テキストから画像を生成する MOSS-Image-Base、自然言語プロンプトで制御する話

モデル

テキストから画像を生成する MOSS-Image-Base、自然言語プロンプトで制御する話

スポンサーリンク

MOSS-Image-Baseが公開。自然言語やJSONでテキスト配置を制御可能。

この記事のポイント

  • MOSS-Imageのテキスト生成モデル
  • 自然言語やタグで配置を制御可能
  • Python3.10とCUDA対応GPUが必要

数字で見る

この記事に出てくる数字

解像度 16の倍数

どこで使えるか

テキスト配置を自然言語やJSONで制御したい人向け。Python3.10とCUDA対応GPUが必要 Hugging Faceで公開済み NVIDIA GPUとCUDA環境が必要

動画を見る

スポンサーリンク

解説

かみくだいて説明します

OpenMOSS-Teamが2026年10月11日にHugging Faceへ公開したテキストから画像を生成するモデル、MOSS-Image-Baseです。自然言語のプロンプトやタグの並び、JSONというデータ形式で文字の配置や物の配置を制御できます。
文字や物の位置をJSONで指定できるんですね。開発者が組み込むとき、動かすのに何が要りますか?
Pythonの3.10以降と、CUDAに対応したNVIDIAのGPUが必要です。深層学習のライブラリはPyTorchの2.9以降を使います。モデルの計算にはbfloat16という精度を使い、画像を最終的に描く部分にはfloat32を使います。画像を解凍するVAEにはFLUX.2 small decoderを使います。
bfloat16とfloat32の違いは、計算の器用さと正確さのバランスですか。
そうです。bfloat16は計算を速くしてメモリを節約する精度で、float32は色の段階を滑らかに描くために残されています。生成される画像の解像度は、16の倍数で指定します。
16の倍数というのは、GPUの計算ブロックに合わせるためですか。
GPUは1ステップで二回計算しています。uncond_skip_layersを空にすると、その省略をやめて両方そのまま計算します。
負の指示を飛ばさないと、生成に時間がかかりますか。
計算ステップごとにトランスフォーマーを2回動かす必要が出てきます。プロンプトの裏側の指示まで処理するので、確かに負荷は増えます。
では、AIのチャットツール側に組み込む場合、どう使いますか。
GPT-6ファミリーのエージェント向けに、プロンプトを詳しく書き直すツールが付属しています。ユーザーが描きたい画像の座標をドラフトで書くと、それを座標値を整数にまとめたJSONに変換します。画像を生成するサービスには繋がりません。
座標をJSONにまとめるだけなんですね。既存のワークフローに組み込むのは簡単ですか。
GradioというWeb画面や、ComfyUIという画像生成ソフトのプラグインから使えます。ComfyUIの公式リポジトリへの組み込みは現在進行中です。画像のピクセル数は16で割り切れる数値に限定されます。
最後に、このモデルでまだ試せていない部分はどこですか。
ユーザーガイドには解像度、サンプリング、プロンプト、LoRA学習に関する推奨事項が記載されています。

出典

この記事のもとになった情報

※ 本文と音声は生成 AI が作成しています。内容は出典をご確認ください。
本作品のキャラクターには株式会社Live2Dの著作物であるサンプルデータが株式会社Live2Dの定める規約に従って用いられています。本作品は制作者の完全な自己の裁量で制作されています。このキャラクターモデルは株式会社Live2Dより許諾を得て商用利用しています。

スポンサーリンク

-モデル