یک توسعه‌دهنده با نام مستعار chinoll در هاکینگ‌فیس و Chenkin-x در گیت‌هاب، آداپتور جدیدی به نام MOSS Image Edit LoRA را منتشر کرده است. این ابزار به مدل‌های تصویر OpenMOSS اجازه می‌دهد تا تصاویر را بر اساس دستورات متنی ساده و به صورت چند مرجعی ویرایش کنند. مدل اصلی MOSS-Image که گزارش فنی آن در تاریخ ۱۶ اکتبر ۲۰۲۶ توسط MOSI.AI در آرکسیو منتشر شد، یک ترانسفورماتور نفوذ تک‌جریانی ۵ میلیارد پارامتری است که پیش‌تر فاقد قابلیت ویرایش مستقیم با دستورات زبان طبیعی بود و کاربران برای تغییراتی مانند تنظیم نور، لباس یا فصل، ناچار به ویرایش فایل‌های طرح‌بندی و متن بودند.
جزئیات فنی و عملکرد آداپتور
بر اساس توضیحات پروژه، یک شاخه مرجع (reference branch) به ساختار اصلی مدل اضافه می‌شود که توکن‌ها را به ترتیب متن، مرجع و هدف دسته‌بندی می‌کند. تصاویر مرجع در گام زمانی صفر بدون نویز باقی می‌مانند. این شاخه یک بار اجرا شده، کلیدها و مقادیر هر لایه را ذخیره می‌کند و در تمامی مراحل حذف نویز مورد استفاده مجدد قرار می‌دهد. این آداپتور دارای رتبه ۶۴ با وزن‌های bf16 است و در تمام ۴۲ بلوک مدل اعمال می‌شود. این ابزار از طریق پکیج نود ComfyUI اجرا می‌شود و به‌طور پیش‌فرض تصاویر ۵۱۲ در ۵۱۲ پیکسل با ۳۰ گام تولید می‌کند.
وضعیت مجوزها و نتایج ارزیابی
وضعیت لایسنس این پروژه پیچیده است. در حالی که مخزن گیت‌هاب و کدهای پروژه تحت مجوز GPLv3 منتشر شده‌اند، هیچ مجوز مشخصی برای خود وزن‌های LoRA ذکر نشده است که همین امر ابهاماتی را برای استفاده تجاری ایجاد می‌کند. مدل‌های پایه دارای مجوز Apache-2.0 هستند. از سوی دیگر، هیچ بنچمارک کمی رسمی برای این ابزار ویرایشی منتشر نشده است و شواهد فعلی محدود به تصاویر نمایشی و گزارش‌های ترکیبی کاربران مستقل مانند PedroMarinhoDev است که نتایج متفاوتی را در استفاده از مدل‌های پایه و SFT گزارش کرده‌اند. میزان استقبال اولیه از این پروژه در سطح علاقه‌مندان و جامعه متن‌باز بوده است.
منبع خبر: AI Daily News. این مطلب با بازنویسی و ترجمهٔ تحریریه تهیه شده است.