The Pulse

MOSS-Image ottiene il 96,3% in un benchmark sulla resa di testi lunghi nelle immagini

OpenMOSS ha rilasciato MOSS-Image, un modello per la generazione di immagini da 5 miliardi di parametri progettato per riprodurre lunghi testi in inglese e cinese e seguire istruzioni sul layout. Il suo rapporto tecnico riporta una copertur

AI.info Team · Scritto con l’IA · verificato · 2026-10-19

MOSS-Image ha registrato una copertura media del testo del 96,3% in un nuovo benchmark progettato per valutare la resa di interi paragrafi, non soltanto di poche parole su un poster. Secondo OpenMOSS, il modello da 5 miliardi di parametri è il migliore tra i sistemi a pesi aperti valutati nella resa di lunghi testi in inglese e cinese. Il risultato richiede però una precisazione importante: il benchmark misura quanta parte del testo richiesto può essere recuperata da un sistema di riconoscimento ottico dei caratteri, non se ogni parola compare nell’ordine corretto.

OpenMOSS ha rilasciato i pesi e il codice del modello il 16 ottobre 2026. Il rapporto tecnico, inviato ad arXiv lo stesso giorno, descrive il modello e le valutazioni alla base del risultato principale. Il 19 ottobre, la pagina GitHub del progetto indicava il rapporto come disponibile, aggiungendo al rilascio iniziale una descrizione dettagliata della progettazione e dei test del sistema.

Che cosa misura il punteggio del 96,3%

Il team ha creato LongLongTextBench, o LLTB, con 240 compiti di generazione di immagini divisi equamente tra inglese e cinese. Ogni compito chiede a un modello di riprodurre un brano letterario come testo in un’immagine; i testi completi richiesti contengono in media circa 1.340 caratteri. I ricercatori hanno generato quattro immagini per ogni compito e le hanno incluse tutte e quattro nel calcolo del punteggio, anziché scegliere il risultato migliore.

Il rapporto afferma: «MOSS-Image ottiene le migliori prestazioni tra i modelli a pesi aperti su LLTB, con una copertura media del testo del 96,3%». Gli autori di “MOSS-Image Technical Report” confrontano questo risultato con il 64,9% ottenuto da Qwen Image 2512 nello stesso benchmark. Il punteggio di MOSS-Image sui brani più lunghi in cinese è inferiore, pari al 92,4%, rispetto al 97,1% sui brani più lunghi in inglese.

La copertura non equivale all’accuratezza di una trascrizione esatta. La valutazione usa il riconoscimento ottico dei caratteri (OCR) per confrontare le parole inglesi e i caratteri cinesi riconosciuti con il testo richiesto, ma non verifica l’ordine delle parole né penalizza direttamente il testo aggiuntivo riconosciuto. Il 96,3% misura quindi la quota di unità di testo recuperate secondo le regole di valutazione del benchmark: non significa che quasi ogni immagine generata contenga un brano perfettamente corretto.

I layout JSON forniscono coordinate al modello

MOSS-Image accetta sia prompt ordinari sia JSON strutturati che descrivono oggetti, testo e riquadri di delimitazione. Gli utenti possono specificare che cosa deve comparire e dove deve trovarsi, fornendo al generatore di immagini istruzioni spaziali insieme al prompt testuale. La versione di base e quella sottoposta a fine-tuning condividono la stessa architettura e la stessa interfaccia di campionamento; OpenMOSS afferma che, negli esempi di confronto, la versione SFT raggruppa il testo in modo più chiaro.

Il rapporto valuta anche il posizionamento degli oggetti usando 7Bench. Per gli oggetti rilevati, MOSS-Image ottiene un punteggio medio di intersection-over-union pari a 0,88 e un punteggio di area sotto la curva per il layout pari a 0,70, superiori ai corrispondenti punteggi riportati per Ideogram 4 nella valutazione del team. Queste misure sono condizionate al rilevamento degli oggetti: quando i ricercatori includono tutti gli oggetti richiesti, compresi quelli che il sistema non riesce a rilevare, l’IoU media di MOSS-Image è 0,68. La distinzione conta, perché un punteggio elevato nel posizionamento degli oggetti rilevati non significa che il modello collochi ogni elemento richiesto.

Un punteggio elevato del sistema dipende da un pianificatore esterno

OpenMOSS valuta anche sistemi completi su RealLayoutArena, una serie di 61 brevi richieste di progettazione relative a poster, infografiche e interfacce utente. Nei confronti a coppie alla cieca, i valutatori giudicano il rispetto delle istruzioni, la qualità della resa e l’organizzazione spaziale. MOSS-Image si classifica secondo in questo confronto end-to-end, dietro GPT Image 2.

Il sistema completo affianca al modello per le immagini un sistema di arricchimento dei prompt sensibile all’intento, che trasforma una richiesta breve in istruzioni dettagliate sul contenuto e sul layout. Il rapporto afferma che questo pianificatore usa GPT-6 in fase di inferenza. In un confronto separato, in cui diversi generatori di immagini ricevono gli stessi prompt arricchiti, il modello per le immagini alla base di MOSS-Image si classifica primo. Questi risultati indicano due contributi distinti — il generatore di immagini aperto e una fase di pianificazione che dipende da un modello esterno — e non un sistema aperto del tutto autonomo.

Pesi aperti, ma nessuna capacità di modifica delle immagini

I pesi rilasciati sono distribuiti con licenza Apache-2.0 e il repository include una procedura di inferenza in Python e un plugin per ComfyUI. Secondo il rapporto, il modello si basa su un transformer a diffusione a flusso singolo, con un encoder testuale Qwen3.5-9B i cui parametri sono congelati e un VAE FLUX.2. OpenMOSS indica il supporto per prompt fino a 4.096 token e raccomanda una GPU NVIDIA per la configurazione locale documentata.

Il team individua un limite preciso: il modello alla base del sistema genera immagini a partire da testo e layout, ma attualmente non accetta direttamente immagini di riferimento né supporta la modifica delle immagini. Il suo pianificatore può esaminare riferimenti visivi per aiutare a preparare un prompt, ma quelle immagini non condizionano il generatore stesso. Il risultato principale di MOSS-Image nel benchmark riguarda quindi una capacità specifica — riprodurre testi densi e disporre gli elementi — non una capacità generale di modificare un’immagine esistente.