MOSS-Image: un modelo abierto de 5B dibuja texto largo con una cobertura del 96,3%

El equipo de MOSS-Image ha publicado un informe técnico sobre un sistema abierto de generación de imágenes que ataca el punto más débil de los modelos open-weight: el texto denso y la composición compleja. La base del sistema es un transformador de difusión de 5000 millones de parámetros entrenado desde cero. Encima funciona un módulo agéntico que transforma una petición breve en una descripción detallada del contenido y la maquetación. En el nuevo benchmark LongLongTextBench, la cobertura media de texto fue del 96,3%. Es el mejor resultado entre los modelos con pesos abiertos.

Dónde fallan los generadores abiertos

Los sistemas cerrados ya no se limitan a paisajes y retratos: también producen gráficos con mucha información, como pósteres, diapositivas o esquemas con rótulos. Los modelos text-to-image abiertos se quedan atrás en este terreno. Basta pedir un cartel con un párrafo de texto pequeño o una infografía con varios bloques para que las letras se difuminen, desaparezcan líneas y los elementos se solapen. Los autores de MOSS-Image plantean el objetivo sin rodeos: reducir esa brecha.

El enfoque tiene dos capas. La primera es el propio modelo, un DiT single-stream de 5B parámetros. Se preentrenó desde cero con una receta diseñada para ello, en lugar de ajustarse sobre una base ajena. El resultado es un renderizado bilingüe de texto largo en inglés y chino, con un control preciso de la composición.

La segunda capa es un módulo de intention-aware agentic prompt enhancement. El usuario escribe «cartel de concierto», y el módulo identifica la intención y expande la petición hasta convertirla en una especificación: qué textos hacen falta, dónde se colocan y cómo se organiza la jerarquía de bloques. El generador no recibe una frase vaga, sino un encargo técnico casi terminado.

Dos nuevos benchmarks y qué mostraron

Según los autores, las pruebas existentes miden mal el texto largo y la generación de composiciones de extremo a extremo, así que añadieron dos propias:

• LongLongTextBench (LLTB) evalúa el renderizado de texto largo en inglés y chino; MOSS-Image obtuvo una cobertura media de texto del 96,3%, el mejor resultado entre los modelos open-weight.
• RealLayoutArena (RLA) evalúa la generación de imágenes de extremo a extremo con composiciones cargadas; en la comparación de sistemas completos, MOSS-Image quedó en segundo lugar.
• El modelo base en RLA quedó primero entre los generadores evaluados con los mismos prompts ampliados.
• El tamaño del modelo es de 5B parámetros, con arquitectura DiT single-stream.

El penúltimo punto es el más importante. Indica que el resultado no se reduce a un agente que escribe buenos prompts. Cuando todos los generadores reciben los mismos prompts ampliados, el backbone de MOSS-Image sigue por delante. El segundo puesto en la comparación de extremo a extremo significa que el sistema completo todavía queda por detrás de alguien en esa prueba, pero el resumen del informe no aclara de quién.

Cómo interpretarlo

Para los profesionales, la conclusión es esta: conviene poner el modelo en la cola de evaluación, pero no planificar ya una producción basada en él. Los autores prometen publicar el modelo, la receta de entrenamiento y el framework de evaluación, y el resumen del informe lo formula en futuro. Mientras los pesos no estén en abierto, las cifras siguen siendo una declaración de los autores.

Ambos benchmarks los ha ideado el mismo equipo, y un 96,3% de cobertura de texto no equivale a un 96,3% de imágenes sin errores. La cobertura indica qué proporción del texto pedido aparece en la imagen; la exactitud de la ortografía, las tipografías y la composición habrá que comprobarla por separado. Según la descripción, el módulo agéntico añade un paso de procesamiento de la petición antes de la generación, así que habrá que medir la latencia y el coste de toda la cadena.

El mejor escenario de prueba tras el lanzamiento es tomar tareas propias, como banners publicitarios, diapositivas, portadas e infografías en dos idiomas, y ejecutarlas en el modelo con y sin el módulo agéntico. Si la calidad del texto se confirma, los equipos que necesiten control sobre los pesos y la posibilidad de ajustar el modelo tendrán una alternativa abierta a las API cerradas. La receta de entrenamiento y el código de evaluación pueden acabar siendo más valiosos que los propios pesos: con ellos, otros laboratorios podrán reproducir el resultado y comparar sus modelos con las mismas pruebas.