OpenMOSS veröffentlicht Open-Source-Bildmodell MOSS-Image

Modelle

OpenMOSS, ein Team aus Fudan NLP und dem Shanghai Innovation Institute, hat das Open-Source-Bildgenerierungsmodell MOSS-Image veröffentlicht. Das Modell soll typische Schwächen klassischer Text-zu-Bild-Modelle bei Postern, Infografiken, Comics und UI-Design adressieren, etwa Rechtschreibfehler im Text, abgeschnittene Absätze und verschobene Elemente. Die Basis bildet ein von Grund auf vortrainiertes Single-Stream-DiT (Diffusion Transformer) mit 5 Milliarden Parametern. Laut der Meldung unterstützt es Prompts mit bis zu rund 4000 Token, lange Text-Renderings auf Chinesisch und Englisch sowie editierbare, strukturierte JSON-Layouts.

Technisch setzt das Modell nach Angaben des Unternehmens auf ein Muon-AdamW-Trainingsrezept und verarbeitet natürliche Sprache sowie strukturierte Layouts über einen einheitlichen Textkonditionierungskanal. Als Textencoder dient Qwen3.5-9B, zur Bild-Dekodierung kommt FLUX.2VAE zum Einsatz. Der Trainingsdatensatz umfasst rund 3 Milliarden Bilder mit mehrstufigen Captions, Textüberwachung und strukturierter Bounding-Box-Überwachung. Ein zusätzliches Modul zur absichtserkennenden Prompt-Erweiterung soll kurze Anfragen automatisch in ausführbare Anweisungen mit Schrifthierarchie, Farbpalette und Koordinatenvorgaben umwandeln.

Bei den Benchmarks nennt die Meldung mehrere Werte: Beim Long-Text-Rendering-Test LLTB mit je 120 Aufgaben auf Chinesisch und Englisch und einer durchschnittlichen Ziellänge von rund 1339,8 Zeichen erreichte das Modell einen Mean-6-Score von 96,3, laut der Meldung ein neuer Bestwert unter offenen Modellen. Beim strukturierten Layout-Test 7Bench lag der mIoU-Wert der Erkennungsboxen bei 0,8786, der des Gesamtlayouts bei 0,6788. Im Blindtest-Ranking RealLayoutArena erzielte der Generator mit einheitlich erweiterten Prompts einen Elo-Wert von 1807,34.

Die Base- und SFT-Gewichte von MOSS-Image sind unter der Apache-2.0-Lizenz offen verfügbar und laut der Meldung in Diffusers, Gradio und ComfyUI eingebunden, mit Unterstützung für LoRA- und Volltraining-Finetuning. Das Backbone sei ein reines Text-zu-Bild-Modell ohne native Fähigkeit, Referenzbilder zu verarbeiten oder Bilder direkt zu editieren, das Prompt-Erweiterungsmodul benötige zudem ein externes Sprachmodell.

Offen bleibt: Die genannten Benchmark-Werte stammen ausschließlich aus der eigenen Veröffentlichung des Teams und sind nicht unabhängig bestätigt.

Quelle: AIbase News