오픈소스 5B 모델, 복잡한 중국 서예 테스트에서 GPT Image 2.5 능가

오늘, DeepSeek 가 프로덕션 수준의 추론 프레임워크인 DeepInfer 를 오픈소스로 공개했습니다. 많은 사람들이 더 적은 컴퓨팅 자원으로 더 강력한 모델을 구동하는 방법을 논의하고 있죠.

마침 저도 같은 길을 걷고 있는 또 다른 오픈소스 모델을 테스트하고 있었습니다. 바로 파라미터가 5B 에 불과한 MOSS-Image 입니다. 저는 이 모델과 가장 강력하다고 알려진 폐쇄형 모델 GPT Image 2.5 에 똑같이 어려운 과제를 주었습니다.

결과는 어땠을까요? GPT Image 2.5 는 두 번째 라운드에서 실패했지만, 오픈소스 5B 소형 모델은 "장진주(将进酒)" 시 전체를 두 번 모두 정확하게 그려냈습니다. 이백이 이걸 봤다면 아마 술을 삼백 잔은 더 마셨을 겁니다.

프롬프트는 다음과 같았습니다: 수묵화 두루마리에 이백이 강가에서 잔을 들어 올리는 장면을 그려주세요. "장진주" 전문을 12 줄의 서예로 쓰고, 제목, 작가명, 주홍색 도장 하나, 그리고 영어 텍스트 세 줄을 함께 넣어주세요. 돌 탁자 위에는 정확히 4 개의 술잔이 있어야 하며, 많거나 적어서는 안 됩니다.

원래는 폐쇄형 모델이 쉽게 이길 거라고 생각했습니다. 첫 번째 라운드에서는 둘 다 비슷한 수준이었습니다. 하지만 단 두 가지 세부 사항만 바꾼 두 번째 라운드에서, GPT Image 2.5 는 술잔 개수를 틀렸고 MOSS-Image 는 두 번 모두 정확히 맞춰냈습니다.

아래는 MOSS-Image 가 생성한 2 개의 이미지입니다.

아래는 GPT Image 2.5 가 생성한 2 개의 이미지입니다.

이 테스트가 왜 어려울까?

저는 의도적으로 이 프롬프트를 어렵게 작성했습니다.

이 유명한 시는 12 줄에 170 자가 넘는 한자로 이루어져 있으며, 그림 위에 행서체로 단 하나의 오류도 없이 적혀야 합니다. 예전에 여러 모델을 테스트해 봤는데, 글자 수가 많아지면 반드시 실수가 나오기 시작하더군요.

술잔 개수를 특별히 추가한 이유는 AI 이미지 생성이 객체를 세는 데 유독 약하기 때문입니다.

게다가 장면에는 강 풍경, 이백, 제목, 도장, 시 전체, 영어 세 줄 등 수많은 요소가 포함되며 각각 지정된 위치가 있습니다. 마지막에는 다른 텍스트는 허용되지 않으며 도장은 하나만 있어야 한다는 제약 조건도 추가했습니다.

1 라운드: 둘 다 통과

첫 번째 라운드에서는 돌 탁자 위에 술잔 2 개를 요청했고, 마지막 영어 문장을 "Let us drink away the sorrows of all ages."로 설정했습니다.

이미지가 나오자 하나씩 확인했습니다. 시에 오류가 없고, 도장은 하나뿐이며, 영어 텍스트가 정확하고, 술잔은 정확히 2 개였습니다. 두 모델 모두 이번 라운드를 무난하게 통과했습니다.

차이는 주로 미적 감각에서 나타났습니다. MOSS-Image 버전은 먹의 농담이 다양하고 여백이 편안해서 실제 족자처럼 보였습니다. GPT Image 2.5 는 언뜻 보기엔 괜찮았지만, 확대해 보면 붓터치가 평면적이고 전통 수묵화의 은은한 번짐 효과가 부족했습니다.

2 라운드: 작은 변화가 큰 차이를 드러내다

다음으로 딱 두 가지만 변경했습니다.

1. 술잔 개수를 2 개에서 4 개로 변경.
2. 마지막 영어 문장 뒤에 "Cheers" 단어 추가.

논리적으로 이는 아주 사소한 변화입니다. 결과는 다음과 같았습니다.

• MOSS-Image: 두 가지 변경 사항을 모두 정확히 반영했습니다. 술잔은 정확히 4 개였고, "Cheers"가 추가되었으며, 12 줄의 시와 도장도 그대로 유지되었습니다.
• GPT Image 2.5: "Cheers"는 추가했지만 술잔 개수를 틀렸습니다. 4 개가 필요했는데 5 개를 그렸습니다.

물론 이것은 하나의 프롬프트 세트일 뿐 모든 시나리오를 대표하지는 않습니다. 하지만 "긴 텍스트와 정밀한 제어" 측면에서, 오픈소스 5B 모델은 인상적인 성능을 보여주었습니다.

5B 소형 모델이 어떻게 이런 걸 해낼까?

이번 테스트를 되돌아보면, MOSS-Image 가 두 라운드 모두 성공한 것은 몇 가지 역량 덕분입니다.

• 정확한 중문/영문 렌더링. 170 자가 넘는 한자 12 줄을 행서체로 쓰면서 오타나 누락이 없었습니다. 하단의 영어 세 줄과 추가된 "Cheers"도 선명했습니다.
• 긴 프롬프트의 완전한 이해. 최대 4K 토큰의 프롬프트를 지원합니다. 제 프롬프트에는 스타일, 장면, 제목, 시, 영어, 네거티브 제약 조건이 모두 포함되어 있었습니다. 처음부터 끝까지 흐름을 놓치지 않고 모든 지시를 따랐습니다. 그래서 2 라운드에서 술잔 개수를 바꾸고 단어를 추가했을 때도, 나머지 부분을 망가뜨리지 않고 두 가지 업데이트를 모두 처리했습니다.
• 제어 가능한 스타일. 이 테스트는 한지 수묵 질감을 요구했는데, 사진처럼 사실적이거나 3D 스타일로 흐르지 않았습니다. 중국 전통 스타일 외에도 애니메이션, 일러스트레이션, 포토 리얼리즘도 처리할 수 있습니다.

실무에 활용하고 싶다면 알아두면 좋은 두 가지가 있습니다. 첫째, 구조화된 JSON Layout 을 지원하여 텍스트와 요소의 위치를 직접 지정할 수 있어 포스터, 이커머스 이미지, 소셜 미디어 커버의 구도 제어가 향상됩니다. 둘째, Base 및 SFT 버전 모두의 가중치, 코드, 사용 가이드가 오픈소스로 공개되어 있습니다. SGLang 과 vLLM-Omni 가 출시 첫날부터 지원하므로 LoRA 파인튜닝이나 2 차 개발을 쉽게 시작할 수 있습니다.

테스트 방법 및 프롬프트 팁

과정은 간단했습니다. 두 모델 모두 동일한 프롬프트를 사용했습니다. 1 라운드를 실행한 후 세부 사항 두 가지를 변경하여 2 라운드를 실행했습니다. MOSS-Image 는 공식 체험 플랫폼에서 생성했고, GPT Image 2.5 는 ChatGPT 온라인에서 생성했습니다.

이처럼 복잡한 프롬프트를 작성할 때 제가 드리고 싶은 세 가지 팁이 있습니다.

1. 아트 스타일과 재질을 먼저 정의하세요. 한지, 수묵, 광물 안료를 지정하고, "사진 아님, 3D 아님"을 추가하여 이미지가 사실주의로 흐르는 것을 방지하세요.
2. 영역별로 설명하세요. 왼쪽 하단의 장면, 오른쪽 상단의 제목과 도장, 오른쪽 절반의 시, 하단의 영어를 나누어 설명하세요. 블록을 분리하면 모델이 따라가기 훨씬 쉽습니다.
3. 네거티브 제약 조건으로 마무리하세요. 끝에 "다른 텍스트 없음, 추가 도장 없음, 워터마크 없음"을 넣어 이미지를 깔끔하게 유지하세요.

전체 프롬프트

아래는 1 라운드에서 사용한 전체 프롬프트로, 복사해서 바로 사용해 볼 수 있습니다.

1따뜻한 아이보리색 선지(한지) 위에 그린 중국 전통 수묵화, 긴 족자 형식. 겹겹이 쌓인 검은 먹, 부드러운 회색 명암, 차분한 청록색 광물 안료, 연한 황토색, 보이는 종이 결, 번진 젖은 먹 테두리, 갈필 질감. 손으로 그린 느낌, 사진 아님, 3D 아님.
2왼쪽 및 하단 장면: 웅장한 강물이 구름 낀 산에서 쏟아져 나오며, 유려한 먹선과 여백으로 표현됨. 풍화된 절벽, 겹겹이 이어지는 먼 봉우리들, 바람에 휘어진 소나무, 떠도는 안개, 얇은 구름 뒤의 창백한 달. 강가의 바위 테라스에서, 헐렁한 아이보리색 옷에 단순한 상투를 튼 시인이 작은 술잔을 하늘로 들어 올림. 그의 옆 평평한 돌 위에는 둥근 도자기 술항아리와 두 개의 술잔이 놓여 있음.
3오른쪽 상단: 크고 굵은 붓글씨 제목 《将进酒》, 그 아래 작가명 李白, 작가명 옆에 诗酒라고 적힌 작은 주홍색 도장 정확히 하나.
4오른쪽 절반: 깨끗하고 읽기 쉬운 해서-행서체 중국 서예로 된 시 전문, 정확히 12 개의 가로줄로 작성, 균일한 줄 간격, 모든 글자가 정확함, 깨끗한 여백 위:
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。
17하단 중앙, 세 줄의 작고 진한 회색 세리프체 영어 텍스트:
18BRING IN THE WINE
19Li Bai
20Let us drink away the sorrows of all ages.
21그림의 다른 곳에는 다른 텍스트, 추가 도장, 워터마크 없음.

2 라운드에서는 딱 두 가지만 변경했습니다.

1. 장면 설명에서 "두 개의 술잔(two cups)"을 "네 개의 술잔(four cups)"으로 변경.
2. 마지막 영어 문장 뒤에 "Cheers" 추가.

나머지는 모두 동일하게 유지했습니다.

당신 차례입니다

오픈소스 5B 모델이 수묵 두루마리에 "장진주" 시 전체를 쓰고 술잔 개수까지 정확히 맞춰냈습니다.

현재 MOSS-Image 는 ComfyUI 에서 다운로드 수 70 만 회를 돌파했습니다. 제 말만 믿지 말고 직접 시도해 보세요 👇

🤗 무료 온라인 체험: https://huggingface.co/spaces/OpenMOSS-Team/MOSS-Image

⭐ 가중치 및 코드 GitHub: https://github.com/OpenMOSS/MOSS-Image

여러분은 이것으로 무엇을 만들어 보고 싶나요? 댓글로 여러분의 이미지를 공유해 주세요. 함께 잔을 들어봅시다. 건배 🍶

#MOSS-Image #AIGC