5B MOSS-Image, 포스터의 중국어는 제대로 썼지만 이미지 수정은 못 해요

10월 중순, MOSS-Image라는 오픈소스 모델이 몇몇 중국어 기술 커뮤니티에서 화제가 됐어요. 이유는 아주 소박했어요. 포스터에 들어가는 중국어 글자를 제대로 쓴다는 점이었죠.

얼핏 들으면 어른이 젓가락을 쓴다고 칭찬하는 것처럼 들려요. 하지만 포스터나 인포그래픽, 이커머스 상세 페이지를 만들어 본 사람이라면 이게 얼마나 어려운 일인지 알아요. 지난 2년 동안 우리는 이런 과정에 익숙해졌죠. 모델로 이미지를 뽑고, 편집 프로그램을 열어 모델이 비뚤게 쓴 글자를 하나하나 덮어 다시 입력했어요. 모델은 그림을, 사람은 글자를 맡는 분업이었어요.

MOSS-Image가 바꾸려는 게 바로 이 분업이에요. OpenMOSS 팀(푸단대 NLP와 상하이 창즈 등)이 만들었고, 5B 파라미터, 단일 스트림 DiT 아키텍처, 제로에서 시작한 사전학습이며 가중치는 Apache-2.0으로 공개됐어요.

무엇을 제대로 했나

공식 평가에서 가장 볼 만한 건 긴 텍스트 렌더링이에요. 테스트 세트는 중국어와 영어 각 120개 과제이고, 평균 목표 텍스트 길이는 약 1339.8자이며, 평가지표 Mean-6에서 96.3을 받았어요. 오픈 웨이트 모델 가운데 최고 기록이에요. 여기서 말하는 '긴 텍스트'는 제목 네 글자가 아니라 한 단락 전체이고, 줄바꿈과 문단 구조까지 유지해야 해요.

두 번째는 레이아웃이에요. 구조화된 JSON Layout 입력을 지원해요. 화면을 summary와 items로 나누고, 각 요소에 타입과 설명, 텍스트 내용, 그리고 bbox 좌표 박스를 주면 모델이 그 박스에 맞춰 배치해요. 이 과제에서 검출 박스 mIoU는 0.8786, 전체 레이아웃 mIoU는 0.6788이에요. 쉽게 말하면 요소는 대체로 지정한 위치에 떨어지지만, 전체 구도는 디자인 소프트웨어처럼 정밀하게는 안 돼요.

세 번째는 프롬프트 길이예요. 최대 약 4K 토큰의 프롬프트를 받아요. 이 숫자는 포스터를 만드는 사람에게 크게 의미가 있어요. 인포그래픽 설명은 원래 길기 때문이죠. 메인 제목은 어떤 폰트 느낌인지, 부제는 어떤 위계인지, 색상 팔레트는 몇 번 색인지, 왼쪽 아래에 어떤 아이콘을 둘지. 예전에는 이걸 한 문장으로 압축해야 했는데, 이제는 그대로 쓸 수 있어요.

설치는 어렵지 않아요, 문제는 이미지 수정이 안 된다는 것

실행 방법은 평범해요. 저장소를 클론하고, 가상환경을 만들고, 의존성을 설치한 뒤 Gradio를 띄우거나 파이썬 코드를 직접 쓰면 돼요.

클론해서 환경을 만들고 의존성을 설치한 다음 pip install -e '.[ui]'를 실행하고 python gradio_app.py --model OpenMOSS-Team/MOSS-Image-Base를 돌리면 UI가 나와요. 파이썬에서는 Diffusers의 custom_pipeline으로 불러오고, 샘플링 기본값은 Flow-matching Euler, 50스텝, CFG 3, shift 5이며 22번째 레이어에서 negative branch skip을 해요. VRAM이 부족하면 Sequential 모드로 전환할 수 있는데, 대신 느려져요.

진짜 문제는 여기예요. 순수 텍스트-투-이미지 모델이에요. 참조 이미지를 넣을 수 없고, 네이티브 편집 기능도 없어요. '이 포스터의 제목만 바꾸고 싶다'는 건 안 되고, 새로 생성하는 수밖에 없어요. 프롬프트 확장 모듈도 외부 언어 모델에 의존해서, 모델이 직접 하는 일이 아니에요.

이건 작은 결함이 아니에요. 마케팅 소재를 만드는 사람은 시간의 여든 할을 이미지 생성이 아니라 수정에 써요. 고객은 로고를 2mm 키우라고 하고, 법무는 그 문구를 빼라고 하고, 운영은 이 SKU 색이 틀렸다고 해요. 처음부터 다시 생성만 할 수 있는 모델은 이런 사람들을 '재뽑기' 루프에 가둬요. 다시 뽑은 두 번째 이미지는 구도가 또 달라져 있어요.

그래서 실제 워크플로에서는 '시작점 생성기'에 가까워요. 이걸로 레이아웃과 텍스트를 한 번에 맞추고, 내보낸 다음 디자인 소프트웨어에서 다듬는 거죠. 예전보다는 편하지만, 도착점은 아니에요.

96.3점은 어떤 조건에서 나온 점수인가

숫자에 끌려가지 않으려면 이 부분을 짚어야 해요. 96.3은 특정 평가 세트에서 특정 지표로 계산한 값이고, 목표 텍스트 평균 길이는 1339자예요. 이게 증명하는 건 '이 길이 구간, 이런 레이아웃 과제에서 텍스트 정확도가 오픈소스 동료들보다 앞선다'는 것이지, '어떤 길이의 중국어 문구도 틀리지 않는다'가 아니에요.

또 공식 모델 카드에는 경계가 직접 적혀 있어요. 백본은 순수 텍스트-투-이미지이고, 참조 이미지를 받거나 네이티브 편집을 수행할 수 없으며, 프롬프트 확장은 외부 LLM에 의존한다는 내용이에요. 이렇게 먼저 경계를 밝히는 태도는 오픈소스 모델에서 흔치 않아서, 한 줄 적어둘 만해요.

커뮤니티는 이미 약점을 메우기 시작했어요

공개된 지 2주가 안 됐는데 커뮤니티 움직임이 빨라요. DiffSynth-Studio가 Base와 SFT 두 버전의 전체 파인튜닝과 LoRA 학습을 지원했어요. 누군가는 DeBand LoRA를 만들어 SFT 버전에서 나타나는 세로 색 띠를 눌렀고, 동시에 '줄무늬를 누르면 디테일이 달라진다'는 트레이드오프를 밝혔어요. 8스텝 DMD 증류 버전을 만들어 ComfyUI용 LoRA 어댑터와 함께 올린 사람도 있어요.

이 세 가지를 합치면, 이 모델이 '완제품'이 아니라 '베이스 모델'로 취급되고 있다는 뜻이에요. 누군가 위에서 LoRA를 학습하고 증류를 한다는 사실이, 공개 당시 스타를 몇 개 받았는지보다 실질 가치를 더 잘 보여줘요.

Base와 SFT 중 무엇을 고를지는 이렇게 정리돼요. 공식 비교 예시에서 SFT는 텍스트 그룹이 더 명확하고 화이트보드 레이아웃이 더 정돈돼 있었어요. 포스터와 인포그래픽을 만든다면 SFT로 바로 가고, 직접 파인튜닝하려면 Base에서 시작하면 돼요.

지금 당장 써볼 만한 사람

중국어 포스터, 강의 인포그래픽, 위챗 공식계정 롱 이미지, 메뉴판, 안내판을 대량으로 만들어야 하고 로컬 GPU가 있다면, 반나절 투자해 볼 가치가 있어요. 이런 수요는 레이아웃이 고정되고 텍스트가 많으며 재현성이 필요하다는 특징이 있는데, 딱 이 모델의 강점이에요.

이미지 리터칭, 배경 교체, 기존 사진을 특정 스타일로 바꾸는 일이라면 굳이 붙잡을 필요 없어요. 못 하거나, 지금 쓰는 도구보다 더 번거로워요.

문서 링크와 가중치는 HuggingFace와 ModelScope에 있고 Apache-2.0 라이선스라 상업적 사용에 큰 걸림돌은 없어요. 미리 생각해둘 건 VRAM과 프로세스예요. Sequential 모드는 저사양 카드를 살리지만, '빠른 시행착오'를 '차 한 잔 마시고 기다리기'로 바꿔놓아요.