Le groupe de recherche OpenMOSS, à l'origine de la famille de modèles MOSS, publie un générateur d'images à poids ouverts conçu pour ce que la plupart des modèles libres ratent encore : affiches, diapositives et infographies chargées de texte. MOSS-Image est sorti le 16 octobre 2026 en deux variantes, MOSS-Image-Base et MOSS-Image-SFT, avec le code sur GitHub et les poids sur Hugging Face et ModelScope, sous licence Apache 2.0.
Le cœur du système est un transformeur de diffusion à flux unique de 5 milliards de paramètres, que l'équipe dit avoir pré-entraîné de zéro. Le rapport technique cite MOSI Intelligence, le Shanghai Innovation Institute, l'université Fudan et l'université Jiao Tong de Shanghai parmi les institutions impliquées. Selon la page du projet, le modèle accepte des consignes d'environ 4 000 tokens, compose de longs passages en anglais comme en chinois et sait produire aussi bien du style anime que des rendus photoréalistes. L'équipe précise que l'entraînement s'est déroulé sur des plateformes de GPU hétérogènes et peu courantes, sans nommer le matériel.
C'est surtout le contrôle de la mise en page qui le distingue de ses concurrents ouverts. En plus des consignes classiques, MOSS-Image lit une description JSON où chaque objet et chaque ligne de texte reçoivent leur propre cadre, ce qui permet de choisir l'emplacement d'un titre, d'un graphique ou d'une photo de produit. Pour les demandes très courtes, OpenMOSS fournit un module de réécriture fonctionnant comme un agent, qui transforme quelques mots en légende détaillée ou en plan de composition complet. Ce module est distribué sous forme de compétence que les agents de programmation peuvent charger.
Les intégrations étaient prêtes dès le lancement. SGLang et vLLM-Omni, deux moteurs de service open source très répandus, ont documenté une prise en charge immédiate, et ComfyUI a mis en ligne un tutoriel accompagné de flux de travail prêts à l'emploi. D'après la documentation de ComfyUI, le modèle tourne à partir de fichiers uniques en int8 et bf16, s'appuie sur l'encodeur de texte Qwen3.5 9B et sur le petit VAE de FLUX.2 ; la variante SFT y est conseillée pour des compositions plus nettes, la Base servant de point de départ aux ajustements par LoRA.
Les performances revendiquées reposent sur deux tests créés par l'équipe elle-même. Sur LongLongTextBench, qui évalue le rendu de longs textes dans les deux langues, le rapport crédite MOSS-Image d'un score moyen de 96,3, contre 64,9 pour Qwen Image 2512, meilleur modèle ouvert de la comparaison. Sur RealLayoutArena, une arène de préférences humaines consacrée aux images à mise en page complexe, le système complet obtient 1 698,70 points Elo, deuxième derrière GPT Image 2 et devant Seedream 5.0 Pro. Lorsque tous les générateurs reçoivent les mêmes consignes enrichies, le modèle de base MOSS-Image passe en tête avec 1 807,34 points.
Pour un modèle aussi spécialisé, l'adoption a démarré vite. Le 19 octobre, le dépôt GitHub comptait environ 800 étoiles, la variante Base affichait près de 1 800 téléchargements sur Hugging Face et 13 modèles dérivés y étaient déjà rattachés. Le rapport technique, daté du 16 octobre, a été déposé sur arXiv puis mis en avant sur la page des articles de Hugging Face le 19 octobre.
Principale réserve : les deux bancs d'essai ont été conçus par l'équipe qui a créé le modèle, et aucune évaluation indépendante n'avait été publiée au moment de nos vérifications. Le classement dans l'arène dépend en outre du module de réécriture, ce qui empêche de distinguer clairement la qualité du modèle de base de celle de l'agent qui rédige ses consignes. Le rapport annonce la publication de la recette d'entraînement et du cadre d'évaluation ; pour l'heure, seuls les poids, le code d'inférence, l'extension ComfyUI et la compétence de réécriture sont accessibles.