¿Qué es MOSS-Image?
MOSS-Image es un modelo de texto a imagen de OpenMOSS, el laboratorio detrás de los modelos MOSS, publicado el 16 de octubre de 2026 en dos checkpoints: MOSS-Image-Base y MOSS-Image-SFT, un ajuste fino con datos seleccionados que es el que usará la mayoría. Su núcleo es un transformer de difusión de 5.000 millones de parámetros entrenado desde cero, combinado con un codificador de texto Qwen3.5 y el pequeño decodificador VAE de FLUX.2, y acepta prompts de hasta 4K tokens en inglés o en chino.
Además de prompts normales y listas de etiquetas, admite una maquetación en JSON: una descripción de la escena más una lista de elementos, cada uno con una descripción, un texto opcional que representar y un cuadro delimitador en píxeles. Así controla dónde caen los titulares, las etiquetas y los objetos, algo que la mayoría de los modelos abiertos dejan al azar. El informe técnico describe también un mejorador de prompts agéntico que convierte una petición breve en una maquetación de ese tipo; OpenMOSS lo ofrece como skill de agente.
Los pesos y el código de inferencia tienen licencia Apache 2.0, con soporte desde el primer día en SGLang, vLLM-Omni y ComfyUI, y los modelos también se venden a través de MOSI API Platform.
¿Merece la pena MOSS-Image?
MOSS-Image está hecho para una tarea que los modelos de imagen abiertos hacen mal: texto denso en una maquetación planificada. Los carteles, las diapositivas, las cartas de restaurante y las infografías necesitan un titular en un sitio, un pie en otro y las palabras bien escritas, y la entrada de maquetación en JSON permite indicar el texto y el cuadro delimitador de cada elemento en lugar de confiar en que el prompt se interprete así. La licencia es el otro atractivo. Apache 2.0 permite el uso comercial sin un acuerdo aparte, algo que no permite la licencia de investigación de Qwen-Image-2.1.
Las pruebas son más escasas que el discurso. El informe técnico da un 96,3% de cobertura media de texto en LongLongTextBench, el primero entre los modelos de pesos abiertos, y sitúa al sistema segundo de extremo a extremo en RealLayoutArena, con su red troncal primera cuando todos los generadores reciben los mismos prompts mejorados. OpenMOSS diseñó ambos benchmarks. No encontramos todavía ninguna clasificación independiente tipo arena, así que no está establecido cómo se compara en calidad de imagen general con Qwen-Image-2.1 o FLUX.3.
El hardware necesario es menor de lo que sugiere el tamaño de la descarga. El repositorio SFT ocupa unos 27 GB: un transformer de 10,2 GB, un codificador de texto de 16,8 GB y el VAE. La medición del propio proyecto en su modo de poca memoria es un pico de GPU de 3,65 GiB para una imagen de 1024 x 1024 a 50 pasos, con 14 GiB de RAM del sistema, a costa de la velocidad; no publica tiempos para ningún modo. El valor por defecto es de 50 pasos con dos pasadas del transformer cada uno, así que no es rápido, y existe una destilación de 8 pasos de la comunidad que no es oficial.
El ecosistema se formó deprisa. A los 17 días del lanzamiento el repositorio tenía unas 2.500 estrellas en GitHub, y proyectos de la comunidad añadieron ajuste fino (KohakuMossTrainer afirma entrenar adaptadores con 6 GB de VRAM), pesos FP16 y una LoRA para reducir las bandas verticales de color del modelo SFT, un defecto que conviene comprobar antes de comprometerse. No hay modo de edición: solo genera imágenes a partir de texto y maquetaciones.
Dónde se gana su sitio
Un responsable de operaciones de marketing en una cadena de restaurantes con 40 locales
Producir paneles de carta y carteles de promociones con precios y nombres de platos exactos
Un script de plantilla rellena una maquetación JSON con el texto y las posiciones de los cuadros de cada local y genera a 1024 x 1024 o más. Apache 2.0 significa que no hay licencia que negociar; revisa cada resultado, porque la precisión del texto se comunica como un 96,3% de cobertura, no un 100%.
Una desarrolladora que crea un generador de diapositivas e infografías
Dejar que un LLM planifique una maquetación y que un modelo abierto la dibuje
La skill de mejora de prompts incluida convierte una petición en el JSON de maquetación que lee el modelo, y SGLang o vLLM-Omni lo sirven. Cuenta con generaciones de 50 pasos, o prueba la destilación no oficial de 8 pasos de la comunidad.
Un estudio de diseño bilingüe de Shanghái
Representar textos largos en chino e inglés dentro de imágenes de producto
Los prompts llegan a 4K tokens y el informe mide la representación de textos largos en chino e inglés. Autoalójalo en una sola GPU de consumo en modo de poca memoria, o ajusta un estilo de la casa con DiffSynth-Studio o KohakuMossTrainer.
Antes de decidirte
- Puesta en marcha
- Python 3.10+, PyTorch 2.9+, Diffusers 0.38+ y Transformers 5.3+ en una GPU de NVIDIA; la canalización personalizada se carga con trust_remote_code. Una aplicación Gradio añade perfiles de memoria, y ComfyUI lo admite de forma nativa.
- Integraciones
- Diffusers, ComfyUI, SGLang, vLLM-Omni, DiffSynth-Studio para el entrenamiento y una skill de agente para mejorar prompts y maquetaciones; acceso alojado a través de MOSI API Platform.
- Datos y privacidad
- Autoalojado con Apache 2.0, así que los prompts y las imágenes se quedan en tu hardware. Los datos de entrenamiento no se detallan más allá del informe técnico.
- Coste a escala
- Pesos gratuitos. Autoalojarlo requiere unos 27 GB de disco y, según el proyecto, 3,65 GiB de memoria de GPU como mínimo en modo de poca memoria; no se publican la velocidad de generación ni los precios de MOSI API.
- Límites
- Solo texto a imagen, sin edición. Los lados de la imagen deben ser múltiplos de 16; los cuadros de maquetación deben coincidir con el tamaño de salida. Los valores por defecto son 50 pasos con CFG 3, y la comunidad señala bandas verticales en el checkpoint SFT.
Lo bueno
- Las maquetaciones en JSON fijan la posición de cada bloque de texto y cada objeto
- Apache 2.0, uso comercial permitido
- Pico de GPU de 3,65 GiB en modo de poca memoria, según el proyecto
- Soporte en SGLang, vLLM-Omni y ComfyUI desde el primer día
Lo malo
- Las puntuaciones principales salen de benchmarks creados por OpenMOSS
- Unos 27 GB de descarga; 50 pasos por defecto
- La comunidad informa de bandas verticales de color en el modelo SFT
- Sin edición de imágenes; precios de la API no publicados
Ideal para
Equipos que necesitan texto legible y una colocación controlada en gráficos generados y quieren una licencia con la que puedan distribuir.
Alternativas a MOSS-Image
MOSS-Image: preguntas frecuentes
- ¿Merece la pena MOSS-Image?
- El modelo de imagen abierto que conviene probar cuando las palabras y su colocación importan más que el aspecto, con todas sus afirmaciones de calidad apoyadas aún en benchmarks creados por sus autores. Le damos un 3.8 sobre 5.
- ¿Cuánto cuesta MOSS-Image?
- Pesos abiertos gratuitos con Apache 2.0, incluido el uso comercial. Hay una versión alojada en MOSI API Platform; sus precios no aparecen en las páginas que consultamos.
- ¿Qué inconvenientes tiene MOSS-Image?
- Las puntuaciones principales salen de benchmarks creados por OpenMOSS; unos 27 GB de descarga; 50 pasos por defecto; la comunidad informa de bandas verticales de color en el modelo SFT; sin edición de imágenes; precios de la API no publicados.
- ¿Para quién es MOSS-Image?
- Equipos que necesitan texto legible y una colocación controlada en gráficos generados y quieren una licencia con la que puedan distribuir.
- ¿Cuánto cuesta MOSS-Image para un equipo o en producción?
- Pesos gratuitos. Autoalojarlo requiere unos 27 GB de disco y, según el proyecto, 3,65 GiB de memoria de GPU como mínimo en modo de poca memoria; no se publican la velocidad de generación ni los precios de MOSI API.
- ¿Es MOSS-Image seguro para los datos de la empresa?
- Autoalojado con Apache 2.0, así que los prompts y las imágenes se quedan en tu hardware. Los datos de entrenamiento no se detallan más allá del informe técnico.
- ¿Cuáles son las mejores alternativas a MOSS-Image?
- Las alternativas más cercanas que hemos analizado son Qwen-Image-2.1, FLUX 3 Image Klein y Z-Image-Turbo.
Respuestas comprobadas el 2 nov 2026.