Das 5B-Modell MOSS-Image schreibt chinesische Poster richtig – nur ändern kann es sie nicht

Mitte Oktober machte ein Open-Source-Modell namens MOSS-Image in mehreren chinesischen Tech-Gruppen die Runde. Der Grund war denkbar schlicht: Es schreibt die chinesischen Schriftzeichen auf einem Poster richtig.

Das klingt, als würde man einen Erwachsenen dafür loben, dass er mit Stäbchen essen kann. Aber wer schon Poster, Infografiken oder Produktdetailseiten für den E-Commerce gebaut hat, weiß, wie schwer das ist. In den letzten zwei Jahren haben wir uns an einen Ablauf gewöhnt: Modell generiert das Bild, dann öffnet man die Bildbearbeitung und übermalt die schief geschriebenen Zeichen einzeln, um sie neu zu setzen. Das Modell malt, der Mensch schreibt. Klare Arbeitsteilung.

Genau diese Arbeitsteilung will MOSS-Image ändern. Es kommt vom OpenMOSS-Team (NLP-Forschung der Fudan-Universität sowie Shanghai Chuangzhi und weitere), hat 5B Parameter, eine Single-Stream-DiT-Architektur, wurde von Grund auf vorab trainiert, und die Gewichte sind unter Apache-2.0 veröffentlicht.

Was es genau richtig macht

In den offiziellen Benchmarks ist die Langtext-Renderung der spannendste Punkt. Das Testset umfasst je 120 Aufgaben auf Chinesisch und Englisch, der Zieltext ist im Schnitt rund 1339,8 Zeichen lang, und beim Score Mean-6 kommt das Modell auf 96,3. Unter Modellen mit offenen Gewichten ist das ein neuer Höchstwert. „Langtext“ heißt hier nicht vier Zeichen für eine Überschrift, sondern ein ganzer Absatz – inklusive Zeilenumbrüchen und Absatzstruktur.

Der zweite Punkt ist das Layout. Es versteht strukturierte JSON-Layouts als Eingabe: Man zerlegt die Fläche in summary und items, jedes Element bekommt Typ, Beschreibung, Textinhalt und eine bbox als Koordinatenrahmen, und das Modell setzt alles in diesen Rahmen. In dieser Aufgabe liegt die mIoU der erkannten Boxen bei 0,8786, die mIoU des Gesamtlayouts bei 0,6788. Auf Deutsch: Die Elemente landen ungefähr dort, wo man sie haben will, aber die Gesamtkomposition ist noch nicht so präzise wie in einem Designprogramm.

Der dritte Punkt ist die Prompt-Länge. Es nimmt Prompts von bis zu rund 4K Token an. Für alle, die Poster bauen, ist das eine große Sache, denn die Beschreibung einer Infografik ist ohnehin lang: welchen Schriftcharakter die Hauptzeile haben soll, welche Hierarchie die Unterzeile, welche Farbe aus dem Farbschema, welches Icon unten links. Früher musste man das in einen Satz pressen. Jetzt kann man es ausschreiben.

Die Installation ist einfach, das Bearbeiten nicht

Der Start ist unspektakulär. Repository klonen, virtuelle Umgebung anlegen, Abhängigkeiten installieren, dann Gradio starten oder direkt Python schreiben:

Nach dem Klonen, dem Einrichten der Umgebung und der Installation der Abhängigkeiten reicht pip install -e '.[ui]' und danach python gradio_app.py --model OpenMOSS-Team/MOSS-Image-Base, und man hat eine Oberfläche. Auf der Python-Seite lädt man es über die custom_pipeline von Diffusers; das Sampling läuft standardmäßig mit Flow-Matching Euler, 50 Schritten, CFG 3, shift 5, und in Layer 22 wird ein Negative-Branch-Layer-Skip gemacht. Wenn der VRAM nicht reicht, kann man in den Sequential-Modus wechseln – der Preis dafür ist Tempo.

Das eigentliche Problem liegt hier: Es ist ein reines Text-to-Image-Modell. Keine Referenzbilder, keine native Bearbeitung. Wer „bitte tausche die Überschrift auf diesem Poster“ will, kommt nicht weiter und muss ein neues Bild generieren. Auch die Prompt-Erweiterung übernimmt ein externes Sprachmodell, das Modell selbst macht das nicht.

Das ist kein kleiner Makel. Wer Material produziert, verbringt achtzig Prozent der Zeit mit Ändern statt mit Erzeugen: Der Kunde will das Logo zwei Millimeter größer, die Rechtsabteilung will den Werbespruch gestrichen, das Marketing sagt, die Farbe dieser SKU stimmt nicht. Ein Modell, das nur von null generieren kann, sperrt diese Leute in eine Schleife aus „noch mal ziehen“. Und die zweite Ziehung hat wieder eine andere Komposition.

Im echten Workflow ist es deshalb eher ein Startpunkt-Generator: Layout und Text in einem Durchgang richtig machen, exportieren, dann im Designprogramm feinschleifen. Das ist bequemer als früher, aber es ist nicht das Ziel.

Unter welchen Bedingungen die 96,3 zustande kommen

Das muss man klar sagen, damit man sich von der Zahl nicht mitziehen lässt. Die 96,3 sind auf einem bestimmten Evaluationsset mit einer bestimmten Metrik entstanden, bei im Schnitt 1339 Zeichen Zieltext. Belegt ist damit: In diesem Längenbereich und bei dieser Art Layout-Aufgabe ist die Textgenauigkeit besser als bei vergleichbaren offenen Modellen. Es heißt nicht, dass chinesische Copy jeder Länge fehlerfrei sitzt.

Außerdem hat das Team die Grenzen in der Model Card selbst benannt: Das Backbone ist reines Text-to-Image, kann keine Referenzbilder aufnehmen und nicht nativ editieren, die Prompt-Erweiterung hängt an einem externen LLM. Dass Grenzen so offen benannt werden, ist bei offenen Modellen nicht selbstverständlich und verdient einen Vermerk.

Die Community füllt die Lücken schon

Keine zwei Wochen nach dem Release ist die Community schnell. DiffSynth-Studio unterstützt Full Fine-Tuning und LoRA-Training für die Versionen Base und SFT. Jemand hat ein DeBand-LoRA gebaut, das gezielt die vertikalen Farbbänder der SFT-Version drückt – und dazu sagt, dass das Unterdrücken der Streifen die Details verändert. Wieder jemand anderes hat eine 8-Schritt-DMD-Destillation gebaut, samt LoRA-Adapter für ComfyUI.

Die drei Dinge zusammen zeigen: Es wird als Basismodell behandelt, nicht als Fertigprodukt. Dass Leute darauf LoRA trainieren und destillieren, sagt mehr über den praktischen Wert als die Star-Zahl am Releasetag.

Und Base oder SFT? In den offiziellen Vergleichsbeispielen ist bei SFT die Textgruppierung klarer und das Whiteboard-Layout ordentlicher. Für Poster und Infografiken direkt SFT, für eigenes Fine-Tuning lieber Base.

Wer es jetzt schon nutzen sollte

Wer massenhaft chinesische Poster, Kurs-Infografiken, lange Artikelbilder für WeChat, Speisekarten oder Hinweisschilder produziert und eine lokale Grafikkarte hat, sollte einen Nachmittag investieren. Diese Anforderungen sind durch feste Layouts, viel Text und den Wunsch nach Reproduzierbarkeit gekennzeichnet – genau die Stärken des Modells.

Wer Bilder retuschiert, Hintergründe tauscht oder vorhandene Fotos in einen bestimmten Stil bringen will, sollte es lassen. Das kann es nicht, oder jedenfalls mühsamer als die Werkzeuge, die es dafür schon gibt.

Dokumentation und Gewichte liegen auf HuggingFace und ModelScope, Lizenz Apache-2.0, kommerzielle Nutzung ist weitgehend unproblematisch. Was man vorher klären sollte, sind VRAM und Prozess: Der Sequential-Modus rettet kleine Karten, macht aus „schnell mal ausprobieren“ aber „Tee aufsetzen und warten“.