نهال

معرفی مدل MOSS-Image؛ هوش مصنوعی ۵ میلیاردی با دقت بالا در نگارش متن

مدل MOSS-Image: تیم توسعه‌دهنده OpenMOSS با ارائه سری MOSS-Image، بر یکی از بزرگ‌ترین چالش‌های مدل‌های تولید تصویر یعنی «نگارش متن» تمرکز کرده است.

خلاصه

مدل MOSS-Image که در مهر ۱۴۰۵ (اکتبر ۲۰۲۶) معرفی شد، یک مدل پایه مبتنی بر معماری DiT با ۵ میلیارد پارامتر است که توانایی خیره‌کننده‌ای در رندر کردن متون داخل تصویر و کنترل چیدمان عناصر دارد. این مدل از دستورهای متنی طولانی تا سقف ۴ هزار توکن پشتیبانی می‌کند و به دلیل بهینه‌سازی‌های فنی، امکان آموزش و شخصی‌سازی (Fine-tuning) آن روی کارت‌های گرافیک معمولی با ۶ گیگابایت حافظه VRAM فراهم شده است.

معماری MOSS-Image چه تفاوتی با سایر مدل‌ها دارد؟

تیم توسعه‌دهنده OpenMOSS با ارائه سری MOSS-Image، بر یکی از بزرگ‌ترین چالش‌های مدل‌های تولید تصویر یعنی «نگارش متن» تمرکز کرده است. در حالی که بسیاری از مدل‌های مشهور در نوشتن کلمات ساده روی اشیا دچار لغزش می‌شوند، این مدل ۵ میلیارد پارامتری به گونه‌ای آموزش دیده که حروف و کلمات را با وضوح بالا در موقعیت‌های تعیین‌شده قرار دهد.

استفاده از معماری Diffusion Transformer (DiT) به این مدل اجازه می‌دهد تا درک بهتری از روابط فضایی داشته باشد. برای مثال، اگر از مدل بخواهید تصویری از یک یادداشت چسبان روی درب یخچال تولید کند که روی آن لیست خرید به زبان فارسی یا چینی نوشته شده باشد، مدل نه تنها متن را به درستی می‌نویسد، بلکه چیدمان آن را متناسب با ابعاد کاغذ تنظیم می‌کند. این سطح از کنترل در نسخه‌های پایه و SFT (نسخه تنظیم‌شده با داده‌های منتخب) به وضوح قابل مشاهده است.

چطور چیدمان تصویر را با MOSS-Image کنترل کنیم؟

یکی از ویژگی‌های کلیدی این مدل، قابلیت Layout Control است. کاربر می‌تواند محل قرارگیری عناصر بصری و متون را با دقت تعیین کند. این قابلیت برای طراحان گرافیک که نیاز دارند متن در بخش خاصی از پوستر قرار بگیرد، حیاتی است. ابزار MOSS-Image Prompt Enhancer که برای ایجنت‌های خانواده GPT-۶ طراحی شده، می‌تواند ایده‌های ساده تصویری را به پرامپت‌های دقیق شامل مختصات چیدمان تبدیل کند.

برای استفاده از این قابلیت در محیط‌های محلی، اسکریپت‌های تبدیل مختصات پیکسل به فرمت JSON در مخزن گیت‌هاب پروژه قرار گرفته است. این یعنی شما می‌توانید ابعاد بوم خود را تعریف کرده و به هوش مصنوعی بگویید دقیقاً در چه نقطه‌ای چه عنصری را ترسیم کند. در پلتفرم‌هایی مانند هوش مصنوعی نهال، دسترسی به چنین مدل‌های پیشرفته‌ای در بستری فارسی فراهم شده است تا کاربران بدون درگیری با پیچیدگی‌های نصب، از قدرت این ابزارها استفاده کنند.

بهینه‌سازی برای سیستم‌های خانگی و سخت‌افزارهای متنوع

انتشار ابزار KohakuMossTrainer در ۲۶ مهر ۱۴۰۵، انقلابی در شخصی‌سازی مدل‌های سنگین ایجاد کرد. این ابزار از متدهای آموزشی مختلفی از جمله LyCORIS و LoRA پشتیبانی می‌کند. نکته حائز اهمیت این است که به کمک تکنیک‌های کاهش مصرف حافظه مانند CPU Offloading و استفاده از کرنل‌های بهینه‌شده، می‌توان یک آداپتور اختصاصی را تنها با ۶ گیگابایت VRAM آموزش داد.

این مدل همچنین از طیف گسترده‌ای از سخت‌افزارها شامل پردازنده‌های گرافیکی انویدیا (از نسل SM۷۰ تا SM۱۲۰) و کارت‌های گرافیک اینتل Arc پشتیبانی می‌کند. علاوه بر این، پشتیبانی بومی در ComfyUI و vLLM-Omni از همان روزهای نخست عرضه فراهم شده است تا متخصصان داده بتوانند به راحتی آن را در خط لوله‌های تولیدی خود ادغام کنند.

نکات کلیدی

سوالات متداول درباره MOSS-Image

آیا این مدل از زبان فارسی پشتیبانی می‌کند؟

بله، با توجه به توانایی بالای مدل در رندر کردن کاراکترهای متنوع و پشتیبانی از پرامپت‌های طولانی، امکان تولید تصاویر حاوی متون فارسی با چیدمان مشخص وجود دارد.

حداقل سخت‌افزار مورد نیاز برای اجرای مدل چقدر است؟

برای استنتاج (Inference) ساده، استفاده از نسخه‌های کوانتیزه‌شده یا بهینه‌سازی‌هایی مثل FP۱۶-fixed پیشنهاد می‌شود که روی کارت‌های گرافیک میان‌رده خانگی به راحتی اجرا می‌شوند. برای آموزش آداپتورها نیز حداقل ۶ گیگابایت VRAM کافی است.

چطور می‌توان کیفیت خروجی را در ComfyUI بهبود داد؟

استفاده از گره‌های (Nodes) کمکی مانند ComfyUI-Spectrum-MOSS پیشنهاد می‌شود که با پیش‌بینی حالت‌های مخفی (Hidden-state forecasting)، سرعت و کیفیت نمونه‌برداری را افزایش می‌دهند. همچنین برای رفع مشکل باندهای رنگی عمودی، استفاده از نسخه‌های DeBand توصیه شده است.

منبع: github.com

مقاله‌های مرتبط