OpenMOSS MOSS-Image'i Açık Kaynak Yayınladı

OpenMOSS ekibi 16 Ekim 2026'da MOSS-Image model ailesini açık kaynak olarak yayınladı. İki kontrol noktası var: temel metin-görsel modeli MOSS-Image-Base ve özenle seçilmiş veriyle ince ayar yapılmış MOSS-Image-SFT. Model ağırlıkları Apache-2.0 lisansıyla paylaşıldı.

5B omurga, 4K token prompt

Model ailesi 5 milyar parametreli bir DiT omurgası üzerine kurulu. Buna karşın 4.000 token'a kadar uzun prompt kabul ediyor. Ekip, kompakt omurgayı hem verimli çıkarım hem de kolay ince ayar için tasarladıklarını belirtiyor; eğitim farklı GPU platformlarında (heterojen) yürütüldü.

JSON ile yerleşim kontrolü

MOSS-Image'i benzerlerinden ayıran özellik, doğal dil promptunun yanında yapılandırılmış yerleşim (layout) desteği. Sahneyi, nesneleri ve metni JSON formatında tarif edebiliyorsunuz; sınırlayıcı kutular (bounding box) her öğenin konumunu ve boyutunu belirliyor. Bu, "şu yazı şuraya gelsin, logo sağ üstte dursun" gibi kontrolleri prompt şansına bırakmadan yapmak anlamına geliyor.

Güçlü metin yazımı

Projenin öne çıkardığı ikinci başlık, görsel içinde metin üretimi. Poster, tablo, beyaz tahta ve arayüz maketi gibi işlerde okunur ve doğru yazılmış metin üretmesi hedefleniyor. Yayınlanan örnekte SFT sürümünün, temel sürüme göre daha derli toplu metin gruplaması ve daha düzenli beyaz tahta yerleşimi ürettiği gösteriliyor. Stil tarafında anime ve fotogerçekçi çıktılar destekleniyor.

Nasıl çalıştırılıyor?

Aile Diffusers tabanlı ortak bir çıkarım arayüzü kullanıyor; Python ve Gradio arayüzleri aynı hattı paylaşıyor. ComfyUI için ayrı bir eklenti de yayınlandı: comfyui/moss-image/ klasörünü ComfyUI'nin custom_nodes dizinine kopyalayıp ya da depo kökünde python comfyui/install.py --comfy-root /path/to/ComfyUI komutunu çalıştırıp hazır iş akışını içe aktarmak yeterli.

Önerilen örnekleme ayarları

Hazır ComfyUI iş akışı 50 adım, CFG 3, Shift 5 ve "negatif promptta 22. katmanı atla" ayarıyla geliyor; örnekleyici Euler ve sgm_uniform, çözünürlük 1024x1024. Python tarafındaki layout örneğinde ise num_inference_steps=50, guidance_scale=3.0 ve uncond_skip_layers=[22] kullanılıyor.

Prompt geliştirici yetenek dosyası

Depoda ilginç bir ek var: ajanlar için bir "skill" klasörü. $moss-image-prompt-enhancer yeteneği, görsel fikrinizi ve istediğiniz metni ya da yerleşimi alıp derlenmiş bir prompt döndürüyor; çıktıyı doğrudan MOSS-Image'in pozitif prompt alanına yapıştırıyorsunuz. Layout üretirken aynı ölçüleri kullanmak gerekiyor.

Açık model ekosisteminde yeri

OpenMOSS aynı çatı altında bir dizi model yayınlıyor: uzun biçimli ve gerçek zamanlı video anlama için 11B'lik MOSS-VL serisi, sesli video üreten MOVA, 50'den fazla dilde konuşma çözümlemesi yapan 0.9B'lik MOSS-Transcribe-Diarize. MOSS-Image bunların görsel üretim ayağını tamamlıyor. Metin yazımı ve yerleşim kontrolü, ticari görsel üreticilerdeki en zayıf halkalardan ikisi; 5B ölçekli açık bir modelin bu ikisini birden hedeflemesi pratikte denenmeye değer.

Rakamlarla özet

Omurga: 5B parametreli DiT
Prompt uzunluğu: 4.000 token'a kadar
Lisans: Apache-2.0 (ağırlıklar)
Çıktı: anime ve fotogerçekçi stiller, JSON ile yerleşim kontrolü
Erişim: Hugging Face, ModelScope, ComfyUI eklentisi, Gradio arayüzü

Yerleşim kontrolü neden zor?

Difüzyon modelleri görüntüyü pikseller üzerinden kurar; "bu yazı tam buraya gelsin" demek geleneksel olarak prompt mühendisliği ve biraz da şans işidir. Yerleşimi JSON ile vermek, üretimi tasarım sürecine bağlar: şablon, afiş ve arayüz maketi gibi tekrarlanabilir işlerde aynı düzeni yeniden üretmek mümkün hâle gelir. Sınırlayıcı kutular sayesinde her öğenin konumu ölçülebilir bir girdiye dönüşür.

Donanım ve performans beklentisi

5B omurga, 12-14B sınıfı görsel modellere kıyasla daha mütevazı bellekle çalışmayı hedefliyor. ComfyUI eklentisi kendi bellek yönetimini kullanıyor ve hazır iş akışı 50 adımlı örnekleme, CFG 3 ile geliyor. 1024x1024 çözünürlükte tipik bir üretim, kullanılan karta göre saniyeler ile onlarca saniye arasında değişir. İnce ayar için temel modelin önerilmesi, topluluk eğitimlerini de kolaylaştırıyor; Apache-2.0 lisansı ticari kullanımı da kapsıyor.