O grupo de investigação OpenMOSS, responsável pela família de modelos MOSS, lançou um gerador de imagens de pesos abertos pensado para o tipo de trabalho em que a maioria dos modelos abertos ainda tropeça: cartazes, diapositivos e infografias cheios de texto. O MOSS-Image foi disponibilizado a 16 de outubro de 2026 em duas versões, MOSS-Image-Base e MOSS-Image-SFT, com código no GitHub e pesos no Hugging Face e no ModelScope, sob licença Apache 2.0.
Por trás está um transformador de difusão de fluxo único com 5 mil milhões de parâmetros que, segundo a equipa, foi pré-treinado de raiz. O relatório técnico identifica como instituições envolvidas a MOSI Intelligence, o Shanghai Innovation Institute, a Universidade de Fudan e a Universidade Jiao Tong de Xangai. De acordo com a página do projeto, o modelo aceita instruções até cerca de 4000 tokens, escreve passagens longas em inglês e em chinês e produz tanto estilo anime como fotorrealista. A equipa refere ainda que o treino decorreu em plataformas de GPU heterogéneas e pouco convencionais, sem especificar o equipamento.
O controlo da composição é o que o distingue da maior parte da concorrência aberta. Além das instruções habituais, o MOSS-Image aceita uma descrição em JSON em que cada objeto e cada linha de texto têm a sua própria caixa delimitadora, permitindo escolher onde fica um título, um gráfico ou a fotografia de um produto. Para pedidos curtos, a OpenMOSS junta ao modelo um assistente de reescrita, ao estilo de um agente, que transforma meia dúzia de palavras numa legenda pormenorizada ou num plano completo de disposição. Esse assistente está publicado como uma competência que os agentes de programação podem carregar.
O lançamento chegou com as integrações já prontas. O SGLang e o vLLM-Omni, dois motores de inferência abertos muito usados, anunciaram suporte desde o primeiro dia, e o ComfyUI publicou um tutorial com fluxos de trabalho prontos a usar. Segundo a documentação do ComfyUI, o modelo corre a partir de ficheiros únicos em int8 e bf16, apoia-se no codificador de texto Qwen3.5 9B e no VAE pequeno do FLUX.2, e a versão SFT é a recomendada para composições mais limpas, ficando a Base como ponto de partida para afinações com LoRA.
Os resultados anunciados assentam em dois testes criados pela própria equipa. No LongLongTextBench, que mede a escrita de textos longos nas duas línguas, o relatório atribui ao MOSS-Image uma pontuação média de 96,3, contra 64,9 do Qwen Image 2512, o melhor modelo aberto da comparação. No RealLayoutArena, uma arena de preferências humanas para imagens com composição exigente, o sistema completo obteve 1698,70 pontos Elo, em segundo lugar atrás do GPT Image 2 e à frente do Seedream 5.0 Pro. Quando todos os geradores receberam as mesmas instruções enriquecidas, o modelo de base do MOSS-Image ficou em primeiro, com 1807,34 pontos.
A adesão inicial foi rápida para um modelo de nicho. A 19 de outubro, o repositório no GitHub tinha cerca de 800 estrelas, a versão Base somava perto de 1800 descargas no Hugging Face e já havia 13 modelos derivados associados. O relatório técnico, datado de 16 de outubro, foi colocado no arXiv e destacado na página de artigos do Hugging Face a 19 de outubro.
A principal reserva é que ambos os testes foram concebidos pela mesma equipa que desenvolveu o modelo, e ainda não existia nenhuma avaliação independente à data da verificação. A classificação na arena depende também do assistente de reescrita, o que dificulta separar a qualidade do modelo de base da do agente que lhe escreve as instruções. O relatório promete divulgar a receita de treino e a estrutura de avaliação; por agora, o que está público são os pesos, o código de inferência, a extensão para ComfyUI e a competência de reescrita.