A equipe da OpenMOSS lançou e abriu o código do modelo de geração de imagens MOSS-Image, com 5B de parâmetros. Os pesos das duas versões, Base e SFT, estão no Hugging Face sob a licença Apache-2.0; o repositório no GitHub traz documentação em chinês e um fluxo de trabalho para ComfyUI, e o relatório técnico também foi divulgado. No blog oficial, a equipe define assim o posicionamento do modelo:
“Um sistema de geração de imagens de pesos abertos de 5B: texto longo, layout estruturado e implantação ajustável (fine-tuning) reunidos em um único caminho de geração.”
Texto longo e layout editável
Os modelos de texto para imagem sempre erraram com facilidade ao renderizar blocos grandes de texto, e é justamente nisso que o MOSS-Image aposta. Ele aceita prompts de até cerca de 4K tokens e preserva quebras de linha e estrutura de parágrafos em textos longos, tanto em chinês quanto em inglês.
Outro recurso é o layout estruturado: o usuário descreve a tela, os blocos de texto, os objetos e as caixas delimitadoras em JSON, definindo diretamente posição, tamanho e relações entre os elementos. Designers podem ajustar a estrutura várias vezes antes de gerar a imagem e só então produzi-la, com o layout já confirmado, sem depender da sorte com o prompt.
Tecnicamente, trata-se de um Diffusion Transformer de fluxo único, pré-treinado do zero, com uma combinação de Muon e AdamW como otimizador. O codificador de texto é o Qwen3.5-9B, e a decodificação de imagem usa o VAE do FLUX.2. Os dados de treino somam cerca de 3 bilhões de imagens, com descrições em vários níveis de granularidade, supervisão de texto e anotações de caixas delimitadoras; a resolução foi elevada gradualmente até 1024×1024 e o contexto de texto até 4096 tokens.
Os números da avaliação
O teste de texto longo LLTB, criado pela própria equipe, tem 120 questões em chinês e 120 em inglês, com cerca de 1340 caracteres-alvo em média. O MOSS-Image obteve média de 96,3 nos seis itens; segundo a equipe, é a maior entre os modelos de pesos abertos, enquanto o Qwen Image 2512 marcou 64,9 na mesma tabela. Na tarefa em inglês mais longa, chegou a 97,1, e na tarefa em chinês mais longa, a 92,4.
No teste de layout 7Bench, a diferença é ainda maior:
| 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 |
Já no RealLayoutArena, que mede a preferência humana de ponta a ponta, o GPT Image 2 ficou em primeiro, com cerca de 1844 pontos, o MOSS-Image em segundo, com cerca de 1699, e o Seedream 5 Pro em terceiro. A equipe também ressalva que os três protocolos de teste são diferentes, as pontuações não são intercambiáveis e não formam um ranking unificado. Os dados acima refletem, por ora, apenas a versão da equipe; ainda não há reprodução por terceiros.
O que equipes na China podem fazer com ele
Para quem desenvolve ferramentas de design em chinês, várias condições são favoráveis. A Apache-2.0 permite uso comercial; com 5B, o modelo é bem mais leve do que modelos de imagem de dezenas de bilhões de parâmetros e, por estimativa empírica, uma única placa de vídeo de consumo com bastante memória deve bastar para inferência e ajuste fino com LoRA — a necessidade exata de VRAM deve seguir as indicações oficiais. Ele é compatível com Diffusers, Gradio e ComfyUI, além de LoRA e ajuste fino completo; quem não quiser hospedar por conta própria pode usar a API hospedada da MOSI.
Quanto aos cenários, textos longos em chinês são demanda diária em cartazes de e-commerce, imagens longas, material de aulas e capas de artigos de contas oficiais do WeChat, área em que os modelos de código aberto eram em geral fracos, exigindo muitas vezes redigitar o texto à mão depois da geração. Poder travar o layout com JSON também facilita a integração a sistemas de templates já existentes.
As limitações são descritas com a mesma clareza. A versão atual só faz texto para imagem, não aceita imagens de referência e não tem edição nativa de imagens; o módulo de aprimoramento de prompts depende de um modelo de linguagem externo, e a qualidade do planejamento afeta diretamente o resultado. Fluxos que exigem editar imagens ou trocar fundos ainda precisam de outros modelos em conjunto.
Fontes: blog oficial da OpenMOSS, CocoLoop, relatório técnico do MOSS-Image, página do modelo no Hugging Face; o relatório técnico foi usado para verificar a escala de parâmetros, a licença e as pontuações do LLTB e do 7Bench.