Modelo Open-Source de 5B Supera GPT Image 2.5 em Teste de Caligrafia Chinesa Complexa

Hoje, a DeepSeek tornou open-source seu framework de inferência com qualidade de produção, o DeepInfer. Muita gente está discutindo como rodar modelos mais potentes usando menos poder computacional.

Por coincidência, venho testando outro modelo open-source que segue o mesmo caminho: o MOSS-Image, que tem apenas 5B de parâmetros. Dei a ele e ao supostamente modelo fechado mais forte, o GPT Image 2.5, o mesmo desafio difícil.

O resultado: o GPT Image 2.5 falhou na segunda rodada, enquanto o pequeno modelo open-source de 5B renderizou corretamente o poema inteiro "Traga o Vinho" duas vezes. Se Li Bai visse isso, provavelmente beberia mais trezentas taças.

O prompt foi: Crie uma cena de Li Bai erguendo uma taça à beira do rio em uma pintura de rolo no estilo tinta lavada (ink-wash). Escreva o texto completo de "Traga o Vinho" em 12 linhas de caligrafia, acompanhado de um título, nome do autor, um selo vermelho e três linhas de texto em inglês. Deve haver exatamente 4 taças de vinho na plataforma de pedra — nem mais, nem menos.

Eu achava que o modelo fechado venceria facilmente. Na primeira rodada, ambos foram equivalentes. Mas na segunda, quando mudei apenas dois detalhes, o GPT Image 2.5 errou a contagem das taças, enquanto o MOSS-Image acertou nas duas vezes.

Abaixo estão 2 imagens geradas pelo MOSS-Image

Abaixo estão 2 imagens geradas pelo GPT Image 2.5

Por que esse teste é difícil?

Escrevi esse prompt intencionalmente para ser difícil.

Este poema famoso tem 12 linhas e mais de 170 caracteres, que precisam ser escritos em escrita cursiva sobre a pintura sem um único erro. Já testei muitos modelos antes; assim que a quantidade de caracteres aumenta, eles começam a errar.

O número de taças de vinho foi adicionado especificamente porque a geração de imagens por IA é notoriamente ruim em contar objetos.

Além disso, a cena inclui muitos elementos: paisagem de rio, Li Bai, título, selo, o poema inteiro e três linhas em inglês, cada um com posições específicas. Também adicionei uma restrição no final: nenhum outro texto permitido e apenas um selo.

Rodada 1: Ambos passaram

Na primeira rodada, pedi 2 taças de vinho na plataforma de pedra, e a última linha em inglês era "Let us drink away the sorrows of all ages." (Vamos beber para dissipar as tristezas de todas as eras).

Quando as imagens saíram, verifiquei uma por uma: nenhum erro no poema, apenas um selo, texto em inglês correto e exatamente 2 taças. Ambos os modelos passaram por essa rodada tranquilamente.

A diferença estava principalmente na estética. A versão do MOSS-Image tinha densidade de tinta variada e espaços em branco confortáveis, parecendo um rolo pendurado real. O GPT Image 2.5 parecia bom à primeira vista, mas ao dar zoom percebi pinceladas mais planas, sem o sutil efeito de espalhamento da tinta lavada tradicional.

Rodada 2: Pequenas mudanças revelaram grandes diferenças

Em seguida, mudei apenas duas coisas:

1. Alterei o número de taças de 2 para 4.
2. Adicionei a palavra "Cheers" (Saúde) após a última linha em inglês.

Logicamente, são mudanças mínimas. Os resultados foram:

• MOSS-Image: Acertou ambas as mudanças. Exatamente 4 taças, "Cheers" adicionado, e as 12 linhas de poesia e o selo permaneceram intactos.
• GPT Image 2.5: Adicionou "Cheers", mas bagunçou a contagem de taças. Eram necessárias 4 taças, mas desenhou 5.

Claro, este é apenas um conjunto de prompts e não representa todos os cenários. Mas no quesito "texto longo mais controle preciso", o modelo open-source de 5B entregou um desempenho impressionante.

Como um modelo pequeno de 5B consegue fazer isso?

Olhando para trás neste teste, o sucesso do MOSS-Image em ambas as rodadas depende de várias capacidades:

• Renderização precisa de chinês/inglês. As 12 linhas com mais de 170 caracteres chineses em escrita cursiva não tiveram erros de digitação ou omissões. As três linhas inferiores em inglês e o "Cheers" adicionado também ficaram nítidos.
• Compreensão completa de prompts longos. Ele suporta prompts de até 4K tokens. Meu prompt incluía estilo, cena, título, poema, inglês e restrições negativas. Ele seguiu tudo do início ao fim sem perder o fio da meada. Então, quando mudei a contagem de taças e adicionei uma palavra na segunda rodada, ele lidou com as duas atualizações sem atrapalhar o resto.
• Estilo controlável. Este teste exigia uma textura de tinta lavada em papel de arroz, e ele não desviou para estilos fotorrealistas ou 3D. Além do estilo tradicional chinês, ele também consegue lidar com anime, ilustração e fotorrealismo.

Se você quiser usá-lo no seu trabalho, aqui vão dois pontos que vale a pena saber: primeiro, ele suporta Layout JSON estruturado, permitindo especificar diretamente as posições de textos e elementos, o que melhora o controle de composição para pôsteres, imagens de e-commerce e capas de redes sociais. Segundo, os pesos, código e guias de uso para as versões Base e SFT são open-source. O SGLang e o vLLM-Omni oferecem suporte desde o dia zero, facilitando o início do fine-tuning LoRA ou desenvolvimento secundário.

Método de teste e dicas de prompt

O processo foi simples: ambos os modelos usaram o mesmo prompt. Depois de rodar a primeira rodada, mudei dois detalhes e rodei a segunda. O MOSS-Image foi gerado na plataforma oficial de testes, enquanto o GPT Image 2.5 foi gerado online no ChatGPT.

Para escrever prompts complexos como este, tenho três dicas:

1. Defina o estilo artístico e o material primeiro. Especifique papel de arroz, tinta lavada, pigmentos minerais e adicione "não fotográfico, não 3D" para evitar que a imagem desvie para o realismo.
2. Descreva por regiões. Descreva a cena no canto inferior esquerdo, título e selo no canto superior direito, poema na metade direita e inglês na parte inferior. Separar os blocos facilita para o modelo seguir.
3. Termine com restrições negativas. Adicione "Nenhum outro texto, sem selos extras, sem marcas d'água" no final para manter a imagem limpa.

Prompt completo

Aqui está o prompt completo usado na primeira rodada, pronto para copiar e testar:

1Uma pintura tradicional chinesa em tinta lavada sobre papel xuan marfim quente, formato de rolo pendurado alto. Tinta preta em camadas, lavagens cinza suaves, pigmento mineral azul-esverdeado discreto, ocre pálido, fibras de papel visíveis, bordas de tinta úmida esbatidas, textura de pincel seco. Pintado à mão, não fotográfico, não 3D.
2Cena na parte esquerda e inferior: um rio caudaloso irrompe de montanhas cobertas por nuvens, desenhado com linhas de tinta fluidas e papel em branco. Penhascos desgastados pelo tempo, picos distantes em camadas, um pinheiro curvado pelo vento, névoa à deriva, uma lua pálida atrás de nuvens finas. Em um terraço rochoso à beira do rio, um poeta em vestes marfim soltas com um coque simples ergue uma pequena taça de vinho para o céu. Um jarro redondo de cerâmica para vinho e duas taças repousam sobre uma pedra plana ao lado dele.
3Canto superior direito: título grande e em pinceladas fortes 《将进酒》, abaixo dele o nome do autor 李白, com exatamente um pequeno selo vermelho escrito 诗酒 ao lado do nome do autor.
4Metade direita: o poema completo em caligrafia chinesa regular-cursiva limpa e claramente legível, escrita em exatamente 12 linhas horizontais, espaçamento uniforme entre as linhas, cada caractere correto, sobre papel em branco claro:
5Linha 1: 君不见，黄河之水天上来，奔流到海不复回。
6Linha 2: 君不见，高堂明镜悲白发，朝如青丝暮成雪。
7Linha 3: 人生得意须尽欢，莫使金樽空对月。
8Linha 4: 天生我材必有用，千金散尽还复来。
9Linha 5: 烹羊宰牛且为乐，会须一饮三百杯。
10Linha 6: 岑夫子，丹丘生，将进酒，杯莫停。
11Linha 7: 与君歌一曲，请君为我倾耳听。
12Linha 8: 钟鼓馔玉不足贵，但愿长醉不复醒。
13Linha 9: 古来圣贤皆寂寞，惟有饮者留其名。
14Linha 10: 陈王昔时宴平乐，斗酒十千恣欢谑。
15Linha 11: 主人何为言少钱，径须沽取对君酌。
16Linha 12: 五花马，千金裘，呼儿将出换美酒，与尔同销万古愁。
17Centro inferior, pequeno texto em inglês cinza escuro com fonte serifada em três linhas:
18BRING IN THE WINE
19Li Bai
20Let us drink away the sorrows of all ages.
21Nenhum outro texto, sem selos extras, sem marcas d'água em nenhuma outra parte da pintura.

Para a segunda rodada, apenas duas mudanças foram feitas:

1. Troquei "duas taças" por "quatro taças" na descrição da cena.
2. Adicionei "Cheers" após a última linha em inglês.

Todo o resto permaneceu inalterado.

Sua vez

Um modelo open-source de 5B consegue escrever o poema inteiro "Traga o Vinho" em um rolo de tinta lavada, acertando a contagem de taças perfeitamente.

Atualmente, o MOSS-Image ultrapassou 700 mil downloads no ComfyUI. Não acredite apenas na minha palavra, teste você mesmo 👇

🤗 Experiência online gratuita: https://huggingface.co/spaces/OpenMOSS-Team/MOSS-Image

⭐ GitHub para pesos e código: https://github.com/OpenMOSS/MOSS-Image

O que você vai criar com ele? Compartilhe suas imagens nos comentários. Vamos erguer nossas taças juntos. Saúde 🍶

#MOSS-Image #AIGC