MOSI и OpenMOSS открыли MOSS-Image с управлением текстом и композицией
Изображение: OpenAI
MOSI Intelligence и команда OpenMOSS 16 октября открыли MOSS-Image с 5 млрд параметров для генерации изображений с заданным расположением текста и объектов, сообщает Pandaily. Разработчики выпустили базовую MOSS-Image-Base и дообученную MOSS-Image-SFT с весами под лицензией Apache 2.0.
Модель предназначена для плакатов и товарных изображений, где важны длинные надписи и точная композиция. В собственном тесте Long Long Text Benchmark команда оценила полноту воспроизведения текста в 96,3% по метрике Mean-6. В слепом тесте дизайна RealLayoutArena с короткими заданиями модель, по оценке команды, набрала 1698,70 Elo и уступила только GPT Image 2. Эти показатели приведены в отчёте разработчиков и не являются результатом независимых испытаний.
Кроме обычного текстового описания, MOSS-Image принимает JSON с описаниями объектов и надписями. Для каждого элемента можно задать ограничивающую рамку, которая определяет его положение и размер. Чтобы изменить композицию, пользователь может отредактировать текст, описания элементов и координаты рамок. Модель поддерживает запросы длиной до 4K токенов и дообучение под отдельные задачи.
Веса доступны на Hugging Face и ModelScope, адаптеры для Diffusers, ComfyUI, SGLang и vLLM-Omni заявлены с первого дня, а на платформе MOSI работает API. Лицензия Apache 2.0 относится именно к весам: код генерации и сторонние компоненты сохраняют свои лицензии. Для локального запуска разработчики указывают Python 3.10+ и GPU NVIDIA; интерфейсы Python и Gradio используют общий конвейер Diffusers.
