2026年10月29日、OpenMOSSは公式ブログでオープンウェイトの画像生成モデルMOSS-Imageを公開した。50億パラメータのシングルストリームDiTを基盤とし、ゼロから事前学習されたMOSS-Imageは、ポスター、インフォグラフィック、漫画、UIモックアップ、教材といった、文字が多くレイアウトの要求が明確な画像制作を対象とする。重みはApache-2.0ライセンスで公開され、Base版とSFT版が用意され、Diffusers、Gradio、ComfyUIでの利用方法も示されている。
二つの入力、二つの使い方
MOSS-Imageには二つの入力方法がある。自然言語のプロンプトは素早い下書きに向き、再現や繰り返しの修正が必要な画像にはJSON Layoutが向いている。キャンバス、テキスト、オブジェクト、境界ボックスを明示し、各要素の位置、サイズ、空間関係を指定できるからだ。二つの入力は同じテキスト条件付けの経路を通るため、アイデアの説明からレイアウトの指定へと段階的に移行できる。最大約4Kトークンのプロンプトに対応し、改行と段落構造を保持したまま、中国語と英語の長文を描画できるため、タイトル、説明、せりふ、表、情報量の多いビジュアル素材に適している。意図を理解するプロンプト拡張モジュールも用意され、短い依頼を内容とレイアウトの仕様に広げられるが、これは任意の外部計画モジュールであり、ローカルの基盤モデルだけでも通常のプロンプトやJSON Layoutを直接受け付けられる。
評価数値は分けて読む
技術レポートは三つの数値を示している。長文評価のLongLongTextBenchではMean-6が96.3で、この評価におけるオープンウェイトモデルで最高。レイアウト評価の7Benchでは検出ボックスのmIoUが0.8786。エンドツーエンドの選好評価RealLayoutArenaではEloが1698.70で、GPT Image 2の1844.35に次ぐ2位である。これらは異なる評価プロトコルによる数値であり、一つの総合ランキングにまとめることはできない。長文スコアは文字の網羅性と描画品質を測るもので、事実の正確さと同義ではない。エンドツーエンドの順位には各システムのプロンプト計画や製品フローも反映されており、生成器だけを同じ拡張プロンプトで比べると、MOSS-Imageは1807.34となる。
向いている用途と限界
MOSS-Imageは、ローカル展開、再現可能なレイアウト、自社データでの追加学習を必要とするチームに向いている。Base版は継続事前学習、ドメイン微調整、LoRAの出発点に適し、SFT版はより安定した文字グルーピングとホワイトボード風レイアウトをそのまま試せる。限界も明確だ。現行の基盤モデルはテキストから画像への生成専用で、参照画像を受け付けず、ネイティブな画像編集機能もない。プロンプト拡張は外部の言語モデルに依存するため、計画の品質が最終結果に影響する。その価値は汎用的な作画ではなく、文字をどこに置くか、要素をどこに配置するかを、明示的で確認可能な入力に変える点にある。
