MOSS-Image: открытая 5B-модель рисует длинный текст с покрытием 96,3%

Команда MOSS-Image выпустила технический отчёт об открытой системе генерации изображений, которая бьёт в самое слабое место open-weight моделей: плотный текст и сложную раскладку. Основа системы — диффузионный трансформатор на 5 млрд параметров, обученный с нуля, а поверх него работает агентный модуль, который превращает короткий запрос в подробное описание содержимого и макета. На новом бенчмарке LongLongTextBench среднее покрытие текста составило 96,3%. Это лучший показатель среди моделей с открытыми весами.

Где ломаются открытые генераторы

Закрытые системы уже умеют делать не только пейзажи и портреты, но и информационно плотную графику: постеры, слайды, схемы с подписями. Открытые text-to-image модели на этом участке отстают. Стоит попросить афишу с абзацем мелкого текста или инфографику с несколькими блоками, и буквы расплываются, строки пропадают, элементы наезжают друг на друга. Авторы MOSS-Image формулируют цель прямо: сократить этот разрыв.

Подход двухслойный. Первый слой — сама модель, single-stream DiT на 5B параметров. Её предобучали с нуля по специально подобранному рецепту, а не дообучали на чужой базе. Результат — двуязычный рендер длинного текста на английском и китайском и точный контроль раскладки.

Второй слой — модуль intention-aware agentic prompt enhancement. Пользователь пишет «афиша концерта», а модуль определяет намерение и разворачивает запрос в спецификацию: какие надписи нужны, где они стоят, как устроена иерархия блоков. Генератор получает не расплывчатую фразу, а почти готовое техническое задание.

Два новых бенчмарка и что они показали

Существующие тесты, по мнению авторов, плохо проверяют длинный текст и сквозную генерацию раскладок, поэтому они добавили два своих:

• LongLongTextBench (LLTB) оценивает рендер длинного текста на английском и китайском; MOSS-Image получила среднее покрытие текста 96,3%, лучший результат среди open-weight моделей.
• RealLayoutArena (RLA) оценивает сквозную генерацию изображений с насыщенной раскладкой; в сравнении полных систем MOSS-Image заняла второе место.
• Магистральная модель на RLA оказалась первой среди генераторов, которых оценивали с одинаковыми расширенными промптами.
• Размер модели составляет 5B параметров, архитектура single-stream DiT.

Последний пункт важнее остальных. Он показывает, что результат не сводится к удачному агенту-промптеру. Когда всем генераторам дают одинаковые расширенные промпты, backbone MOSS-Image всё равно впереди. Второе место в сквозном сравнении означает, что полная система пока уступает кому-то на этом тесте, а кому именно, из аннотации не видно.

Как к этому относиться

Для практиков вывод такой: модель стоит ставить в очередь на проверку, но не стоит планировать на неё производство прямо сейчас. Авторы обещают опубликовать модель, рецепт обучения и фреймворк оценки, а в аннотации это сформулировано в будущем времени. Пока веса не лежат в открытом доступе, цифры остаются заявлением авторов.

Оба бенчмарка придуманы той же командой, и 96,3% покрытия текста не равно 96,3% безошибочных изображений. Покрытие показывает, какая доля заданного текста появилась на картинке, а аккуратность орфографии, шрифтов и композиции придётся проверять отдельно. Агентный модуль, судя по описанию, добавляет этап обработки запроса перед генерацией, значит, нужно измерять задержку и стоимость всей цепочки.

Лучший сценарий проверки после релиза: взять собственные задачи вроде рекламных баннеров, слайдов, обложек и инфографики на двух языках и прогнать их на модели с агентным модулем и без него. Если качество текста подтвердится, у команд, которым нужен контроль над весами и возможность дообучать модель, появится открытая альтернатива закрытым API. Рецепт обучения и код оценки могут оказаться ценнее самих весов: по ним другие лаборатории смогут воспроизвести результат и сравнивать свои модели на тех же тестах.