O que é MOSS-Image?
O MOSS-Image é um modelo de texto para imagem da OpenMOSS, o laboratório por trás dos modelos MOSS, lançado em 16 de outubro de 2026 em dois checkpoints: o MOSS-Image-Base e o MOSS-Image-SFT, um fine-tune com dados selecionados que é o que a maioria das pessoas vai rodar. Seu núcleo é um diffusion transformer de 5 bilhões de parâmetros treinado do zero, combinado com um encoder de texto Qwen3.5 e o pequeno decoder VAE do FLUX.2, e ele aceita prompts de até 4K tokens em inglês ou chinês.
Além de prompts simples e listas de tags, ele aceita um layout em JSON: uma legenda da cena mais uma lista de itens, cada um com uma descrição, um texto opcional a renderizar e uma bounding box em pixels. É assim que ele controla onde caem títulos, rótulos e objetos, algo que a maioria dos modelos abertos deixa ao acaso. O relatório técnico também descreve um melhorador de prompts agêntico que transforma um pedido curto em um layout desses; a OpenMOSS o distribui como uma skill de agente.
Pesos e código de inferência estão sob Apache 2.0, com suporte desde o primeiro dia no SGLang, no vLLM-Omni e no ComfyUI, e os modelos também são vendidos pela MOSI API Platform.
MOSS-Image vale a pena?
O MOSS-Image foi feito para uma tarefa que os modelos de imagem abertos fazem mal: texto denso em um layout planejado. Pôsteres, slides, cardápios e infográficos precisam de um título em um lugar, uma legenda em outro e as palavras escritas corretamente, e a entrada de layout em JSON permite declarar o texto e a bounding box de cada item, em vez de torcer para que o prompt seja lido desse jeito. A licença é o outro atrativo. A Apache 2.0 permite uso comercial sem acordo separado, o que a licença de pesquisa do Qwen-Image-2.1 não permite.
As evidências são mais escassas que o discurso. O relatório técnico marca 96,3% de cobertura média de texto no LongLongTextBench, o primeiro entre os modelos de pesos abertos, e coloca o sistema em segundo de ponta a ponta no RealLayoutArena, com o backbone em primeiro quando todos os geradores recebem os mesmos prompts melhorados. A OpenMOSS projetou os dois benchmarks. Ainda não encontramos nenhum ranking independente de arena, então não está estabelecido como ele se compara em qualidade geral de imagem com o Qwen-Image-2.1 ou o FLUX.3.
A questão do hardware é melhor do que o tamanho do download sugere. O repositório SFT tem cerca de 27 GB: um transformer de 10,2 GB, um encoder de texto de 16,8 GB e o VAE. A medição do próprio projeto no modo de pouca memória é de um pico de 3,65 GiB de GPU para uma imagem de 1024 x 1024 em 50 passos, com 14 GiB de RAM do sistema, ao custo da velocidade; não há tempos publicados para nenhum modo. O padrão é de 50 passos com duas passadas do transformer cada, então ele não é rápido, e existe uma destilação comunitária de 8 passos, mas não oficial.
O ecossistema se formou rápido. Em 17 dias após o lançamento o repositório tinha cerca de 2.500 estrelas no GitHub, e projetos comunitários acrescentaram fine-tuning (o KohakuMossTrainer afirma treinar adaptadores com 6 GB de VRAM), pesos em FP16 e uma LoRA para reduzir as faixas verticais de cor no modelo SFT, um defeito que vale verificar antes de se comprometer. Não há modo de edição: ele só gera imagens a partir de texto e layouts.
Onde ele se destaca
Um líder de operações de marketing em uma rede de restaurantes com 40 unidades
Produzir cardápios e pôsteres de promoções com preços e nomes de pratos exatos
Um script de modelo preenche um layout em JSON com o texto e as posições das caixas de cada unidade e renderiza em 1024 x 1024 ou maior. A Apache 2.0 dispensa negociação de licença; confira cada resultado, já que a precisão do texto é informada como 96,3% de cobertura, não 100%.
Um desenvolvedor construindo um gerador de slides e infográficos
Deixar um LLM planejar o layout e um modelo aberto desenhá-lo
A skill de melhoria de prompts incluída transforma um pedido no JSON de layout que o modelo lê, e o SGLang ou o vLLM-Omni o servem. Planeje gerações de 50 passos ou teste a destilação comunitária não oficial de 8 passos.
Um estúdio de design bilíngue em Xangai
Renderizar textos longos em chinês e inglês dentro de imagens de produtos
Os prompts vão até 4K tokens, e o relatório mede a renderização de textos longos em chinês e inglês. Hospede você mesmo em uma única GPU de consumo no modo de pouca memória, ou faça fine-tuning de um estilo da casa com o DiffSynth-Studio ou o KohakuMossTrainer.
Antes de decidir
- Configuração
- Python 3.10+, PyTorch 2.9+, Diffusers 0.38+ e Transformers 5.3+ em uma GPU NVIDIA; o pipeline personalizado carrega com trust_remote_code. Um app Gradio acrescenta perfis de memória, e o ComfyUI o suporta nativamente.
- Integrações
- Diffusers, ComfyUI, SGLang, vLLM-Omni, DiffSynth-Studio para treinamento e uma skill de agente para melhorar prompts e layouts; acesso hospedado pela MOSI API Platform.
- Dados e privacidade
- Auto-hospedado sob Apache 2.0, então prompts e imagens ficam no seu hardware. Os dados de treino não são detalhados além do relatório técnico.
- Custo em escala
- Pesos gratuitos. Auto-hospedar exige cerca de 27 GB de disco e, segundo o projeto, no mínimo 3,65 GiB de memória de GPU no modo de pouca memória; a velocidade de geração e os preços da MOSI API não são publicados.
- Limites
- Só texto para imagem, sem edição. Os lados da imagem precisam ser múltiplos de 16; as caixas do layout precisam corresponder ao tamanho da saída. O padrão é de 50 passos com CFG 3, e relatos da comunidade apontam faixas verticais no checkpoint SFT.
O que é bom
- Layouts em JSON definem a posição de cada bloco de texto e objeto
- Apache 2.0, uso comercial permitido
- Pico de 3,65 GiB de GPU no modo de pouca memória, segundo o projeto
- Suporte desde o primeiro dia no SGLang, vLLM-Omni e ComfyUI
O que não é
- As pontuações de destaque vêm de benchmarks construídos pela OpenMOSS
- Cerca de 27 GB para baixar; 50 passos por padrão
- A comunidade relata faixas verticais de cor no modelo SFT
- Sem edição de imagens; preços da API não publicados
Ideal para
Equipes que precisam de texto legível e posicionamento controlado em gráficos gerados e querem uma licença sob a qual possam lançar produtos.
Alternativas ao MOSS-Image
MOSS-Image: perguntas frequentes
- MOSS-Image vale a pena?
- O modelo de imagem aberto a experimentar quando as palavras e a posição delas importam mais que o visual, com todas as alegações de qualidade ainda apoiadas em benchmarks construídos pelos criadores. Damos nota 3.8 de 5.
- Quanto custa MOSS-Image?
- Pesos abertos gratuitos sob Apache 2.0, incluindo uso comercial. Uma versão hospedada está na MOSI API Platform; seus preços não são publicados nas páginas que verificamos.
- Quais são as desvantagens de MOSS-Image?
- As pontuações de destaque vêm de benchmarks construídos pela OpenMOSS; cerca de 27 GB para baixar; 50 passos por padrão; a comunidade relata faixas verticais de cor no modelo SFT; sem edição de imagens; preços da API não publicados.
- Para quem MOSS-Image é indicado?
- Equipes que precisam de texto legível e posicionamento controlado em gráficos gerados e querem uma licença sob a qual possam lançar produtos.
- Quanto custa MOSS-Image para uma equipe ou em produção?
- Pesos gratuitos. Auto-hospedar exige cerca de 27 GB de disco e, segundo o projeto, no mínimo 3,65 GiB de memória de GPU no modo de pouca memória; a velocidade de geração e os preços da MOSI API não são publicados.
- MOSS-Image é seguro para dados da empresa?
- Auto-hospedado sob Apache 2.0, então prompts e imagens ficam no seu hardware. Os dados de treino não são detalhados além do relatório técnico.
- Quais são as melhores alternativas ao MOSS-Image?
- As alternativas mais próximas que analisamos são Qwen-Image-2.1, FLUX 3 Image Klein e Z-Image-Turbo.
Respostas verificadas em 2 de nov. de 2026.