OpenMOSS выпустила открытую модель, которая специализируется на двух вещах, где открытые веса традиционно проигрывали: плотный текст в кадре и управляемая раскладка по JSON. Разбираем, что подтверждается документацией, а что пока только заявкой авторов.
MOSS-Image — открытая модель генерации изображений на 5 млрд параметров с лицензией Apache-2.0, опубликованная 11 октября 2026 года. Её сильная сторона — не фотореализм, а информационно плотные картинки: постеры, инфографика, скриншоты-подделки, где нужно аккуратно вписать длинный текст и расположить объекты по заданным рамкам.
MOSS-Image — текст-в-картинку модель от команды OpenMOSS (проект MOSI). Архитектура описана в техническом отчёте как 5-миллиардный single-stream диффузионный трансформер, обученный с нуля по собственной рецептуре. Отдельно авторы подчёркивают двуязычность: модель целенаправленно учили рендерить длинные надписи на английском и китайском, включая рукописные и «маркерные» шрифты.
Целевая аудитория понятна: те, кто делает постеры, обложки, карточки товаров и инфографику с большим количеством надписей, и кому важно держать пайплайн локально. Это не замена Midjourney для художественных задач — в первую очередь это инструмент «текст плюс вёрстка».
Интересная деталь конвейера — асимметрия по типам данных: диффузор и энкодер работают в bfloat16, а VAE и начальный шум остаются во float32. В официальном примере это задано словарём типов, и это не стилистическая прихоть: при переводе декодера в bf16 появляются цветовые артефакты.
Второй нюанс — двойной проход на шаг. При CFG 3 модель считает условную и негативную ветки, то есть трансформер прогоняется дважды. Авторы предлагают компромисс: пропускать негативную ветку на 22-м слое, причём слои 22, 24 и 26 заявлены как дающие лучшее качество, а не только экономию.
OpenMOSS выложила две точки: Base и SFT. Base — «сырая» модель без дистилляции параметров инференса; авторы прямо пишут, что сохранили обучающий сигнал целиком, чтобы сообществу было проще тренировать LoRA. Обратная сторона: настройки приходится подбирать самому. SFT — дообученная версия, которая лучше держит группировку текста и раскладку блоков; в примере с доской и стикерами разница видна сразу.
| Критерий | MOSS-Image-Base | MOSS-Image-SFT |
|---|---|---|
| Назначение | База для файнтюнов и LoRA | Готовые картинки «из коробки» |
| Дистилляция CFG | Нет, сохранён обучающий сигнал | Есть, настройки прощают больше |
| Текст в кадре | Хорошо, но требует подбора | Заметно аккуратнее группирует |
| Размер весов | 10,2 ГБ (bf16) | 10,2 ГБ (bf16) |
| Загрузки HF | 3 558 | 4 547 |
| Лайки HF | 442 | 508 |
Главная фича модели — управление вёрсткой кадра. Поддерживаются три формата промпта: обычный текст, последовательность тегов и JSON с описанием сцены и списком объектов. В третьем варианте каждый элемент получает тип (text или object), описание и рамку; содержимое надписи задаётся отдельным полем.
{
"summary": {"caption": "Travel poster, cream background, blue mountains; title EXPLORE on top"},
"items": [
{"label": "text", "text": "EXPLORE", "caption": "Large dark-blue uppercase title",
"bbox": [-416, -384, -288, 384]},
{"label": "object", "caption": "Flat blue mountain illustration",
"bbox": [-192, -288, 384, 288]}
],
"bbox_format": "yxyx",
"bbox_coord_space": "abs_centralized"
}| Формат | Что задаёт | Когда удобен |
|---|---|---|
| Обычный текст | Сцену и надписи в свободной форме | Быстрые пробы, художественные кадры |
| Теги | Стиль и состав по категориям | Воспроизводимость, привычка из SD-экосистемы |
| JSON-раскладка | Позиции, типы и текст элементов | Постеры, инфографика, обложки |
Сравнивать «на глаз» мы не стали — картинок в открытом доступе достаточно, но без единой методики это вкусовщина. Вместо этого смотрим проверяемые величины: загрузки весов на Hugging Face, лицензию, наличие нативной поддержки в ComfyUI и заявленную специализацию. Загрузки — грубый, но честный индикатор интереса сообщества.
| Модель | Параметры | Лицензия | Загрузки | Сильная сторона |
|---|---|---|---|---|
| MOSS-Image-SFT | 5,1 млрд | Apache-2.0 | 4,5 тыс. | Длинный текст, JSON-раскладка |
| FLUX.3 klein | н/д | см. карточку | 78,9 тыс. | Фотореализм, зрелая экосистема |
| Qwen-Image-2.1 | н/д | см. карточку | 185,0 тыс. | Универсальность, поддержка сообщества |
| Qwen-Image-2.1 Turbo | н/д | см. карточку | 27,7 тыс. | Скорость генерации |
| Kromoss | 5,1 млрд | Apache-2.0 | 5,4 тыс. | Сторонний финтюн на базе MOSS |
Полный bf16-набор — 29,7 ГБ, из которых две трети приходится на текст-энкодер. Компактная сборка для ComfyUI (int8-диффузор плюс 4-битный энкодер Qwen) ужимается до 13,0 ГБ, при этом VAE остаётся прежним. Именно наличие официальных single-file весов с квантами и объясняет, почему набор для ComfyUI скачали почти миллион раз: люди заходят не через Python, а через привычный граф.
| Способ | Что нужно | Стоимость | Кому |
|---|---|---|---|
| Своё железо (Python) | GPU, 13–30 ГБ под веса | 0 ₽ за модель | Автоматизация, пакетная генерация |
| ComfyUI локально | GPU + master/nightly | 0 ₽ за модель | Постеры и обложки руками |
| Gradio-демо OpenMOSS | Только браузер | бесплатно | Проба до установки |
| API-платформа MOSI | Ключ платформы | уточняйте | Без своего GPU |
| Задача | Стоит ли брать | Почему |
|---|---|---|
| Постеры и обложки с надписями | да | Ровно тот сценарий, под который модель учили |
| Инфографика и «скриншоты» | да | JSON-раскладка держит структуру |
| Художественные портреты | скорее нет | Фотореализм уступает FLUX и SD |
| Пайплайн без интернета | да | Apache-2.0 и локальные веса |
| Свои стили на LoRA | да | Base + KohakuMossTrainer, есть готовый LoRA-пример |
| Русские надписи в кадре | осторожно | Язык не в фокусе обучения |
Экосистема вокруг модели растёт быстро, и это лучший индикатор жизнеспособности. 18 октября 2026 года вышел KohakuMossTrainer — сторонний тренер с полным файнтюном и LyCORIS (включая LoRA) для Base и SFT. В официальном наборе уже есть LoRA управления глубиной цвета на 313 МБ, а в сообществе появились собственные финтюны — например Kromoss от lodestones, опубликованный 19 октября и набравший 5,4 тыс. загрузок за двое суток.
Для сравнения: оригинальные веса SFT набрали 4,5 тыс. загрузок за десять дней. То есть один удачный community-финтюн за два дня обогнал оригинал — типичная картина для моделей с разрешительной лицензией, и хороший сигнал, что модель не останется без экосистемы.