MOSS-Image চালু আছে

MOSS-Image হলো 模思智能 ও OpenMOSS-এর যৌথভাবে ওপেন-সোর্স করা টেক্সট-টু-ইমেজ মডেল। এর মূল কাঠামোতে 5B প্যারামিটারের DiT ব্যাকবোন রয়েছে, যা একটি ফ্রোজেন Qwen3.5-9B টেক্সট এনকোডার এবং FLUX.2 VAE-এর সঙ্গে যুক্ত। ওজন Apache-2.0 লাইসেন্সের অধীনে প্রকাশিত। MOSS-Image প্রশিক্ষণ ডেটা থেকে AI-উৎপাদিত ছবি বাদ দিয়ে কৃত্রিমতার ছাপ কমানোর ওপর জোর দেয়। এটি চীনা ও ইংরেজি দীর্ঘ টেক্সট রেন্ডারিং, JSON Layout/Bounding Box লেআউট নিয়ন্ত্রণ এবং সর্বোচ্চ 4096 tokens-এর প্রম্পট সমর্থন করে। MOSS-Image-কে ঘিরে 8-ধাপ/4-ধাপের ত্বরান্বিতকরণ, INT8/GGUF কোয়ান্টাইজেশন এবং বিভিন্ন স্টাইলের LoRA-সহ একটি কমিউনিটি ইকোসিস্টেম গড়ে উঠেছে।

প্রাকৃতিক ভাষায় টেক্সট-টু-ইমেজ: বর্ণনা ইনপুট দিলে ফটোরিয়ালিস্টিক, অ্যানিমে, ইলাস্ট্রেশনসহ বিভিন্ন স্টাইলের ছবি তৈরি করা যায়।
চীনা ও ইংরেজি টেক্সট রেন্ডারিং: ঘন ও দীর্ঘ টেক্সট তৈরির জন্য অপ্টিমাইজ করা হয়েছে, যাতে লাইন ব্রেকসহ বিন্যাসের কাঠামো যতটা সম্ভব বজায় থাকে।
নেটিভ Layout নিয়ন্ত্রণ: JSON-এর মাধ্যমে summary, items, text এবং bbox নির্দিষ্ট করে শিরোনাম, বস্তু ও টেক্সটের অবস্থান নিয়ন্ত্রণ করা যায়।
দীর্ঘ Prompt সমর্থন: সর্বোচ্চ 4096 tokens সমর্থিত, তাই একাধিক বিষয়, স্থানিক সম্পর্ক, ক্যামেরা ও স্টাইল একসঙ্গে থাকা জটিল প্রয়োজনের জন্য উপযোগী।
ইকোসিস্টেম ও ডেপ্লয়মেন্ট: Diffusers, Gradio, ComfyUI, SGLang, vLLM-Omni-সহ বিভিন্ন পদ্ধতি রয়েছে; পাশাপাশি ত্বরান্বিতকরণ, কোয়ান্টাইজেশন ও LoRA-ভিত্তিক সম্প্রসারণও পাওয়া যায়।

WeChat-এ অনুসরণ করে “开源” লিখে উত্তর পাঠান, AI ওপেন-সোর্স প্রকল্পের আলোচনাগোষ্ঠীতে যোগ দিন
মডেল আর্কিটেকচার: শূন্য থেকে প্রি-ট্রেইন করা একটি সিঙ্গেল-স্ট্রিম ডিফিউশন Transformer ব্যবহার করা হয়েছে, যার মূল DiT ব্যাকবোন 5B। টেক্সট কন্ডিশন ফ্রোজেন Qwen3.5-9B থেকে বের করা হয়, আর ছবির ল্যাটেন্ট ভেরিয়েবল FLUX.2 VAE-এর মাধ্যমে এনকোড ও ডিকোড করা হয়। টেক্সট ও ছবির ল্যাটেন্ট ভেরিয়েবলকে একটি অভিন্ন ডিফিউশন কাঠামোর মধ্যে যৌথভাবে মডেল করা হয়।
লেআউট নিয়ন্ত্রণ: summary, caption, items, label এবং bbox-কে কাঠামোবদ্ধ প্রম্পটে কম্পাইল করা হয়। কো-অর্ডিনেট abs_centralized পিক্সেল-ভিত্তিক yxyx ফরম্যাটে ব্যবহৃত হয়, যাতে বস্তু, টেক্সট ও স্থানিক অবস্থান কেবল প্রাকৃতিক ভাষার ইঙ্গিতের ওপর নির্ভর না করে স্পষ্ট কন্ডিশনে পরিণত হয়।
ডেটা কৌশল: প্রশিক্ষণের আগে ডিডুপ্লিকেশন ও গুণমান যাচাই করা হয়, AI-উৎপাদিত ছবি বাদ দেওয়া হয় এবং বাস্তব ছবির বৈচিত্র্য বজায় রাখা হয়। ওয়াটারমার্ক, অস্পষ্টতা ইত্যাদি বৈশিষ্ট্যও চিহ্নিত করা হয়, ফলে “AI-এর ছাপ” কমে এবং ছবির স্বাভাবিকতা বাড়ে।
টেক্সট ও দীর্ঘ প্রম্পট অপ্টিমাইজেশন: পোস্টার, ই-কমার্স ইত্যাদি ডিজাইন কাজের জন্য ঘন/দীর্ঘ টেক্সট রেন্ডারিং এবং 4096 tokens কন্ডিশন ইনপুট উন্নত করা হয়েছে, যাতে জটিল নির্দেশনা, টেক্সটের বিষয়বস্তু ও স্থানিক সম্পর্ক একই সঙ্গে জেনারেশন প্রক্রিয়ায় প্রবেশ করতে পারে।

পরিবেশ প্রস্তুত করুন: Python 3.10+ ও NVIDIA GPU ব্যবহার করুন এবং CUDA-এর সঙ্গে সামঞ্জস্যপূর্ণ PyTorch ইনস্টল করুন।
কোড সংগ্রহ করুন: git clone https://github.com/OpenMOSS/MOSS-Image.git চালিয়ে ডিরেক্টরিতে প্রবেশ করুন এবং একটি ভার্চুয়াল পরিবেশ তৈরি করুন।
নির্ভরতা ইনস্টল করুন: পরিবেশ সক্রিয় করার পর pip install -r requirements.txt চালান।
মডেল লোড করুন: Diffusers-এ custom_pipeline="pipeline_moss_image" এবং trust_remote_code=True ব্যবহার করে Base/SFT ওজন লোড করুন।
নির্ভুলতা কনফিগার করুন: DiT-এর জন্য bfloat16 এবং VAE-এর জন্য float32 ব্যবহার করার পরামর্শ দেওয়া হয়, এরপর pipe.to("cuda") চালান।
সাধারণ ছবি তৈরি: প্রাকৃতিক ভাষার prompt দিন এবং width, height, num_inference_steps=50, guidance_scale=3.0 ইত্যাদি প্যারামিটার সেট করে ছবি তৈরি করুন।
লেআউটসহ ছবি তৈরি: summary/items/bbox-কে JSON হিসেবে লিখে prompt ইনপুট দিন, যাতে টেক্সট ও বস্তুর অবস্থান নিয়ন্ত্রণ করা যায়।
জটিল প্রম্পট: প্রয়োজন বিস্তারিত হলে Prompt Enhancer ব্যবহার করে ধারণাটিকে বিস্তারিত caption বা কাঠামোবদ্ধ Layout-এ সম্প্রসারিত করুন।
ComfyUI ব্যবহার: ComfyUI Manager-এ অনুসন্ধান করে MOSS-Image প্লাগইন ইনস্টল করুন, তারপর উদাহরণ ওয়ার্কফ্লো লোড করে চালান।
কম VRAM অপ্টিমাইজেশন: VRAM কম থাকলে INT8/GGUF/MLX, 8-ধাপ/4-ধাপ ত্বরান্বিতকরণ বেছে নিন অথবা টাইলিং/অফলোডিং কৌশল চালু করুন।

টেক্সট রেন্ডারিং LLTB: Mean-6 টেক্সট কভারেজ 96.3%, অংশগ্রহণকারী ওপেন-ওয়েট মডেলগুলোর মধ্যে প্রথম।
লেআউট নিয়ন্ত্রণ 7Bench: অবজেক্ট লোকালাইজেশন mIoU 0.88, লেআউট AUC 0.70।
বাস্তব ডিজাইন ব্লাইন্ড মূল্যায়ন RLA: সংক্ষিপ্ত প্রম্পট কন্ডিশনে Elo পয়েন্ট এস্টিমেট 1698.70, দ্বিতীয়; শুধু GPT Image 2-এর পরে। অভিন্নভাবে উন্নত প্রম্পট সেটে Elo 1807.34, ERNIE Image ও SenseNova U1-এর চেয়ে এগিয়ে।

আরও স্বাভাবিক ছবি: প্রশিক্ষণ ডেটা থেকে AI-উৎপাদিত ছবি বাদ দেওয়ায় “AI-এর ছাপ” ও অতিরিক্ত পরিশীলিত অনুভূতি কমে।
শক্তিশালী টেক্সট রেন্ডারিং: চীনা ও ইংরেজি ঘন/দীর্ঘ টেক্সটের জন্য অপ্টিমাইজ করা হয়েছে; LLTB Mean-6 কভারেজ 96.3%।
নিয়ন্ত্রিত লেআউট: JSON Layout ও Bounding Box সমর্থন করে, ফলে টেক্সট, বস্তু এবং স্থানিক অবস্থান স্পষ্টভাবে নির্দিষ্ট করা যায়।
দীর্ঘ Prompt-এর জন্য উপযোগী: সর্বোচ্চ 4096 tokens, জটিল বিষয়, সম্পর্ক, ক্যামেরা ও স্টাইলের বর্ণনার জন্য উপযুক্ত।
হালকা ও পরিবর্তনযোগ্য: 5B ব্যাকবোন সহজে ফাইন-টিউন করা যায়; Apache-2.0 ওজন কমিউনিটি LoRA ও ডেরিভেটিভ মডেল তৈরিতে সহায়তা করে।
একাধিক ব্যবহারের পথ: Diffusers, Gradio, ComfyUI, SGLang, vLLM-Omni এবং API সমর্থন করে।
ডিজাইন কাজে কার্যকর: পোস্টার, ই-কমার্স ছবি ও লেআউটভিত্তিক কাজের জন্য তৈরি; ব্লাইন্ড মূল্যায়নে কিছু বাণিজ্যিক মডেলের কাছাকাছি বা এগিয়ে।

প্রকল্পের ওয়েবসাইট：https://openmoss.ai/MOSS-Image/
GitHub রিপোজিটরি：https://github.com/OpenMOSS/MOSS-Image
HuggingFace মডেল রিপোজিটরি： https://huggingface.co/OpenMOSS-Team/MOSS-Image-SFT
https://huggingface.co/OpenMOSS-Team/MOSS-Image-Base
প্রযুক্তিগত গবেষণাপত্র：https://github.com/OpenMOSS/MOSS-Image/blob/main/paper/MOSS_Image_Technical_Report.pdf

পোস্টার ডিজাইন: JSON Layout ব্যবহার করে শিরোনাম, প্রধান ভিজ্যুয়াল ও সহায়ক উপাদানের অবস্থান নির্দিষ্ট করে দ্রুত লেআউট-নিয়ন্ত্রিত প্রচারপত্র তৈরি করুন।
ই-কমার্স ছবি তৈরি: পণ্য, বিজ্ঞাপনী লেখা, মূল্য ট্যাগ ও ব্যাকগ্রাউন্ডের অঞ্চল নির্ধারণ করে পণ্য বিবরণ পৃষ্ঠা ও প্রধান ছবির জন্য উপযোগী মার্কেটিং ভিজ্যুয়াল তৈরি করুন।
সোশ্যাল মিডিয়া কনটেন্টের ছবি: দীর্ঘ Prompt-কে ব্র্যান্ডের স্বরের সঙ্গে সামঞ্জস্যপূর্ণ বাস্তবধর্মী বা ইলাস্ট্রেশন কনটেন্টে রূপান্তর করে WeChat অফিসিয়াল অ্যাকাউন্ট, Xiaohongshu ও বিজ্ঞাপনী উপকরণে ব্যবহার করুন।
অ্যানিমে ইলাস্ট্রেশন তৈরি: বিভিন্ন স্টাইলের LoRA যুক্ত করে চরিত্র, দৃশ্য ও কনসেপ্ট স্কেচ তৈরি করুন; দ্বিমাত্রিক কনটেন্ট, ছবির বই ও ভিজ্যুয়াল ডেভেলপমেন্টে প্রয়োগ করুন।
চীনা ও ইংরেজি লেআউট উপকরণ: মেনু, ইভেন্ট পৃষ্ঠা, স্টিকার ও প্যাকেজিং নির্দেশনার মতো ঘন টেক্সটসমৃদ্ধ স্থানীয়করণ ডিজাইন কাজে ব্যবহার করুন।