Hôm nay, DeepSeek đã mã nguồn mở framework suy luận (inference) cấp production của họ mang tên DeepInfer. Nhiều người đang bàn tán về cách chạy các mô hình mạnh hơn mà tốn ít tài nguyên tính toán hơn.
Thật trùng hợp, tôi cũng đang thử nghiệm một mô hình mã nguồn mở khác đi theo hướng tương tự: MOSS-Image, với chỉ 5B tham số. Tôi đã đưa cho nó và mô hình closed-source được cho là mạnh nhất hiện nay — GPT Image 2.5 — cùng một thử thách khó nhằn.
Kết quả: GPT Image 2.5 thất bại ngay ở vòng thứ hai, trong khi mô hình nhỏ 5B mã nguồn mở lại render chính xác toàn bộ bài thơ "Tương Tiến Tửu" cả hai lần. Nếu Lý Bạch nhìn thấy cảnh này, chắc ông ấy sẽ uống thêm ba trăm chén nữa.
Câu lệnh (prompt) như sau: Tạo một bức tranh cuộn thủy mặc cảnh Lý Bạch nâng chén bên sông. Viết toàn văn bài "Tương Tiến Tửu" thành 12 dòng thư pháp, kèm theo tiêu đề, tên tác giả, một con dấu chu sa và ba dòng chữ tiếng Anh. Phải có chính xác 4 chiếc chén rượu trên bệ đá — không nhiều hơn, không ít hơn.
Ban đầu tôi nghĩ mô hình closed-source sẽ thắng dễ dàng. Ở vòng một, cả hai ngang ngửa nhau. Nhưng sang vòng hai, khi tôi chỉ thay đổi hai chi tiết nhỏ, GPT Image 2.5 đếm sai số chén, còn MOSS-Image thì làm đúng cả hai lần.
Dưới đây là 2 hình ảnh do MOSS-Image tạo ra
Dưới đây là 2 hình ảnh do GPT Image 2.5 tạo ra
Tại sao bài test này lại khó?
Tôi cố tình viết prompt này thật hóc búa.
Bài thơ nổi tiếng này có 12 câu và hơn 170 chữ, cần được viết bằng hành thư lên tranh mà không được sai dù chỉ một nét. Tôi từng test nhiều mô hình trước đây; cứ khi số lượng ký tự tăng cao là chúng bắt đầu mắc lỗi.
Chi tiết số lượng chén rượu được thêm vào chủ đích vì AI tạo ảnh vốn cực kỳ kém khoản đếm số lượng vật thể.
Thêm nữa, khung cảnh chứa rất nhiều yếu tố: phong cảnh ven sông, Lý Bạch, tiêu đề, con dấu, toàn bộ bài thơ và ba dòng tiếng Anh, mỗi thứ đều có vị trí cụ thể. Tôi còn đặt thêm ràng buộc ở cuối: không được có bất kỳ văn bản nào khác, và chỉ được dùng duy nhất một con dấu.
Vòng 1: Cả hai đều vượt qua
Ở vòng đầu tiên, tôi yêu cầu 2 chiếc chén rượu trên bệ đá, và dòng tiếng Anh cuối cùng là "Let us drink away the sorrows of all ages."
Khi ảnh xuất ra, tôi kiểm tra từng cái một: bài thơ không sai lỗi nào, chỉ có một con dấu, phần chữ tiếng Anh chuẩn xác, và đúng 2 chiếc chén. Cả hai mô hình đều vượt qua vòng này một cách suôn sẻ.
Khác biệt chủ yếu nằm ở tính thẩm mỹ. Bản của MOSS-Image có độ đậm nhạt mực đa dạng và khoảng trắng thoáng mắt, trông giống một bức trục cuốn treo tường thực thụ. GPT Image 2.5 nhìn lướt qua thì đẹp, nhưng phóng to ra mới thấy nét bút phẳng hơn, thiếu đi hiệu ứng loang mực tinh tế của tranh thủy mặc truyền thống.
Vòng 2: Thay đổi nhỏ lộ ra khác biệt lớn
Tiếp theo, tôi chỉ đổi hai thứ:
- Đổi số lượng chén từ 2 lên 4.
- Thêm từ "Cheers" vào sau dòng tiếng Anh cuối cùng.
Về mặt logic, đây là những thay đổi rất nhỏ. Kết quả thu được:
- MOSS-Image: Làm đúng cả hai thay đổi. Chính xác 4 chiếc chén, có thêm chữ "Cheers", đồng thời 12 câu thơ và con dấu vẫn giữ nguyên vẹn.
- GPT Image 2.5: Có thêm chữ "Cheers", nhưng lại đếm sai số chén. Yêu cầu 4 chiếc nhưng nó vẽ tới 5 chiếc.
Tất nhiên, đây chỉ là một bộ prompt và không đại diện cho mọi trường hợp. Nhưng xét riêng khía cạnh "văn bản dài kết hợp kiểm soát chi tiết chính xác", mô hình mã nguồn mở 5B này đã thể hiện vô cùng ấn tượng.
Làm sao một mô hình nhỏ 5B làm được điều này?
Nhìn lại bài test này, việc MOSS-Image thành công ở cả hai vòng dựa trên vài năng lực cốt lõi:
- Render chữ Trung/Anh chính xác. 12 câu thơ với hơn 170 chữ Hán viết bằng hành thư không hề sai hay sót nét nào. Ba dòng tiếng Anh ở dưới cùng và chữ "Cheers" thêm vào cũng rõ ràng.
- Hiểu trọn vẹn prompt dài. Nó hỗ trợ prompt lên tới 4K token. Prompt của tôi bao gồm phong cách, bối cảnh, tiêu đề, bài thơ, tiếng Anh và cả các ràng buộc phủ định. Nó tuân thủ mọi thứ từ đầu đến cuối mà không bị "quên". Vì vậy khi tôi đổi số chén và thêm một từ ở vòng hai, nó xử lý cả hai cập nhật mà không làm hỏng phần còn lại.
- Kiểm soát phong cách tốt. Bài test này đòi hỏi chất liệu giấy dó thủy mặc, và nó không bị lệch sang phong cách ảnh chụp chân thực hay 3D. Ngoài phong cách truyền thống Trung Hoa, nó cũng xử lý tốt anime, minh họa và ảnh thực tế.
Nếu bạn muốn áp dụng nó vào công việc, có hai điểm đáng lưu ý: Thứ nhất, nó hỗ trợ JSON Layout có cấu trúc, cho phép chỉ định trực tiếp vị trí của văn bản và các phần tử, giúp kiểm soát bố cục tốt hơn khi làm poster, ảnh thương mại điện tử hay ảnh bìa mạng xã hội. Thứ hai, trọng số (weights), mã nguồn và hướng dẫn sử dụng cho cả phiên bản Base lẫn SFT đều được mã nguồn mở. SGLang và vLLM-Omni hỗ trợ ngay từ ngày đầu tiên (Day 0), giúp việc fine-tune LoRA hay phát triển thêm trở nên dễ dàng.
Phương pháp test và mẹo viết prompt
Quy trình rất đơn giản: cả hai mô hình dùng chung một prompt. Chạy xong vòng một, tôi đổi hai chi tiết rồi chạy vòng hai. MOSS-Image được tạo trên nền tảng trải nghiệm chính thức, còn GPT Image 2.5 được tạo trực tuyến trên ChatGPT.
Để viết những prompt phức tạp như thế này, tôi có ba mẹo:
- Định nghĩa phong cách nghệ thuật và chất liệu trước. Hãy ghi rõ giấy dó, thủy mặc, màu khoáng, và thêm "không phải ảnh chụp, không phải 3D" để tránh việc ảnh bị lệch sang hướng tả thực.
- Mô tả theo từng khu vực. Mô tả cảnh vật ở góc dưới bên trái, tiêu đề và con dấu ở góc trên bên phải, bài thơ ở nửa bên phải, và tiếng Anh ở dưới cùng. Việc chia khối rõ ràng giúp mô hình dễ bám sát hơn.
- Kết thúc bằng các ràng buộc phủ định. Thêm "Không có văn bản nào khác, không thêm dấu, không watermark" ở cuối để giữ bức tranh sạch sẽ.
Prompt đầy đủ
Dưới đây là prompt hoàn chỉnh dùng ở vòng một, bạn có thể copy và thử ngay:
1Một bức tranh thủy mặc truyền thống Trung Hoa trên giấy xuyến chỉ màu ngà ấm, khổ trục cuốn treo dọc. Mực đen phân lớp, nét rửa xám mềm mại, màu khoáng xanh lục lam trầm, màu đất son nhạt, thớ giấy hiện rõ, viền mực ướt loang nhẹ, chất liệu cọ khô. Vẽ tay, không phải ảnh chụp, không phải 3D.2Cảnh ở phần bên trái và phía dưới: một dòng sông hùng vĩ tuôn ra từ dãy núi mây che, vẽ bằng những nét mực uyển chuyển và khoảng giấy trống. Vách đá phong hóa, đỉnh núi xa xếp lớp, cây tùng nghiêng mình trước gió, sương mù lảng bảng, vầng trăng mờ sau làn mây mỏng. Trên bệ đá ven sông, một thi nhân mặc áo choàng ngà rộng rãi, búi tóc đơn giản, đang nâng chén rượu nhỏ hướng lên trời. Một bình rượu gốm tròn và hai chiếc chén đặt trên phiến đá phẳng bên cạnh chàng.3Góc trên bên phải: tiêu đề viết bằng nét cọ lớn đậm 《将进酒》, bên dưới là tên tác giả 李白, kèm chính xác một con dấu chu sa nhỏ khắc chữ 诗酒 đặt cạnh tên tác giả.4Nửa bên phải: toàn bộ bài thơ bằng thư pháp hành khải tiếng Trung gọn gàng, dễ đọc, viết chính xác thành 12 dòng ngang, khoảng cách dòng đều nhau, mọi chữ đều chính xác, trên nền giấy trắng trơn:5Dòng 1: 君不见，黄河之水天上来，奔流到海不复回。6Dòng 2: 君不见，高堂明镜悲白发，朝如青丝暮成雪。7Dòng 3: 人生得意须尽欢，莫使金樽空对月。8Dòng 4: 天生我材必有用，千金散尽还复来。9Dòng 5: 烹羊宰牛且为乐，会须一饮三百杯。10Dòng 6: 岑夫子，丹丘生，将进酒，杯莫停。11Dòng 7: 与君歌一曲，请君为我倾耳听。12Dòng 8: 钟鼓馔玉不足贵，但愿长醉不复醒。13Dòng 9: 古来圣贤皆寂寞，惟有饮者留其名。14Dòng 10: 陈王昔时宴平乐，斗酒十千恣欢谑。15Dòng 11: 主人何为言少钱，径须沽取对君酌。16Dòng 12: 五花马，千金裘，呼儿将出换美酒，与尔同销万古愁。17Chính giữa phía dưới, dòng chữ tiếng Anh nhỏ màu xám đậm phông serif chia làm ba dòng:18BRING IN THE WINE19Li Bai20Let us drink away the sorrows of all ages.21Không có văn bản nào khác, không thêm con dấu nào, không có watermark ở bất kỳ đâu trên tranh.
Ở vòng hai, chỉ có hai thay đổi:
- Đổi "hai chiếc chén" thành "bốn chiếc chén" trong phần mô tả cảnh vật.
- Thêm chữ "Cheers" sau dòng tiếng Anh cuối cùng.
Mọi thứ khác giữ nguyên.
Đến lượt bạn
Một mô hình mã nguồn mở 5B có thể viết trọn vẹn bài thơ "Tương Tiến Tửu" lên tranh cuộn thủy mặc, đồng thời đếm chính xác số lượng chén rượu.
Hiện tại, MOSS-Image đã vượt mốc 700.000 lượt tải trên ComfyUI. Đừng chỉ nghe tôi nói, hãy tự tay thử nhé 👇
🤗 Trải nghiệm trực tuyến miễn phí: https://huggingface.co/spaces/OpenMOSS-Team/MOSS-Image
⭐ GitHub chứa trọng số và mã nguồn: https://github.com/OpenMOSS/MOSS-Image
Bạn sẽ tạo ra gì với nó? Hãy chia sẻ hình ảnh của bạn dưới phần bình luận. Cùng nâng chén nào. Cheers 🍶
