Китайская 5B-модель MOSS-Image собрала 1,3 млн загрузок за 4 дня
Китайская 5B-модель MOSS-Image собрала 1,3 млн загрузок за 4 дня 💡 Китайская команда OpenMOSS совместно с Mosi Intelligence выпустила открытую модель генерации изображений MOSS-Image, которая мгновенно завоевала популярность в зарубежных AI-сообществах. За первые 4 дня модель собрала 1,3 млн загрузок на Hugging Face, включая репозиторий Comfy-Org, а также 1,4k звёзд на GitHub. Она быстро возглавила тренды в категории «текст в изображение» и вошла в топ общих рейтингов. Разработчики ComfyUI, такие как Ostris, отмечают, что естественность кадров MOSS-Image объясняется тем, что команда исключила синтетические AI-изображения из обучающих данных, устранив характерный «цифровой глянец» и «ChatGPT-стиль», присущие многим конкурентам. ⚡ Технически MOSS-Image построена на архитектуре Single-stream Diffusion Transformer (DiT) с 5 млрд параметров, обученной с нуля. В качестве текстового энкодера используется замороженная модель Qwen3.5-9B, а для обработки латентных переменных изображения — FLUX.2 VAE. Обучение проводилось на отечественной вычислительной платформе PPU, что стало важным практическим опытом адаптации больших моделей под различные архитектурные решения. Ключевым преимуществом модели является её способность точно рендерить текст и управлять компоновкой сцены, что критически важно для создания постеров и коммерческой графики. 🤔 В бенчмарке Long Long Text Benchmark (LLTB) MOSS-Image показала 96,3% покрытия текста (Mean-6), заняв первое место среди открытых моделей. Для контроля композиции разработчики внедрили структурированный вход JSON Layout, позволяющий через Bounding Box точно позиционировать объекты и текст. В тесте 7Bench модель достигла mIoU 0,88 для локализации объектов и AUC 0,70 для оценки компоновки. Кроме того, MOSS-Image поддерживает промпты длиной до 4096 токенов, что позволяет детально описывать сложные сцены с множеством элементов и пространственных связей. 📌 Что это значит на практике: MOSS-Image решает главную боль дизайнеров — нечитаемый текст и хаотичную композицию. Благодаря поддержке длинных промптов и JSON-раскладке, модель превращается из инструмента для абстрактного искусства в рабочий инструмент для создания макетов, где важна точность размещения элементов. 🚀 Сообщество уже активно оптимизирует модель: появились 8-шаговые (DMD) и 4-шаговые (Rapid-MOSS) версии для ускорения генерации, а также квантованные INT8 и GGUF форматы. Разработчики SGLang и vLLM-Omni обеспечили поддержку с первого дня, а API уже доступен на платформе Mosi. За 4 дня до релиза модели компания Mosi Intelligence объявила о завершении раунда Pre-A на сумму более 1 млрд юаней, привлечённом при участии Huakong Fund и других инвесторов. В первой половине 2026 года команда уже выпустила более 20 моделей, включая MOSS-TTS (3 млн загрузок) и MOSS-VL, а в планах — запуск системы реального времени MOSS-Live и обновления MOSS-TTS 2.0. Перевод и адаптация: AI Lab. Источник: QbitAI (量子位), https://www.qbitai.com/2026/10/504930.html #AI #ImageGeneration #OpenSource #MOSS-Image #LLM #TechNews