El equipo de OpenMOSS ha lanzado y publicado en abierto el modelo de generación de imágenes MOSS-Image, de 5B parámetros. Los pesos de las dos versiones, Base y SFT, están en Hugging Face bajo la licencia Apache-2.0; el repositorio de GitHub incluye documentación en chino y un flujo de trabajo de ComfyUI, y también se ha publicado el informe técnico. En su blog oficial, el equipo define así el modelo:
«Un sistema de generación de imágenes de pesos abiertos de 5B: texto largo, diseño estructurado y despliegue ajustable (fine-tuning) en una misma vía de generación.»
Texto largo y diseño editable
Los modelos de texto a imagen llevan tiempo fallando al representar bloques grandes de texto, y ahí es donde MOSS-Image pone el foco. Admite prompts de hasta unos 4K tokens y, tanto en chino como en inglés, conserva los saltos de línea y la estructura de párrafos.
Otra capacidad es el diseño estructurado: se describen el lienzo, los bloques de texto, los objetos y los cuadros delimitadores en JSON, fijando directamente posición, tamaño y relaciones entre elementos. Los diseñadores pueden modificar la estructura varias veces antes de generar y, una vez confirmada la maquetación, producir la imagen, sin depender de la suerte con el prompt.
En lo técnico, es un Diffusion Transformer de flujo único preentrenado desde cero, con una combinación de Muon y AdamW como optimizador. El codificador de texto es Qwen3.5-9B y la decodificación de imagen emplea el VAE de FLUX.2. Los datos de entrenamiento suman unos 3000 millones de imágenes, con descripciones de distinta granularidad, supervisión de texto y anotaciones de cuadros delimitadores; la resolución se elevó gradualmente hasta 1024×1024 y el contexto de texto hasta 4096 tokens.
Las cifras de la evaluación
La prueba de texto largo LLTB, creada por el propio equipo, consta de 120 preguntas en chino y 120 en inglés, con una media de unos 1340 caracteres objetivo. MOSS-Image obtiene una media de 96,3 en los seis apartados; según el equipo, es la más alta entre los modelos de pesos abiertos, mientras que Qwen Image 2512 logra 64,9 en la misma tabla. En la tarea en inglés más larga alcanza 97,1 y en la tarea en chino más larga, 92,4.
En la prueba de maquetación 7Bench, la diferencia es aún mayor:
| Modelo | 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 |
Sin embargo, en RealLayoutArena, que mide la preferencia humana de extremo a extremo, GPT Image 2 queda primero con unos 1844 puntos, MOSS-Image segundo con unos 1699 y Seedream 5 Pro tercero. El equipo también aclara que los tres protocolos de prueba son distintos, que las puntuaciones no son intercambiables y que no constituyen una clasificación unificada. Estos datos son por ahora solo los del equipo; no se ha visto aún ninguna reproducción de terceros.
Qué pueden hacer con él los equipos en China
Para quienes desarrollan herramientas de diseño en chino, varias condiciones resultan favorables. Apache-2.0 permite el uso comercial; con 5B, el modelo es mucho más ligero que los modelos de imagen de decenas de miles de millones de parámetros y, según una estimación empírica, una sola tarjeta gráfica de consumo con mucha memoria bastaría para inferencia y ajuste fino con LoRA; las necesidades exactas de VRAM deben consultarse en la documentación oficial. Es compatible con Diffusers, Gradio y ComfyUI, así como con LoRA y ajuste fino completo; quien no quiera alojarlo por su cuenta puede usar la API alojada de MOSI.
En cuanto a los escenarios, el texto largo en chino es una necesidad cotidiana en carteles de comercio electrónico, imágenes largas, material didáctico y portadas de artículos de cuentas oficiales de WeChat, un terreno en el que los modelos de código abierto solían ser débiles y obligaban a rehacer el texto a mano tras la generación. Poder fijar la maquetación con JSON también facilita integrarlo en sistemas de plantillas ya existentes.
Las limitaciones se exponen con la misma claridad. La versión actual solo hace texto a imagen, no admite imágenes de referencia ni tiene edición nativa de imágenes; el módulo de mejora de prompts depende de un modelo de lenguaje externo, y la calidad de su planificación afecta directamente al resultado. Los flujos que requieren editar imágenes o cambiar fondos siguen necesitando otros modelos.
Fuentes: blog oficial de OpenMOSS, CocoLoop, informe técnico de MOSS-Image, página del modelo en Hugging Face; el informe técnico sirvió para verificar la escala de parámetros, la licencia y las puntuaciones de LLTB y 7Bench.