Qu’est-ce que MOSS-Image ?
MOSS-Image est un modèle texte-vers-image d'OpenMOSS, le laboratoire derrière les modèles MOSS, publié le 16 octobre 2026 sous forme de deux checkpoints : MOSS-Image-Base et MOSS-Image-SFT, un fine-tune sur des données sélectionnées, qui est celui que la plupart des gens utiliseront. Son cœur est un transformer de diffusion de 5 milliards de paramètres entraîné de zéro, associé à un encodeur de texte Qwen3.5 et au petit décodeur VAE de FLUX.2, et il accepte des prompts jusqu'à 4K tokens en anglais ou en chinois.
Outre les prompts simples et les listes de tags, il accepte une mise en page JSON : une légende de scène plus une liste d'éléments, chacun avec une description, un texte facultatif à rendre et une boîte englobante en pixels. C'est ainsi qu'il contrôle l'emplacement des titres, des étiquettes et des objets, ce que la plupart des modèles ouverts laissent au hasard. Le rapport technique décrit aussi un enrichisseur de prompts agentique qui transforme une courte demande en une telle mise en page ; OpenMOSS le fournit sous forme de skill d'agent.
Les poids et le code d'inférence sont sous Apache 2.0, avec une prise en charge dès le premier jour dans SGLang, vLLM-Omni et ComfyUI, et les modèles sont aussi vendus via la MOSI API Platform.
MOSS-Image vaut-il le coup ?
MOSS-Image est conçu pour une tâche que les modèles d'image ouverts font mal : du texte dense dans une mise en page planifiée. Affiches, diapositives, menus et infographies ont besoin d'un titre à un endroit, d'une légende à un autre et de mots correctement orthographiés, et l'entrée de mise en page JSON permet d'indiquer le texte et la boîte englobante de chaque élément au lieu d'espérer que le prompt soit compris ainsi. La licence est l'autre atout. Apache 2.0 autorise l'usage commercial sans accord séparé, ce que ne permet pas la licence de recherche de Qwen-Image-2.1.
Les preuves sont plus minces que le discours. Le rapport technique annonce une couverture de texte moyenne de 96,3 % sur LongLongTextBench, la première parmi les modèles à poids ouverts, et place le système deuxième de bout en bout sur RealLayoutArena, son socle arrivant premier quand tous les générateurs reçoivent les mêmes prompts enrichis. OpenMOSS a conçu les deux benchmarks. Nous n'avons encore trouvé aucun classement d'arène indépendant, si bien que sa qualité d'image générale face à Qwen-Image-2.1 ou FLUX.3 n'est pas établie.
Côté matériel, la situation est meilleure que ne le laisse penser la taille du téléchargement. Le dépôt SFT contient environ 27 GB : un transformer de 10,2 GB, un encodeur de texte de 16,8 GB et le VAE. La mesure du projet lui-même en mode faible mémoire est un pic GPU de 3,65 GiB pour une image de 1024 x 1024 en 50 étapes, avec 14 GiB de RAM système, au prix de la vitesse ; aucun temps de génération n'est publié pour aucun mode. Le réglage par défaut est de 50 étapes avec deux passages du transformer chacune, il n'est donc pas rapide, et une distillation communautaire en 8 étapes existe mais n'est pas officielle.
L'écosystème s'est formé vite. Dans les 17 jours suivant le lancement, le dépôt comptait environ 2 500 étoiles sur GitHub, et des projets communautaires ont ajouté le fine-tuning (KohakuMossTrainer revendique l'entraînement d'adaptateurs avec 6 GB de VRAM), des poids en FP16 et un LoRA pour réduire les bandes de couleur verticales du modèle SFT, un défaut à v érifier avant de s'engager. Il n'y a pas de mode d'édition : il génère des images uniquement à partir de texte et de mises en page.
Là où il fait la différence
Un responsable des opérations marketing dans une chaîne de 40 restaurants
Produire des menus et des affiches promotionnelles avec des prix et des noms de plats exacts
Un script de modèle remplit une mise en page JSON avec le texte et les positions des boîtes de chaque restaurant et génère en 1024 x 1024 ou plus. Apache 2.0 évite toute négociation de licence ; vérifiez chaque résultat, car la précision du texte est annoncée à 96,3 % de couverture, pas 100 %.
Un développeur qui construit un générateur de diapositives et d'infographies
Laisser un LLM planifier une mise en page et faire dessiner le résultat par un modèle ouvert
Le skill d'enrichissement de prompts fourni transforme une demande en JSON de mise en page lisible par le modèle, et SGLang ou vLLM-Omni le servent. Prévoyez des générations en 50 étapes, ou testez la distillation communautaire non officielle en 8 étapes.
Un studio de design bilingue à Shanghai
Rendre de longs textes chinois et anglais dans des visuels de produits
Les prompts vont jusqu'à 4K tokens et le rapport mesure le rendu de longs textes en chinois et en anglais. Auto-hébergez-le sur un seul GPU grand public en mode faible mémoire, ou affinez un style maison avec DiffSynth-Studio ou KohakuMossTrainer.
Avant de vous engager
- Mise en route
- Python 3.10+, PyTorch 2.9+, Diffusers 0.38+ et Transformers 5.3+ sur un GPU NVIDIA ; le pipeline personnalisé se charge avec trust_remote_code. Une application Gradio ajoute des profils de mémoire, et ComfyUI le prend en charge nativement.
- Intégrations
- Diffusers, ComfyUI, SGLang, vLLM-Omni, DiffSynth-Studio pour l'entraînement, et un skill d'agent pour enrichir les prompts et les mises en page ; accès hébergé via la MOSI API Platform.
- Données et confidentialité
- Auto-hébergé sous Apache 2.0, donc les prompts et les images restent sur votre matériel. Les données d'entraînement ne sont pas détaillées au-delà du rapport technique.
- Coût à grande échelle
- Poids gratuits. L'auto-hébergement demande environ 27 GB de disque et, selon le projet, 3,65 GiB de mémoire GPU au minimum en mode faible mémoire ; la vitesse de génération et les prix de la MOSI API Platform ne sont pas publiés.
- Limites
- Texte-vers-image uniquement, sans édition. Les côtés de l'image doivent être des multiples de 16 ; les boîtes de mise en page doivent correspondre à la taille de sortie. Les réglages par défaut sont de 50 étapes avec un CFG de 3, et la communauté signale des bandes verticales dans le checkpoint SFT.
Les points forts
- Les mises en page JSON fixent la position de chaque bloc de texte et de chaque objet
- Apache 2.0, usage commercial autorisé
- Pic GPU de 3,65 GiB en mode faible mémoire, selon le projet
- Prise en charge de SGLang, vLLM-Omni et ComfyUI dès le premier jour
Les points faibles
- Les scores mis en avant viennent de benchmarks conçus par OpenMOSS
- Environ 27 GB à télécharger ; 50 étapes par défaut
- La communauté signale des bandes de couleur verticales dans le modèle SFT
- Pas d'édition d'image ; prix de l'API non publiés
Idéal pour
Les équipes qui ont besoin d'un texte lisible et d'un placement maîtrisé dans des visuels générés et veulent une licence sous laquelle elles peuvent livrer.
Alternatives à MOSS-Image
MOSS-Image : questions fréquentes
- MOSS-Image vaut-il le coup ?
- Le modèle d'image ouvert à essayer quand les mots et leur placement comptent plus que l'esthétique, toutes ses annonces de qualité reposant encore sur des benchmarks conçus par ses créateurs. Nous lui donnons 3.8 sur 5.
- Combien coûte MOSS-Image ?
- Poids ouverts gratuits sous Apache 2.0, usage commercial compris. Une version hébergée existe sur la MOSI API Platform ; ses prix ne sont pas publiés sur les pages que nous avons consultées.
- Quels sont les inconvénients de MOSS-Image ?
- Les scores mis en avant viennent de benchmarks conçus par OpenMOSS; environ 27 GB à télécharger ; 50 étapes par défaut; la communauté signale des bandes de couleur verticales dans le modèle SFT; pas d'édition d'image ; prix de l'API non publiés.
- À qui s’adresse MOSS-Image ?
- Les équipes qui ont besoin d'un texte lisible et d'un placement maîtrisé dans des visuels générés et veulent une licence sous laquelle elles peuvent livrer.
- Combien coûte MOSS-Image pour une équipe ou en production ?
- Poids gratuits. L'auto-hébergement demande environ 27 GB de disque et, selon le projet, 3,65 GiB de mémoire GPU au minimum en mode faible mémoire ; la vitesse de génération et les prix de la MOSI API Platform ne sont pas publiés.
- MOSS-Image est-il sûr pour les données de l’entreprise ?
- Auto-h ébergé sous Apache 2.0, donc les prompts et les images restent sur votre matériel. Les données d'entraînement ne sont pas détaillées au-delà du rapport technique.
- Quelles sont les meilleures alternatives à MOSS-Image ?
- Les alternatives les plus proches que nous avons testées sont Qwen-Image-2.1, FLUX 3 Image Klein et Z-Image-Turbo.
Réponses vérifiées le 2 nov. 2026.