MOSS-Image, 오픈 이미지 생성의 장문 텍스트와 복잡한 레이아웃에 도전

들어가며

이미지 생성 모델은 포스터, 인포그래픽, 화면 시안처럼 보기 좋은 결과물을 만드는 데 점점 능숙해지고 있습니다. 그러나 시각적으로 자연스러운 이미지와, 사용자가 지정한 문구를 정확하게 배치한 이미지는 서로 다른 문제입니다. 특히 긴 문장, 영어와 중국어가 섞인 콘텐츠, 정보량이 많은 구성에서는 글자가 빠지거나 깨지고, 요소의 위치가 의도와 달라지는 일이 잦습니다. OpenMOSS 팀의 MOSS-Image Technical Report는 바로 이 간극을 겨냥합니다.

핵심 내용

• 5B 단일 스트림 DiT: MOSS-Image는 5B 규모의 단일 스트림 확산 Transformer를 처음부터 사전 학습했습니다. 보고서는 설계된 학습 레시피가 텍스트 렌더링과 레이아웃 제어 능력 향상에 기여했다고 설명합니다. 목표는 짧은 제목이나 장식용 글자뿐 아니라 영어·중국어 장문을 생성하는 것입니다.
• 프롬프트를 구조화된 계획으로 변환: 의도 인식형 에이전트 방식 Prompt Enhancement 모듈을 사용합니다. 단순히 프롬프트에 수식어를 덧붙이는 대신, 막연한 사용자 요청을 상세한 콘텐츠 설명과 배치 사양으로 변환합니다. 이를 통해 생성 모델이 무엇을 어디에 배치해야 하는지 더 명확하게 전달할 수 있습니다.
• 텍스트와 레이아웃을 별도로 평가: LongLongTextBench(LLTB)는 영어와 중국어 장문 렌더링을 측정하기 위한 평가 세트입니다. RealLayoutArena(RLA)는 많은 정보와 복잡한 배치를 포함한 이미지를 시스템 전체가 얼마나 잘 생성하는지 평가합니다.
• 오픈 모델에서 높은 성과: 보고서에 따르면 MOSS-Image는 LLTB에서 평균 텍스트 커버리지 96.3%를 기록해 오픈 웨이트 모델 가운데 최고 수준의 결과를 냈습니다. RLA 엔드투엔드 시스템 비교에서는 2위였고, 동일한 강화 프롬프트를 사용해 생성기만 비교한 조건에서는 백본이 1위를 차지했습니다.

의미와 한계

이 프로젝트의 의미는 프롬프트 이해와 이미지 구성을 하나의 연결된 문제로 다룬다는 데 있습니다. 포스터, 메뉴, 교육 자료, 설명도 같은 실제 작업에서 사용자가 원하는 것은 특정 대상의 이미지 하나가 아닙니다. 정보의 위계, 요소 간 관계, 시선의 흐름, 가독성이 함께 유지되어야 합니다. 의도를 구조화하는 중간 단계는 자연어 요구사항을 시각적 제약조건으로 바꾸는 중요한 연결 고리가 될 수 있습니다.

평가 체계 역시 주목할 만합니다. 일반적인 이미지 품질이나 선호도 점수만으로는 요청한 문구가 모두 포함되었는지, 레이아웃이 지시와 일치하는지 판단하기 어렵습니다. 장문 텍스트 커버리지와 레이아웃 중심의 엔드투엔드 성능을 나누어 측정하면, 단순히 보기 좋은 이미지를 넘어 실제로 정보를 사용할 수 있는지를 평가하는 데 도움이 됩니다.

다만 현재 제공된 자료는 보고서의 요약 수준이며, 상세 비교표와 실패 사례, 추론 비용은 제시하지 않습니다. 96.3%라는 수치가 모든 문자를 언제나 완벽하게 생성한다는 뜻은 아니며, RLA 순위 역시 평가 조건에 따라 해석해야 합니다. 팀은 모델과 학습 레시피, 평가 프레임워크를 공개할 예정이라고 밝혔습니다. 실제 재현 결과와 커뮤니티 검증이 장기적인 영향력을 판단하는 중요한 기준이 될 것입니다.

출처: Hugging Face Daily Papers