Le 29 octobre 2026, OpenMOSS a publié sur son blog officiel MOSS-Image, un modèle de génération d'images à poids ouverts. Fondé sur un DiT à flux unique de 5 milliards de paramètres et pré-entraîné à partir de zéro, MOSS-Image vise les tâches riches en texte et exigeantes en mise en page : affiches, infographies, bandes dessinées, maquettes d'interface et supports pédagogiques. Ses poids sont publiés sous licence Apache-2.0, en versions Base et SFT, avec des parcours d'utilisation pour Diffusers, Gradio et ComfyUI.
Deux entrées pour deux façons de travailler
MOSS-Image accepte deux types d'entrée. Un prompt en langage naturel convient aux brouillons rapides ; un JSON Layout convient aux visuels qui doivent être reproduits et retouchés, car il décrit explicitement le canevas, le texte, les objets et les boîtes englobantes, et fixe la position, la taille et les relations spatiales de chaque élément. Les deux entrées partagent le même chemin de conditionnement textuel, ce qui permet de passer progressivement de la description d'une idée à la spécification d'une mise en page. Le modèle prend en charge des prompts d'environ 4K tokens au maximum, conserve les sauts de ligne et la structure des paragraphes, et rend les textes longs en chinois et en anglais, ce qui convient aux titres, légendes, dialogues, tableaux et autres visuels denses en informations. Un module optionnel d'amélioration de prompt, sensible à l'intention, peut transformer une courte demande en spécification de contenu et de mise en page, mais il s'agit d'un module de planification externe ; le socle local accepte aussi seul un prompt ordinaire ou un JSON Layout.
Lire les chiffres des benchmarks séparément
Le rapport technique donne trois séries de chiffres. Sur le benchmark de texte long LongLongTextBench, MOSS-Image obtient un Mean-6 de 96,3, le meilleur score parmi les modèles à poids ouverts dans cette évaluation ; sur le benchmark de mise en page 7Bench, son mIoU de détection atteint 0,8786 ; sur le benchmark de préférence de bout en bout RealLayoutArena, son Elo est de 1698,70, en deuxième position derrière GPT Image 2 à 1844,35. Ces chiffres proviennent de protocoles d'évaluation différents et ne peuvent pas être fusionnés en un seul classement général. Le score de texte long mesure la couverture textuelle et la qualité du rendu, pas l'exactitude factuelle, et le classement de bout en bout reflète aussi la planification des prompts et les chaînes de production de chaque système ; en comparant les seuls générateurs avec les mêmes prompts enrichis, MOSS-Image atteint 1807,34.
À qui il convient, et quelles sont ses limites
MOSS-Image convient aux équipes qui ont besoin d'un déploiement local, de mises en page reproductibles ou d'un entraînement supplémentaire sur leurs propres données. La version Base sert de point de départ pour un pré-entraînement continu, un réglage fin de domaine ou un LoRA, tandis que la version SFT offre directement des regroupements de texte plus stables et des mises en page de type tableau blanc. Ses limites sont tout aussi claires : le socle actuel est un modèle texte-vers-image uniquement, il n'accepte donc aucune image de référence et n'offre pas d'édition d'image native, et l'amélioration de prompt dépend d'un modèle de langage externe, de sorte que la qualité de la planification influe sur le résultat. Sa valeur ne réside pas dans la génération d'images généraliste, mais dans le fait de transformer l'emplacement du texte et de chaque élément en une entrée explicite et vérifiable.
