Introduzione a MOSS‑Image
MOSS‑Image è un modello open weight da 5 miliardi di parametri capace di trasformare un testo in immagine, consentendo di specificare esattamente dove posizionare scritte e oggetti tramite un prompt JSON con coordinate. Il 16 ottobre 2026 OpenMOSS ha pubblicato due versioni con licenza Apache 2.0, una per la generazione immediata (SFT) e una per il fine‑tuning (Base).
Il modello non è il solito generatore che “sbaglia le lettere sui cartelli”. Il suo obiettivo è risolvere due problemi ancora aperti nei modelli open weight: la resa di testo lungo all’interno dell’immagine e la composizione di layout complessi.
Distribuzione e licenza
OpenMOSS ospita il codice su GitHub e i checkpoint su Hugging Face, dove è possibile scaricare gratuitamente i pesi. Il report tecnico pubblicato su arXiv, firmato da MOSI.AI, descrive l’architettura e i benchmark introdotti per valutare le capacità del modello.
Entrambe le versioni sono rilasciate con licenza Apache 2.0, che permette l’uso commerciale a condizione di rispettare le clausole della licenza stessa. Il codice della pipeline su GitHub è soggetto alla stessa licenza, ma è consigliabile leggere attentamente il file LICENSE prima di un utilizzo a pagamento.
Come funziona il prompt
Il punto di forza di MOSS‑Image è il modo di scrivere il prompt. Oltre alla descrizione in prosa, il modello accetta:
- Tag in stile booru (etichette separate da virgola tipiche degli archivi di immagini)
- Un documento JSON con due sezioni principali:
- summary: descrizione dell’intera scena
- items: elenco di elementi, ognuno con etichetta, descrizione, riquadro di posizione (
bbox) e, per le scritte, il testo esatto da stampare
Il prompt può contenere fino a 4 000 token, secondo la pagina GitHub del progetto. Le coordinate dei riquadri usano il formato yxyx relative al centro dell’immagine; su un canvas 1024 × 1024 px ogni asse varia da –512 a +512. Questo consente di spostare singoli blocchi di testo senza riscrivere l’intero prompt, ideale per locandine, copertine o grafiche con più blocchi di testo.
Supporto linguistico
Le scritte sono rese correttamente in inglese e cinese, le due lingue indicate dai tag del modello su Hugging Face. Per l’italiano non esiste una valutazione ufficiale; quindi è necessario controllare manualmente accenti e apostrofi in ogni generazione. Chi lavora con altre lingue dovrebbe eseguire una fase di verifica prima di integrare il modello in un flusso di lavoro.
Base vs SFT: quale versione scaricare?
La scelta dipende dall’obiettivo dell’utente:
| Versione | Cosa è | Per chi |
|---|---|---|
| MOSS‑Image‑SFT | Base affinato con dati curati (supervised fine‑tuning) | Chi vuole generare subito poster, grafiche e immagini con testo |
| MOSS‑Image‑Base | Checkpoint di pre‑training, senza post‑training né distillazione dei parametri di inferenza | Chi addestra LoRA o fa fine‑tuning e accetta di regolare a mano i parametri |
La scheda di SFT su Hugging Face mostra esempi in cui il testo è più pulito e il layout più ordinato rispetto a Base. Il checkpoint Base, invece, conserva il segnale di addestramento completo, utile a chi vuole insegnare al modello uno stile personalizzato.
Regola pratica: se non hai un dataset da addestrare, scarica SFT e non pensarci più. Se possiedi un dataset (catalogo prodotti, stile di illustrazione, font di un marchio), parti da Base, sapendo che la strada sarà più lunga e che i parametri di inferenza andranno trovati per tentativi.
Installazione e utilizzo in locale
I requisiti minimi sono:
- Python 3.10 o superiore
- GPU NVIDIA con CUDA
- PyTorch 2.9 o successivo
- diffusers ≥ 0.38
- transformers ≥ 5.3
Il modello si carica con:
from diffusers import DiffusionPipeline
pipeline = DiffusionPipeline.from_pretrained(
"OpenMOSS/MOSS-Image-SFT",
custompipeline="pipelinemoss_image",
trustremotecode=True
)
Chi tiene alla sicurezza dovrebbe leggere il codice remoto prima di eseguirlo. I valori predefiniti sono 50 passi, campionatore Euler flow‑matching, guidance (CFG) a 3, shift a 5 e salto del ramo negativo al layer 22. Il guidance standard esegue due passaggi del transformer per ogni step, raddoppiando il tempo di generazione rispetto a un modello che ne fa uno solo.
Le dimensioni dell’immagine devono essere multipli di 16. Non è indicata una soglia minima di VRAM, ma la community ha segnalato addestramento di LoRA con circa 6 GB di VRAM. In ComfyUI il supporto è nativo dal 16 ottobre, con pesi riconfezionati per quel programma. Il wiki della community consiglia risoluzioni tra 1 e 2 megapixel (0,25‑4 MP).
Supporto per server e API
Il repository segnala il supporto a SGLang e vLLM‑Omni, due motori per servire i modelli da un server. Chi non dispone di GPU può provare il modello dal 20 ottobre sulla MOSI API Platform, che offre un Playground e integrazione via API; i prezzi non sono ancora pubblicati e nessun provider di inference su Hugging Face lo ospita al momento.
Benchmark e performance
Il report tecnico introduce due benchmark creati dagli autori:
- LongLongTextBench (LLTB): misura il rendering di testo lungo in inglese e cinese. MOSS‑Image ottiene una copertura media del testo del 96,3 %, la migliore tra i modelli open weight.
- RealLayoutArena (RLA): valuta la generazione end‑to‑end di layout complessi. MOSS‑Image si piazza al secondo posto nel ranking generale e primo tra i backbone.
È importante notare che entrambi i benchmark sono stati ideati dagli stessi autori, quindi i risultati riflettono il metro di valutazione scelto dal team di sviluppo. Fino a quando non arriveranno valutazioni indipendenti, questi numeri devono essere considerati come indicazioni di partenza.
Limiti da conoscere
- I benchmark non includono confronti con tutti i modelli disponibili; alcuni concorrenti non sono citati nell’abstract.
- Il confronto del solo backbone utilizza prompt migliorati da un modulo interno al progetto; i risultati con prompt scritti manualmente possono differire.
- Il layout JSON è ancora sperimentale: le coordinate potrebbero non essere rispettate con precisione, quindi è consigliabile verificare ogni immagine prima di consegnarla a un cliente.
Collocazione nel panorama dei generatori open source
Il campo dei modelli aperti per immagini è molto affollato. Sul fronte cinese, la famiglia Qwen‑Image (versione 2.1 senza filtri) e il rilascio di AtomicChat sono esempi rilevanti. Sul fronte commerciale, Canva ha appena presentato il suo primo modello di immagini. MOSS‑Image si distingue per l’approccio ibrido che combina generazione di testo lungo e layout complessi, ma la scelta finale dipende dalle esigenze specifiche dell’utente.
In sintesi, se il tuo obiettivo è produrre rapidamente grafiche con testo posizionato con precisione, scarica MOSS‑Image‑SFT. Se invece vuoi personalizzare lo stile, addestrare LoRA o sperimentare con nuovi dataset, parti da MOSS‑Image‑Base e preparati a una curva di apprendimento più lunga.