MOSS-Image est un modèle texte-vers-image publié en open source par l'équipe OpenMOSS de l'université Fudan le 16 octobre 2026. Son dépôt GitHub se trouve dans l'organisation OpenMOSS et s'appelle MOSS-Image ; les poids sont publiés sous licence Apache-2.0. La conclusion d'abord : si vous produisez régulièrement des affiches, des infographies ou des visuels e-commerce avec beaucoup de texte, cela vaut le coup de s'y mettre ; si vous voulez seulement générer une photo réaliste de temps en temps, inutile de l'installer.
Il résout un vieux problème de la génération d'images open source
La plupart des modèles texte-vers-image ouverts échouent dès que du texte apparaît dans l'image, et le chinois est le plus touché : plus il y a de caractères, plus il y a d'erreurs. MOSS-Image s'attaque précisément à ce point : un modèle de diffusion de 5 milliards de paramètres, associé à un encodeur de texte Qwen3.5 et au VAE de FLUX.2. Sur LLTB, le banc d'essai de rendu de texte long, il atteint 96,3 % de couverture textuelle moyenne, ce qui le place en tête des modèles à poids ouverts évalués. Plus utile encore, le contrôle de la mise en page : outre le langage naturel, le prompt peut inclure un document JSON qui indique où va chaque élément et ce que dit chaque ligne de texte, de sorte que le titre, le visuel principal et les éléments secondaires peuvent être fixés à l'avance et que la mise en page ne dépend plus du hasard. Les prompts peuvent aller jusqu'à 4 000 tokens, ce qui permet d'y faire tenir plusieurs sujets, des relations spatiales et des exigences de style en une seule fois.
Coût de déploiement : essayez d'abord la démo en ligne, puis décidez d'installer ou non
Il y a deux façons d'entrer. Si vous voulez juste voir ce qu'il peut faire, ouvrez la démo officielle en ligne sur Hugging Face Spaces et tapez un prompt, sans rien installer. Pour l'exécuter localement, clonez le dépôt OpenMOSS/MOSS-Image sur GitHub, installez les dépendances comme indiqué dans la documentation, et générez des images via le pipeline Python ou l'interface Gradio ; Diffusers et ComfyUI sont également pris en charge. Le prix à payer, c'est la carte graphique : l'inférence locale exige une carte NVIDIA avec un environnement CUDA. Si votre ordinateur n'a pas de GPU dédié, n'essayez même pas, la démo suffit.
Trois pièges à connaître avant de générer
Premièrement, choisissez la bonne version : MOSS-Image-Base est la base destinée au fine-tuning et à l'entraînement d'adaptateurs LoRA, tandis que MOSS-Image-SFT est celle qui sert à générer des images directement. Deuxièmement, les coordonnées du layout JSON sont relatives au centre du canevas : un seul chiffre erroné et l'élément se décale ; testez d'abord avec une petite image. Troisièmement, il n'existe pas d'évaluation publiée pour les textes dans d'autres langues que le chinois et l'anglais, testez donc vous-même les petites langues ; la communauté signale aussi que le modèle n'a pas de garde-fous de contenu, vérifiez donc vous-même vos images avant un usage commercial. Si vous ne faites que des affiches en anglais, ou si vous disposez déjà d'une solution commerciale comme Midjourney, MOSS-Image est nettement moins intéressant.
