تست MOSS-Image: عکس عالی، متن و چیدمان ضعیف
هوش مصنوعیClaude Opus 5.5خلاصهٔ کامل‌تر
MOSS-Image یه مدل متن به تصویر با ۵ میلیارد پارامتره که یه VAE برگرفته از Flux و یه text encoder از نوع Qwen 3.5 9B داره و با مجوز Apache 2.0 منتشر شده. سه تا ادعای اصلی داره: ساخت صحنه واقع‌گرایانه با یه پرامپت، نوشتن متن تمیز انگلیسی و چینی داخل تصویر، و یه حالت چیدمان بر پایه JSON. تو این حالت روی بوم باکس می‌کشی و برای هر کدوم یه توضیح یا متن می‌نویسی تا مدل اون شیء رو همونجا بذاره.
به گفته نویسنده، قوی‌ترین نتیجه مربوط به یه پرامپت از دریاچه Oeschinen تو سوئیس بوده: چمنزار گل، مسیر با نرده چوبی، قایق، آب فیروزه‌ای و کوه‌های برفی. مدل کل صحنه رو تو یه بار ساخت و بدون inpainting، از نزدیک‌ترین گلبرگ تا دورترین قله رو واضح درآورد. همین کیفیت تو پرامپت‌های متنوع دیگه هم موند، مثل شیشه‌گر بوهمیایی، گله‌داران Nenets زیر شفق قطبی و پرتره Huli تو پاپوآ گینه نو. تنها شکست واضح یه عکس ماکرو از گل خراسان بود که بیشتر شبیه آبرنگ شد.
تو تست چیدمان سه باکسی (پاگودا بالا چپ، زن با کیمونو وسط، فانوس سنگی پایین راست) باکس‌ها عملاً برعکس شدن: پاگودا رفت سمت راست و فانوس به چپ کشیده شد. تو یه تست چهار باکسی از محله چینی‌های جاکارتا، عروسک و گاری غذا تقریباً سر جاشون نشستن، ولی تابلوی چینی هم جای اشتباه رفت و هم متنش درست درنیومد. نویسنده جمع‌بندی می‌کنه که این قابلیت جهت کلی رو رعایت می‌کنه ولی دقیق نیست.
ادعای متن تمیز هم تو تست‌ها تأیید نشد. متن چینی تابلو غلط بود و علامت «TM» که تو پرامپت خواسته شده بود اصلاً نیومد. متن لاتین بهتر بود، ولی کنار باکس‌ها باز هم قابل اعتماد نبود. یه تست هم با خط نستعلیق اردو روی نقاشی کامیون انجام شد که مدل براش آموزش ندیده. خروجی از نظر ظاهر شبیه نستعلیق بود ولی متن اردوی درستی نبود، در حالی که خود نقاشی و نور کاملاً طبیعی دراومد.
مدل تو ComfyUI حدود ۲۸ گیگابایت VRAM مصرف کرده، یعنی با یه کارت گرافیک قوی تک اجرا میشه و چند GPU یا سرور ابری لازم نیست. به خاطر مجوز Apache 2.0 استفاده تجاری هم محدودیتی نداره. نویسنده می‌گه از نظر کیفیت خام عکس، این مدل از یه نسخه اخیر Flux 3 که خودش تست کرده بهتر بوده. ولی برای اینفوگرافیک یا جایی که متن درست و جای دقیق اشیا مهمه، این دو قابلیت هنوز آماده تولید نیستن.
نکات کلیدی:
- MOSS-Image مدل ۵ میلیارد پارامتری با VAE برگرفته از Flux و text encoder از نوع Qwen 3.5 9B هست.
- با مجوز Apache 2.0 منتشر شده و استفاده تجاریش آزاده.
- اجرای لوکال تو ComfyUI حدود ۲۸ گیگابایت VRAM مصرف کرده.
- تو تست سه باکسی، جای اشیا عملاً چپ و راست برعکس شد.
- متن چینی تابلو غلط دراومد و علامت TM خواسته شده اصلاً تو تصویر نیومد.
- رندر متن رسماً فقط انگلیسی و چینیه و نستعلیق اردو فقط ظاهرش درست بود.
