گروه پژوهشی OpenMOSS، سازنده خانواده مدل‌های MOSS، یک مولد تصویر با وزن‌های باز منتشر کرده که برای همان کاری طراحی شده که بیشتر مدل‌های باز هنوز در آن ضعف دارند: پوستر، اسلاید و اینفوگرافیکی که پر از نوشته است. این مدل ۱۶ اکتبر ۲۰۲۶ در دو نسخه پایه و تنظیم‌شده عرضه شد؛ کد آن در گیت‌هاب و وزن‌هایش در هاگینگ‌فیس و ModelScope با مجوز Apache 2.0 قرار گرفته است.
هسته این سامانه یک ترنسفورمر انتشاری تک‌جریانی با ۵ میلیارد پارامتر است که به گفته تیم از صفر پیش‌آموزش دیده است. در گزارش فنی، شرکت MOSI Intelligence، مؤسسه نوآوری شانگهای، دانشگاه فودان و دانشگاه جیائوتونگ شانگهای به‌عنوان نهادهای مشارکت‌کننده آمده‌اند. طبق صفحه پروژه، مدل دستورهایی تا حدود ۴۰۰۰ توکن را می‌پذیرد، متن‌های طولانی انگلیسی و چینی را در تصویر می‌نویسد و هم سبک انیمه و هم تصاویر واقع‌گرایانه می‌سازد. تیم همچنین گفته آموزش روی سخت‌افزارهای گرافیکی ناهمگون و غیرمتعارف انجام شده، اما نوع آن‌ها را مشخص نکرده است.
مهم‌ترین وجه تمایز این مدل با رقبای باز، کنترل چیدمان است. MOSS-Image علاوه بر دستور متنی معمولی، توصیفی به قالب JSON را می‌پذیرد که در آن هر شیء و هر سطر نوشته کادر مخصوص خودش را دارد؛ به این ترتیب کاربر تعیین می‌کند تیتر، نمودار یا عکس محصول کجای تصویر بنشیند. برای درخواست‌های کوتاه، OpenMOSS یک بازنویس دستور به سبک عامل هوشمند هم کنار مدل گذاشته که چند کلمه را به توضیحی مفصل یا نقشه کامل چیدمان تبدیل می‌کند. این ابزار به شکل یک مهارت منتشر شده که عامل‌های برنامه‌نویسی می‌توانند آن را بارگذاری کنند.
یکپارچگی با ابزارهای رایج از همان لحظه انتشار فراهم بود. دو موتور متن‌باز پرکاربرد برای اجرای مدل، یعنی SGLang و vLLM-Omni، پشتیبانی روز اول را مستند کردند و ComfyUI هم آموزشی همراه با گردش‌کارهای آماده منتشر کرد. طبق مستندات ComfyUI، مدل از فایل‌های تکی با دقت int8 و bf16 اجرا می‌شود و به رمزگذار متن Qwen3.5 9B و رمزگشای کوچک FLUX.2 تکیه دارد؛ نسخه تنظیم‌شده برای چیدمان‌های تمیزتر پیشنهاد شده و نسخه پایه نقطه شروع مناسبی برای تنظیم دقیق با روش LoRA است.
ادعاهای عملکردی بر دو آزمونی استوار است که خود تیم طراحی کرده است. در آزمون LongLongTextBench که نوشتن متن بلند به هر دو زبان را می‌سنجد، گزارش امتیاز میانگین ۹۶٫۳ را برای MOSS-Image ثبت کرده، در برابر ۶۴٫۹ برای Qwen Image 2512 که بهترین مدل باز در این مقایسه بوده است. در RealLayoutArena، میدانی برای سنجش ترجیح انسانی در تصاویر با چیدمان پیچیده، کل سامانه ۱۶۹۸٫۷۰ امتیاز الو گرفته و پس از GPT Image 2 و پیش از Seedream 5.0 Pro دوم شده است. وقتی به همه مولدها دستورهای بهبودیافته یکسانی داده شد، مدل پایه MOSS-Image با ۱۸۰۷٫۳۴ امتیاز اول شد.
استقبال اولیه برای مدلی با این کاربرد خاص سریع بوده است. تا ۱۹ اکتبر، مخزن گیت‌هاب حدود ۸۰۰ ستاره گرفته بود، نسخه پایه نزدیک به ۱۸۰۰ بار از هاگینگ‌فیس دانلود شده بود و ۱۳ مدل مشتق‌شده هم به آن پیوند خورده بودند. گزارش فنی با تاریخ ۱۶ اکتبر در آرکایو منتشر شد و ۱۹ اکتبر در صفحه مقاله‌های هاگینگ‌فیس برجسته شد.
مهم‌ترین نکته احتیاطی این است که هر دو آزمون را همان تیمی طراحی کرده که مدل را ساخته و تا زمان بررسی ما هیچ ارزیابی مستقلی منتشر نشده بود. رتبه در میدان مقایسه به بازنویس دستور هم وابسته است و همین، جداکردن کیفیت مدل پایه از کیفیت عاملی را که برایش دستور می‌نویسد دشوار می‌کند. گزارش وعده داده دستورالعمل آموزش و چارچوب ارزیابی هم منتشر شود؛ فعلاً آنچه عمومی شده وزن‌ها، کد اجرا، افزونه ComfyUI و مهارت بازنویسی دستور است.