arXiv 2610.23374

MOSS-Image テクニカルレポート

MOSS-Image Technical Report

AI2026年10月16日推薦13

著者: MOSI. AI

概要

著者らは、スクラッチから事前学習した5B単一ストリーム拡散トランスフォーマー（DiT）と、意図を考慮したエージェント型プロンプト強化（PE）モジュールを組み合わせた、オープンな生成システムMOSS-Imageを紹介します。両者により、英語・中国語の長文テキスト描画と精密なレイアウト制御を目指しています。さらに、LongLongTextBench（LLTB）とRealLayoutArena（RLA）という2つのベンチマークを導入しています。

はじめに

クローズドソースの画像生成システムは多様なコンテンツを生成できますが、オープンウェイトのテキスト画像生成モデルは、情報密度の高いテキストや複雑なレイアウトの扱いにまだ苦労しています。

結果

MOSS-Imageは、LLTBにおいてオープンウェイトモデルの中で最高水準の性能を達成し、平均テキストカバレッジは96.3%です。RLAのエンドツーエンドのシステム比較では2位で、共通の強化プロンプトで評価した生成器の中ではバックボーンが1位でした。

結論

モデル、学習レシピ、評価フレームワークの公開が予定されており、テキストが豊富でレイアウトを考慮した画像生成の研究を支える基盤となります。