L'équipe OpenMOSS a publié et ouvert MOSS-Image, un modèle de génération d'images de 5B de paramètres. Les poids des deux versions, Base et SFT, sont disponibles sur Hugging Face sous licence Apache-2.0 ; le dépôt GitHub fournit une documentation en chinois et un workflow ComfyUI, et le rapport technique a été publié en parallèle. Sur son blog officiel, l'équipe présente ainsi le modèle :
« Un système de génération d'images à poids ouverts de 5B : texte long, mise en page structurée et déploiement ajustable (fine-tuning) réunis dans un même chemin de génération. »
Texte long et mise en page modifiable
Les modèles de texte vers image se trompent depuis toujours dès qu'il faut rendre de grands blocs de texte, et c'est précisément sur ce point que MOSS-Image se positionne. Il accepte des prompts allant jusqu'à environ 4K tokens et conserve les retours à la ligne et la structure des paragraphes, aussi bien pour les textes longs en chinois qu'en anglais.
Autre atout : la mise en page structurée. On décrit en JSON le canevas, les blocs de texte, les objets et les boîtes englobantes, en précisant directement position, taille et relations entre éléments. Les designers peuvent retoucher la structure à plusieurs reprises avant la génération, puis produire l'image une fois la mise en page validée, sans s'en remettre au hasard du prompt.
Sur le plan technique, il s'agit d'un Diffusion Transformer à flux unique, préentraîné de zéro, avec une combinaison de Muon et d'AdamW comme optimiseur. L'encodeur de texte est Qwen3.5-9B et le décodage d'image emprunte le VAE de FLUX.2. Les données d'entraînement comptent environ 3 milliards d'images, accompagnées de descriptions à plusieurs niveaux de granularité, d'une supervision du texte et d'annotations de boîtes englobantes ; la résolution a été portée progressivement à 1024×1024 et le contexte textuel à 4096 tokens.
Les chiffres de l'évaluation
Le test de texte long LLTB, conçu par l'équipe elle-même, comprend 120 sujets en chinois et 120 en anglais, avec en moyenne environ 1340 caractères cibles. MOSS-Image obtient une moyenne de 96,3 sur six critères ; l'équipe affirme qu'il s'agit du meilleur score parmi les modèles à poids ouverts, Qwen Image 2512 affichant 64,9 dans le même tableau. Sur la tâche anglaise la plus longue, il atteint 97,1, et sur la tâche chinoise la plus longue, 92,4.
Sur le test de mise en page 7Bench, l'écart est encore plus net :
| Modèle | 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 |
En revanche, dans RealLayoutArena, qui mesure la préférence humaine de bout en bout, GPT Image 2 prend la première place avec environ 1844 points, MOSS-Image la deuxième avec environ 1699 points, et Seedream 5 Pro la troisième. L'équipe précise aussi que les trois protocoles de test diffèrent, que les scores ne sont pas interchangeables et ne constituent pas un classement unifié. Ces données sont pour l'instant celles de l'équipe uniquement ; aucune reproduction par un tiers n'a été constatée.
Ce que les équipes en Chine peuvent en faire
Pour les équipes qui développent des outils de design en chinois, plusieurs conditions sont favorables. Apache-2.0 autorise l'usage commercial ; avec 5B, le modèle est bien plus léger que les modèles d'image de plusieurs dizaines de milliards de paramètres et, d'après une estimation empirique, une seule carte graphique grand public dotée de beaucoup de mémoire suffirait pour l'inférence et le fine-tuning LoRA — les besoins exacts en VRAM sont à vérifier dans la documentation officielle. Il prend en charge Diffusers, Gradio et ComfyUI, ainsi que le fine-tuning LoRA et complet ; ceux qui ne veulent pas l'héberger eux-mêmes peuvent passer par l'API hébergée de MOSI.
Côté usages, le texte long en chinois est un besoin quotidien pour les affiches e-commerce, les images longues, les supports de cours et les visuels d'en-tête d'articles de comptes officiels WeChat, un domaine où les modèles open source étaient jusqu'ici généralement faibles, obligeant souvent à ressaisir le texte à la main après génération. Pouvoir verrouiller la mise en page via JSON facilite aussi l'intégration dans des systèmes de gabarits existants.
Les limites sont énoncées tout aussi clairement. La version actuelle ne fait que du texte vers image, n'accepte pas d'image de référence et n'offre pas d'édition d'image native ; le module d'enrichissement de prompts dépend d'un modèle de langage externe, dont la qualité de planification influe directement sur le rendu. Les workflows qui exigent de retoucher une image ou de changer l'arrière-plan nécessitent encore d'autres modèles.
Sources : blog officiel d'OpenMOSS, CocoLoop, rapport technique de MOSS-Image, page du modèle sur Hugging Face ; le rapport technique a servi à vérifier l'échelle des paramètres, la licence et les scores LLTB et 7Bench.