/// Signal

MOSS-Image place le texte et les objets là où on dessine les cases — et ComfyUI sait déjà le faire tourner

Le fait : le 16 octobre 2026, l’équipe OpenMOSS met en ligne MOSS-Image-Base et MOSS-Image-SFT, deux points de contrôle d’une famille de modèles texte-image de 5 milliards de paramètres, aux poids sous Apache 2.0, qui acceptent des invites allant jusqu’à 4K tokens et, surtout, un prompt JSON où chaque objet et chaque bloc de texte reçoit sa boîte englobante. Le même jour, à 16 h 06 UTC, ComfyUI fusionne la prise en charge native du modèle, demande n° 17095 : la documentation décrit quatre gabarits officiels, dont un « Layout-Guided Text to Image », qui exigent ComfyUI 0.42.0 ou plus. La veille créative du 2 novembre a repéré le sujet autrement, par une vidéo du 26 octobre intitulée « This MOSS Image Workflow Is Absolutely INSANE » : six minutes vingt-quatre sur un workflow monté par un membre de la communauté de la chaîne. Ce workflow n’est pas celui de ComfyUI, il se récupère dans un Discord privé, et l’adhésion commence à 5 dollars.

Ce que la famille revendique, le rapport technique le dit d’entrée : « First, we pretrain a 5B single-stream diffusion transformer (DiT) from scratch with a carefully designed recipe, enabling bilingual long-form text rendering and precise layout control », puis un second étage, « an intention-aware agentic prompt enhancement (PE) module », chargé de transformer une demande vague en description détaillée. Le document est signé MOSI.AI sur arXiv — c’est le nom inscrit le 16 octobre à 12 h 27 UTC —, là où la page officielle du projet parle d’« OpenMOSS Team » : deux signatures pour le même travail, et nous ne savons pas laquelle fait foi. Deux réserves de méthode ensuite, et elles comptent pour lire les résultats. Les deux bancs d’essai qui servent à le mesurer — LongLongTextBench pour le rendu de texte long en anglais et en chinois, RealLayoutArena pour la génération à mise en page riche — sont introduits par ce même rapport : le jury et le candidat sortent de la même équipe. Et la formulation exacte mérite d’être lue en entier : « MOSS-Image achieves state-of-the-art performance among open-weight models on LLTB, with an average text coverage of 96.3% », puis, sur RealLayoutArena, le modèle « ranks second in the end-to-end system comparison, while its backbone ranks first among generators evaluated with shared enhanced prompts ». Deuxième au classement des systèmes complets, premier quand on ne compare que les générateurs nourris des mêmes invites enrichies : les deux phrases se concilient, aucune ne dit que c’est le meilleur modèle d’images.

Ce qu’il faut réellement télécharger, nous l’avons pesé fichier par fichier sur le dépôt Comfy-Org/MOSS-Image, et c’est là que le chiffre de 5 milliards trompe. Les trois fichiers du gabarit officiel pèsent 12,11 Gio — 13,01 Go —, et le plus gros n’est pas le modèle : le générateur quantifié en int8 pèse 5,04 Gio, quand l’encodeur de texte, un Qwen3.5 9B en w4a8, en pèse 6,84 Gio. Le VAE, lui, est le petit décodeur de FLUX.2, 0,23 Gio. Des versions bf16 dorment dans le même dépôt — 9,47 Gio pour le générateur, 17,98 Gio pour l’encodeur —, et c’est la version bf16 du modèle que la vidéo dit utiliser. « 5B » décrit donc le réseau qui fabrique l’image, pas la mémoire à prévoir. Second écart, celui des réglages : les gabarits tournent en 25 pas à CFG 2,5 avec l’échantillonneur er_sde, quand le guide utilisateur d’OpenMOSS recommande au moins 50 pas, CFG 3 et Euler, avec le saut de couche négatif à l’indice 22. La résolution conseillée va de 1 à 2 mégapixels, le modèle extrapolant de 0,25 à 4 MP, à condition que la largeur et la hauteur restent des multiples de 16.

Sa particularité tient en une phrase : on dessine une case, on écrit ce qu’elle contient, le modèle y place l’élément. Dans ComfyUI, le gabarit de mise en page ouvre un nœud Create Bounding Boxes ; chaque case porte sa légende, celles marquées comme texte rendent le texte qu’on y saisit, et un second nœud, MOSS-Image Layout Prompt, transforme l’ensemble en prompt JSON. Trois détails valent le détour. L’ordre de tracé compte — « Draw the background box first and the foreground elements last » —, parce que les cases sortent dans l’ordre où on les dessine. Le réhausseur d’invite y est éteint par défaut, pour une raison précise : « Turning it on lets the prompt enhancer rewrite the text, which can drop the boxes. » Et le format des coordonnées, que le guide utilisateur décrit, n’est pas celui qu’on croise ailleurs : absolu, origine au centre du canevas, dans l’ordre yxyx. Le guide utilisateur range ce format de coordonnées sous « Layout Prompts (Experimental) ». Reste une divergence que nous ne tranchons pas : la page officielle d’OpenMOSS et la fiche Hugging Face écrivent toujours que l’intégration dans ComfyUI est « in progress » et qu’il faut passer par ComfyUI Manager pour installer un plugin, tandis que le README du dépôt annonce la prise en charge native sans plugin et que la documentation ComfyUI décrit les quatre gabarits. Nous retenons ce qu’un tiers peut vérifier seul : la demande de fusion 17095 est marquée fusionnée le 16 octobre 2026, et les gabarits existent.

La vidéo, maintenant, puisque c’est par elle que le sujet est arrivé. Publiée le 26 octobre 2026 et longue de 6 minutes 24, elle affichait 8 398 vues quand nous l’avons ouverte le 2 novembre. L’auteur de la vidéo, la chaîne smallzero, y teste un workflow que sa propre description présente comme « an incredible custom workflow created by a member of the SmallZero Discord community », sur une RTX 5090 et 128 Go de mémoire vive, en bf16, à 50 pas. Ce que la description annonce comme les ajouts du workflow — file d’invites préchargées, focales et objectifs, fisheye, filtres argentiques dont un Polaroid et un Kodak Tri-X, flash, retouche de visage, agrandissement SeedVR2, LoRA — ressemble à de l’emballage autour de nœuds connus, et elle prévient elle-même que la liste est partielle : « Some of the features included ». Elle ne mentionne à aucun moment la pose des cases, et nous n’avons aucun moyen d’en juger davantage : le dépôt du workflow vit dans un Discord privé. Où le récupérer, alors ? La description de smallzero répond : « The creator shared the GitHub repository inside our private Discord community », et « Membership starts at $5 ». smallzero lui-même écrit que « The results are genuinely impressive », avant de concéder : « The model still has some imperfections, particularly with hands and car details ». La meilleure objection à cet article est ailleurs, et elle est solide : la mise en page est encore expérimentale, les deux classements qui la mesurent viennent de l’équipe qui les a écrits, et nous n’avons pas fait tourner le modèle une seule fois — nous décrivons des fichiers et de la documentation, pas des images obtenues. Le test du retour à la moyenne : dans six mois, personne ne citera cette vidéo ; la question qu’elle laisse de côté, elle, restera posée — un modèle ouvert peut-il écrire le texte et poser les objets là où on le lui demande ?