オープンソースの5Bモデルが複雑な中国書道テストでGPT Image 2.5を上回る

本日、DeepSeek が本番環境対応の推論フレームワーク DeepInfer をオープンソース化しました。より少ない計算量でより強力なモデルを動かす方法について、多くの人が議論しています。

偶然にも、私は同じ方向性を持つ別のオープンソースモデルをテストしていました。パラメータ数わずか 5B の MOSS-Image です。このモデルと、最強とされるクローズドソースモデル GPT Image 2.5 に、同じ難題を与えてみました。

結果は、GPT Image 2.5 が 2 回目で失敗したのに対し、オープンソースの 5B 小規模モデルは「将進酒」の全文を 2 回とも正確に描き切りました。李白がこれを見たら、あと三百杯は飲んでいたかもしれません。

プロンプトは次の通りです：水墨画の掛け軸に、川辺で杯を掲げる李白の情景を描いてください。「将進酒」の全文を行書で 12 行書き、タイトル、作者名、朱印 1 つ、英語テキスト 3 行を添えてください。石の台の上にはちょうど 4 つの酒杯があること——多くても少なくてもいけません。

最初はクローズドソースモデルが圧勝すると思っていました。1 回目は両者とも互角でした。しかし 2 回目で、たった 2 か所を変更しただけで、GPT Image 2.5 は杯の数を間違えましたが、MOSS-Image は 2 回とも正解を出しました。

以下は MOSS-Image が生成した 2 枚の画像です

以下は GPT Image 2.5 が生成した 2 枚の画像です

なぜこのテストは難しいのか？

このプロンプトは意図的に難しく設定しました。

この有名な詩は 12 行・170 文字以上あり、一文字のミスもなく行書で絵の中に書き込む必要があります。これまで多くのモデルを試してきましたが、文字数が多くなると必ず間違いが出始めます。

酒杯の数を指定したのは、AI 画像生成が物体の個数を数えるのが非常に苦手だからです。

さらに、川の風景、李白、タイトル、印章、詩の全文、英語 3 行など、要素が多く、それぞれに配置の指定があります。最後に「他のテキストは一切入れない」「印章は 1 つだけ」という制約も追加しました。

第 1 ラウンド：両者ともクリア

1 回目では、石の台の上の酒杯を 2 つにし、英語の最終行を「Let us drink away the sorrows of all ages.」としました。

生成された画像を一つずつ確認すると、詩に誤字はなく、印章は 1 つ、英語テキストも正確で、杯もちょうど 2 つでした。両モデルともこのラウンドはスムーズにクリアしました。

差がついたのは主に美しさの部分です。MOSS-Image は墨の濃淡があり、余白も自然で、本物の掛け軸のように見えました。GPT Image 2.5 は一見すると綺麗ですが、拡大すると筆致が平坦で、伝統的な水墨画特有の滲みが不足していました。

第 2 ラウンド：わずかな変更で大きな差が露呈

次に、2 点だけ変更しました。

1. 杯の数を 2 つから 4 つに変更。
2. 英語の最終行の後に 「Cheers」を追加。

理屈上はごく小さな変更です。結果は以下の通りでした。

• MOSS-Image： 両方の変更を正しく反映。杯はちょうど 4 つ、「Cheers」が追加され、12 行の詩と印章も崩れていません。
• GPT Image 2.5： 「Cheers」は追加されましたが、杯の数を間違えました。4 つのはずが 5 つ描かれていました。

もちろん、これは 1 つのプロンプトでの結果であり、すべてのケースを代表するものではありません。しかし「長文テキスト＋精密な制御」という点において、オープンソースの 5B モデルは見事なパフォーマンスを発揮しました。

なぜ 5B の小規模モデルにこれが可能なのか？

今回のテストを振り返ると、MOSS-Image が 2 ラウンドとも成功したのは、いくつかの能力によるものです。

• 正確な中国語／英語の描画。 170 文字以上の中国語 12 行を行書で描きながら、誤字や脱落がありません。下部の英語 3 行と追加した「Cheers」も明瞭です。
• 長いプロンプトの完全な理解。 最大 4K トークンのプロンプトに対応します。私のプロンプトにはスタイル、情景、タイトル、詩、英語、ネガティブ制約が含まれていましたが、最初から最後まで指示を見失うことなく従いました。そのため 2 回目で杯の数を変更し単語を追加しても、他の部分を崩さずに両方の更新を処理できました。
• 制御可能なスタイル。 今回は和紙風の水墨テクスチャを要求しましたが、写実的や 3D スタイルに逸れることはありませんでした。中国伝統風以外にも、アニメ、イラスト、フォトリアルにも対応できます。

業務で使いたい場合、知っておくべきポイントが 2 つあります。第一に、構造化された JSON Layout に対応しており、テキストや要素の位置を直接指定できるため、ポスター、EC 画像、SNS カバーなどのレイアウト制御が向上します。第二に、Base と SFT 両バージョンの重み、コード、利用ガイドがオープンソース化されています。SGLang や vLLM-Omni が Day 0 でサポートしているため、LoRA ファインチューニングや二次開発もすぐに始められます。

テスト方法とプロンプトのコツ

手順はシンプルで、両モデルに同じプロンプトを使いました。1 回目を実行した後、2 か所を変更して 2 回目を実行しました。MOSS-Image は公式体験プラットフォームで、GPT Image 2.5 は ChatGPT のオンライン版で生成しました。

このような複雑なプロンプトを書く際の 3 つのコツを紹介します。

1. まずアートスタイルと素材を定義する。 宣紙、水墨、鉱物顔料などを指定し、「写真風ではない、3D ではない」と加えることで、写実表現への逸脱を防ぎます。
2. 領域ごとに描写する。 左下に情景、右上にタイトルと印章、右半分に詩、下部に英語というように、ブロックを分けることでモデルが指示に従いやすくなります。
3. 最後にネガティブ制約を入れる。 最後に「他のテキストなし、追加の印章なし、透かしなし」と加えることで、画面をクリーンに保てます。

完全なプロンプト

以下は 1 回目で使用した完全なプロンプトです。コピーしてすぐにお試しいただけます。

1A traditional Chinese ink-and-wash painting on warm ivory xuan paper, tall hanging-scroll format. Layered black ink, soft gray washes, muted blue-green mineral pigment, pale ochre, visible paper fibers, feathered wet-ink edges, dry-brush texture. Hand-painted, not photographic, not 3D.
2Scene in the left and lower part: a mighty river bursts from cloud-veiled mountains, drawn with flowing ink lines and blank paper. Weathered cliffs, layered distant peaks, a wind-bent pine, drifting mist, a pale moon behind thin clouds. On a rocky riverside terrace, a poet in loose ivory robes with a simple topknot raises a small wine cup to the sky. A round ceramic wine jar and two cups sit on a flat stone beside him.
3Upper right: large bold brush title 《将进酒》, below it the author name 李白, with exactly one small vermilion seal reading 诗酒 next to the author name.
4Right half: the complete poem in clean, clearly readable regular-running script Chinese calligraphy, written in exactly 12 horizontal lines, even line spacing, every character correct, on clear blank paper:
5Line 1: 君不见，黄河之水天上来，奔流到海不复回。
6Line 2: 君不见，高堂明镜悲白发，朝如青丝暮成雪。
7Line 3: 人生得意须尽欢，莫使金樽空对月。
8Line 4: 天生我材必有用，千金散尽还复来。
9Line 5: 烹羊宰牛且为乐，会须一饮三百杯。
10Line 6: 岑夫子，丹丘生，将进酒，杯莫停。
11Line 7: 与君歌一曲，请君为我倾耳听。
12Line 8: 钟鼓馔玉不足贵，但愿长醉不复醒。
13Line 9: 古来圣贤皆寂寞，惟有饮者留其名。
14Line 10: 陈王昔时宴平乐，斗酒十千恣欢谑。
15Line 11: 主人何为言少钱，径须沽取对君酌。
16Line 12: 五花马，千金裘，呼儿将出换美酒，与尔同销万古愁。
17Bottom center, small dark-gray serif English text in three lines:
18BRING IN THE WINE
19Li Bai
20Let us drink away the sorrows of all ages.
21No other text, no extra seals, no watermarks anywhere else in the painting.

2 回目では、次の 2 点のみを変更しました。

1. 情景説明の「two cups」を「four cups」に変更。
2. 英語の最終行の後に「Cheers」を追加。

それ以外はすべて同じです。

あなたもぜひ試してみてください

オープンソースの 5B モデルが、「将進酒」の全文を水墨画の掛け軸に書き込み、杯の数まで正確に描き切りました。

現在、MOSS-Image は ComfyUI で 70 万ダウンロードを突破しています。私の言葉を鵜呑みにせず、ご自身で試してみてください 👇

🤗 無料オンライン体験： https://huggingface.co/spaces/OpenMOSS-Team/MOSS-Image

⭐ 重みとコードの GitHub： https://github.com/OpenMOSS/MOSS-Image

あなたはこれで何を作りますか？生成した画像をコメントでシェアしてください。一緒に杯を挙げましょう。乾杯 🍶

#MOSS-Image #AIGC