MOSS-Image-SFTが公開。テキスト配置の制御に対応。
この記事のポイント
- テキスト生成画像モデル
- 自然言語やタグで配置を制御
- Python3.10とGPUで動作
数字で見る
この記事に出てくる数字
| 解像度倍数 | 16 |
|---|
どこで使えるか
テキスト配置を制御したい人向け。JSONレイアウトで文字の位置を指定可能 Hugging Faceで公開済み NVIDIA GPUとCUDA環境が必要
スポンサーリンク
解説
かみくだいて説明します
OpenMOSS-Teamが、画像生成モデルのMOSS-Image-SFTを2026-10-11に公開しました。既存のMOSS-Image-Baseを教師あり学習で微調整したモデルで、テキストから画像を作る際に、自然言語のプロンプトに加え、タグの並びやJSON形式の配置指定で、文字やオブジェクトの場所を細かく制御できます。
配置をJSONで指定するんですか。画像のどこに何を置くかを、コードのように細かく決められるということですね。
正確にはそうです。これまでプロンプトだけで位置を指示するとモデルが勝手にバランスを取って配置が変わりましたが、JSONで座標を渡すことで、白いボードに付箋を貼るように、文字や図形の位置を固定できます。
付箋を貼るように固定できるんですか。開発現場では、配置のブレが気になっていた部分なので、確かに助かる機能ですね。
確かにそうです。JSONで座標を明示的に渡すため、配置のブレがなくなります。動作にはPython 3.10以上と、CUDAに対応したNVIDIAのGPUが必要です。モデルの重みはbfloat16で動きますが、画像を最終的に仕上げるVAEの部分はfloat32を使います。
float32を使うのは、なぜですか。
画像の色味や細部の表現を正確に保つためです。bfloat16だと色飛びが起きやすいため、最後の出力段階だけ精度を上げています。解像度は16の倍数に制限されています。
16の倍数という制限は、なぜ設けているんですか。
内部の計算構造が16ピクセル単位でデータを切り捨てているためです。それ以下のサイズにすると計算が正確に動かず、画像が歪む恐れがあります。解像度やプロンプトの書き方については、ユーザーガイドに具体的な数値がまとめられています。また、アイデアをテキストや配置JSONに書き換えるプロンプト強化ツールも付属しています。
プロンプト強化ツールは、画像生成のサービスには直接つながらないんですか。
そうです。付属のプロンプト強化ツールは、画像生成のサービスを呼ぶのではなく、アイデアをテキストや配置JSONに書き換えるだけです。GPT-6ファミリーのエージェントにローカルのファイル操作とPythonのツールを組み合わせて使う設計になっています。
エージェントに組み込んで使うイメージなんですね。まだ試していない人からすると、どこがまだ解けていないんですか。
解像度やプロンプト、LoRA学習の推奨事項については、ユーザーガイドをご覧ください。モデルとカスタムパイプラインコードは自動的にダウンロードされ、キャッシュされます。
最後に、今後どのように発展していく見通しですか。
統合は公式リポジトリに向けて進行中で、ComfyUIネイティブプラグインも利用可能です。
出典
この記事のもとになった情報
- Hugging Face:OpenMOSS-Team/MOSS-Image-SFT
- 公開日:2026-10-11
※ 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。