MOSS-Imageは、復旦大学のOpenMOSSチームが2026年10月16日にオープンソース化したテキストから画像を生成するモデルだ。GitHub上のリポジトリはOpenMOSS組織にあり、プロジェクト名はMOSS-Image、重みはApache-2.0ライセンスで公開されている。結論から言おう。大量の文字を含むポスターやインフォグラフィック、EC画像を頻繁に作るなら、試す価値がある。たまに写実的な写真を出したいだけなら、わざわざ構築する必要はない。
オープンソース画像生成の古い欠点を解決する
多くのオープンソースのテキスト画像生成モデルは、画面に文字が入った途端に崩れてしまう。中国語は特にひどく、文字が増えるほど間違いも増える。MOSS-Imageはまさにそこを補う。50億パラメータの拡散モデルの基幹に、Qwen3.5テキストエンコーダとFLUX.2のVAEを組み合わせ、長文レンダリング評価LLTBで平均テキストカバレッジ96.3％を記録し、評価対象のオープンウェイトモデルの中で1位になった。さらに実用的なのがレイアウト制御だ。自然言語のプロンプトに加えて、JSONで各要素の配置と各行のテキストを指定でき、タイトル、メインビジュアル、補助要素の位置を事前に固定できるため、レイアウトが運任せにならない。プロンプトは最大4Kトークンまで対応し、複数の主体、空間関係、スタイルの要望を一度に入れても収まりやすい。
デプロイのコスト：まずオンラインデモを試し、それから導入を決める
入り口は二つある。効果だけ見たいなら、Hugging Face Spaces上の公式オンラインデモを開いて文字を打つだけで、インストールは不要だ。ローカルで動かすなら、GitHubのOpenMOSS/MOSS-Imageリポジトリをクローンし、説明に従って依存関係を入れ、PythonのパイプラインかGradioの画面で画像を出す。DiffusersやComfyUIにも対応している。代償はGPUだ。ローカル推論にはNVIDIA製グラフィックカードとCUDA環境が必要で、専用GPUのないパソコンではまず試す価値がない。デモで十分だ。
画像を出す前に知っておきたい三つの落とし穴
第一に、バージョンを間違えないこと。MOSS-Image-Baseは微調整やLoRA訓練のための土台で、直接画像を出すならMOSS-Image-SFTを選ぶ。第二に、JSONレイアウトの座標はキャンバスの中心を基準にしているため、数字を一つ間違えると要素がずれる。本番の前に小さい画像で一度試すこと。第三に、中国語と英語以外の文字には公開された評価がないため、他の言語は自分で試すこと。さらに、コミュニティの指摘ではこのモデルにはコンテンツのガードレールがなく、商用で使う前に自分で一度チェックすべきだ。英語のポスターしか作らない人や、Midjourneyのような商用サービスをすでに持っている人にとって、MOSS-Imageの魅力はそれほど大きくない。
