Qué pasó
- El 16 de octubre de 2026, MOSI.AI subió a arXiv el informe técnico de MOSS-Image, un transformador de difusión de 5.000 millones de parámetros entrenado desde cero.
- El modelo genera imágenes con texto largo en inglés y chino y con control de la disposición de los elementos. Incluye un módulo que convierte el pedido del usuario en una especificación detallada de contenido y diseño.
- Los autores presentan dos bancos de prueba propios: LongLongTextBench, donde el modelo alcanza 96,3% de cobertura de texto, y RealLayoutArena, donde queda segundo en la comparación de sistemas completos.
- El resumen dice que los autores «publicarán el modelo, la receta de entrenamiento y el marco de evaluación», por lo que los pesos aún no estaban confirmados como disponibles.
Por qué importa
- Escribir un párrafo entero dentro de una imagen, sin letras deformadas, es lo que hoy separa un afiche útil de una imagen decorativa. Para quien produce piezas gráficas en Chile, ahí está el costo real de corregir a mano.
- El idioma es el límite: el modelo se evaluó en inglés y chino. Nadie probó tildes, eñes ni signos de apertura, que son justo donde fallan estos sistemas en español.
- El 96,3% sale de un banco de pruebas que crearon los mismos autores, y el liderazgo vale «entre modelos de pesos abiertos». Es una medición de parte.
El dato
96,3% de cobertura de texto promedio en LongLongTextBench, un banco de pruebas creado por los autores.
Contexto
La generación de imágenes de pesos abiertos viene achicando el tamaño: FLUX 3 Klein bajó a 5,6B parámetros y corre en una GPU de 8 GB. Con 5B, MOSS-Image entra en la misma categoría de modelos que se pueden correr en un computador de escritorio. La edición posterior de lo generado, como en InstructMesh para modelos 3D, sigue siendo otra etapa pendiente.
Qué viene
- Sin fecha para la publicación de los pesos, la receta de entrenamiento y el marco de evaluación.
- Sin plazos anunciados para soporte de español u otros idiomas con signos diacríticos.
- Hay un repositorio en GitHub (OpenMOSS/MOSS-Image) donde debería aparecer la licencia final.
Cierre
La promesa de los modelos de imagen cambió de «pintar» a «componer»: ya no basta con que la imagen sea bonita, tiene que contener el texto correcto. Esa vara es más exigente que la anterior y todavía se mide con reglas propias.
Fuentes
- arXiv 2610.23374 — MOSS-Image Technical Report — 16 de octubre de 2026
- Hugging Face — MOSS-Image Technical Report
- Imagen: Willi Heidelbach, CC BY 2.5, vía Wikimedia Commons
Editado por Rodrigo Cornejo. Cómo seleccionamos, verificamos y corregimos cada nota.
