Hoy, DeepSeek liberó como código abierto su framework de inferencia para producción, DeepInfer. Muchos están hablando sobre cómo ejecutar modelos más potentes con menos recursos de cómputo.
Casualmente, he estado probando otro modelo open-source que sigue el mismo camino: MOSS-Image, que tiene apenas 5B de parámetros. Le planteé a este modelo y al supuestamente más potente de código cerrado, GPT Image 2.5, el mismo desafío difícil.
El resultado: GPT Image 2.5 falló en la segunda ronda, mientras que el pequeño modelo open-source de 5B renderizó correctamente dos veces el poema completo "Trae el vino". Si Li Bai viera esto, probablemente se tomaría trescientas copas más.
El prompt fue: Crea una escena de Li Bai levantando una copa junto al río en una pintura de pergamino con tinta aguada. Escribe el texto completo de "Trae el vino" en 12 líneas de caligrafía, acompañado de un título, el nombre del autor, un sello bermellón y tres líneas de texto en inglés. Debe haber exactamente 4 copas de vino sobre la plataforma de piedra, ni una más, ni una menos.
Al principio pensé que el modelo de código cerrado ganaría sin esfuerzo. En la primera ronda, ambos estuvieron a la par. Pero en la segunda, cuando cambié solo dos detalles, GPT Image 2.5 se equivocó al contar las copas, mientras que MOSS-Image lo hizo bien ambas veces.
A continuación están las 2 imágenes generadas por MOSS-Image
A continuación están las 2 imágenes generadas por GPT Image 2.5
¿Por qué esta prueba es tan difícil?
Escribí este prompt intencionalmente para que fuera complicado.
Este famoso poema tiene 12 líneas y más de 170 caracteres, que deben escribirse en estilo cursivo sobre la pintura sin un solo error. Ya había probado muchos modelos antes; cuando la cantidad de caracteres sube tanto, empiezan a equivocarse.
La cantidad de copas de vino la agregué específicamente porque la generación de imágenes con IA es conocida por ser pésima contando objetos.
Además, la escena incluye muchos elementos: paisaje fluvial, Li Bai, título, sello, el poema completo y tres líneas en inglés, cada uno con posiciones específicas. También añadí una restricción al final: no se permite ningún otro texto y solo puede haber un sello.
Ronda 1: Ambos aprobaron
En la primera ronda, pedí 2 copas de vino sobre la plataforma de piedra, y la última línea en inglés era "Let us drink away the sorrows of all ages." (Bebamos hasta olvidar las penas de todos los tiempos).
Cuando salieron las imágenes, las revisé una por una: cero errores en el poema, solo un sello, el texto en inglés correcto y exactamente 2 copas. Ambos modelos superaron esta ronda sin problemas.
La diferencia estuvo principalmente en la estética. La versión de MOSS-Image tenía variaciones en la densidad de la tinta y espacios en blanco muy equilibrados, luciendo como un pergamino colgante real. GPT Image 2.5 se veía bien a simple vista, pero al hacer zoom se notaban pinceladas más planas, sin ese sutil efecto de difuminado típico de la tinta tradicional.
Ronda 2: Pequeños cambios revelaron grandes diferencias
Luego, cambié solo dos cosas:
- Cambié la cantidad de copas de 2 a 4.
- Agregué la palabra "Cheers" (Salud) después de la última línea en inglés.
En teoría, son cambios mínimos. Los resultados fueron:
- MOSS-Image: Acertó ambos cambios. Exactamente 4 copas, "Cheers" agregado, y las 12 líneas del poema junto con el sello se mantuvieron intactos.
- GPT Image 2.5: Agregó "Cheers", pero arruinó el conteo de copas. Se le pidieron 4, pero dibujó 5.
Por supuesto, esto es solo un conjunto de prompts y no representa todos los escenarios posibles. Pero en cuanto a "texto largo más control preciso", el modelo open-source de 5B dio una actuación impresionante.
¿Cómo puede lograr esto un modelo pequeño de 5B?
Analizando esta prueba, el éxito de MOSS-Image en ambas rondas depende de varias capacidades:
- Renderizado preciso en chino e inglés. Las 12 líneas con más de 170 caracteres chinos en estilo cursivo no tuvieron errores tipográficos ni omisiones. Las tres líneas inferiores en inglés y el "Cheers" agregado también quedaron nítidos.
- Comprensión total de prompts largos. Soporta prompts de hasta 4K tokens. Mi prompt incluía estilo, escena, título, poema, inglés y restricciones negativas. Lo siguió todo de principio a fin sin perder el hilo. Por eso, cuando cambié la cantidad de copas y agregué una palabra en la segunda ronda, procesó ambas actualizaciones sin desordenar el resto.
- Estilo controlable. Esta prueba requería una textura de tinta aguada sobre papel de arroz, y no se desvió hacia estilos fotorrealistas o 3D. Además del estilo tradicional chino, también maneja anime, ilustración y fotorrealismo.
Si quieres usarlo en tu trabajo, hay dos puntos que vale la pena conocer: primero, soporta JSON Layout estructurado, lo que permite especificar directamente las posiciones del texto y los elementos, mejorando el control de composición para pósteres, imágenes de e-commerce y portadas para redes sociales. Segundo, los pesos, el código y las guías de uso tanto para las versiones Base como SFT son de código abierto. SGLang y vLLM-Omni ofrecen soporte desde el día cero, lo que hace muy fácil empezar con fine-tuning LoRA o desarrollo secundario.
Método de prueba y consejos para tus prompts
El proceso fue simple: ambos modelos usaron el mismo prompt. Después de correr la primera ronda, cambié dos detalles y ejecuté la segunda. MOSS-Image se generó en la plataforma oficial de pruebas, mientras que GPT Image 2.5 se generó online en ChatGPT.
Para escribir prompts complejos como este, tengo tres consejos:
- Define primero el estilo artístico y los materiales. Especifica papel de arroz, tinta aguada, pigmentos minerales, y añade "no fotográfico, no 3D" para evitar que la imagen se desvíe hacia el realismo.
- Describe por zonas. Describe la escena abajo a la izquierda, el título y el sello arriba a la derecha, el poema en la mitad derecha y el inglés en la parte inferior. Separar los bloques hace que sea más fácil para el modelo seguir las instrucciones.
- Termina con restricciones negativas. Añade "Sin otro texto, sin sellos extra, sin marcas de agua" al final para mantener la imagen limpia.
Prompt completo
Aquí está el prompt completo usado en la primera ronda, listo para copiar y probar:
1Una pintura tradicional china de tinta aguada sobre papel xuan color marfil cálido, formato de pergamino colgante alto. Capas de tinta negra, lavados grises suaves, pigmento mineral azul verdoso apagado, ocre pálido, fibras de papel visibles, bordes de tinta húmeda difuminados, textura de pincel seco. Pintada a mano, no fotográfica, no 3D.2Escena en la parte izquierda e inferior: un río caudaloso brota de montañas cubiertas de nubes, dibujado con líneas de tinta fluidas y papel en blanco. Acantilados erosionados, picos distantes en capas, un pino doblado por el viento, niebla a la deriva, una luna pálida detrás de nubes finas. Sobre una terraza rocosa junto al río, un poeta con túnicas holgadas color marfil y un moño sencillo levanta una pequeña copa de vino hacia el cielo. Una jarra redonda de cerámica para vino y dos copas descansan sobre una piedra plana a su lado.3Arriba a la derecha: título grande y audaz pintado con pincel 《将进酒》, debajo el nombre del autor 李白, con exactamente un pequeño sello bermellón que dice 诗酒 junto al nombre del autor.4Mitad derecha: el poema completo en caligrafía china regular-cursiva limpia y claramente legible, escrita en exactamente 12 líneas horizontales, espaciado uniforme entre líneas, cada carácter correcto, sobre papel en blanco limpio:5Línea 1: 君不见，黄河之水天上来，奔流到海不复回。6Línea 2: 君不见，高堂明镜悲白发，朝如青丝暮成雪。7Línea 3: 人生得意须尽欢，莫使金樽空对月。8Línea 4: 天生我材必有用，千金散尽还复来。9Línea 5: 烹羊宰牛且为乐，会须一饮三百杯。10Línea 6: 岑夫子，丹丘生，将进酒，杯莫停。11Línea 7: 与君歌一曲，请君为我倾耳听。12Línea 8: 钟鼓馔玉不足贵，但愿长醉不复醒。13Línea 9: 古来圣贤皆寂寞，惟有饮者留其名。14Línea 10: 陈王昔时宴平乐，斗酒十千恣欢谑。15Línea 11: 主人何为言少钱，径须沽取对君酌。16Línea 12: 五花马，千金裘，呼儿将出换美酒，与尔同销万古愁。17Centro inferior, texto pequeño en inglés con fuente serif gris oscuro en tres líneas:18BRING IN THE WINE19Li Bai20Let us drink away the sorrows of all ages.21Sin otro texto, sin sellos adicionales, sin marcas de agua en ninguna otra parte de la pintura.
Para la segunda ronda, solo se hicieron dos cambios:
- Se cambió "dos copas" por "cuatro copas" en la descripción de la escena.
- Se agregó "Cheers" después de la última línea en inglés.
Todo lo demás se mantuvo igual.
Tu turno
Un modelo open-source de 5B puede escribir el poema completo "Trae el vino" dentro de un pergamino de tinta aguada, acertando la cantidad exacta de copas.
Actualmente, MOSS-Image ha superado las 700,000 descargas en ComfyUI. No te quedes solo con mi palabra, pruébalo tú mismo 👇
🤗 Prueba online gratis: https://huggingface.co/spaces/OpenMOSS-Team/MOSS-Image
⭐ GitHub para pesos y código: https://github.com/OpenMOSS/MOSS-Image
¿Qué vas a crear con él? Comparte tus imágenes en los comentarios. Levantemos nuestras copas juntos. ¡Salud! 🍶
