MOSS-Image Faoliyat yuritmoqda

MOSS-Image — Mosi Intelligent va OpenMOSS tomonidan birgalikda ochiq kodda taqdim etilgan matndan tasvir yaratish modeli. Uning asosi 5B parametrli DiT yadrosi bo‘lib, muzlatilgan Qwen3.5-9B matn enkoderi va FLUX.2 VAE bilan birlashtirilgan; og‘irliklar Apache-2.0 litsenziyasi ostida taqdim etiladi. MOSS-Image o‘qitish ma’lumotlaridan sun’iy intellekt yaratgan tasvirlarni chiqarib tashlash orqali sun’iy ko‘rinishni kamaytirishga, xitoycha va inglizcha uzun matnlarni ko‘rsatishga, JSON Layout/Bounding Box orqali joylashuvni boshqarishga hamda uzunligi 4096 tokengacha bo‘lgan promptlarni qo‘llab-quvvatlashga e’tibor qaratadi. MOSS-Image 8 qadamli/4 qadamli tezlashtirish, INT8/GGUF kvantlash va turli uslubdagi LoRA kabi hamjamiyat ekotizimini rivojlantirmoqda.

Tabiiy tildan tasvir yaratish: tavsif kiritilganda fotorealistik, anime, illyustratsiya va boshqa uslubdagi tasvirlarni yaratadi.
Xitoycha va inglizcha matnlarni ko‘rsatish: zich va uzun matnlar generatsiyasini optimallashtirib, qatorlarga ajratish kabi maket tuzilmasini imkon qadar saqlaydi.
Mahalliy Layout boshqaruvi: sarlavha, obyekt va matn joylashuvini cheklash uchun summary, items, text va bbox maydonlarini JSON orqali belgilaydi.
Uzun promptlarni qo‘llab-quvvatlash: 4096 tokengacha bo‘lgan promptlarni qo‘llaydi; bir nechta obyekt, fazoviy munosabat, kamera va uslub birgalikda mavjud bo‘lgan murakkab talablar uchun mos.
Ekotizim va joylashtirish: Diffusers, Gradio, ComfyUI, SGLang, vLLM-Omni kabi yo‘llarni taqdim etadi, shuningdek tezlashtirish, kvantlash va LoRA hosilalarini qo‘llab-quvvatlaydi.

WeChat’da kuzatib boring va “开源” deb javob yuborib, AI ochiq kodli loyihalar guruhiga qo‘shiling
Model arxitekturasi: noldan oldindan o‘qitilgan bir oqimli diffuziya Transformer ishlatiladi; asosiy DiT yadrosi 5B parametrdan iborat. Matn shartlari muzlatilgan Qwen3.5-9B orqali olinadi, tasvirning latent o‘zgaruvchilari FLUX.2 VAE yordamida kodlanadi va dekodlanadi. Matn hamda tasvir latent o‘zgaruvchilari yagona diffuziya tizimida birgalikda modellashtiriladi.
Joylashuvni boshqarish: summary, caption, items, label va bbox tuzilmaviy promptga kompilyatsiya qilinadi. Koordinatalar abs_centralized piksel tizimi va yxyx formatidan foydalanadi, shu bilan obyektlar, matn va fazoviy joylashuv faqat tabiiy til ishorasiga tayanmaydigan aniq shartlarga aylanadi.
Ma’lumotlar strategiyasi: o‘qitishdan oldin takroriy ma’lumotlar olib tashlanadi va sifat saralovi amalga oshiriladi, AI yaratgan tasvirlar chiqarib tashlanadi, haqiqiy tasvirlar xilma-xilligi saqlanadi. Shuningdek, suv belgisi va xiralik kabi xususiyatlar belgilanib, “AI ta’mi” kamaytiriladi va tasvirning tabiiyligi oshiriladi.
Matn va uzun promptlarni optimallashtirish: posterlar, elektron tijorat kabi dizayn vazifalari uchun zich/uzun matnlarni ko‘rsatish hamda 4096 tokenli shartli kirishni kuchaytiradi, natijada murakkab ko‘rsatmalar, matn mazmuni va fazoviy munosabatlar generatsiya jarayoniga bir vaqtning o‘zida kiritiladi.

Muhitni tayyorlash: Python 3.10+ va NVIDIA GPU’dan foydalaning, CUDA versiyasiga mos PyTorch’ni o‘rnating.
Kodni yuklab olish: git clone https://github.com/OpenMOSS/MOSS-Image.git buyrug‘ini bajaring, katalogga kirib virtual muhit yarating.
Bog‘liqliklarni o‘rnatish: muhitni faollashtirgach, pip install -r requirements.txt buyrug‘ini bajaring.
Modelni yuklash: Diffusers yordamida custom_pipeline="pipeline_moss_image" va trust_remote_code=True sozlamalari bilan Base/SFT og‘irliklarini yuklang.
Aniqlikni sozlash: DiT uchun bfloat16, VAE uchun float32 ishlatish, so‘ng pipe.to("cuda") ni bajarish tavsiya etiladi.
Oddiy tasvir yaratish: tabiiy tildagi promptni kiriting, kenglik va balandlik, num_inference_steps=50, guidance_scale=3.0 kabi parametrlarni belgilab tasvir yarating.
Layout asosida tasvir yaratish: matn va obyektlar joylashuvini boshqarish uchun summary/items/bbox ma’lumotlarini JSON ko‘rinishida yozib, prompt sifatida kiriting.
Murakkab promptlar: talablar batafsil bo‘lsa, g‘oyani batafsil caption yoki tuzilmaviy Layout’ga kengaytirish uchun Prompt Enhancer’dan foydalaning.
ComfyUI’dan foydalanish: ComfyUI Manager’da MOSS-Image plaginini qidiring va o‘rnating, so‘ng namunaviy ish jarayonini yuklab ishga tushiring.
Video xotirasi kam bo‘lsa: xotira yetishmaganda INT8/GGUF/MLX yoki 8 qadamli/4 qadamli tezlashtirishni tanlang, yoxud bloklarga bo‘lib qayta ishlash/offload strategiyasini yoqing.

Matnni ko‘rsatish LLTB: Mean-6 matn qamrovi 96.3% bo‘lib, baholangan ochiq og‘irlikli modellar orasida birinchi o‘rinda.
Joylashuvni boshqarish 7Bench: obyektni aniqlash mIoU 0.88, Layout AUC 0.70.
Haqiqiy dizayn bo‘yicha ko‘r-ko‘rona baholash RLA: qisqa prompt sharoitida Elo bahosi 1698.70 bo‘lib, GPT Image 2’dan keyin ikkinchi o‘rinda; bir xil kuchaytirilgan promptlar guruhida Elo 1807.34 ga yetib, ERNIE Image va SenseNova U1’dan oldinda.

Tasvir tabiiyroq: o‘qitish ma’lumotlaridan AI yaratgan tasvirlar chiqarib tashlanib, “AI ta’mi” va ortiqcha sayqallangan ko‘rinish kamaytiriladi.
Matnni ko‘rsatish kuchli: xitoycha va inglizcha zich/uzun matnlar uchun optimallashtirilgan, LLTB Mean-6 qamrovi 96.3% ga yetadi.
Layout boshqariladigan: JSON Layout va Bounding Box’ni qo‘llab-quvvatlaydi, matn, obyekt va fazoviy joylashuvni aniq belgilash imkonini beradi.
Uzun promptlar uchun qulay: 4096 tokengacha bo‘lgan promptlarni qo‘llab-quvvatlaydi, murakkab obyektlar, munosabatlar, kamera va uslub tavsiflari uchun mos.
Yengil va o‘zgartirish oson: 5B yadro nozik sozlashni qulaylashtiradi, Apache-2.0 og‘irliklari hamjamiyat LoRA’lari va hosila modellarini tezlashtiradi.
Foydalanish yo‘llari ko‘p: Diffusers, Gradio, ComfyUI, SGLang, vLLM-Omni va API’ni qo‘llab-quvvatlaydi.
Dizayn vazifalari uchun amaliy: posterlar, elektron tijorat tasvirlari va maketga oid vazifalarga mo‘ljallangan; ko‘r-ko‘rona baholashda ayrim tijoriy modellar bilan yaqin yoki ulardan yuqori natija ko‘rsatadi.

Loyiha rasmiy sayti: https://openmoss.ai/MOSS-Image/
GitHub repozitoriysi: https://github.com/OpenMOSS/MOSS-Image
HuggingFace model kutubxonasi: https://huggingface.co/OpenMOSS-Team/MOSS-Image-SFT
https://huggingface.co/OpenMOSS-Team/MOSS-Image-Base
Texnik maqola: https://github.com/OpenMOSS/MOSS-Image/blob/main/paper/MOSS_Image_Technical_Report.pdf

Poster dizayni: sarlavha, asosiy vizual va yordamchi elementlar joylashuvini JSON Layout orqali belgilab, maketi boshqariladigan reklama posterlarini tez yaratish.
Elektron tijorat tasvirlarini tayyorlash: mahsulot, matn, narx yorlig‘i va fon hududlarini cheklab, mahsulot sahifasi hamda asosiy tasvir uchun mos marketing vizuallarini yaratish.
Ijtimoiy tarmoqlar uchun kontent tasvirlari: uzun promptni brend uslubiga mos realistik yoki illyustrativ kontentga aylantirib, rasmiy akkauntlar, Xiaohongshu va reklama materiallarida foydalanish.
Anime illyustratsiyalari yaratish: turli uslubdagi LoRA’lar bilan personajlar, sahnalar va konsept eskizlarini yaratib, anime, rasmli kitoblar va vizual ishlab chiqishga xizmat qilish.
Xitoycha va inglizcha maket materiallari: menyu, tadbir sahifasi, stiker va qadoq yo‘riqnomalari kabi zich matnli mahalliylashtirilgan dizayn vazifalarini bajarish.