OpenMOSS、50億パラメータの画像生成モデル「MOSS-Image」をオープンソース公開

MOSS-Image は、OpenMOSS が公開した 50 億パラメータ（5B）のオープンソース画像生成モデルです。軽量でありながら、画面内の正確なレイアウト配置と崩れない文字描画を両立しています。

ライセンスは寛容な Apache 2.0 を採用しており、コードとモデルの重みがすべて公開されているため、商用利用も含めて自由に活用できます。

何ができるのか

従来の画像生成モデルは、構図の指定が難しく、画像内の文字が崩れやすいという課題を抱えていました。MOSS-Image はこの 2 点を正面から解決しています。

最大の特徴は、バウンディングボックスによるレイアウト制御です。キャンバス上に枠を描いて要素の配置場所を指定すれば、キャラクターや小道具が重なり合うことなく、指定通りの構図で描画されます。

文字レンダリングの精度も高く、手書きのメモや看板のテキストを破綻なく生成できます。最大 4K トークンの長文プロンプトにも対応しており、漫画のコマ割り、インフォグラフィックス、ゲームのコンセプトアート、アニメ調や実写風の画像まで幅広く対応します。

検証動画では、Flux 3 と比較しても規制が少なく使い勝手が良いと評価されています。ただし現状の制限として、テキストからの画像生成のみに対応しており、自然言語による既存画像の対話的な編集はできません。

動作環境と導入方法

DiT アーキテクチャをベースにしており、Transformer 部分の重みは約 10GB とコンパクトで、一般的な民生用 GPU でも十分に動作します。

モデルは 2 種類用意されています。追加学習や微調整向けの「Base」と、教師あり微調整を施して画質を高めた「SFT」です。プロンプトから直接画像を生成する場合は、SFT 版を選択するのが基本となります。

公開初日から ComfyUI の最新版でネイティブサポートされており、専用プラグインを追加しなくても動かせます。さらに SGLang や vLLM-Omni での推論高速化にも対応しています。

学習環境も整備されており、KohakuMossTrainer を使えば、わずか 6GB の VRAM を備えたグラフィックボードでも LoRA などの追加学習が可能です。ローカル環境を用意しなくても、MOSI API Platform の Playground ですぐに試すことができます。

なぜ重要か

漫画家、イラストレーター、インディーゲーム制作者にとって、MOSS-Image は実用性の高いツールです。複雑な ControlNet を何重にも組み合わせることなく、標準機能のボックス配置だけで狙い通りの構図を作ることができます。

パラメータ数を 50 億に抑えた判断は非常に現実的です。巨大化するフロンティアモデルと競うのではなく、民生用 PC で手軽に動かせて LoRA 学習まで完結できるサイズ感にまとめた点が評価できます。

対話型の画像編集ができないという弱点は残るものの、レイアウト指定が必要なポスターや情報図、コマ割りの初期ドラフト作成ツールとして、今すぐ試す価値のあるモデルです。