MOSS-Image آپریشن میں

MOSS-Image مو سی اس انٹیلیجنس اور OpenMOSS کی جانب سے مشترکہ طور پر اوپن سورس کیا گیا ٹیکسٹ ٹو امیج ماڈل ہے۔ اس کا بنیادی ڈھانچہ 5B پیرامیٹرز پر مشتمل DiT ہے، جس کے ساتھ منجمد Qwen3.5-9B ٹیکسٹ انکوڈر اور FLUX.2 VAE شامل ہیں۔ اس کے وزن Apache-2.0 لائسنس کے تحت جاری کیے گئے ہیں۔ MOSS-Image کی تربیتی ڈیٹا سے AI کی تیار کردہ تصاویر نکال دی گئی ہیں تاکہ مصنوعی پن کم ہو۔ یہ چینی اور انگریزی طویل متن کی رینڈرنگ، JSON Layout/Bounding Box کے ذریعے لے آؤٹ کنٹرول، اور زیادہ سے زیادہ 4096 tokens کے پرامپٹس کو سپورٹ کرتا ہے۔ MOSS-Image نے 8-step/4-step ایکسیلیریشن، INT8/GGUF کوانٹائزیشن اور متعدد اسٹائلز کے LoRA سمیت کمیونٹی ایکو سسٹم کو فروغ دیا ہے۔

قدرتی زبان سے ٹیکسٹ ٹو امیج: وضاحت فراہم کرنے پر فوٹو ریئلسٹک، اینیمی، عکاسی اور دیگر اسٹائلز کی تصاویر تیار کی جا سکتی ہیں۔
چینی اور انگریزی متن کی رینڈرنگ: کثیف اور طویل متن کی تخلیق کو بہتر بناتا ہے اور لائن بریک سمیت لے آؤٹ کے ڈھانچے کو حتی الامکان برقرار رکھتا ہے۔
مقامی Layout کنٹرول: JSON کے ذریعے summary، items، text اور bbox متعین کر کے عنوان، اشیا اور متن کی پوزیشن کو محدود کیا جا سکتا ہے۔
طویل Prompt سپورٹ: زیادہ سے زیادہ 4096 tokens کو سپورٹ کرتا ہے، جو متعدد موضوعات، مکانی تعلقات، کیمرہ اور اسٹائل پر مشتمل پیچیدہ ضروریات کے لیے موزوں ہے۔
ایکو سسٹم اور تعیناتی: Diffusers، Gradio، ComfyUI، SGLang اور vLLM-Omni سمیت متعدد طریقے فراہم کرتا ہے، جبکہ ایکسیلیریشن، کوانٹائزیشن اور LoRA پر مبنی توسیعات بھی دستیاب ہیں۔

WeChat پر فالو کریں اور “开源” کا جواب دے کر AI اوپن سورس پروجیکٹس کے گروپ میں شامل ہوں
ماڈل آرکیٹیکچر: صفر سے پری ٹرین کیا گیا سنگل فلو ڈفیوژن Transformer استعمال کرتا ہے، جس کا بنیادی DiT ڈھانچہ 5B پیرامیٹرز پر مشتمل ہے۔ ٹیکسٹ کنڈیشن منجمد Qwen3.5-9B سے حاصل کی جاتی ہے، جبکہ تصویری latent متغیرات FLUX.2 VAE کے ذریعے انکوڈ اور ڈیکوڈ ہوتے ہیں۔ ٹیکسٹ اور تصویری latent متغیرات کو متحدہ ڈفیوژن فریم ورک میں مشترکہ طور پر ماڈل کیا جاتا ہے۔
لے آؤٹ کنٹرول: summary، caption، items، label اور bbox کو ساختی پرامپٹ میں کمپائل کرتا ہے۔ کوآرڈینیٹس abs_centralized پکسل اور yxyx فارمیٹ استعمال کرتے ہیں، تاکہ اشیا، متن اور مکانی پوزیشنیں صرف قدرتی زبان کے اشاروں پر منحصر رہنے کے بجائے واضح شرائط بن جائیں۔
ڈیٹا حکمت عملی: تربیت سے پہلے ڈپلی کیٹ ختم کرنے اور معیار کی جانچ کے مراحل انجام دیے جاتے ہیں، AI سے تیار کردہ تصاویر نکال دی جاتی ہیں، حقیقی تصاویر کا تنوع برقرار رکھا جاتا ہے، اور واٹرمارک، دھندلاپن جیسی خصوصیات کو لیبل کیا جاتا ہے، جس سے “AI پن” کم اور تصویر کی فطری کیفیت بہتر ہوتی ہے۔
متن اور طویل پرامپٹ کی اصلاح: پوسٹرز، ای کامرس اور دیگر ڈیزائن کاموں کے لیے کثیف/طویل متن کی رینڈرنگ اور 4096 tokens کے کنڈیشنل ان پٹ کو بہتر بناتا ہے، تاکہ پیچیدہ ہدایات، متنی مواد اور مکانی تعلقات بیک وقت تخلیق کے عمل میں شامل ہو سکیں۔

ماحول تیار کریں: Python 3.10+ اور NVIDIA GPU استعمال کریں، اور CUDA سے مطابقت رکھنے والا PyTorch انسٹال کریں۔
کوڈ حاصل کریں: git clone https://github.com/OpenMOSS/MOSS-Image.git چلائیں، پھر ڈائریکٹری میں جا کر ورچوئل ماحول بنائیں۔
انحصارات انسٹال کریں: ماحول فعال کرنے کے بعد pip install -r requirements.txt چلائیں۔
ماڈل لوڈ کریں: Diffusers کے ذریعے custom_pipeline="pipeline_moss_image" اور trust_remote_code=True استعمال کرتے ہوئے Base/SFT وزن لوڈ کریں۔
درستگی کی ترتیب: DiT کے لیے bfloat16 اور VAE کے لیے float32 تجویز کیا جاتا ہے، پھر pipe.to("cuda") چلائیں۔
عام تصویر سازی: قدرتی زبان کا prompt فراہم کریں، چوڑائی، اونچائی، num_inference_steps=50، guidance_scale=3.0 اور دیگر پیرامیٹرز طے کر کے تصویر بنائیں۔
لے آؤٹ کے ساتھ تصویر سازی: summary/items/bbox کو JSON میں لکھ کر prompt کے طور پر فراہم کریں تاکہ متن اور اشیا کی پوزیشن کنٹرول ہو سکے۔
پیچیدہ پرامپٹس: تفصیلی ضروریات کی صورت میں Prompt Enhancer استعمال کر کے خیال کو تفصیلی caption یا ساختی Layout میں تبدیل کریں۔
ComfyUI کا استعمال: ComfyUI Manager میں MOSS-Image پلگ اِن تلاش کر کے انسٹال کریں، پھر نمونہ ورک فلو لوڈ کر کے چلائیں۔
کم VRAM کی اصلاح: میموری کم ہونے پر INT8/GGUF/MLX یا 8-step/4-step ایکسیلیریشن منتخب کریں، یا ٹائلنگ/آف لوڈنگ حکمت عملی فعال کریں۔

ٹیکسٹ رینڈرنگ LLTB: Mean-6 ٹیکسٹ کوریج 96.3% ہے، جو شامل کیے گئے اوپن ویٹ ماڈلز میں پہلے نمبر پر ہے۔
لے آؤٹ کنٹرول 7Bench: ہدف کی تعیین mIoU 0.88 اور لے آؤٹ AUC 0.70 ہے۔
حقیقی ڈیزائن بلائنڈ اسیسمنٹ RLA: مختصر پرامپٹ کی شرط میں Elo کا تخمینہ 1698.70 ہے، جو GPT Image 2 کے بعد دوسرے نمبر پر ہے؛ یکساں طور پر بہتر کیے گئے پرامپٹس کے گروپ میں Elo 1807.34 ہے، جو ERNIE Image اور SenseNova U1 سے آگے ہے۔

زیادہ فطری تصاویر: تربیتی ڈیٹا سے AI کی تیار کردہ تصاویر نکال دی گئی ہیں، جس سے “AI پن” اور حد سے زیادہ نفاست کا احساس کم ہوتا ہے۔
مضبوط ٹیکسٹ رینڈرنگ: چینی اور انگریزی کثیف/طویل متن کے لیے بہتر بنایا گیا ہے، اور LLTB Mean-6 کوریج 96.3% تک پہنچتی ہے۔
قابلِ کنٹرول لے آؤٹ: JSON Layout اور Bounding Box کو سپورٹ کرتا ہے، جس سے متن، اشیا اور مکانی پوزیشن واضح طور پر متعین کی جا سکتی ہے۔
طویل Prompt کے لیے موزوں: زیادہ سے زیادہ 4096 tokens، جو پیچیدہ موضوعات، تعلقات، کیمرہ اور اسٹائل کی وضاحت کے لیے موزوں ہے۔
ہلکا اور آسانی سے تبدیل ہونے والا: 5B بنیادی ڈھانچہ فائن ٹیوننگ کے لیے موزوں ہے، جبکہ Apache-2.0 وزن کمیونٹی LoRA اور مشتق ماڈلز کی تیاری کو تیز کرتے ہیں۔
استعمال کے متعدد طریقے: Diffusers، Gradio، ComfyUI، SGLang، vLLM-Omni اور API کو سپورٹ کرتا ہے۔
ڈیزائن کے لیے عملی: پوسٹر، ای کامرس تصاویر اور لے آؤٹ پر مبنی کاموں کے لیے موزوں ہے، اور بلائنڈ اسیسمنٹ میں بعض تجارتی ماڈلز کے قریب یا ان سے بہتر کارکردگی دکھاتا ہے۔

پروجیکٹ کی ویب سائٹ：https://openmoss.ai/MOSS-Image/
GitHub ریپوزٹری：https://github.com/OpenMOSS/MOSS-Image
HuggingFace ماڈل ریپوزٹری： https://huggingface.co/OpenMOSS-Team/MOSS-Image-SFT
https://huggingface.co/OpenMOSS-Team/MOSS-Image-Base
تکنیکی مقالہ：https://github.com/OpenMOSS/MOSS-Image/blob/main/paper/MOSS_Image_Technical_Report.pdf

پوسٹر ڈیزائن: JSON Layout کے ذریعے عنوان، مرکزی منظر اور معاون عناصر کی پوزیشن مقرر کر کے تیزی سے قابلِ کنٹرول لے آؤٹ والے تشہیری پوسٹر بنائیں۔
ای کامرس تصاویر کی تیاری: مصنوعات، متن، قیمت کے لیبل اور پس منظر کے علاقوں کو محدود کر کے پروڈکٹ تفصیلات اور مرکزی تصاویر کے لیے موزوں مارکیٹنگ ویژول بنائیں۔
سوشل میڈیا کے لیے تصاویر: طویل Prompt کو برانڈ کے مزاج سے ہم آہنگ حقیقت پسندانہ یا عکسی مواد میں تبدیل کریں، جسے WeChat آفیشل اکاؤنٹس، Xiaohongshu اور اشتہاری مواد میں استعمال کیا جا سکے۔
اینیمی عکاسی کی تخلیق: متعدد اسٹائلز کے LoRA کے ساتھ کردار، مناظر اور تصوراتی خاکے بنائیں، جو anime، تصویری کتابوں اور بصری ڈیولپمنٹ کے لیے موزوں ہیں۔
چینی اور انگریزی لے آؤٹ مواد: مینو، ایونٹ پیجز، اسٹیکرز اور پیکیجنگ ہدایات سمیت کثیف متن والے مقامی ڈیزائن کے کام انجام دیں۔