Open-Source-Modell mit 5B Parametern schlägt GPT Image 2.5 im Test für komplexe chinesische Kalligrafie

Heute hat DeepSeek sein produktionsreifes Inferenz-Framework DeepInfer als Open Source veröffentlicht. Viele diskutieren darüber, wie man stärkere Modelle mit weniger Rechenleistung betreiben kann.

Zufällig habe ich ein weiteres Open-Source-Modell getestet, das denselben Weg geht: MOSS-Image, das nur 5B Parameter hat. Ich habe ihm und dem angeblich stärksten Closed-Source-Modell, GPT Image 2.5, dieselbe schwierige Aufgabe gestellt.

Das Ergebnis: GPT Image 2.5 scheiterte bereits in der zweiten Runde, während das kleine 5B-Open-Source-Modell das gesamte Gedicht „Bring in the Wine“ zweimal fehlerfrei darstellte. Wenn Li Bai das sehen würde, würde er wahrscheinlich noch dreihundert Tassen mehr trinken.

Der Prompt lautete: Erstelle eine Szene von Li Bai, der am Fluss eine Tasse hebt, im Stil einer Tuschemalerei-Rolle. Schreibe den vollständigen Text von „Bring in the Wine“ in 12 Zeilen Kalligrafie, begleitet von einem Titel, dem Namen des Autors, einem zinnoberroten Siegel und drei Zeilen englischem Text. Es müssen exakt 4 Weintassen auf der Steinplattform stehen – nicht mehr und nicht weniger.

Ursprünglich dachte ich, das Closed-Source-Modell würde mühelos gewinnen. In der ersten Runde waren beide vergleichbar. Aber in der zweiten Runde, als ich nur zwei Details änderte, zählte GPT Image 2.5 die Tassen falsch, während MOSS-Image es beide Male richtig machte.

Unten sind 2 Bilder, die von MOSS-Image generiert wurden

Unten sind 2 Bilder, die von GPT Image 2.5 generiert wurden

Warum ist dieser Test so schwer?

Ich habe diesen Prompt absichtlich schwierig formuliert.

Dieses berühmte Gedicht hat 12 Zeilen und über 170 Zeichen, die in halbkursiver Schrift (Running Script) ohne einen einzigen Fehler auf das Bild geschrieben werden müssen. Ich habe vorher viele Modelle getestet; sobald die Zeichenzahl steigt, fangen sie an, Fehler zu machen.

Die Anzahl der Weintassen wurde speziell hinzugefügt, weil KI-Bildgenerierung bekanntermaßen schlecht darin ist, Objekte zu zählen.

Außerdem enthält die Szene viele Elemente: Flusslandschaft, Li Bai, Titel, Siegel, das ganze Gedicht und drei Zeilen Englisch, jeweils mit bestimmten Positionen. Ich habe am Ende auch eine Einschränkung hinzugefügt: kein anderer Text erlaubt und nur ein einziges Siegel.

Runde 1: Beide bestanden

In der ersten Runde bat ich um 2 Weintassen auf der Steinplattform, und die letzte englische Zeile lautete „Let us drink away the sorrows of all ages.“

Als die Bilder fertig waren, prüfte ich sie einzeln: keine Fehler im Gedicht, nur ein Siegel, korrekter englischer Text und genau 2 Tassen. Beide Modelle haben diese Runde problemlos bestanden.

Der Unterschied lag hauptsächlich in der Ästhetik. Die MOSS-Image-Version hatte eine abwechslungsreiche Tuschedichte und angenehmen Weißraum und sah aus wie eine echte Hängerolle. GPT Image 2.5 sah auf den ersten Blick gut aus, aber beim Heranzoomen zeigten sich flachere Pinselstriche, denen der subtile Verlaufs-Effekt traditioneller Tuschemalerei fehlte.

Runde 2: Kleine Änderungen offenbarten große Unterschiede

Als Nächstes änderte ich nur zwei Dinge:

1. Ich änderte die Anzahl der Tassen von 2 auf 4.
2. Ich fügte nach der letzten englischen Zeile das Wort „Cheers“ hinzu.

Logisch gesehen sind das minimale Änderungen. Die Ergebnisse waren:

• MOSS-Image: Hat beide Änderungen korrekt umgesetzt. Genau 4 Tassen, „Cheers“ hinzugefügt, und die 12 Gedichtzeilen sowie das Siegel blieben intakt.
• GPT Image 2.5: Hat „Cheers“ hinzugefügt, aber die Tassenanzahl vermasselt. Gefordert waren 4 Tassen, gezeichnet wurden 5.

Natürlich ist das nur ein Set von Prompts und repräsentiert nicht alle Szenarien. Aber was „langen Text plus präzise Kontrolle“ angeht, hat das 5B-Open-Source-Modell eine beeindruckende Leistung abgeliefert.

Wie kann ein kleines 5B-Modell das schaffen?

Wenn man auf diesen Test zurückblickt, beruht der Erfolg von MOSS-Image in beiden Runden auf mehreren Fähigkeiten:

• Präzises Rendering von Chinesisch/Englisch. Die 12 Zeilen mit über 170 chinesischen Zeichen in halbkursiver Schrift hatten keine Tippfehler oder Auslassungen. Auch die unteren drei englischen Zeilen und das hinzugefügte „Cheers“ waren klar lesbar.
• Vollständiges Verständnis langer Prompts. Es unterstützt Prompts mit bis zu 4K Token. Mein Prompt enthielt Stil, Szene, Titel, Gedicht, Englisch und negative Einschränkungen. Es befolgte alles von Anfang bis Ende, ohne den Faden zu verlieren. Als ich also in Runde zwei die Tassenanzahl änderte und ein Wort hinzufügte, verarbeitete es beide Aktualisierungen, ohne den Rest zu stören.
• Steuerbarer Stil. Dieser Test erforderte eine Reispapier-Tuschemalerei-Textur, und es driftete nicht in fotorealistische oder 3D-Stile ab. Neben dem traditionellen chinesischen Stil kann es auch Anime, Illustration und Fotorealismus.

Wenn du es in deiner Arbeit einsetzen möchtest, hier zwei wissenswerte Punkte: Erstens unterstützt es strukturiertes JSON Layout, wodurch sich Text- und Elementpositionen direkt vorgeben lassen, was die Kompositionssteuerung für Poster, E-Commerce-Bilder und Social-Media-Cover verbessert. Zweitens sind Gewichte, Code und Nutzungsanleitungen für die Base- und SFT-Versionen als Open Source verfügbar. SGLang und vLLM-Omni bieten Day-0-Support, was den Einstieg in LoRA-Feintuning oder Weiterentwicklung erleichtert.

Testmethode und Tipps für Prompts

Der Ablauf war einfach: Beide Modelle nutzten denselben Prompt. Nach der ersten Runde änderte ich zwei Details und startete die zweite Runde. MOSS-Image wurde auf der offiziellen Erlebnisplattform generiert, während GPT Image 2.5 online in ChatGPT erstellt wurde.

Für das Schreiben solch komplexer Prompts habe ich drei Tipps:

1. Definiere zuerst Kunststil und Material. Gib Reispapier, Tusche, Mineralpigmente an und füge „nicht fotografisch, nicht 3D“ hinzu, damit das Bild nicht in den Realismus abdriftet.
2. Beschreibe nach Bereichen. Beschreibe die Szene unten links, Titel und Siegel oben rechts, das Gedicht in der rechten Hälfte und den englischen Text unten. Das Trennen von Blöcken macht es dem Modell leichter, zu folgen.
3. Schließe mit negativen Einschränkungen ab. Füge am Ende „Kein weiterer Text, keine zusätzlichen Siegel, keine Wasserzeichen“ hinzu, um das Bild sauber zu halten.

Vollständiger Prompt

Hier ist der komplette Prompt aus der ersten Runde, bereit zum Kopieren und Ausprobieren:

1Eine traditionelle chinesische Tuschemalerei auf warmem, elfenbeinfarbenem Xuan-Papier, hohes Hängerollen-Format. Geschichtete schwarze Tusche, weiche graue Lavierungen, gedämpftes blaugrünes Mineralpigment, helles Ocker, sichtbare Papierfasern, weiche Nass-in-Nass-Kanten, Trockenpinsel-Textur. Handgemalt, nicht fotografisch, nicht 3D.
2Szene im linken und unteren Teil: Ein mächtiger Fluss bricht aus wolkenverhangenen Bergen hervor, gezeichnet mit fließenden Tuschestrichen und leerem Papier. Verwitterte Klippen, geschichtete ferne Gipfel, eine vom Wind gebogene Kiefer, treibender Nebel, ein blasser Mond hinter dünnen Wolken. Auf einer felsigen Terrasse am Flussufer hebt ein Dichter in weiten elfenbeinfarbenen Gewändern mit einem einfachen Haarknoten eine kleine Weintasse gen Himmel. Ein runder Keramik-Weinkrug und zwei Tassen stehen auf einem flachen Stein neben ihm.
3Oben rechts: großer, kräftiger Pinsel-Titel 《将进酒》, darunter der Autorenname 李白, mit genau einem kleinen zinnoberroten Siegel mit der Aufschrift 诗酒 neben dem Autorennamen.
4Rechte Hälfte: das vollständige Gedicht in sauberer, deutlich lesbarer regulär-halbkursiver chinesischer Kalligrafie, geschrieben in genau 12 horizontalen Zeilen, gleichmäßiger Zeilenabstand, jedes Zeichen korrekt, auf klarem, leerem Papier:
5Zeile 1: 君不见，黄河之水天上来，奔流到海不复回。
6Zeile 2: 君不见，高堂明镜悲白发，朝如青丝暮成雪。
7Zeile 3: 人生得意须尽欢，莫使金樽空对月。
8Zeile 4: 天生我材必有用，千金散尽还复来。
9Zeile 5: 烹羊宰牛且为乐，会须一饮三百杯。
10Zeile 6: 岑夫子，丹丘生，将进酒，杯莫停。
11Zeile 7: 与君歌一曲，请君为我倾耳听。
12Zeile 8: 钟鼓馔玉不足贵，但愿长醉不复醒。
13Zeile 9: 古来圣贤皆寂寞，惟有饮者留其名。
14Zeile 10: 陈王昔时宴平乐，斗酒十千恣欢谑。
15Zeile 11: 主人何为言少钱，径须沽取对君酌。
16Zeile 12: 五花马，千金裘，呼儿将出换美酒，与尔同销万古愁。
17Unten mittig, kleiner dunkelgrauer englischer Serifentext in drei Zeilen:
18BRING IN THE WINE
19Li Bai
20Let us drink away the sorrows of all ages.
21Kein weiterer Text, keine zusätzlichen Siegel, nirgendwo sonst im Bild Wasserzeichen.

Für die zweite Runde wurden nur zwei Änderungen vorgenommen:

1. In der Szenenbeschreibung wurde „two cups“ zu „four cups“ geändert.
2. Nach der letzten englischen Zeile wurde „Cheers“ hinzugefügt.

Alles andere blieb unverändert.

Du bist dran

Ein 5B-Open-Source-Modell kann das gesamte Gedicht „Bring in the Wine“ auf eine Tuschemalerei-Rolle schreiben und dabei die Tassenanzahl exakt richtig treffen.

Aktuell hat MOSS-Image auf ComfyUI über 700.000 Downloads überschritten. Vertrau nicht nur meinem Wort, probiere es selbst aus 👇

🤗 Kostenlos online ausprobieren: https://huggingface.co/spaces/OpenMOSS-Team/MOSS-Image

⭐ GitHub für Gewichte und Code: https://github.com/OpenMOSS/MOSS-Image

Was wirst du damit erschaffen? Teile deine Bilder in den Kommentaren. Lasst uns gemeinsam unsere Tassen heben. Cheers 🍶

#MOSS-Image #AIGC