Zielzeichen. MOSS-Image erreicht über sechs Kategorien einen Durchschnitt von 96,3; nach Angaben des Teams ist das der höchste Wert unter Modellen mit offenen Gewichten, Qwen Image 2512 kommt in derselben Tabelle auf 64,9. Bei der längsten englischen Aufgabe erzielt es 97,1, bei der längsten chinesischen 92,4.
Beim Layout-Benchmark 7Bench fällt der Abstand noch größer aus:
| Modell | mIoU | Layout AUC |
|---|---|---|
| MOSS-Image | 0,8786 | 0,7031 |
| Ideogram 4 | 0,4449 | 0,2046 |
| Nano Banana Pro | 0,3296 | 0,1628 |
| GPT Image 2 | 0,3042 | 0,1554 |
In der RealLayoutArena, die die menschliche Präferenz Ende-zu-Ende misst, liegt jedoch GPT Image 2 mit rund 1844 Punkten auf Platz eins, MOSS-Image mit rund 1699 Punkten auf Platz zwei und Seedream 5 Pro auf Platz drei. Das Team weist ausdrücklich darauf hin, dass die drei Testprotokolle unterschiedlich sind, die Punktzahlen nicht untereinander umgerechnet werden können und kein einheitliches Ranking ergeben. Alle genannten Werte stammen bislang allein vom Team; eine unabhängige Reproduktion ist nicht bekannt.
Was Teams in China damit anfangen können
Für Teams, die chinesische Design-Tools entwickeln, sind mehrere Voraussetzungen günstig. Apache-2.0 erlaubt die kommerzielle Nutzung; mit 5B ist das Modell deutlich leichter als Bildmodelle mit mehreren zehn Milliarden Parametern. Nach Erfahrungswerten dürfte eine einzelne Consumer-Grafikkarte mit viel Speicher für Inferenz und LoRA-Feintuning genügen – der genaue VRAM-Bedarf richtet sich nach den offiziellen Angaben. Unterstützt werden Diffusers, Gradio und ComfyUI sowie LoRA- und Full-Finetuning; wer nicht selbst hosten möchte, kann die gehostete API von MOSI nutzen.
Chinesische Langtexte gehören zum Alltag bei E-Commerce-Postern, Langgrafiken, Kursunterlagen und Titelbildern für WeChat-Artikel; Open-Source-Modelle waren hier bisher meist schwach, und nach der Generierung musste der Text oft manuell neu gesetzt werden. Dass sich das Layout per JSON festschreiben lässt, erleichtert zudem die Anbindung an bestehende Template-Systeme.
Auch die Einschränkungen werden klar benannt. Die aktuelle Version beherrscht nur Text-zu-Bild, nimmt keine Referenzbilder an und bietet keine native Bildbearbeitung; das Modul zur Prompt-Erweiterung hängt von einem externen Sprachmodell ab, dessen Planungsqualität das Ergebnis unmittelbar beeinflusst. Für Workflows, in denen Bilder nachbearbeitet oder Hintergründe ausgetauscht werden müssen, braucht es weiterhin andere Modelle.
Quellen: offizieller OpenMOSS-Blog, CocoLoop, technischer Bericht zu MOSS-Image, Modellseite auf Hugging Face; Parameterumfang, Lizenz sowie LLTB- und 7Bench-Werte wurden anhand des technischen Berichts geprüft.