MOSS-Image: نموذج مفتوح بحجم 5B يرسم نصوصًا طويلة بنسبة تغطية 96.3%

أصدر فريق MOSS-Image تقريرًا تقنيًا عن نظام مفتوح لتوليد الصور يستهدف أضعف نقطة في النماذج ذات الأوزان المفتوحة: النصوص الكثيفة والتخطيطات المعقدة. يقوم النظام على محوّل انتشار (diffusion transformer) بحجم 5 مليارات معامل جرى تدريبه من الصفر، وتعمل فوقه وحدة وكيلية (agentic) تحوّل طلبًا قصيرًا إلى وصف مفصّل للمحتوى والتصميم. وعلى اختبار LongLongTextBench الجديد بلغ متوسط تغطية النص 96.3%، وهي أفضل نتيجة بين النماذج ذات الأوزان المفتوحة.

أين تتعثر المولّدات المفتوحة

تستطيع الأنظمة المغلقة اليوم توليد ما هو أكثر من المناظر الطبيعية والصور الشخصية، إذ تنتج أيضًا رسومات كثيفة المعلومات مثل الملصقات والشرائح والمخططات ذات التسميات. أما نماذج text-to-image المفتوحة فتتأخر في هذا المجال. فإذا طلبتَ إعلانًا يحوي فقرة بخط صغير أو إنفوغرافيك من عدة كتل، تتشوّه الحروف وتختفي أسطر وتتداخل العناصر. ويصوغ مطوّرو MOSS-Image هدفهم بوضوح: تقليص هذه الفجوة.

ويعتمد النهج على طبقتين. الطبقة الأولى هي النموذج نفسه، أي single-stream DiT بحجم 5B معامل. وقد جرى تدريبه المسبق من الصفر وفق وصفة جرى اختيارها خصيصًا، ولم يُبنَ بالتدريب الإضافي على نموذج أساسي لجهة أخرى. والنتيجة عرض ثنائي اللغة للنصوص الطويلة بالإنجليزية والصينية، مع تحكم دقيق في التخطيط.

الطبقة الثانية هي وحدة intention-aware agentic prompt enhancement. يكتب المستخدم «إعلان حفل موسيقي»، فتحدد الوحدة النية وتوسّع الطلب إلى مواصفات: ما النصوص المطلوبة، وأين توضع، وكيف يُبنى التسلسل الهرمي للكتل. وهكذا يتلقى المولّد ما يشبه مهمة تقنية شبه جاهزة بدلًا من عبارة فضفاضة.

اختباران جديدان وما أظهراه

يرى المطوّرون أن الاختبارات القائمة لا تقيس جيدًا النصوص الطويلة ولا التوليد الشامل للتخطيطات، فأضافوا اختبارين من تصميمهم:

• LongLongTextBench (LLTB) يقيّم عرض النصوص الطويلة بالإنجليزية والصينية؛ وحصل MOSS-Image على متوسط تغطية نص بلغ 96.3%، وهو أفضل نتيجة بين نماذج open-weight.
• RealLayoutArena (RLA) يقيّم التوليد الشامل للصور ذات التخطيطات الكثيفة؛ وفي مقارنة الأنظمة الكاملة احتل MOSS-Image المركز الثاني.
• النموذج الأساسي (backbone) على RLA جاء أولًا بين المولّدات التي جرى تقييمها بموجّهات موسّعة متطابقة.
• حجم النموذج 5B معامل، والبنية single-stream DiT.

البند الأخير هو الأهم. فهو يبيّن أن النتيجة لا تعود إلى وكيل موجّهات ناجح وحسب. فحين تُعطى جميع المولّدات موجّهات موسّعة متطابقة، يبقى backbone في MOSS-Image في المقدمة. أما المركز الثاني في المقارنة الشاملة فيعني أن النظام الكامل لا يزال يتخلف عن نظام آخر في هذا الاختبار، ولا يتضح من الملخص من هو.

كيف ينبغي التعامل مع هذه النتائج

خلاصة الأمر للممارسين: يستحق النموذج أن يوضع في قائمة الانتظار للاختبار، لكن لا ينبغي بناء خطط الإنتاج عليه الآن. فالمطوّرون يعدون بنشر النموذج ووصفة التدريب وإطار التقييم، وقد صيغ ذلك في الملخص بصيغة المستقبل. وما دامت الأوزان غير متاحة للعموم، تبقى الأرقام مجرد ادعاء من المطوّرين.

وقد ابتكر الفريق نفسه الاختبارين كليهما، كما أن تغطية النص بنسبة 96.3% لا تعني أن 96.3% من الصور خالية من الأخطاء. فالتغطية تبيّن أي نسبة من النص المطلوب ظهرت في الصورة، أما دقة الإملاء والخطوط والتكوين فتحتاج إلى فحص مستقل. ويبدو من الوصف أن الوحدة الوكيلية تضيف مرحلة لمعالجة الطلب قبل التوليد، ولذلك يلزم قياس زمن الاستجابة وتكلفة السلسلة بأكملها.

وأفضل سيناريو للتحقق بعد الإصدار هو أن تأخذ مهامك الخاصة، مثل البانرات الإعلانية والشرائح والأغلفة والإنفوغرافيك بلغتين، وتشغّلها على النموذج مع الوحدة الوكيلية ودونها. فإذا تأكدت جودة النصوص، سيصبح أمام الفرق التي تحتاج إلى التحكم في الأوزان وإمكانية التدريب الإضافي للنموذج بديل مفتوح لواجهات API المغلقة. وقد تكون وصفة التدريب وكود التقييم أثمن من الأوزان نفسها، إذ يمكن للمختبرات الأخرى بفضلهما إعادة إنتاج النتيجة ومقارنة نماذجها على الاختبارات ذاتها.