Am 29. Oktober 2026 hat OpenMOSS im offiziellen Blog das Open-Weight-Bildgenerierungsmodell MOSS-Image veröffentlicht. MOSS-Image basiert auf einem Single-Stream-DiT mit 5 Milliarden Parametern, wurde von Grund auf vortrainiert und richtet sich an textintensive, layoutkritische Aufgaben wie Poster, Infografiken, Comics, UI-Mockups und Lehrmaterialien. Die Gewichte stehen unter der Apache-2.0-Lizenz in den Versionen Base und SFT zur Verfügung; Diffusers-, Gradio- und ComfyUI-Wege werden dokumentiert.
Zwei Eingaben für zwei Arbeitsweisen
MOSS-Image kennt zwei Eingabeformen. Ein Prompt in natürlicher Sprache eignet sich für schnelle Entwürfe; ein JSON-Layout eignet sich für Bilder, die reproduziert und wiederholt überarbeitet werden müssen, weil es Canvas, Text, Objekte und Bounding Boxes explizit beschreibt und Position, Größe und räumliche Beziehungen jedes Elements festlegt. Beide Eingaben nutzen denselben Text-Conditioning-Pfad, sodass man schrittweise von der Beschreibung einer Idee zur Festlegung eines Layouts übergehen kann. Das Modell unterstützt Prompts von bis zu etwa 4K Token, erhält Zeilenumbrüche und Absatzstrukturen und rendert lange Texte auf Chinesisch und Englisch – passend für Titel, Bildunterschriften, Dialoge, Tabellen und andere informationsdichte Visuals. Ein optionales, intentionsbewusstes Prompt-Enhancement-Modul kann eine kurze Anfrage zu einer Inhalts- und Layoutspezifikation ausbauen, ist aber ein externes Planungsmodul; das lokale Backbone akzeptiert auch allein gewöhnliche Prompts oder ein JSON-Layout.
Die Benchmarkzahlen getrennt lesen
Der technische Bericht nennt drei Zahlenreihen. Im Long-Text-Benchmark LongLongTextBench erreicht MOSS-Image einen Mean-6 von 96,3 – den höchsten Wert unter Open-Weight-Modellen in dieser Auswertung; im Layout-Benchmark 7Bench liegt seine Detection-Box-mIoU bei 0,8786; im End-to-End-Präferenzbenchmark RealLayoutArena erreicht sein Elo 1698,70 und damit Platz zwei hinter GPT Image 2 mit 1844,35. Diese Zahlen stammen aus unterschiedlichen Evaluationsprotokollen und lassen sich nicht zu einer einzigen Gesamtrangliste zusammenfassen. Der Long-Text-Wert misst Textabdeckung und Renderingqualität, nicht Faktentreue, und die End-to-End-Rangliste spiegelt auch die Promptplanung und Produktpipelines der jeweiligen Systeme wider; vergleicht man nur die Generatoren unter denselben erweiterten Prompts, kommt MOSS-Image auf 1807,34.
Für wen es passt – und wo die Grenzen liegen
MOSS-Image passt für Teams, die lokales Deployment, reproduzierbare Layouts oder weiteres Training mit eigenen Daten brauchen. Die Base-Version ist ein Ausgangspunkt für fortgesetztes Pretraining, domänenspezifisches Fine-Tuning oder LoRA, während die SFT-Version stabilere Textgruppierungen und Whiteboard-Layouts direkt erlebbar macht. Die Grenzen sind ebenso klar: Das aktuelle Backbone ist ein reines Text-zu-Bild-Modell, nimmt also kein Referenzbild entgegen und bietet keine native Bildbearbeitung; das Prompt-Enhancement hängt von einem externen Sprachmodell ab, sodass die Planungsqualität das Ergebnis beeinflusst. Sein Wert liegt nicht in allgemeiner Bilderzeugung, sondern darin, wo Text stehen und wo jedes Element sitzen soll, zu einer expliziten, überprüfbaren Eingabe zu machen.
