Сегодня DeepSeek открыла исходный код своего инференс-фреймворка производственного уровня — DeepInfer. Многие обсуждают, как запускать более мощные модели с меньшими вычислительными затратами.
По совпадению, я как раз тестировал другую open-source модель, идущую тем же путём: MOSS-Image, у которой всего 5B параметров. Я дал ей и якобы самой сильной закрытой модели GPT Image 2.5 одно и то же сложное задание.
Итог: GPT Image 2.5 провалилась во втором раунде, а маленькая open-source модель на 5B дважды без ошибок отрисовала всё стихотворение «Принесите вино». Если бы Ли Бо это увидел, он бы, наверное, выпил ещё триста чашек.
Промпт был таким: Создай сцену, где Ли Бо поднимает чашку у реки, в стиле свитка тушью. Напиши полный текст стихотворения «Принесите вино» каллиграфией в 12 строк, добавь название, имя автора, одну красную печать и три строки английского текста. На каменной платформе должно быть ровно 4 винные чашки — ни больше, ни меньше.
Я думал, что закрытая модель победит без труда. В первом раунде обе справились примерно одинаково. Но во втором, когда я изменил всего две детали, GPT Image 2.5 ошиблась с количеством чашек, а MOSS-Image оба раза сделала всё верно.
Ниже 2 изображения, сгенерированные MOSS-Image
Ниже 2 изображения, сгенерированные GPT Image 2.5
Почему этот тест такой сложный?
Я специально составил промпт так, чтобы он был трудным.
В этом знаменитом стихотворении 12 строк и более 170 иероглифов, которые нужно написать скорописью прямо на картине без единой ошибки. Я тестировал много моделей: как только количество символов растёт, они начинают ошибаться.
Количество винных чашек я добавил специально, потому что нейросети при генерации изображений печально известны неумением считать объекты.
К тому же в сцене много элементов: речной пейзаж, Ли Бо, название, печать, всё стихотворение и три строки на английском, причём у каждого своё точное место. А в конце я добавил ограничение: никакого другого текста и только одна печать.
Раунд 1: обе прошли
В первом раунде я попросил 2 винные чашки на каменной платформе, а последней строкой на английском было "Let us drink away the sorrows of all ages."
Когда появились картинки, я проверил их одну за другой: в стихотворении нет ошибок, печать одна, английский текст верный, чашек ровно 2. Обе модели прошли этот раунд без проблем.
Разница была в основном в эстетике. У версии MOSS-Image плотность туши варьировалась, пустое пространство смотрелось гармонично — выглядело как настоящий вертикальный свиток. GPT Image 2.5 на первый взгляд тоже смотрелась хорошо, но при увеличении мазки оказались более плоскими, без тонкого эффекта растекания, характерного для традиционной живописи тушью.
Раунд 2: мелкие изменения выявили большую разницу
Дальше я изменил всего две вещи:
- Поменял количество чашек с 2 на 4.
- Добавил слово "Cheers" после последней английской строки.
Логически это минимальные правки. Вот результаты:
- MOSS-Image: учла оба изменения. Ровно 4 чашки, "Cheers" добавлено, а 12 строк стихотворения и печать остались на месте.
- GPT Image 2.5: добавила "Cheers", но запуталась с чашками. Нужно было 4, а нарисовала 5.
Конечно, это всего один набор промптов, и он не охватывает все сценарии. Но в плане «длинного текста плюс точного контроля» open-source модель на 5B показала впечатляющий результат.
Как маленькая модель на 5B это делает?
Если разобрать этот тест, успех MOSS-Image в обоих раундах держится на нескольких способностях:
- Точная отрисовка китайского и английского текста. 12 строк из более чем 170 иероглифов скорописью — без опечаток и пропусков. Три нижние строки на английском и добавленное "Cheers" тоже получились чёткими.
- Полное понимание длинных промптов. Модель поддерживает промпты до 4K токенов. Мой запрос включал стиль, сцену, название, стихотворение, английский текст и негативные ограничения. Она выполнила всё от начала до конца, ничего не упустив. Поэтому, когда во втором раунде я изменил число чашек и добавил слово, она обработала оба обновления, не сломав остальное.
- Управляемый стиль. В этом тесте требовалась текстура рисовой бумаги и туши, и модель не скатилась в фотореализм или 3D. Помимо традиционного китайского стиля, она умеет работать с аниме, иллюстрацией и фотореализмом.
Если захотите использовать её в работе, стоит знать два момента. Во-первых, она поддерживает структурированный JSON Layout, позволяя напрямую задавать позиции текста и элементов — это улучшает контроль композиции для постеров, карточек товаров и обложек для соцсетей. Во-вторых, веса, код и инструкции по использованию для версий Base и SFT полностью открыты. SGLang и vLLM-Omni поддерживают её с первого дня, поэтому начать LoRA-файнтьюнинг или вторичную разработку очень просто.
Методика тестирования и советы по промптам
Процесс был простым: обе модели получили один и тот же промпт. После первого раунда я изменил две детали и запустил второй. MOSS-Image генерировалась на официальной площадке для экспериментов, а GPT Image 2.5 — онлайн в ChatGPT.
Для написания таких сложных промптов у меня есть три совета:
- Сначала определите художественный стиль и материалы. Укажите рисовую бумагу, тушь, минеральные пигменты и добавьте «не фотография, не 3D», чтобы изображение не ушло в реализм.
- Описывайте по зонам. Сцена внизу слева, название и печать вверху справа, стихотворение в правой половине, английский текст внизу. Разделение на блоки помогает модели лучше следовать инструкциям.
- Завершайте негативными ограничениями. Добавьте в конец «Никакого другого текста, никаких лишних печатей, никаких водяных знаков», чтобы картинка осталась чистой.
Полный промпт
Вот полный промпт, использованный в первом раунде — можно копировать и пробовать:
1Традиционная китайская живопись тушью на тёплой слоновой бумаге сюань, формат высокого вертикального свитка. Многослойная чёрная тушь, мягкие серые размывки, приглушённый сине-зелёный минеральный пигмент, бледная охра, видимые волокна бумаги, растушёванные края влажной туши, текстура сухого мазка. Нарисовано вручную, не фотография, не 3D.2Сцена в левой и нижней части: могучая река вырывается из окутанных облаками гор, нарисованная плавными линиями туши и пустым пространством бумаги. Выветренные скалы, многоярусные дальние пики, согнутая ветром сосна, плывущий туман, бледная луна за тонкими облаками. На каменистой террасе у реки поэт в свободных одеждах цвета слоновой кости с простым узлом волос поднимает маленькую винную чашку к небу. Круглый керамический кувшин для вина и две чашки стоят на плоском камне рядом с ним.3Верхний правый угол: крупное, смелое название кистью 《将进酒》, под ним имя автора 李白, и ровно одна маленькая киноварная печать с надписью 诗酒 рядом с именем автора.4Правая половина: полное стихотворение чистым, легко читаемым китайским каллиграфическим почерком (полустав), написанным ровно в 12 горизонтальных строк, с равномерным интервалом, каждый иероглиф верен, на чистой пустой бумаге:5Строка 1: 君不见，黄河之水天上来，奔流到海不复回。6Строка 2: 君不见，高堂明镜悲白发，朝如青丝暮成雪。7Строка 3: 人生得意须尽欢，莫使金樽空对月。8Строка 4: 天生我材必有用，千金散尽还复来。9Строка 5: 烹羊宰牛且为乐，会须一饮三百杯。10Строка 6: 岑夫子，丹丘生，将进酒，杯莫停。11Строка 7: 与君歌一曲，请君为我倾耳听。12Строка 8: 钟鼓馔玉不足贵，但愿长醉不复醒。13Строка 9: 古来圣贤皆寂寞，惟有饮者留其名。14Строка 10: 陈王昔时宴平乐，斗酒十千恣欢谑。15Строка 11: 主人何为言少钱，径须沽取对君酌。16Строка 12: 五花马，千金裘，呼儿将出换美酒，与尔同销万古愁。17Внизу по центру, мелкий тёмно-серый английский текст с засечками в три строки:18BRING IN THE WINE19Li Bai20Let us drink away the sorrows of all ages.21Никакого другого текста, никаких лишних печатей, никаких водяных знаков нигде больше на картине.
Во втором раунде были внесены только два изменения:
- В описании сцены «две чашки» заменено на «четыре чашки».
- После последней английской строки добавлено "Cheers".
Всё остальное осталось без изменений.
Твоя очередь
Open-source модель на 5B способна вписать целое стихотворение «Принесите вино» в свиток тушью, идеально точно посчитав чашки.
На данный момент MOSS-Image преодолела отметку в 700 000 скачиваний в ComfyUI. Не верьте мне на слово — попробуйте сами 👇
🤗 Бесплатный онлайн-тест: https://huggingface.co/spaces/OpenMOSS-Team/MOSS-Image
⭐ GitHub с весами и кодом: https://github.com/OpenMOSS/MOSS-Image
Что вы создадите с её помощью? Делитесь своими картинками в комментариях. Давайте поднимем чашки вместе. Ваше здоровье 🍶
