MOSS-Image : un modèle ouvert de 5B paramètres qui génère de longs textes avec 96,3% de couverture

L'équipe MOSS-Image a publié le rapport technique d'un système ouvert de génération d'images qui s'attaque au point le plus faible des modèles open-weight : le texte dense et les mises en page complexes. Le cœur du système est un transformeur de diffusion de 5 Md de paramètres, entraîné from scratch. Un module agentique le complète : il transforme une requête courte en description détaillée du contenu et de la mise en page. Sur le nouveau benchmark LongLongTextBench, la couverture moyenne du texte atteint 96,3%. C'est le meilleur résultat parmi les modèles à poids ouverts.

Où les générateurs ouverts décrochent

Les systèmes fermés savent désormais produire autre chose que des paysages et des portraits : des visuels riches en information, comme des affiches, des slides ou des schémas légendés. Les modèles text-to-image ouverts accusent un retard sur ce terrain. Demandez une affiche avec un paragraphe de petits caractères ou une infographie à plusieurs blocs, et les lettres se déforment, des lignes disparaissent, les éléments se chevauchent. Les auteurs de MOSS-Image énoncent leur objectif sans détour : combler cet écart.

L'approche repose sur deux couches. La première est le modèle lui-même, un DiT single-stream de 5B paramètres. Il a été pré-entraîné from scratch selon une recette spécialement conçue, et non affiné à partir d'une base tierce. Le résultat : un rendu bilingue de longs textes en anglais et en chinois, et un contrôle précis de la mise en page.

La seconde couche est un module d'intention-aware agentic prompt enhancement. L'utilisateur écrit « affiche de concert » ; le module identifie l'intention et développe la requête en spécification : quelles inscriptions sont nécessaires, où elles se placent, comment les blocs sont hiérarchisés. Le générateur ne reçoit plus une phrase vague, mais un cahier des charges quasi complet.

Deux nouveaux benchmarks et ce qu'ils montrent

Selon les auteurs, les tests existants évaluent mal le texte long et la génération de mises en page de bout en bout. Ils en ont donc ajouté deux :

• LongLongTextBench (LLTB) évalue le rendu de longs textes en anglais et en chinois ; MOSS-Image obtient une couverture moyenne du texte de 96,3%, le meilleur résultat parmi les modèles open-weight.
• RealLayoutArena (RLA) évalue la génération d'images de bout en bout avec des mises en page denses ; dans la comparaison des systèmes complets, MOSS-Image se classe deuxième.
• Le modèle de base (backbone) sur RLA arrive premier parmi les générateurs évalués avec les mêmes prompts enrichis.
• La taille du modèle est de 5B paramètres, avec une architecture DiT single-stream.

Le dernier point compte plus que les autres. Il montre que le résultat ne se réduit pas à un agent de prompts bien réglé. Quand tous les générateurs reçoivent les mêmes prompts enrichis, le backbone de MOSS-Image reste devant. La deuxième place dans la comparaison de bout en bout signifie que le système complet se fait encore devancer par un concurrent sur ce test ; l'abstract ne précise pas lequel.

Comment lire ces résultats

Pour les praticiens, la conclusion est simple : le modèle mérite d'entrer dans la file des évaluations, mais il ne faut pas encore planifier de production dessus. Les auteurs promettent de publier le modèle, la recette d'entraînement et le framework d'évaluation, et l'abstract le formule au futur. Tant que les poids ne sont pas en accès libre, ces chiffres restent des déclarations des auteurs.

Les deux benchmarks ont été conçus par la même équipe, et 96,3% de couverture du texte ne signifie pas 96,3% d'images sans erreur. La couverture mesure la part du texte demandé qui apparaît dans l'image ; l'exactitude de l'orthographe, des polices et de la composition devra être vérifiée séparément. D'après la description, le module agentique ajoute une étape de traitement de la requête avant la génération : il faudra donc mesurer la latence et le coût de toute la chaîne.

Le meilleur scénario de test après la sortie : prendre vos propres cas d'usage, comme des bannières publicitaires, des slides, des couvertures et des infographies en deux langues, puis les faire tourner sur le modèle avec et sans le module agentique. Si la qualité du texte se confirme, les équipes qui veulent garder la main sur les poids et pouvoir affiner le modèle disposeront d'une alternative ouverte aux API fermées. La recette d'entraînement et le code d'évaluation pourraient d'ailleurs valoir plus que les poids : ils permettraient à d'autres laboratoires de reproduire le résultat et de comparer leurs modèles sur les mêmes tests.