Автор материала на note изучил MOSS-Image, опубликованную 16 октября: модель принимает через JSON тексты, объекты и рамки их размещения. Для создателей постеров это способ управлять макетом, но не передвигать элементы в готовой картинке без перегенерации. Идея для приложения годная — главное, не обещать пользователю лишнего.
Например, в афише можно отдельно задать название сверху, иллюстрацию в центре и описание снизу. Для каждого элемента указываются содержание и прямоугольная область на изображении. Пользователю не обязательно писать JSON вручную: интерфейс может дать двигать и менять размер рамок, а затем передавать настройки модели.
Где подвох: по официальному руководству, при изменении текста или рамок изображение создаётся заново. Технический отчёт уточняет, что это генерация по тексту без исходной картинки; в текущих ограничениях также указаны отсутствие прямого ввода референсного изображения и редактирования готовой картинки. То есть можно передвинуть заголовок в задании и получить новый вариант, но нельзя рассчитывать, что модель сохранит фон и сдвинет только заголовок.
Так что MOSS-Image логичнее рассматривать как инструмент для перебора композиций: например, сравнить горизонтальную и вертикальную афишу или несколько вариантов расположения текста. Автор материала не проверял, насколько точно элементы помещаются в рамки и сохраняется ли картинка при повторной генерации. Есть Base- и SFT-версии, примеры интерфейсов для Python и браузера; веса и код для запуска распространяются по Apache 2.0. Примеры рассчитаны на CUDA-видеокарты, но скорость и нужную память автор не измерял. А качество длинного текста в отчёте оценивали на английском и китайском, поэтому японскую типографику стоит проверять отдельно. Для точных дат и имён можно сравнить и другой подход: сгенерировать фон, а текст наложить уже в приложении.
Источникnote #画像生成AI
