arXiv 2610.23374
Báo cáo kỹ thuật MOSS-Image
MOSS-Image Technical Report
AI13 lượt đề xuất
Tác giả: MOSI. AI
Tổng quan
Các tác giả giới thiệu MOSS-Image, một hệ thống sinh ảnh mở kết hợp mô hình khuếch tán transformer (DiT) luồng đơn 5B được huấn luyện trước từ đầu với mô-đun tăng cường prompt có nhận biết ý định dựa trên tác tử. Hệ thống hướng tới hiển thị văn bản dài song ngữ và kiểm soát bố cục chính xác. Nhóm tác giả cũng giới thiệu hai bộ đánh giá là LongLongTextBench (LLTB) và RealLayoutArena (RLA).
Giới thiệu
Các hệ thống sinh ảnh mã nguồn đóng tạo ra nội dung đa dạng, nhưng các mô hình văn bản-thành-ảnh có trọng số mở vẫn gặp khó khăn với văn bản dày đặc và bố cục phức tạp.
Kết quả
MOSS-Image đạt hiệu năng hàng đầu trong nhóm mô hình trọng số mở trên LLTB, với độ phủ văn bản trung bình 96.3%. Trên RLA, mô hình xếp thứ hai trong so sánh hệ thống đầu cuối, còn backbone của nó xếp thứ nhất trong các bộ sinh ảnh được đánh giá với prompt tăng cường dùng chung.
Kết luận
Việc công bố mô hình, quy trình huấn luyện và khung đánh giá sẽ giúp cộng đồng mã mở có nền tảng vững hơn cho sinh ảnh giàu văn bản và có nhận biết bố cục.