MOSS-Image خدام

MOSS-Image هو موديل لتوليد الصور من النصوص، مفتوح المصدر بتعاون بين 模思智能 و OpenMOSS. كيرتكز على بنية DiT فيها 5B ديال البرامترات، مع مشفّر نصوص Qwen3.5-9B مجمّد وFLUX.2 VAE، وبترخيص Apache-2.0. كيركّز MOSS-Image على حذف الصور المولّدة بالذكاء الاصطناعي من بيانات التدريب باش ينقص الإحساس ديال «طابع الذكاء الاصطناعي»، وكيدعم عرض النصوص الطويلة بالصينية والإنجليزية، والتحكم فالتخطيط باستعمال JSON Layout/Bounding Box، وبرومبتات حتى لـ4096 tokens. وكاينين فالإيكوسيستم ديالو تسريع بـ8 خطوات/4 خطوات، وكمّية INT8/GGUF، وLoRA بأنماط مختلفة.

توليد الصور من اللغة الطبيعية: دخل وصفاً باش تولّد صوراً واقعية بجودة عالية، أو أنمي، أو رسوم توضيحية وغيرها.
عرض النصوص بالصينية والإنجليزية: تحسين توليد النصوص الكثيفة والطويلة، مع الحفاظ قدر الإمكان على بنية التنسيق بحال فواصل الأسطر.
تحكم أصلي فالتخطيط: استعمل JSON باش تحدد summary وitems وtext وbbox، وتضبط مواضع العناوين والأجسام والنصوص.
دعم البرومبتات الطويلة: كيدعم حتى 4096 tokens، ومناسب للطلبات المعقدة اللي فيها عدة عناصر وعلاقات مكانية وزوايا تصوير وأنماط مختلفة.
الإيكوسيستم والنشر: كيوفّر مسارات Diffusers وGradio وComfyUI وSGLang وvLLM-Omni، مع حلول مشتقة للتسريع والكمّية وLoRA.

تابعونا فـWeChat وردّو بـ«开源» باش تنضمو لمجموعة مشاريع الذكاء الاصطناعي مفتوحة المصدر
بنية الموديل: كيعتمد على Transformer ديال الانتشار ذي مسار واحد، ومدرّب من الصفر، وبنية DiT الرئيسية فيها 5B. الشروط النصية كيستخرجها Qwen3.5-9B المجمّد، والمتغيرات الكامنة ديال الصور كيدير ليها FLUX.2 VAE الترميز وفك الترميز، وكيتم نمذجة المتغيرات النصية والصورية معاً داخل إطار انتشار موحّد.
التحكم فالتخطيط: كيتحوّل summary وcaption وitems وlabel وbbox إلى برومبت مهيكل. الإحداثيات كتستعمل نظام البكسلات abs_centralized وبصيغة yxyx، باش يولو الجسم والنص والموقع المكاني شروطاً واضحة، ومايبقاوش معتمدين غير على التلميح باللغة الطبيعية.
استراتيجية البيانات: قبل التدريب كيتدار حذف التكرار وانتقاء الجودة، وكتتحيد الصور المولّدة بالذكاء الاصطناعي، مع الحفاظ على تنوع الصور الحقيقية ووضع علامات لخصائص بحال العلامة المائية والضبابية، باش ينقص «طابع الذكاء الاصطناعي» وتتحسن طبيعية الصورة.
تحسين النصوص والبرومبتات الطويلة: كيركّز على مهام التصميم بحال الملصقات وصور التجارة الإلكترونية، وكيقوّي عرض النصوص الكثيفة والطويلة وإدخال شروط حتى 4096 tokens، باش تدخل التعليمات المعقدة ومحتوى النصوص والعلاقات المكانية فعملية التوليد فآن واحد.

وجد البيئة: استعمل Python 3.10+ وكارت NVIDIA GPU، وثبّت PyTorch المتوافق مع CUDA.
حمّل الكود: نفّذ git clone https://github.com/OpenMOSS/MOSS-Image.git ودخل للمجلد وأنشئ بيئة افتراضية.
ثبّت الاعتماديات: من بعد ما تفعّل البيئة، نفّذ pip install -r requirements.txt.
حمّل الموديل: استعمل Diffusers مع custom_pipeline="pipeline_moss_image" و trust_remote_code=True لتحميل أوزان Base/SFT.
ضبط الدقة: من الأحسن تستعمل bfloat16 مع DiT وfloat32 مع VAE، ومن بعد pipe.to("cuda").
توليد عادي للصور: دخل prompt باللغة الطبيعية، وحدد العرض والارتفاع وnum_inference_steps=50 وguidance_scale=3.0 وغيرها من المعاملات.
توليد بالتحكم فالتخطيط: كتب summary/items/bbox فـJSON واستعملو كـprompt باش تتحكم فمواضع النصوص والأجسام.
البرومبتات المعقدة: ملي كتكون الحاجة مفصلة، استعمل Prompt Enhancer باش توسّع الفكرة إلى caption مفصل أو Layout مهيكل.
الاستعمال مع ComfyUI: قلب على إضافة MOSS-Image فـComfyUI Manager وثبّتها، ومن بعد حمّل سير العمل النموذجي وشغّلو.
تحسين الاستعمال مع ذاكرة فيديو محدودة: إلا كانت الذاكرة ماكافياش، اختار INT8/GGUF/MLX أو تسريع 8 خطوات/4 خطوات، ولا فعّل استراتيجية التقسيم/تفريغ الذاكرة.

عرض النصوص LLTB: نسبة تغطية النصوص Mean-6 هي 96.3%، وهي الأولى بين الموديلات مفتوحة الأوزان المشاركة.
التحكم فالتخطيط 7Bench: mIoU لتحديد الأهداف هو 0.88، وAUC ديال التخطيط هو 0.70.
التقييم الأعمى للتصاميم الواقعية RLA: مع البرومبتات القصيرة، تقدير Elo هو 1698.70، فالمرتبة الثانية من بعد GPT Image 2؛ ومع مجموعة البرومبتات المحسّنة الموحدة، وصل Elo لـ1807.34، متقدماً على ERNIE Image وSenseNova U1.

صور طبيعية أكثر: حذف الصور المولّدة بالذكاء الاصطناعي من بيانات التدريب، وبالتالي نقص «طابع الذكاء الاصطناعي» والإحساس بالمبالغة فالصقل.
عرض قوي للنصوص: تحسين خاص للنصوص الصينية والإنجليزية الكثيفة والطويلة، مع تغطية LLTB Mean-6 وصلات لـ96.3%.
تخطيط قابل للتحكم: دعم JSON Layout وBounding Box لتحديد النصوص والأجسام والمواقع المكانية بوضوح.
مناسب للبرومبتات الطويلة: حتى 4096 tokens، ومناسب لوصف العناصر والعلاقات وزوايا التصوير والأنماط المعقدة.
خفيف وسهل التعديل: البنية الرئيسية 5B مناسبة للضبط الدقيق، وأوزان Apache-2.0 كتسرّع تطوير LoRA والموديلات المشتقة فالمجتمع.
مسارات متعددة للبدء: كيدعم Diffusers وGradio وComfyUI وSGLang وvLLM-Omni وAPI.
عملي فمجال التصميم: موجّه للملصقات وصور التجارة الإلكترونية ومهام التنسيق، ونتائج التقييم الأعمى ديالو قريبة من بعض الموديلات التجارية أو متفوقة عليها.

الموقع الرسمي للمشروع: https://openmoss.ai/MOSS-Image/
مستودع GitHub: https://github.com/OpenMOSS/MOSS-Image
مستودع الموديل على HuggingFace: https://huggingface.co/OpenMOSS-Team/MOSS-Image-SFT
https://huggingface.co/OpenMOSS-Team/MOSS-Image-Base
التقرير التقني: https://github.com/OpenMOSS/MOSS-Image/blob/main/paper/MOSS_Image_Technical_Report.pdf

تصميم الملصقات: استعمل JSON Layout لتثبيت مواضع العنوان والصورة الرئيسية والعناصر المساعدة، وولّد بسرعة ملصقات بتنسيق قابل للتحكم.
إنشاء صور التجارة الإلكترونية: حدّد مناطق المنتج والنصوص والعلامة السعرية والخلفية، وولّد تصاميم تسويقية مناسبة لصفحات التفاصيل والصور الرئيسية.
صور محتوى وسائل التواصل الاجتماعي: حوّل البرومبتات الطويلة إلى محتوى واقعي أو توضيحي منسجم مع هوية العلامة التجارية، للاستعمال فالحسابات الإخبارية والإعلانات وXiaohongshu.
إنشاء رسوم الأنمي: دمج LoRA بأنماط متعددة لتوليد الشخصيات والمشاهد والرسومات المفاهيمية، لخدمة محتوى الأنمي والكتب المصورة والتطوير البصري.
مواد التنسيق بالصينية والإنجليزية: معالجة مهام التصميم المحلي اللي فيها نصوص كثيفة، بحال القوائم وصفحات الفعاليات والملصقات وتعليمات التغليف.