MOSS-Imageは、OpenMOSSが2026年10月16日に公開した、5Bパラメータの拡散トランスフォーマー（DiT）型の画像生成モデルです。ベースモデルのMOSS-Image-Baseと、調整済みのMOSS-Image-SFTの2種類があり、コードとモデルの重みが公開されています。
主な特徴
画像の中に読みやすい文字を描くのが得意で、看板やホワイトボードのような文字入りの画像を作れます。JSON形式のレイアウト入力で、文字や物体をどこに置くかをバウンディングボックスで指定でき、要素の説明や枠を書き換えて構図を調整することもできます。プロンプトは最大4,000トークンまで受け付け、実写風とアニメ調のどちらの画像も作れます。
使える環境
SGLang、vLLM-Omni、ComfyUIが公開当日から対応しており、Apple siliconのMacで動かす手順も用意されています。2026年10月20日からはMOSIのAPIプラットフォームでも使えます。KohakuMossTrainerを使えば、LoRAなどの追加学習を6GBのVRAMから行えます。パイプラインのコードはApache License 2.0で公開されています。
