MOSS-Image: OpenMOSS ปล่อยโมเดลสร้างภาพ 5B (Apache-2.0) ที่เรนเดอร์ข้อความยาวระดับหน้ากระดาษได้ 96.3% ใกล้ Nano Banana Pro — แต่อันดับ 2 ใน arena ต้องพึ่ง GPT-6 วางเลย์เอาต์
OpenMOSS (ทีมที่อยู่เบื้องหลังโมเดล MOSS ลงชื่อผู้เขียนเป็น MOSI.AI) ปล่อยน้ำหนัก MOSS-Image-Base และ MOSS-Image-SFT ขึ้น Hugging Face เมื่อ 16 ต.ค. 2026 และรายงานเทคนิค (arXiv 2610.23374) เผยแพร่บน arXiv แล้ว โดยรีโป GitHub ประกาศเมื่อ 19 ต.ค. โมเดลนี้เป็น diffusion transformer ขนาด 5B ที่ฝึกจากศูนย์ และตั้งใจแก้จุดอ่อนที่โมเดลสร้างภาพแบบเปิดยังตามโมเดลปิดไม่ทัน คือข้อความยาวที่อัดแน่น (โปสเตอร์ อินโฟกราฟิก หน้าจอ UI) และการวางองค์ประกอบตามเลย์เอาต์ที่สั่ง
ทั้งสองรุ่นมีไฟล์ LICENSE เป็น Apache-2.0 จริงในรีโป Hugging Face (ไม่ใช่แค่ป้ายบนการ์ด) และได้ day-0 support ใน SGLang, vLLM-Omni และ ComfyUI ตั้งแต่วันปล่อย
สเปก: DiT 5B แต่ต้องโหลดรวม ~27GB
- สถาปัตยกรรม: DiT แบบ single-stream 42 ชั้น ใช้ Qwen3.5-9B เป็น text encoder และ VAE ของ FLUX.2 (ตัวถอดรหัสแบบ small) รับ prompt ยาวได้ถึง 4K โทเคน รองรับทั้งภาษาธรรมชาติ, tag และ JSON layout ที่ระบุตำแหน่งข้อความกับวัตถุ
- ขนาดไฟล์: transformer ราว 10.2GB และ text encoder ราว 16.8GB (BF16) รวมพื้นที่ทั้งรีโปราว 27GB ถ้าจะลงการ์ด 24GB ต้องใช้ CPU offload ที่ทีมมีตัวเลือกให้ หรือรอ quant จากชุมชน (มีรุ่นกลั่นเหลือ 8 สเต็ปจากชุมชนแล้ว)
- ค่าเริ่มต้น: flow-matching Euler 50 สเต็ป CFG 3 และข้ามชั้นที่ 22 ในฝั่ง negative ทำให้แต่ละสเต็ปรัน transformer สองรอบ
- ฝึกบน GPU หลากชนิด: README ระบุว่าฝึกบน “alternative GPU platforms” แต่ไม่ได้ระบุยี่ห้อชิป
- ของแถม: Agent Skill ชื่อ MOSS-Image Prompt Enhancer ที่แปลงไอเดียภาพเป็นคำบรรยายละเอียดหรือ JSON layout ซึ่ง README ระบุว่าออกแบบมาสำหรับ “GPT-6-family agents”
ตัวเลข: เกือบเท่าโมเดลปิด ในสนามที่ทีมสร้างเอง
ทีมไม่ใช้ LongTextBench เป็นตัวหลัก เพราะโมเดลเก่ง ๆ ทำได้ 96–99 กันหมดแล้ว จึงสร้าง LongLongTextBench (LLTB) ขึ้นใหม่ เป็นงานเรนเดอร์ข้อความวรรณกรรม 240 งาน (อังกฤษ 120 จีน 120) เฉลี่ย 1,340 ตัวอักษรต่องาน หรือราว 11 เท่าของ LongTextBench ผลจากตาราง 4 ในรายงาน:
| โมเดล | LLTB Mean-6 |
|---|---|
| GPT Image 2 (ปิด) | 99.0 |
| Nano Banana Pro (ปิด) | 96.6 |
| MOSS-Image | 96.3 |
| Qwen Image 3.0 Pro (ปิด) | 94.3 |
| Qwen Image 2512 | 64.9 |
| ERNIE Image | 55.7 |
| Z-Image Base | 40.8 |
| FLUX.2 | 11.8 |
ด้านเลย์เอาต์บน 7Bench MOSS-Image ได้ mIoU 0.88 และ AUC 0.70 ขณะที่อันดับรองคือ Ideogram 4.0 ได้ 0.44 และ 0.20 ส่วน GPT Image 2 ได้แค่ 0.30 และ 0.16 ข้อได้เปรียบนี้มาจากการที่ MOSS-Image รับพิกัดผ่าน JSON ได้โดยตรง ขณะที่โมเดลอื่นต้องตีความพิกัดจากข้อความ
ในการทดสอบแบบ end-to-end บน RealLayoutArena (RLA) ซึ่งเป็นงานออกแบบโปสเตอร์ อินโฟกราฟิก และ UI รวม 61 งาน ให้คนโหวตแบบไม่เห็นชื่อโมเดล MOSS-Image ได้ 1698.70 Elo อันดับ 2 รองจาก GPT Image 2 (1844.35) และนำ Seedream 5.0 Pro (1661.16) กับ Nano Banana Pro (1590.19)
ข้อควรรู้ก่อนเชื่อพาดหัว:
- LLTB และ RLA เป็น benchmark ที่ทีมสร้างเองทั้งคู่ และผลบน 7Bench, LLTB, RLA ทีมรันเองทั้งหมด ยังไม่มีใครทดสอบซ้ำแยกต่างหาก
- อันดับ 2 บน RLA เป็นผลของทั้งระบบที่ใช้ GPT-6 เป็นตัววางแผน (Layout PE) ไม่ใช่โมเดล 5B ตัวเดียว ถ้าจะรันแบบออฟไลน์ทั้งหมดต้องหา LLM อื่นมาทำหน้าที่นี้แทน และรายงานยอมรับเองว่าในการให้คะแนนเสริม GPT-6 เป็นทั้งตัววางแผนและกรรมการ
- คะแนนข้อความจีนยาวที่สุดอยู่ที่ 92.4 ต่ำกว่าภาษาอังกฤษ (97.1) และตารางไม่มี Qwen-Image 2.1 รุ่นล่าสุดอยู่ในการเปรียบเทียบ
มุมมอง AI Curator
ข่าวนี้แสดงให้เห็นว่าช่องว่างเรื่อง “ข้อความในภาพ” ระหว่างโมเดลเปิดกับโมเดลปิดแคบลงเร็วมาก โมเดล 5B ที่ไลเซนส์ Apache-2.0 จริงทำคะแนนข้อความยาวได้ใกล้ Nano Banana Pro ซึ่งหนึ่งปีก่อนยังเป็นไปไม่ได้ ที่สำคัญกว่าคือไลเซนส์ ในช่วงที่ Qwen-Image เพิ่งเปลี่ยนจาก Apache-2.0 ไปใช้ไลเซนส์ “research” ที่ห้ามใช้เชิงพาณิชย์ตั้งแต่รุ่น 2.1 MOSS-Image ให้ทางเลือกที่ทีมทำสื่อหรือสตาร์ทอัปเอาไปใช้ในผลิตภัณฑ์ได้โดยไม่ต้องเจรจา (เราเองก็ใช้ Qwen-Image 2.1 ทำภาพปกบล็อกนี้ และกำลังจับตาว่าควรย้ายหรือไม่)
สิ่งที่ควรระวังคือโครงสร้าง “โมเดลเปิด + ตัววางแผนปิด” ซึ่งเริ่มเป็นแบบแผนทั่วไปของระบบสร้างภาพ ผล arena ที่สวยมาจาก GPT-6 ช่วยคิดเลย์เอาต์ ถ้าเอาออกแล้วใช้แค่โมเดล 5B คุณภาพงานออกแบบจะตกลงแค่ไหนยังไม่มีใครวัดให้ดู สำหรับผู้ใช้ไทย ข้อจำกัดที่ชัดที่สุดคือโมเดลฝึกแค่อังกฤษกับจีน ข้อความภาษาไทยในภาพยังไม่ควรคาดหวัง (ปัญหาเดียวกับที่เราเจอใน Qwen-Image ซึ่งพิมพ์ไทยเพี้ยนจนต้องใช้หัวข้อภาษาอังกฤษบนภาพปก) จุดที่ใช้ได้ทันทีคือ JSON layout สำหรับงานที่ต้องวางวัตถุเป๊ะ ๆ เช่นภาพสินค้าหรือ mockup แล้วค่อยใส่ข้อความไทยทีหลังด้วยเครื่องมือออกแบบปกติ
แหล่งข่าว
อ่านเพิ่มในหมวด โมเดลใหม่
Google เปิดตัว Gemini 4 Carbon ขึ้นอันดับ 1 Artificial Analysis v5 ด้วยคะแนน 59 แต่ยังให้ใช้แค่นักป้องกันไซเบอร์กลุ่มเล็ก
Gemini 4 Carbon เปิดตัว 28 ต.ค. แซง Claude Opus 5.5 บน Intelligence Index v5 แค่ 1 คะแนน และตามหลังเพียง 3 คะแนนในดัชนี coding agent ราคาเปิดตัว $2/$10 แต่นักพัฒนาทั่วไปยังเรียกใช้ไม่ได้ ระหว่างที่ Google ค่อย ๆ เปิดผ่านโปรแกรม Fairwind
Microsoft ปล่อย Mage-VL-Cowork โมเดล 4B คุมเดสก์ท็อปและเทอร์มินัลในตัวเดียว ได้ 66% บน OSWorld-Verified สัญญาอนุญาต Apache-2.0
Mage-VL-Cowork ขนาด 4B ของ Microsoft เลือกเองว่าจะคลิกหน้าจอหรือสั่ง bash ทำคะแนน OSWorld-Verified 66.0% ใกล้ค่าอ้างอิงมนุษย์ 72.4% ในตารางเดียวกัน แต่คำว่าดีที่สุดในขนาด 4B มีคู่เทียบบนตารางนี้แค่รุ่นเดียว
Mistral ปล่อยน้ำหนัก Large 4 จริงแล้ว — 1T ราคาลดเกือบครึ่ง แต่บน AA ได้ 26 และสัญญาอนุญาตห้ามขายเป็น API ถ้าไม่มีใบอนุญาตแยก
Mistral ปล่อยน้ำหนัก Large 4 (Le Chonk) เมื่อ 29 ต.ค. เป็นรุ่นที่ฝึก RL ต่ออีกสามสัปดาห์หลัง preview ขนาด 1T ใช้พื้นที่ราว 1.06TB ราคา API ลดเหลือ $0.70/$2.10 Mistral นำ open-weight ด้าน coding แต่คะแนนรวม AA 26 ตามหลังโมเดลจีน และสัญญาอนุญาตกันธุรกิจ Model-as-a-Service