‏MOSS Image در برابر Nano Banana و Qwen Image

این مقاله MOSS Image رو با رقبای اصلیش مقایسه می‌کنه. MOSS Image یه diffusion transformer (یعنی مدلی که تصویر رو مرحله‌به‌مرحله از نویز می‌سازه) با ۵ میلیارد پارامتره که تیم OpenMoss از صفر آموزشش داده. تو بنچمارک متن طولانی خود OpenMoss، کمی پشت Nano Banana و چند درصد پشت GPT Image 2 ایستاده و از بقیهٔ مدل‌های باز با فاصلهٔ زیاد جلوتره. نویسنده تأکید می‌کنه که این بنچمارک مال خود سازنده‌ست و هنوز کسی مستقل تأییدش نکرده.

به گفتهٔ نویسنده، رمز کار تو text encoder ـه (یعنی مدل زبانی‌ای که پرامپت رو قبل از ساخت تصویر می‌خونه). MOSS Image از Qwen3 با حداکثر ۹ میلیارد پارامتر برای این کار استفاده می‌کنه و تا حدود ۴۰۰۰ توکن پرامپت می‌گیره. مدل‌های قدیمی‌تر encoderهای کوچیک‌تری داشتن و سر پرامپت‌های پیچیده کم میاوردن. نتیجه اینه که پوستر سه‌خطی با عنوان و تاریخ و محل یا اینفوگرافیک چندمرحله‌ای، به انگلیسی و چینی، رو خوب درمیاره. ولی وقتی متن خیلی زیاد بشه، خروجی خراب می‌شه.

قابلیت دیگه JSON layout هست: کنار پرامپت، توصیف کل صحنه رو می‌دی و برای هر متن یا شیء یه bounding box، یعنی مختصات جاش تو تصویر، مشخص می‌کنی. مدل از اول برای رعایت همین داده آموزش دیده. یعنی می‌تونی مثلاً فقط عنوان یه پوستر فیلم رو عوض کنی یا رنگ یه مبل رو تغییر بدی و بقیهٔ ترکیب دست نخوره. نویسنده معتقده برای تیم‌هایی که کلی گرافیک قالبی مثل تبلیغ و کارت محصول می‌سازن، این کنترل فضایی از عدد بنچمارک کاربردی‌تره.

تو مقایسهٔ مستقیم، برگ برندهٔ MOSS Image لایسنس Apache 2.0 برای وزن و کده. Qwen Image لایسنس تحقیقاتی غیرتجاری داره و Flux زیر لایسنس community ـه و هر دو استفادهٔ تجاری رو محدود می‌کنن. Nano Banana و GPT Image 2 هم بسته‌ان و فقط با API در دسترسن، پس نه اجرای لوکال دارن نه fine-tune. اگه فقط کیفیت متن مهم باشه، مدل‌های بسته هنوز جلوترن، ولی هیچ مدل بازی تا حالا این‌قدر بهشون نزدیک نشده بود.

ضعف اصلی، قابلیته نه لایسنس: MOSS Image فقط متن به تصویره و مثل Nano Banana یا Qwen Image Edit نمی‌تونه عکس واقعی رو ویرایش کنه. برای آوردن یه آدم یا شیء خاص باید LoRA آموزش بدی. مدل base برای fine-tune و آموزش LoRA طراحی شده و بیشتر آدم‌ها از چک‌پوینت SFT استفاده می‌کنن. با پیش‌فرض ۵۰ قدم و CFG برابر ۳ کُنده، ولی کامیونیتی ظرف یه هفته LoRAهای ۴ و ۸ قدمی و نسخه‌های quantized داده و OpenMoss هم روی یه distillation کم‌قدم رسمی کار می‌کنه. بدون JSON layout هم دقت متن نوسان داره.

نکات کلیدی:

• MOSS Image یه مدل ۵ میلیارد پارامتریه با وزن و کد Apache 2.0.
• تو بنچمارک خود OpenMoss کمی پشت Nano Banana و GPT Image 2 ـه، بدون تأیید مستقل.
• Qwen Image لایسنس غیرتجاری داره و Flux لایسنس community؛ MOSS Image این محدودیت‌ها رو نداره.
• text encoderش Qwen3 تا ۹ میلیارد پارامتره و پرامپت تا حدود ۴۰۰۰ توکن قبول می‌کنه.
• ویرایش عکس و image-to-image نداره، برخلاف Nano Banana و Qwen Image Edit.
• بدون JSON layout دقت متن با زیاد شدن کلمه‌ها پایین میاد.