MOSS-Image بـ 5B يكتب النص الصيني على الملصق صحيحاً، لكنه لا يعدّل الصور

في منتصف أكتوبر، انتشر حديث عن نموذج مفتوح المصادر اسمه MOSS-Image في عدد من مجموعات التقنية الصينية. والسبب كان بسيطاً: إنه يستطيع كتابة النص الصيني على الملصق بشكل صحيح.

تبدو العبارة وكأنها إطراء لشخص بالغ لأنه يعرف استخدام عيدان الطعام. لكن من أنجز ملصقاً أو إنفوغرافيك أو صفحة تفاصيل منتج على متجر إلكتروني يعرف كم هذا صعب. على مدى العامين الماضيين اعتدنا على مسار عمل ثابت: يخرج النموذج الصورة، ثم نفتح برنامج التحرير ونغطي الحروف المائلة التي كتبها النموذج ونعيد كتابتها واحدة واحدة. النموذج يرسم، والإنسان يكتب. تقسيم واضح.

ما يريد MOSS-Image تغييره هو هذا التقسيم بالضبط. النموذج من فريق OpenMOSS (جامعة فودان لمعالجة اللغة الطبيعية وShanghai Chuangzhi وغيرهما)، بـ 5B معامل، ومعمارية DiT أحادية المسار، ومدرَّب مسبقاً من الصفر، والأوزان منشورة بترخيص Apache-2.0.

ما الذي أصابه فعلاً

في التقييمات الرسمية، الأكثر استحقاقاً للنظر هو عرض النصوص الطويلة. مجموعة الاختبار تضم 120 مهمة بالصينية و120 بالإنجليزية، بمتوسط طول نص مستهدف يبلغ نحو 1339.8 حرفاً، ومقياس التقييم Mean-6 سجّل 96.3. وهذا رقم قياسي بين النماذج مفتوحة الأوزان. و«النص الطويل» هنا لا يعني عنواناً من أربع كلمات، بل فقرة كاملة، مع الحفاظ على فواصل الأسطر وبنية الفقرات.

الجزء الثاني هو التخطيط. يدعم النموذج مدخلات JSON Layout مهيكلة: تفكّك الصورة إلى summary وitems، وكل عنصر يعطى نوعه ووصفه ونصه وإطار إحداثيات bbox، ثم يرتّب النموذج العناصر وفق هذا الإطار. في هذه المهمة بلغ mIoU لإطارات الكشف 0.8786، وmIoU للتخطيط الكلي 0.6788. بالكلام العادي: العناصر تصل عموماً إلى الموضع الذي حددته، لكن التركيب الكلي لا يزال بعيداً عن دقة برامج التصميم.

الجزء الثالث هو طول التوجيه. يقبل النموذج توجيهاً يصل إلى نحو 4K توكن. وهذا الرقم مهم لمن يكتب الملصقات، لأن وصف الإنفوغرافيك طويل أصلاً: ما الإحساس الطباعي للعنوان الرئيسي، وما تراتبية العنوان الفرعي، ورقم اللون في لوحة الألوان، وأي أيقونة في الزاوية اليسرى السفلى. في السابق كان عليك ضغط كل هذا في جملة واحدة، أما الآن فيمكنك كتابته مباشرة.

التثبيت ليس صعباً، الصعب أنه يرفض تعديل الصور

طريقة التشغيل عادية جداً. استنسخ المستودع، أنشئ بيئة افتراضية، ثبّت الاعتماديات، ثم شغّل Gradio أو اكتب Python مباشرة:

بعد الاستنساخ وبناء البيئة وتثبيت الاعتماديات، شغّل pip install -e '.[ui]' ثم python gradio_app.py --model OpenMOSS-Team/MOSS-Image-Base وستظهر لك واجهة. من جهة Python يُحمَّل عبر custom_pipeline في Diffusers، والافتراضيات في الاستدلال هي Flow-matching Euler، و50 خطوة، وCFG 3، وshift 5، مع تخطي الفرع السلبي في الطبقة 22. وإذا لم تكفِ الذاكرة الرسومية يمكنك التبديل إلى وضع Sequential، والثمن هو البطء.

المشكلة الحقيقية هنا: إنه نموذج نص-إلى-صورة خالص. لا يقبل صورة مرجعية، وليس لديه قدرة تحرير أصلية. تريد «تغيير عنوان هذا الملصق»؟ لا يمكن، عليك إعادة التوليد من جديد. وحدة تعزيز التوجيه أيضاً تحتاج إلى نموذج لغوي خارجي للتوسيع، فالنموذج لا يقوم بذلك بنفسه.

هذا ليس عيباً صغيراً. من يصنع المواد التسويقية يقضي ثمانين في المئة من وقته في تعديل الصورة لا في توليدها: العميل يطلب تكبير الشعار مليمترين، والقانوني يطلب حذف تلك العبارة الترويجية، والتشغيل يقول إن لون هذه الـ SKU غير صحيح. نموذج لا يستطيع إلا التوليد من الصفر يسجن هؤلاء في حلقة «اسحب البطاقة من جديد». والصورة الثانية التي تسحبها يتغيّر تركيبها هي الأخرى.

لذلك فهو في سير العمل الفعلي أقرب إلى «مولّد نقطة البداية»: تستخدمه لإنجاز التخطيط والنص دفعة واحدة بشكل صحيح، تصدّر، ثم تدخل برنامج التصميم للتعديل الدقيق. هذا أسهل من الماضي، لكنه ليس نقطة النهاية.

تحت أي ظروف جاءت الـ 96.3

لا بد من التوضيح هنا حتى لا يجرّك الرقم. الـ 96.3 حُسبت على مجموعة تقييم محددة وبمقياس محدد، بمتوسط نص مستهدف 1339 حرفاً. ما تثبته هو أن «دقته النصية في هذا النطاق من الطول وفي هذا النوع من مهام التخطيط تتفوق على أقرانه مفتوحي المصادر»، وليس أن «أي نص صيني بأي طول لن يخطئ فيه».

كما كتب الفريق الرسمي حدوده بنفسه في بطاقة النموذج: العمود الفقري نص-إلى-صورة خالص، لا يقبل صوراً مرجعية ولا ينفذ تحريراً أصلياً، وتعزيز التوجيه يعتمد على LLM خارجي. هذا الاستعداد للإفصاح عن الحدود ليس شائعاً بين النماذج المفتوحة، ويستحق التسجيل.

المجتمع بدأ يسدّ ثغراته

بعد أقل من أسبوعين من الإصدار، تحرّك المجتمع بسرعة. دعم DiffSynth-Studio الضبط الكامل والتدريب بـ LoRA لنسختي Base وSFT. وصنع أحدهم DeBand LoRA مخصصاً لكبت الأشرطة اللونية العمودية في نسخة SFT، مع توضيح المقايضة: «كبت الأشرطة يغيّر التفاصيل». وآخر أنتج نسخة تقطير DMD بـ 8 خطوات مع محوّل LoRA لـ ComfyUI.

اجتماع هذه الثلاثة يعني أن النموذج يُعامل كـ«نموذج أساس» لا كـ«منتج نهائي». وجود من يريد تدريب LoRA عليه وتقطيره يقول عن قيمته الفعلية أكثر مما يقول عدد النجوم الذي جمعه يوم الإصدار.

أما الاختيار بين Base وSFT: في المقارنات الرسمية، تجميع النص في SFT أوضح وتخطيط اللوح الأبيض أنظف. لمن يصنع ملصقات وإنفوغرافيك، ابدأ مباشرة بـ SFT، ومن يريد الضبط الدقيق لنفسه فليبدأ من Base.

من يجب أن يستخدمه الآن

إذا كان عملك إنتاج ملصقات صينية بكميات كبيرة، وإنفوغرافيك للدورات، وصور طويلة لمدونات WeChat، وقوائم طعام، ولوحات إرشادية، وكانت لديك بطاقة رسوميات محلية، فالأمر يستحق عصراً كاملاً من التجربة. سمة هذه الاحتياجات ثابتة التخطيط، وغزيرة النص، وتطلب قابلية التكرار، وهي بالضبط نقاط قوته.

أما إذا كان عملك تعديل الصور، وتغيير الخلفيات، وتحويل صورة موجودة إلى أسلوب معين، فلا تتعب نفسك. لا يستطيع ذلك، أو يستطيعه بمشقة أكبر من أدواتك الحالية.

روابط الوثائق والأوزان موجودة على HuggingFace وModelScope، بترخيص Apache-2.0، والاستخدام التجاري لا يثير قلقاً كبيراً. ما يحتاج تفكيراً مسبقاً فعلاً هو الذاكرة الرسومية وسير العمل: وضع Sequential ينقذ البطاقات الصغيرة، لكنه يحوّل «التجربة السريعة» إلى «ضع الشاي وانتظر».