‏MOSS Image: مدل متن به تصویر ۵ میلیاردی با لایسنس Apache 2.0

MOSS Image یه diffusion transformer (یعنی همون معماری‌ای که تصویر رو قدم‌به‌قدم از نویز درمیاره) با ۵ میلیارد پارامتره که تیم OpenMoss، سازندهٔ MOSS TTS و مدل ویدیویی MOVA، از صفر آموزشش داده. هم وزن‌ها و هم کد آموزش و اجراش با Apache 2.0 منتشر شدن. روی Hugging Face هست، تو ComfyUI اجرا می‌شه و SGLang و vLLM/Omni هم پشتیبانیش می‌کنن.

به گفتهٔ مقاله، مهم‌ترین تفاوتش لایسنسه. Qwen Image لایسنس تحقیقاتی غیرتجاری داره و مدل‌های Flux زیر لایسنس community هستن که استقرار تجاری رو محدود می‌کنه. ولی MOSS Image رو می‌شه fine-tune کرد، فروخت، توی محصول گذاشت یا روش سرویس ساخت، بدون مذاکرهٔ لایسنس. مقاله اشاره می‌کنه که خروجی NSFW هم محدودیتی تو لایسنس نداره.

برای فهمیدن پرامپت از Qwen3.5-9B به‌عنوان text encoder (یعنی مدلی که پرامپت رو می‌خونه و به زبان مدل تصویر ترجمه می‌کنه) استفاده می‌کنه و تا حدود ۴۰۰۰ توکن پرامپت قبول می‌کنه. نویسنده می‌گه text encoderهای کوچیک یکی از دلایل اصلی بودن که مدل‌های قدیمی‌تر سر پرامپت‌های طولانی و چندبخشی کم میاوردن. اینجا یه LLM نه میلیاردی پرامپت رو می‌خونه، پس صحنه‌های چندالمانی و دستورهای سبکی رو بهتر می‌فهمه.

قابلیت شاخصش JSON layout هست: کنار پرامپت، اول کل صحنه رو توصیف می‌کنی و بعد هر المان (یه متن یا یه شیء) رو با یه bounding box، یعنی مختصات جاش تو کادر، لیست می‌کنی. مدل برای رعایت همین ساختار آموزش دیده، پس این یه ترفند inpainting بعد از تولید نیست. نتیجه‌ش اینه که مثلاً عنوان، تاریخ و محل یه پوستر جای درستشون می‌شینن و اگه یه المان رو خواستی جابه‌جا کنی، فقط JSON رو عوض می‌کنی و دوباره می‌سازی. OpenMoss یه layout prompt enhancer هم داده که با یه LLM، توضیح ساده رو به پرامپت و JSON تبدیل می‌کنه.

با تنظیمات پیش‌فرض (۵۰ قدم sampling، CFG برابر ۳، چک‌پوینت SFT) پرتره‌های واقعی‌نما، عکس محصول با bokeh، نورپردازی، سبک‌هایی مثل انیمه و آبرنگ و متن انگلیسی و چینی رو خوب درمیاره. نسبت تصویر از حدود ۰.۲۵ تا ۴ مگاپیکسل رو قبول می‌کنه و بهترین کیفیت بین ۱ تا ۲ مگاپیکسله. تو بنچمارک متن طولانی خود سازنده، کمی پشت Nano Banana و چند امتیاز پشت GPT Image 2 قرار گرفته و از بقیهٔ مدل‌های اوپن‌ویت خیلی جلوتره، ولی این عدد خوداظهاریه و هنوز ارزیابی مستقلی نداره.

محدودیت اصلی اینه که فقط text-to-image ـه: نه image-to-image داره نه ویرایش واقعی عکس. برای آوردن یه آدم یا شیء خاص باید LoRA آموزش بدی. با ۵۰ قدم هم کُنده، ولی کامیونیتی ظرف حدود یه هفته LoRAهای ۸ و ۴ قدمی، چک‌پوینت‌های int8 و یه fine-tune کامل منتشر کرده و OpenMoss هم گفته داره روی یه distillation رسمی کم‌قدم کار می‌کنه.

نکات کلیدی:

• MOSS Image یه مدل ۵ میلیارد پارامتریه که وزن و کدش هر دو Apache 2.0 هستن و استفادهٔ تجاری آزاده.
• text encoderش Qwen3.5-9B ـه و پرامپت تا حدود ۴۰۰۰ توکن قبول می‌کنه.
• با JSON layout می‌شه برای هر متن یا شیء یه bounding box تعریف کرد.
• تو بنچمارک خود سازنده نزدیک Nano Banana و GPT Image 2 بوده، ولی ارزیابی مستقل هنوز نیست.
• ویرایش عکس و image-to-image نداره و برای شخصی‌سازی باید LoRA آموزش داد.
• تنظیم پیش‌فرض ۵۰ قدمه و LoRAهای ۴ و ۸ قدمی کامیونیتی سرعتش رو بالا می‌برن.