OpenMOSS ha lanzado MOSS-Image, un modelo de difusión de 5.000 millones de parámetros diseñado para generar imágenes con texto legible y control preciso de la composición. El proyecto, disponible en GitHub, ofrece dos versiones: una base y otra finamente ajustada (SFT) con pesos públicos. Su principal ventaja técnica es la capacidad de manejar prompts de texto de hasta 4.000 tokens y controlar la ubicación de elementos mediante archivos JSON, lo que permite crear carteles, tableros o composiciones complejas con texto estructurado.
El modelo está optimizado para eficiencia, utilizando un backbone compacto y entrenado en plataformas de GPU heterogéneas. Incluye un plugin nativo para ComfyUI, facilitando su integración en flujos de trabajo existentes. Además, presenta una herramienta de mejora de prompts que convierte ideas visuales en descripciones detalladas para agentes de IA de la familia GPT-6. La documentación técnica detalla configuraciones de inferencia, como el uso de Flow-matching Euler con 50 pasos y un escalado de guía de 3,0, así como modos de gestión de memoria para GPUs con recursos limitados. El código fuente está licenciado bajo Apache 2.0, y el equipo agradece la colaboración de los desarrolladores de Diffusers, Qwen y FLUX.