MOSS-Image-SFT: Apache-2.0-Text-zu-Bild-Modell mit Layout-Steuerung

Worum es geht

OpenMOSS hat MOSS-Image-SFT veröffentlicht. Es ist die Supervised-Fine-Tuning-Variante des Text-zu-Bild-Modells MOSS-Image-Base. Architektur und Inferenz-Pipeline sind identisch. Das Modell versteht natürlichsprachige Prompts, Tag-Sequenzen und JSON-Layouts, mit denen sich Textplatzierung und Objektanordnung steuern lassen.

Die wichtigsten Fakten

• 5,1 Mrd. Parameter, Lizenz Apache 2.0.
• Nutzung über diffusers (≥0.38) mit trust_remote_code und der Custom Pipeline pipeline_moss_image.
• Voraussetzungen: Python ab 3.10, NVIDIA-GPU mit CUDA, PyTorch ab 2.9.
• Laut Model Card erzeugt SFT klarere Textgruppierung und ein geordneteres Layout als Base, gezeigt an einem Whiteboard-Beispiel.
• Unterstützte Sprachen: Englisch und Chinesisch.
• Es gibt ein ComfyUI-Setup, eine Spaces-Demo, einen Technical Report und ein arXiv-Paper (2610.23374).
• Rund 6.900 Downloads und 570 Likes.

Einordnung

Mit 5,1B Parametern und Apache-2.0-Lizenz ist das Modell für lokale Experimente attraktiv. Die JSON-Layout-Steuerung ist für Poster und Text im Bild interessant. Konkrete Benchmarks stehen in der Model Card nicht, und der VRAM-Bedarf wird nicht genannt. Die Qualität im Vergleich zu etablierten Bildmodellen ist daher noch offen.