MOSS Image API İncelemesi (Test Edildi): Uzun Metin ve Kapalı Modeller

Dört fiyatın yer aldığı bir kafe menüsü ilk bakışta kolay bir iş gibi görünebilir. Ta ki model fiyatlardan birini kendi kafasına göre değiştirene kadar. MOSS Image, boyutuna kıyasla bu tür metinleri şaşırtıcı derecede sık doğru üretiyor; ancak modelden iyi sonuç almak için yapıyı doğru kurmanız ve çıktıları bir tasarımcı titizliğiyle kontrol etmeniz gerekiyor.

Bu inceleme tam olarak bu dengeyi test ediyor: Apache 2.0 lisanslı, 5B parametreli bir metinden görsele model; 4.096 tokene kadar prompt kabul ediyor ve metinlerle nesneler için isteğe bağlı JSON sınırlayıcı kutuları sunuyor. OpenMOSS ekibi modeli Base ve SFT checkpoint'leriyle 16 Ekim 2026'da yayımladı; MOSI platformundaki barındırılan API ise 20 Ekim'de kullanıma açıldı. İşiniz; metni eksiksiz koruması gereken afişler, menüler, etiketler veya infografikler üretmekse MOSS Image'ı denemeye değer. Karakter tutarlılığı ya da fotoğraf düzenleme arıyorsanız kapalı bir model kullanmaya devam edin.

İlk çıktılar sonucu belirliyor: Metin korunuyor, görsellik her zaman değil

MOSS Image'ın asıl güçlü yanı genel estetikten çok uzun ve eksiksiz metin üretimi. Üreticinin LongLongTextBench sonuçlarına göre model, ortalama yaklaşık 1.340 karakter uzunluğundaki 240 görevde toplam 96.3 Mean-6 metin kapsama puanı alıyor. Uzun İngilizce metinlerde skor 97.1, uzun Çince metinlerde ise 92.4. Aynı karşılaştırmada GPT Image 2 99.0, Nano Banana Pro ise 96.6 puan alıyor. Ancak bunların üretici tarafından hazırlanıp yürütülen bir benchmark'tan geldiğini unutmayın; sonuçları garanti değil, doğrulanması gereken bir iddia olarak değerlendirmek daha doğru.

İkinci kritik ölçüm, yerleşim talimatlarına uyma becerisi. Bu incelemede ayrıntıları verilen teknik rapor, modelin 7Bench kutu takip testinde 0.88 mIoU ve 0.70 Layout AUC değerlerine ulaştığını belirtiyor. Aynı raporda Ideogram 4 sırasıyla 0.44 ve 0.20, GPT Image 2 ise 0.30 ve 0.16 seviyesinde kalıyor. RealLayoutArena testinde ise afişler, infografikler ve kullanıcı arayüzlerinden oluşan, kör değerlendirmeyle puanlanan 61 görev bulunuyor. Prompt geliştirme açıkken tam MOSS sistemi 1,698.70 Elo alıyor ve 1,844.35 puanlı GPT Image 2'nin ardından ikinci sıraya yerleşiyor. Her üreticiye aynı geliştirilmiş prompt verildiğinde ise yalnızca temel model ilk sırada. Bu sonuçların da üretici testleri olduğunu ve bağımsız olarak tekrarlanmayı beklediğini akılda tutun.

Küçük ve kontrollü bir test farkı daha görünür kılıyor. mossimage.run ekibi, MOSS Image SFT ile FLUX.1 dev'i aynı 1024x1024 tuvalde, aynı seed'lerle ve her prompt için bir kez çalıştırdı; seçmece sonuç kullanılmadı, başarısız örnekler de sete dahil edildi. Bu inceleme için MOSI'nin barındırılan servisindeki gecikmeyi yeniden ölçmedim. Tablodaki sonuçlar ekibin fal uç noktaları üzerinden aldığı ilk çıktılar; MOSI API bölümü ise dokümantasyona ve ücretsiz kullanım döneminin faturalandırma durumuna dayanıyor:

MOSS için 50 adım ve CFG 3, FLUX içinse 28 adım ve guidance 3.5 kullanıldı. Çalıştırma işlemi fal-ai/moss-image ve fal-ai/flux/dev üzerinden yapıldı. Kaynak sayfanın da belirttiği gibi üç örnekle kazanan ilan edilemez; ancak önemli olan hata biçimi. Göze inandırıcı gelen bir görselde tek bir fiyatın veya saatin değişmesi, açıkça bozuk bir çıktıdan daha tehlikelidir.

"MOSS Image, 5B'lik bir model için yapılandırılmış yerleşim ve İngilizce metin konusunda iyi iş çıkardı. Her küçük ayrıntıda kusursuz değil ama iş akışı sonunda kontrol edilebilir hissettirdi." — @Olaemmy1200, eksiksiz bir afiş iş akışını gösteren video

API gerçekte ne sunuyor? Küçük üretici, büyük metin okuyucu

MOSS Image, sıfırdan eğitilmiş, 42 katmanlı tek akışlı bir difüzyon transformatörü. 5B ifadesi yalnızca üretici modeli anlatıyor. Sistemin geri kalanında prompt'u okuyan dondurulmuş Qwen3.5-9B metin kodlayıcısı ve pikselleri oluşturan FLUX.2 small-decoder VAE bulunuyor. Bu ayrım hem modelin gücünü hem de donanım ihtiyacını açıklıyor: uzun iki dilli metinleri anlama becerisi 5B'lik gürültü gidericiden değil, 9B'lik okuyucudan geliyor.

Pratikteki en büyük avantaj bağlam penceresi. Doğal dil, etiket dizileri ve JSON yerleşim bilgileri aynı 4.096 token sınırını paylaşıyor. Bu, afişteki her satırı kısa bir açıklamaya sıkıştırmak yerine ayrıntılı biçimde yazmanız için yeterli. MOSI API dokümanları barındırılan servisin metin üretimiyle birlikte 4.000 karaktere kadar uzun metin, negatif prompt ve yerleşim üretimini desteklediğini belirtiyor. Çıktılar için 1–2 megapiksel aralığı öneriliyor; çözünürlük 512x512'den 2K'ya çıkarılabiliyor ve boyutların 16'nın katı olması gerekiyor.

Alacağınız sonucu belirleyen iki checkpoint var:

• MOSS-Image-SFT, Base modelin seçilmiş verilerle denetimli ince ayardan geçirilmiş sürümü. OpenMOSS ekibi bunu doğrudan üretim için öneriyor; metin gruplaması daha düzenli, yerleşimler daha temiz. Barındırılan API varsayılan olarak moss-image-sft-1.0 kullanıyor. Tekrarlanabilirlik için sabitlenmiş moss-image-sft-1.0-2026-10-09 snapshot'ı da mevcut.
• MOSS-Image-Base, ham eğitim sinyalini korumak için sonradan eğitim ve CFG distillation adımlarını atlıyor. Resmî rehber, ince ayar yapacaklara bu sürümü öneriyor ve metin kodlayıcısının dondurulmasını tavsiye ediyor. LoRA eğitmek veya farklı bir stil dağılımı denemek istiyorsanız Base'i seçin; bugün bir afiş üretmek istiyorsanız değil.

Hugging Face model kartına ve resmî proje sayfasına göre her iki ağırlık seti ve birlikte gelen çıkarım kodu Apache License 2.0 altında yayımlanıyor. Bu lisans ticari kullanıma ve ince ayara izin veriyor; ancak kampanya için üreteceğiniz her karakter, logo veya benzerlik üzerindeki hakları otomatik olarak çözmüyor. Ticari projelerde lisans dosyasını ve kullandığınız kesin sürümü saklayın. Kodlar OpenMOSS GitHub deposunda bulunuyor.

Bu iş akışına katlanmanın nedeni JSON yerleşimi

Doğal dille prompt yazmak mümkün; ancak tasarımcıların bu modeli denemesinin asıl nedeni yerleşim sözdizimi. Yapılandırılmış prompt önce genel sahneyi tanımlıyor, ardından her metin veya nesneye kendi açıklamasını ve kutusunu veriyor. Bu kutular üretimi yönlendiriyor; vektör katmanı ya da piksel düzeyinde kusursuzluk garantisi değiller.

Koordinat sistemi ilk kullanımda neredeyse herkesi şaşırtıyor. bbox_coord_space: "abs_centralized" ve bbox_format: "yxyx" kullanıldığında her kutu, tuvalin merkezine göre piksel cinsinden [y_min, x_min, y_max, x_max] biçiminde yazılıyor. 1024x1024 görselde her eksen -512 ile +512 arasında değişiyor. Normal sol üst köşe koordinatlarını veya topluluktaki 0–1000 aralıklı bir yerleşimi dönüştürmeden bu şemaya yapıştırmayın.

Başlığın üstte, illüstrasyonun altta olduğu en basit yapı şöyle görünüyor:

{
  "summary": {"meta": ["poster"], "canvas": "single",
    "caption": "A minimalist travel poster with cream background, blue mountain illustration below, and exact title SUMMER MARKET at top."},
  "items": [
    {"label": "text", "caption": "Large dark-blue title centered at top.",
     "text": "SUMMER MARKET", "bbox": [-416, -384, -288, 384]},
    {"label": "object", "caption": "A flat blue mountain illustration in lower center.",
     "bbox": [-192, -288, 384, 288]}
  ],
  "bbox_coord_space": "abs_centralized",
  "bbox_format": "yxyx"
}

20 öğeli bir infografik için bu kutuları kimse elle yazmaz. Erken kullanıcıların benimsediği pratik yöntem şu: Görsel anlayabilen bir LLM'e taslak veya kısa briften JSON hazırlatın, ardından üretimden önce koordinatları düzeltin. Japon testçi @chimolog7, bbox biçiminin insanlar için fazla zor olduğunu açıkça belirtiyor. Bu nedenle JSON'u Opus'a hazırlatmış; ardından Japonca metin üretiminde algılanan yazım hatasının yaklaşık %1 seviyesinde kaldığını, Krea 2'nin ise hâlâ sık sık yanlış yazdığını görmüş (paylaşım).

İkinci önemli yöntem kontrollü yeniden üretim. Model yalnızca metinden görsele çalıştığı ve referans görsel girişi sunmadığı için bir fotoğrafı img2img ile yükleyip koruyamazsınız. Bunun yerine tek bir kutudaki metni veya konumu değiştirip aynı seed'i kullanarak yeniden üretim yapabilirsiniz; geri kalan yerleşim büyük ölçüde korunur. Kullanıcı @li9292, binlerce Çince karakter ve 20 kutudan oluşan haftalık rapor kapağında bu yöntemi gösterdi. Aynı seed ile tek bir kutuyu değiştirirken diğer yerleşim sabit kaldı (paylaşım). Metnin birebir doğru olması gereken işlerde bu tek kutu + aynı seed döngüsü, herhangi bir stil ön ayarından daha değerli.

Metin üretimi hakkında daha geniş bir karşılaştırma için 2026'nın metin üretiminde en iyi görsel modelleri testimize de bakabilirsiniz. Bu test, yerleşim odaklı bir seçeneğe neden ihtiyaç olduğunu gösteriyor.

API'yi kullanmak ve ücretsiz kullanımın gerçek maliyeti

Barındırılan servis tek bir uç nokta üzerinden çalışıyor. MOSI API dokümanlarında moss-image-sft-1.0 için POST /v1/images/generations tanımlanmış. Girdi yalnızca metin, çıktı ise görsel; görsel girişi, ses veya video, streaming ve asenkron görev API'si yok. Prompt geliştirme yerleşik geliyor ancak varsayılan olarak kapalı. prompt_enhance: true ile açılabiliyor; geliştirici sürümünü sunucu tarafında seçiyor.

curl https://platform.mosi.cn/v1/images/generations \
  -H "Authorization: Bearer $MOSI_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "moss-image-sft-1.0",
    "prompt": "A cafe menu card on a light oak table, exact heading MORNING MENU",
    "size": "1024x1024",
    "prompt_enhance": false
  }'

Kutu seviyesinde kontrol gerektiğinde tam JSON yerleşim dizesini prompt alanına gönderin. Yukarıdaki kısa doğal dil örneği ise doğrudan kopyalanıp çalıştırılabilecek en basit çağrı.

Kontrol ettiğim tarihte faturalandırma durumu Free for a limited time ve ücret 0 credits olarak görünüyordu; sonrasına ilişkin tam fiyatlandırma için bir bağlantı da yer alıyordu. Base ve SFT rehberi aynı belirsizliğe dikkat çekiyor: oyun alanı 20 Ekim'den beri açık, ancak görsel başına kalıcı bir fiyat yayımlanmış değil. Bütçeyi buna göre planlayın. Prototip aşamasında ücretsiz dönemden yararlanın; sonrasında sağlayıcı ücretlerini ve hatalı yazılmış çıktılar nedeniyle oluşacak yeniden üretim maliyetini hesaba katın.

Yerel çıkarımda görsel başına ücret yok, ancak gerçek bir donanım maliyeti var. 20 Ekim'de kontrol edilen Comfy-Org dosya listesine göre ortam ve önbellek hariç BF16 ağırlıkları toplam yaklaşık 29.72 GB: omurga ~10.16 GB, metin kodlayıcı ~19.31 GB, küçük VAE ~0.25 GB. INT8 ConvRot, transformatör ayak izini yaklaşık yarıya indiriyor; omurga ~5.41 GB, kodlayıcı ~9.75 GB oluyor. Ayrıca yaklaşık 7.34 GB'lık W4A8 GPTQ kodlayıcı seçeneği mevcut.

Resmî örnekleme ayarları, 1024x1024 çözünürlükte Euler, 50 adım, CFG 3.0, shift 5.0 ve 22. katmanda skip-layer guidance kullanıyor. Yerel ComfyUI desteği 16 Ekim'de birleştirildi (duyuru). ComfyUI'yi güncelleyin, şablonlarda MOSS-Image araması yapın ve Comfy-Org dosyalarıyla eşleşen Base veya SFT iş akışını kullanın. Eklenti grafiğini yerel yükleyiciyle karıştırmayın.

Sağlayıcı maliyetlerini daha geniş açıdan karşılaştırıyorsanız en ucuz görsel üretim API'leri yazımız GPU süresi ve hatalı çıktıların yeniden üretim maliyetini hesaplarken iyi bir başlangıç noktası olabilir.

Kapalı modellerin hâlâ üstün olduğu noktalar

Bu sistemi iş akışınıza dahil etmeden önce sınırlarını açıkça bilmek gerekiyor. Sürüm yalnızca metinden görsele üretim yapıyor. Görsel düzenleme ve referans görsel girişi yok; referans tabanlı üretim gelecek çalışmalar arasında listelenmiş. Yüklediğiniz bir fotoğrafı korumak veya farklı karelerde aynı karakteri sabitlemek önemliyse üretim amaçlı düzenleme için Qwen Image 2.1 gibi düzenleme odaklı bir model kullanın.

İnsan figürleri ve estetik anlayışı da ikinci büyük açık. 5B ölçekte yüzler jenerik görünebiliyor, oranlar kayabiliyor ve ellerde bilindik yapay zekâ hataları tekrarlanıyor.

"Karakter oranlarını da iyi koruyamıyor. Ayrıca klasik 'bozuk eller' ve benzeri sorunlarda da pek başarılı değil." — @SlipperyGem

Aktarılan uygulamalı testler, üretim öncesi aynı kontrol listesini kullanmanız gerektiğini gösteriyor: kısa prompt'lar, özel isimler, sanatçı etiketleri ve kesin kısıtlar tutarsız kalabiliyor; küçük puntolu metinler mutlaka kontrol edilmeli ve İngilizce/Çince benchmark'ının dışındaki diller elle incelenmeli. Resmî 50 adımlık ayar mütevazı donanımlarda ağır çalışıyor; hızlı adaptörler ise hız karşılığında ışık ayrıntısını ve talimatlara uyumu azaltabiliyor. Kullanacağınız her iyi sonuç için checkpoint, kodlayıcı, VAE, hassasiyet, prompt, seed ve kodlama dahil süre bilgilerini kaydedin.

Hız odaklı yerel servis testleri de donanım tarafında aynı tabloyu gösteriyor. Lucebox ölçümlerine göre Radeon AI PRO R9700 üzerinde kendi kernel'leriyle CFG 1 ve 8 adımda 1024x1024 üretim 2.7 saniye sürüyor. Bu değer, aynı ayarlarda DGX Spark üzerindeki ComfyUI'den uçtan uca 1.8 kat daha hızlı. Ancak gözle yapılan kontrolde CFG 1'de 8 çıktının 4'ü, CFG 2.5'te ise 8 çıktının 1'i şekil bozukluğu içeriyordu; ikinci ayar 5.2 saniye sürüyor. Daha hızlı olmak otomatik olarak daha kullanışlı olmak anlamına gelmiyor.

MOSS Image API hakkında sık sorulanlar

MOSS Image ticari kullanım için ücretsiz mi?

Ağırlıklar ve birlikte gelen kod Apache 2.0 altında yayımlanıyor. Bu lisans, lisans ücreti ödemeden ticari kullanıma ve ince ayara izin veriyor. Barındırılan uç noktalar kendi fiyatlarını ve içerik kurallarını belirler; üçüncü taraf quantization paketleri ve LoRA'lar ise kendi koşullarını korur.

Base mi SFT mi — API hangisini kullanmalı?

Barındırılan API, ekibin üretim için önerdiği ince ayarlı checkpoint olan SFT'yi (moss-image-sft-1.0) sunuyor. Posterler ve bilgi grafikleri için SFT'yi indirin; ince ayar veya LoRA eğitimi yapacaksanız Base'i tercih edin.

12 GB VRAM ile çalışır mı?

Belgelenmiş 12 GB kurulum, quantized bir iş akışı ve CPU offloading kullanıldığında ~1 MP çözünürlükte ve batch başına tek görselle çalışıyor.

Fotoğraf düzenleyebilir veya karakteri birebir koruyabilir mi?

Hayır. Yayınlanan omurga referans görselleriyle koşullandırılmıyor. Düzenlenmiş JSON ile aynı seed'i yeniden kullanmak üretimi yönlendirmeye yardımcı olur; ancak yüklediğiniz fotoğrafı korumaz ve kimlik tutarlılığını garanti etmez.

MOSS Image'ı kimler denemeli?

Yerleşimini tanımlayabildiğiniz, metin ağırlıklı tasarım işleri için MOSS Image, kısıt sistemini ürünün merkezine koyan nadir açık modellerden biri. Ancak yüzün aynı yüz olarak kalması gereken her işte onu bir kapalı modelin alternatifi olarak değil, kapalı modelin yanında çalışan bir tipografi motoru olarak değerlendirin.