MOSS-Image: modelo aberto de 5B renderiza texto longo com 96,3% de cobertura

A equipe do MOSS-Image lançou um relatório técnico sobre um sistema aberto de geração de imagens que ataca o ponto mais fraco dos modelos open-weight: texto denso e layouts complexos. A base do sistema é um transformer de difusão de 5 bilhões de parâmetros, treinado do zero. Por cima dele, um módulo agêntico converte um pedido curto em uma descrição detalhada de conteúdo e layout. No novo benchmark LongLongTextBench, a cobertura média de texto foi de 96,3%. É o melhor resultado entre os modelos com pesos abertos.

Onde os geradores abertos falham

Os sistemas fechados já entregam mais do que paisagens e retratos: também produzem gráficos com muita informação, como pôsteres, slides e diagramas com legendas. Os modelos text-to-image abertos ficam para trás nesse terreno. Basta pedir um cartaz com um parágrafo de texto miúdo ou uma infografia com vários blocos para as letras borrarem, as linhas sumirem e os elementos se sobreporem. Os autores do MOSS-Image dizem sem rodeios que o objetivo é reduzir essa distância.

A abordagem tem duas camadas. A primeira é o próprio modelo, um DiT single-stream de 5B parâmetros. Ele foi pré-treinado do zero, com uma receita escolhida a dedo, e não ajustado a partir da base de outra equipe. O resultado é a renderização bilíngue de texto longo em inglês e chinês, com controle preciso do layout.

A segunda camada é o módulo de intention-aware agentic prompt enhancement. O usuário escreve "cartaz de show", e o módulo identifica a intenção e expande o pedido em uma especificação: quais textos são necessários, onde ficam e como se organiza a hierarquia dos blocos. O gerador recebe, em vez de uma frase vaga, algo próximo de um briefing técnico pronto.

Dois novos benchmarks e o que eles mostraram

Na avaliação dos autores, os testes existentes medem mal o texto longo e a geração de layouts de ponta a ponta. Por isso, eles criaram dois benchmarks próprios:

• LongLongTextBench (LLTB) avalia a renderização de texto longo em inglês e chinês; o MOSS-Image obteve cobertura média de texto de 96,3%, o melhor resultado entre os modelos open-weight.
• RealLayoutArena (RLA) avalia a geração de imagens de ponta a ponta com layouts densos; na comparação entre sistemas completos, o MOSS-Image ficou em segundo lugar.
• O modelo-base no RLA ficou em primeiro lugar entre os geradores avaliados com os mesmos prompts expandidos.
• Tamanho do modelo: 5B de parâmetros, arquitetura DiT single-stream.

O último ponto é mais importante que os demais. Ele mostra que o resultado não se resume a um bom agente de prompts. Quando todos os geradores recebem os mesmos prompts expandidos, o backbone do MOSS-Image continua à frente. O segundo lugar na comparação de ponta a ponta significa que o sistema completo ainda perde para alguém nesse teste, mas o resumo do artigo não deixa claro para quem.

Como encarar o resultado

Para quem trabalha com isso na prática, a conclusão é esta: vale colocar o modelo na fila de testes, mas não vale planejar uma produção em cima dele agora. Os autores prometem publicar o modelo, a receita de treinamento e o framework de avaliação, e o resumo do artigo usa o futuro para isso. Enquanto os pesos não estiverem em acesso aberto, os números continuam sendo uma declaração dos autores.

Os dois benchmarks foram criados pela mesma equipe, e 96,3% de cobertura de texto não equivale a 96,3% de imagens sem erro. A cobertura indica que parcela do texto pedido apareceu na imagem; a correção da ortografia, das fontes e da composição precisará ser verificada separadamente. Pela descrição, o módulo agêntico acrescenta uma etapa de processamento do pedido antes da geração, então é preciso medir a latência e o custo de toda a cadeia.

O melhor roteiro de teste após o lançamento é pegar tarefas próprias, como banners publicitários, slides, capas e infografias em dois idiomas, e rodá-las no modelo com e sem o módulo agêntico. Se a qualidade do texto se confirmar, as equipes que precisam de controle sobre os pesos e de capacidade de ajuste fino ganharão uma alternativa aberta às APIs fechadas. A receita de treinamento e o código de avaliação podem valer mais do que os próprios pesos: com eles, outros laboratórios poderão reproduzir o resultado e comparar seus modelos nos mesmos testes.