MOSS-Imageとは？
MOSS-Imageは、MOSSのモデルを手がける研究所OpenMOSSによるテキストから画像を作るモデルで、2026年10月16日に2つのチェックポイントとして公開されました。MOSS-Image-Baseと、厳選したデータでファインチューニングしたMOSS-Image-SFTで、ほとんどの人が使うのは後者です。中核はゼロから学習した50億（5 billion）パラメータの拡散Transformerで、Qwen3.5のテキストエンコーダーと小型のFLUX.2のVAEデコーダーを組み合わせており、英語か中国語で最大4Kトークンのプロンプトを受け付けます。
通常のプロンプトやタグの一覧のほかに、JSONのレイアウトも受け付けます。場面の説明と項目の一覧から成り、各項目には説明、任意で描画するテキスト、ピクセル単位のバウンディングボックスを指定します。こうして見出し、ラベル、物体の位置を制御します。ほとんどのオープンなモデルでは、これは運任せです。技術レポートには、短い依頼をそうしたレイアウトに変えるエージェント型のプロンプト強化の仕組みも書かれており、OpenMOSSはそれをエージェント用のスキルとして提供しています。
重みと推論のコードはApache 2.0で、公開初日からSGLang、vLLM-Omni、ComfyUIに対応しています。モデルはMOSI API Platformでも販売されています。
MOSS-Imageは使う価値があるか？
MOSS-Imageは、オープンな画像モデルが苦手とする仕事、つまり計画したレイアウトの中の密なテキストのために作られています。ポスター、スライド、メニュー、インフォグラフィックでは、見出しをある場所に、説明文を別の場所に置き、言葉を正しく綴る必要があります。JSONのレイアウトの入力を使えば、プロンプトがそう読まれることを期待する代わりに、各項目のテキストとバウンディングボックスを明示できます。もう1つの魅力はライセンスです。Apache 2.0は別の契約なしに商用利用を認めており、Qwen-Image-2.1の研究用ライセンスはそうではありません。
証拠は売り文句より薄いものです。技術レポートでは、LongLongTextBenchでテキストのカバー率の平均が96.3%で、オープンウェイトのモデルの中で首位です。RealLayoutArenaではシステム全体で2位、すべての生成モデルに同じ強化したプロンプトを与えた場合には基幹部分が1位です。どちらのベンチマークもOpenMOSSが設計したものです。独立したアリーナのランキングはまだ見つからず、全般的な画質でQwen-Image-2.1やFLUX.3とどう比べられるかは確かめられていません。
ハードウェアの事情は、ダウンロードの大きさから受ける印象よりましです。SFTのリポジトリは約27 GBで、10.2 GBのTransformer、16.8 GBのテキストエンコーダー、VAEから成ります。プロジェクト自身の測定では、省メモリのモードで1024 x 1024の画像1枚を50ステップで生成したとき、GPUのピークは3.65 GiB、システムのRAMは14 GiBで、その代わり速度は落ちます。どのモードでも所要時間は公開され ていません。標準は50ステップで、それぞれTransformerを2回通すので速くはありません。コミュニティによる8ステップの蒸留版はありますが、公式ではありません。
エコシステムは素早くできあがりました。公開から17日以内にリポジトリのGitHubのスターは約2,500になり、コミュニティのプロジェクトがファインチューニング（KohakuMossTrainerは6 GBのVRAMでアダプターを学習できるとしています）、FP16の重み、そしてSFTモデルの縦方向の色の縞を減らすLoRAを加えました。この欠陥は採用を決める前に確かめておく価値があります。編集のモードはなく、テキストとレイアウトから画像を生成するだけです。
真価を発揮する場面
40店舗を展開する飲食チェーンのマーケティング業務責任者
正確な価格と料理名でメニューボードや販促ポスターを作る
テンプレートのスクリプトで各店舗のテキストとボックスの位置をJSONのレイアウトに入れ、1024 x 1024以上でレンダリングします。Apache 2.0なのでライセンスの交渉は不要です。テキストの精度はカバー率96.3%と報告されており100%ではないので、出力はすべて確認してください。
スライドやインフォグラフィックの生成ツールを作る開発者
LLMにレイアウトを計画させ、オープンなモデルに描かせる
同梱のプロンプト強化のスキルが依頼をモデルの読むレイアウトのJSONに変え、SGLangかvLLM-Omniで動かします。生成は50ステップになると見込むか、非公式のコミュニティによる8ステップの蒸留版を試してください。
上海のバイリンガルのデザインスタジオ
製品のビジュアルの中に長い中国語と英語のコピーを描く
プロンプトは4Kトークンまで書け、レポートでは長文の中国語と英語のテキストの描画を測定しています。省メモリのモードで一般向けのGPU 1枚でセルフホストするか、DiffSynth-StudioかKohakuMossTrainerで自社のスタイルをファインチューニングしてください。
導入前に確認すること
- 導入
- NVIDIAのGPUで、Python 3.10以降、PyTorch 2.9以降、Diffusers 0.38以降、Transformers 5.3以降を使います。カスタムのパイプラインはtrust_remote_codeで読み込みます。Gradioのアプリでメモリのプロファイルを選べ、ComfyUIはネイティブに対応しています。
- 連携
- Diffusers、ComfyUI、SGLang、vLLM-Omni、学習用のDiffSynth-Studio、プロンプトとレイアウトを強化するエージェント用のスキル。MOSI API Platformによるホスト版のアクセス。
- データとプライバシー
- Apache 2.0でセルフホストするので、プロンプトと画像は自分のハードウェアにとどまります。学習データは技術レポート以上には明細が示されていません。
- 大規模利用時のコスト
- 重みは無料です。セルフホストには約27 GBのディスクが必要で、プロジェクトによると省メモリのモードで最低3.65 GiBのGPUのメモリが要ります。生成の速度とMOSIのAPIの価格は公開されていません。
- 制限
- テキストから画像の生成のみで、編集はできません。画像の辺は16の倍数でなければならず、レイアウトのボックスは出力の大きさに合わせる必要があります。標準はCFG 3で50ステップで、コミュニティはSFTのチェックポイントの縦の縞を報告しています。
良い点
- JSONのレイアウトで各テキストブロックと物体の位置を決められる
- Apache 2.0で、商用利用が認められている
- プロジェクトによると、省メモリのモードでGPUのピークは3.65 GiB
- 公開初日からSGLang、vLLM-Omni、ComfyUIに対応
気になる点
- 見出しのスコアはOpenMOSSが作ったベンチマークによるもの
- ダウンロードは約27 GBで、標準は50ステップ
- コミュニティがSFTモデルの縦方向の色の縞を報告している
- 画像の編集ができず、APIの価格も公開されていない
おすすめの人
生成するグラフィックで読みやすい文字と制御された配置を必要とし、製品に使えるライセンスを求めるチーム。
MOSS-Imageの代替
MOSS-Image：よくある質問
- MOSS-Imageは使う価値があるか？
- 見た目よりも文字とその配置が重要な場面で試すべきオープンな画像モデルです。ただし品質の主張はいずれも、まだ開発元が作ったベンチマークに依拠しています。 評価は5点満点中3.8点です。
- MOSS-Imageの料金は？
- 商用利用を含めApache 2.0の無料のオープンウェイトです。ホスト版はMOSI API Platformにありますが、私たちが確認したページでは価格は公開されていません。
- MOSS-Imageの欠点は？
- 見出しのスコアはOpenMOSSが作ったベンチマークによるもの; ダウンロードは約27 GBで、標 準は50ステップ; コミュニティがSFTモデルの縦方向の色の縞を報告している; 画像の編集ができず、APIの価格も公開されていない.
- MOSS-Imageは誰に向いているか？
- 生成するグラフィックで読みやすい文字と制御された配置を必要とし、製品に使えるライセンスを求めるチーム。
- チームや本番環境でMOSS-Imageを使うと費用はいくらか？
- 重みは無料です。セルフホストには約27 GBのディスクが必要で、プロジェクトによると省メモリのモードで最低3.65 GiBのGPUのメモリが要ります。生成の速度とMOSIのAPIの価格は公開されていません。
- MOSS-Imageは企業データを扱っても安全か？
- Apache 2.0でセルフホストするので、プロンプトと画像は自分のハードウェアにとどまります。学習データは技術レポート以上には明細が示されていません。
- MOSS-Imageの代わりになるものは？
- 当サイトでレビューした中で最も近い代替はQwen-Image-2.1, FLUX 3 Image Klein 、 Z-Image-Turboです。
回答確認日：2026年11月2日