MOSS-Image, con 5B, escribe bien el chino de un cartel; el precio es que no sabe editar

A mediados de octubre, un modelo abierto llamado MOSS-Image empezó a circular en varios grupos técnicos chinos. El motivo era simple: escribía bien los caracteres chinos de un cartel.

Dicho así suena a felicitar a un adulto por saber usar palillos. Pero si alguna vez has hecho carteles, infografías o fichas de producto para comercio electrónico, sabes lo difícil que es. Durante dos años nos acostumbramos a este flujo: pedir la imagen al modelo, abrir el editor y tapar una por una las letras torcidas para volver a escribirlas. El modelo dibuja, la persona escribe. Un reparto clarísimo.

MOSS-Image quiere cambiar ese reparto. Viene del equipo OpenMOSS (NLP de la Universidad Fudan y Shanghai Chuangzhi, entre otros), tiene 5B parámetros, arquitectura DiT de flujo único, preentrenamiento desde cero y pesos publicados con licencia Apache-2.0.

Qué es exactamente lo que hace bien

En la evaluación oficial, lo más interesante es el renderizado de texto largo. El conjunto de prueba son 120 tareas en chino y 120 en inglés, con una longitud media del texto objetivo de unos 1339,8 caracteres, y la métrica Mean-6 alcanza 96,3. Es la puntuación más alta entre los modelos de pesos abiertos. Eso de «texto largo» no significa un titular de cuatro palabras, sino un párrafo entero, y encima hay que respetar saltos de línea y estructura de párrafos.

El segundo bloque es el diseño. Admite una entrada estructurada de Layout JSON: divides la imagen en summary e items, cada elemento lleva tipo, descripción, contenido de texto y una caja bbox de coordenadas, y el modelo coloca todo según esa caja. En esta tarea, el mIoU de las cajas detectadas es 0,8786 y el mIoU del diseño global, 0,6788. Traducido: los elementos caen más o menos donde los pides, pero la composición general no alcanza la precisión de un programa de diseño.

El tercer bloque es la longitud del prompt. Acepta prompts de hasta unos 4K tokens. La cifra importa mucho a quien hace carteles, porque la descripción de una infografía ya es larga de por sí: qué sensación tipográfica debe tener el titular, qué jerarquía tiene el subtítulo, qué color de la paleta, qué icono va en la esquina inferior izquierda. Antes había que comprimir todo eso en una frase; ahora se puede escribir tal cual.

Instalarlo es fácil; lo difícil es que no quiere editar

Ponerlo en marcha es de lo más corriente. Clonas el repositorio, creas un entorno virtual, instalas dependencias y luego lanzas Gradio o escribes Python directamente:

Con el repositorio clonado y el entorno listo, tras pip install -e '.[ui]' basta con ejecutar python gradio_app.py --model OpenMOSS-Team/MOSS-Image-Base para tener interfaz. En Python se carga con el custom_pipeline de Diffusers; el muestreo por defecto es Flow-matching Euler, 50 pasos, CFG 3, shift 5, con salto de rama negativa en la capa 22. Si te falta VRAM puedes pasar a modo Sequential, a cambio de velocidad.

Aquí está el problema real: es un modelo de texto a imagen puro. No acepta imágenes de referencia ni tiene edición nativa. Si quieres «cambiar el titular de este cartel», no puedes: hay que generar otro desde cero. El módulo de mejora de prompts también depende de un modelo de lenguaje externo para expandir; el modelo no hace eso por su cuenta.

No es un defecto menor. Quien hace materiales pasa el 80% del tiempo editando, no generando: el cliente pide el logo dos milímetros más grande, legal pide borrar ese eslogan, marketing dice que el color de este SKU está mal. Un modelo que solo genera desde cero encierra a esa gente en el bucle de «tirar otra vez del dado». Y la segunda tirada ya tiene otra composición.

Por eso, en un flujo real se parece más a un «generador de punto de partida»: lo usas para acertar de una vez con la maqueta y el texto, exportas y sigues en el programa de diseño para los ajustes. Ya es menos trabajo que antes, pero no es el final del camino.

En qué condiciones se consiguen esos 96,3

Conviene dejarlo claro para no dejarse llevar por el número. El 96,3 sale de un conjunto de evaluación concreto y una métrica concreta, con textos objetivo de 1339 caracteres de media. Demuestra que «en ese rango de longitud y ese tipo de tareas de maquetación, su precisión de texto va por delante de sus pares abiertos», no que «cualquier texto chino, de cualquier longitud, salga bien».

Además, el propio equipo escribe los límites en la ficha del modelo: el backbone es texto a imagen puro, no acepta referencias ni ejecuta edición nativa, y la mejora de prompts depende de un LLM externo. Esa costumbre de declarar los límites no es habitual en el código abierto y merece un apunte.

La comunidad ya está tapando sus huecos

Menos de dos semanas después del lanzamiento, el movimiento de la comunidad ha sido rápido. DiffSynth-Studio añadió ajuste completo y entrenamiento LoRA para las versiones Base y SFT. Alguien hizo un DeBand LoRA para suprimir las bandas de color verticales de la versión SFT, avisando del compromiso: «suprimir las franjas cambia el detalle». También hay una destilación DMD de 8 pasos con adaptador LoRA para ComfyUI.

Las tres cosas juntas indican que se le trata como «modelo base» y no como «producto terminado». Que haya gente dispuesta a entrenar LoRA y destilar sobre él dice más de su valor real que los stars que acumuló el día del anuncio.

Sobre elegir Base o SFT: en los ejemplos comparativos oficiales, el SFT agrupa mejor el texto y ordena mejor la maqueta de pizarra. Para carteles e infografías, ve directo al SFT; si quieres ajustar por tu cuenta, empieza por Base.

Quién debería usarlo ya

Si tu trabajo es producir en lote carteles en chino, infografías de cursos, imágenes largas para WeChat, menús o carteles explicativos, y tienes GPU local, merece una tarde de prueba. Ese tipo de encargo se caracteriza por maquetas fijas, mucho texto y necesidad de reproducibilidad, justo sus puntos fuertes.

Si tu trabajo es retocar fotos, cambiar fondos o convertir una foto existente a cierto estilo, no pierdas el tiempo. No puede, o puede con más esfuerzo que tus herramientas actuales.

Los enlaces a la documentación y los pesos están en HuggingFace y ModelScope, licencia Apache-2.0, así que el uso comercial no plantea grandes dudas. Lo que hay que pensar antes es la VRAM y el flujo: el modo Sequential salva las tarjetas pequeñas, pero convierte el «probar rápido» en «ponte un té y espera».