รีวิว MOSS-Image — โมเดลสร้างภาพโอเพนซอร์ส 5B เขียนตัวหนังสือในภาพได้คม จัดเลย์เอาต์ได้
ข้อมูล Repo
OpenMOSS/MOSS-Image- ภาษา
- Python
- ดาว
- 1,461
- สร้างเมื่อ
- แก้ไขล่าสุด
เปลี่ยนสถานะผ่าน API: PATCH /api/reports/f4cbaf8f-85f3-4885-ba19-d967cbf6a480
แคปชันสำหรับ Facebook
อยากได้โมเดลสร้างภาพที่เขียนตัวหนังสือในภาพได้คม แถมรันเองได้ ตัวนี้น่าลองครับ 🎨 MOSS-Image คือโมเดลสร้างภาพโอเพนซอร์สขนาด 5B จากทีม OpenMOSS ✅ เขียนตัวหนังสือในภาพได้ชัด เหมาะกับโปสเตอร์และแบนเนอร์ ✅ กำหนดตำแหน่งข้อความและวัตถุได้ด้วย layout แบบ JSON ✅ รับ prompt ยาวได้ถึง 4K token ทำได้ทั้งสไตล์อนิเมะและภาพเหมือนจริง ✅ ใช้ใน ComfyUI ได้เลย และเทรน LoRA ได้ด้วยการ์ดจอ VRAM ราว 6GB ข้อควรรู้: ต้องมี GPU ถ้ารันเอง และยังไม่รู้ว่าเขียนภาษาไทยได้ดีแค่ไหน ต้องลองดูก่อน 🔗 https://github.com/OpenMOSS/MOSS-Image #AIImage #ComfyUI #OpenSource #TextToImage
ภาพปกแบบ HTML สด
แสดงจาก HTML ต้นฉบับที่ใช้สร้างภาพ ดาวน์โหลดเป็น PNG 1080×1350 ได้ทันที
สไตล์ Easy AI
1080×1350แก้ไข 2026-10-23
สไตล์ easy-app
1080×1350แก้ไข 2026-10-23
สรุป
MOSS-Image จาก OpenMOSS เป็นโมเดล text-to-image ขนาด 5B ที่เด่นเรื่องเขียนตัวหนังสือในภาพให้ชัดและจัดตำแหน่งข้อความกับวัตถุด้วย layout แบบ JSON มีทั้งรุ่น Base และ SFT รับ prompt ยาวได้ถึง 4K token และใช้ใน ComfyUI ได้เลย
คืออะไร
MOSS-Image คือโมเดลสร้างภาพจากข้อความ (text-to-image) แบบ DiT ขนาด 5B จากทีม OpenMOSS เปิดทั้งโค้ดและน้ำหนักโมเดลมาให้ใช้ มี 2 รุ่น คือ MOSS-Image-Base (โมเดลพื้นฐาน) และ MOSS-Image-SFT ที่ fine-tune ต่อจาก Base ด้วยข้อมูลที่คัดมาแล้ว ในตัวอย่างของ README รุ่น SFT จัดกลุ่มข้อความบนไวต์บอร์ดได้ชัดและเป็นระเบียบกว่า
จุดเด่น
- เขียนตัวหนังสือในภาพได้ชัดและถูกต้อง ตัวอย่างใน README เป็นโน้ตลายมือภาษาจีนบนประตูตู้เย็น
- คุมเลย์เอาต์ได้: ส่ง layout เป็น JSON บอกตำแหน่งข้อความและวัตถุด้วยกรอบ (bbox) เช่น ทำโปสเตอร์ที่มีหัวเรื่องอยู่ด้านบนและภาพภูเขาอยู่ตรงกลาง แก้ข้อความหรือย้ายกรอบเพื่อปรับภาพได้แบบมีโครงสร้าง
- รับ prompt ยาวได้ถึง 4K token
- ทำได้ทั้งภาพสไตล์อนิเมะและภาพเหมือนจริง
- fine-tune ง่าย: มีเครื่องมือชุมชนอย่าง KohakuMossTrainer ที่เทรน adapter (เช่น LoRA) ได้ด้วย VRAM ต่ำสุดราว 6GB และ DiffSynth-Studio ที่รองรับทั้ง full fine-tune และ LoRA
- ใช้ใน ComfyUI ได้เลยแบบไม่ต้องลงปลั๊กอินเพิ่ม (ต้องอัปเดต ComfyUI เป็น master/nightly ที่รองรับ) และรองรับ SGLang กับ vLLM-Omni ตั้งแต่วันแรก
- มี Gradio ให้ลองผ่านหน้าเว็บในเครื่อง พร้อมโหมดประหยัดหน่วยความจำ ถ้า GPU ไม่พอให้เลือกโหมด Sequential หรือลดขนาดภาพ
- มี skill "Prompt Enhancer" ช่วยเปลี่ยนไอเดียภาพเป็นคำบรรยายละเอียดหรือ layout JSON
- ถ้าไม่อยากรันเอง มีให้ใช้ผ่าน MOSI API Platform และมีเดโมบน Hugging Face Spaces
เหมาะกับใคร
- คนทำโปสเตอร์ แบนเนอร์ หรือภาพที่ต้องมีตัวหนังสือในภาพ
- สาย ComfyUI ที่อยากลองโมเดลใหม่ที่คุมตำแหน่งองค์ประกอบได้
- คนที่อยากเทรน LoRA สไตล์ของตัวเองบนโมเดลโอเพนซอร์สขนาดไม่ใหญ่มาก
- นักวิจัยที่สนใจ layout-to-image (มี technical report บน arXiv)
เริ่มต้นใช้งาน
ติดตั้ง
git clone https://github.com/OpenMOSS/MOSS-Image.git
cd MOSS-Image
python -m venv .venv
source .venv/bin/activate
pip install -r requirements.txt
เปิดหน้าเว็บ Gradio
pip install -e '.[ui]'
python gradio_app.py --model OpenMOSS-Team/MOSS-Image-Base
หรือเรียกผ่าน Python ด้วย diffusers (DiffusionPipeline.from_pretrained("OpenMOSS-Team/MOSS-Image-Base", custom_pipeline="pipeline_moss_image", trust_remote_code=True, ...)) ค่าเริ่มต้นที่แนะนำคือ 50 steps และ CFG 3 ดูคำแนะนำ prompt และ layout เพิ่มได้ใน USERGUIDE.md
ข้อควรรู้
- License: โค้ด pipeline เป็น Apache-2.0 ส่วนเงื่อนไขของน้ำหนักโมเดลควรเช็กที่หน้า model card บน Hugging Face ก่อนใช้เชิงพาณิชย์
- ความสดใหม่: เปิดตัวเมื่อ 16 ต.ค. 2026 push ล่าสุด 20 ต.ค. 2026 ยังใหม่มาก มี issue เปิดอยู่ 15 รายการ
- ต้องมี GPU (ตัวอย่างโค้ดใช้
cuda) และโค้ดตัวอย่างใช้trust_remote_code=Trueซึ่งรันโค้ดจาก repo ของโมเดล - ชุมชนทำ LoRA ลดปัญหาแถบสีแนวตั้ง (vertical color banding) ในรุ่น SFT ไว้ แปลว่าอาจเจออาการนี้ได้
- ตัวอย่างข้อความในภาพเป็นภาษาจีนและอังกฤษ README ไม่ได้บอกว่าเขียนภาษาไทยได้ดีแค่ไหน ต้องลองเอง
🔗 https://github.com/OpenMOSS/MOSS-Image
ข้อมูลจาก GitHub ณ 23 ต.ค. 2026: ⭐ 1,461 | ภาษา Python | license Apache-2.0