Tim OpenMOSS merilis sekaligus membuka kode model pembuat gambar MOSS-Image dengan 5B parameter. Bobot versi Base dan SFT sama-sama dipublikasikan di Hugging Face dengan lisensi Apache-2.0, repositori GitHub-nya dilengkapi panduan berbahasa Mandarin dan alur kerja ComfyUI, dan laporan teknis ikut dibuka. Di blog resminya, tim menempatkan model ini sebagai:
“Sistem pembuat gambar open-weight 5B yang menyatukan teks panjang, tata letak terstruktur, dan penerapan yang bisa di-fine-tune dalam satu jalur generasi.”
Teks panjang dan tata letak yang bisa diubah
Model teks-ke-gambar sejak lama kerap keliru saat merender teks dalam jumlah besar, dan inilah yang menjadi andalan MOSS-Image. Model ini mendukung prompt hingga sekitar 4K token, dan teks panjang berbahasa Mandarin maupun Inggris tetap mempertahankan pemisah baris dan struktur paragraf.
Kemampuan lainnya adalah tata letak terstruktur: kanvas, blok teks, objek, dan kotak pembatas dijelaskan dengan JSON, sehingga posisi, ukuran, dan hubungan antarelemen bisa ditentukan langsung. Desainer dapat merevisi struktur berulang kali sebelum gambar dibuat, lalu menghasilkan gambar setelah tata letak dipastikan, tanpa perlu bolak-balik mengandalkan keberuntungan lewat prompt.
Secara teknis, model ini adalah Diffusion Transformer aliran tunggal yang dilatih dari nol, dengan kombinasi optimizer Muon dan AdamW. Encoder teksnya memakai Qwen3.5-9B, sedangkan dekode gambarnya meminjam VAE dari FLUX.2. Data pelatihan berisi sekitar 3 miliar gambar yang dilengkapi deskripsi multi-granularitas, supervisi teks, dan anotasi kotak pembatas. Resolusi dinaikkan bertahap hingga 1024×1024 dan konteks teks hingga 4096 token.
Angka evaluasi
Uji teks panjang buatan tim, LLTB, berisi masing-masing 120 soal berbahasa Mandarin dan Inggris, dengan rata-rata teks target sekitar 1340 karakter. MOSS-Image meraih rata-rata 96,3 pada enam metrik, yang menurut tim merupakan skor tertinggi di antara model open-weight; Qwen Image 2512 pada tabel yang sama mendapat 64,9. Pada tugas bahasa Inggris terpanjang skornya 97,1, dan pada tugas bahasa Mandarin terpanjang 92,4.
Pada uji tata letak 7Bench, selisihnya lebih besar:
| Model | 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 |
Namun di RealLayoutArena, uji preferensi manusia secara end-to-end, GPT Image 2 berada di peringkat pertama dengan sekitar 1844 poin, MOSS-Image kedua dengan sekitar 1699 poin, dan Seedream 5 Pro ketiga. Tim juga mencatat bahwa ketiga uji memakai protokol berbeda, sehingga skornya tidak bisa saling dipertukarkan dan tidak membentuk peringkat tunggal. Data di atas saat ini hanya versi tim, dan belum terlihat replikasi dari pihak ketiga.
Apa yang bisa dilakukan tim di Tiongkok dengannya
Bagi tim yang membuat alat desain berbahasa Mandarin, ada beberapa kondisi yang menguntungkan. Apache-2.0 mengizinkan penggunaan komersial, dan skala 5B jauh lebih ringan daripada model gambar berukuran puluhan miliar parameter. Menurut perkiraan berdasarkan pengalaman, satu kartu grafis konsumen berVRAM besar sudah cukup untuk inferensi dan fine-tuning LoRA, meski kebutuhan VRAM yang pasti mengacu pada penjelasan resmi. Model ini mendukung Diffusers, Gradio, ComfyUI, serta LoRA dan fine-tuning penuh, dan yang tidak ingin menjalankannya sendiri dapat memakai API terkelola dari MOSI.
Dari sisi penggunaan, teks panjang berbahasa Mandarin adalah kebutuhan sehari-hari untuk poster e-commerce, gambar panjang, materi pelajaran, dan gambar header akun resmi WeChat. Selama ini model open source umumnya lemah di bidang tersebut, dan hasil gambarnya sering harus ditata ulang hurufnya secara manual. Kemampuan mengunci tata letak dengan JSON juga memudahkan integrasi ke sistem templat yang sudah ada.
Keterbatasannya pun ditulis dengan jelas. Versi saat ini hanya mendukung teks-ke-gambar, tidak bisa menerima gambar referensi, dan tidak memiliki fitur penyuntingan gambar bawaan. Modul penyempurna prompt bergantung pada model bahasa eksternal, sehingga baik-buruknya perencanaan langsung memengaruhi hasil gambar. Alur kerja yang membutuhkan pengeditan gambar atau penggantian latar masih harus dipadukan dengan model lain.
Sumber: blog resmi OpenMOSS, CocoLoop, laporan teknis MOSS-Image, halaman model Hugging Face; ukuran parameter, lisensi, serta skor LLTB dan 7Bench diverifikasi melalui laporan teknis.