Os 5 B que escrevem texto — e os 19 GB que ninguém cita

Um modelo de 5 bilhões que já é o mais baixado da semana

Na sexta-feira, 16 de outubro, o laboratório chinês OpenMOSS publicou os pesos do MOSS Image: um gerador de imagens de 5 bilhões de parâmetros, licença Apache 2.0, que faz uma coisa que quase todo modelo aberto erra — escrever texto legível dentro da imagem. Em quatro dias, o pacote pronto para o ComfyUI acumulou 924.574 downloads no Hugging Face, e o repositório no GitHub chegou a 1.089 estrelas em quatro dias.

Para comparar: o pacote equivalente do FLUX 3 klein, o modelo de 5,6 bilhões que a Black Forest Labs abriu seis dias antes, está com 439.528. O Z-Image, concorrente de 6 bilhões da Tongyi, tem 48.415. São downloads dos últimos 30 dias, medidos na API do Hugging Face em 20 de outubro — a mesma régua para todo mundo.

Gráfico: CheriffAI · dados da API do Hugging Face, medidos em 20/10/2026.

O número de downloads, sozinho, não diz se o modelo é bom. Mas diz uma coisa útil: a comunidade de imagem local estava esperando exatamente isso — um modelo pequeno que não erra as letras.

O que é o MOSS Image, sem jargão

Todo gerador de imagem moderno tem três peças: alguém que lê o seu pedido, alguém que desenha a imagem e alguém que revela o resultado final. No MOSS:

Quem lê é um codificador de texto baseado no Qwen3.5-9B — o mesmo tipo de modelo que roda um chat.
Quem desenha é o tal "5 B": um transformador de difusão de 42 camadas, treinado do zero.
Quem revela é o VAE do FLUX.2, que converte a matemática em pixels.

O relatório técnico, publicado no arXiv no dia 16 e anunciado no GitHub em 19 de outubro, é explícito sobre a motivação: sistemas fechados já produzem "conteúdo de densidade informacional" — cartaz, infográfico, diagrama — enquanto os modelos abertos ainda travavam em texto denso e layout complicado. O MOSS ataca justamente essa lacuna, com duas cartas na manga: aceita prompts de até 4.000 tokens e entende layout por caixas, no formato JSON.

Anúncio vs. medição: os dois benchmarks são da casa

Aqui começa o trabalho de sempre. O paper não usa benchmarks de terceiros para provar que é bom: ele cria dois — o LLTB (LongLongTextBench, para texto longo em inglês e chinês) e o RLA (RealLayoutArena, para geração com muito layout). E os resultados são:

LLTB: melhor entre os modelos abertos, com 96,3% de cobertura média de texto.
RLA: segundo lugar na comparação de sistemas completos — e primeiro entre os geradores quando todos recebem o mesmo prompt enriquecido.

É um resultado bom, e é um resultado do fornecedor, no benchmark do fornecedor. A leitura correta é: existe evidência de que o texto sai legível, e existe uma lacuna de verificação independente que ninguém preencheu ainda — nem nós. O que a CheriffAI pode fazer hoje é o que todo mundo pode: olhar os números de adoção, o tamanho real dos arquivos e o que a comunidade construiu em cima.

O detalhe que ninguém põe no título: 19 GB para ler o pedido

"Modelo de 5 bilhões" é uma frase de marketing útil e enganosa ao mesmo tempo. Os 5 bilhões são só a parte que desenha. Quando você vai baixar de verdade o pacote do ComfyUI, o mapa de arquivos é este:

Gráfico: CheriffAI · tamanho dos arquivos publicados no repositório Comfy-Org/MOSS-Image, medido em 20/10/2026.

Some: o desenho em precisão cheia tem 10,16 GB, e o codificador de texto tem 19,31 GB — quase o dobro do "modelo de 5 B", porque são 9 bilhões de parâmetros só para interpretar o pedido. Os caminhos econômicos existem e são publicados no mesmo repositório: o difusor em INT8 cai para 5,41 GB, o codificador em W4A8 cai para 7,34 GB e o VAE enxuto tem 250 MB.

Caso prático 1 — a conta de quem tem uma GPU de 8 GB. Se você tentar o caminho de precisão cheia, não cabe: 10,16 + 19,31 já passa de 29 GB antes de qualquer imagem existir. A combinação que cabe é difusor INT8 (5,41) + codificador W4A8 (7,34) + VAE enxuto (0,25) — cerca de 13 GB, o que ainda não entra em 8 GB. Para essas placas, o próprio projeto oferece um modo "Sequential", que troca as peças entre CPU e memória da placa conforme a necessidade: cabe, e fica mais lento. É a diferença entre "roda no seu PC" e "roda no seu PC se você aceitar esperar".

Caso prático 2 — quanta qualidade custa o desconto. O criador do vídeo que apresentou o modelo (canal AI Search, 20/10) rodou a versão de 16 GB de VRAM a 25 passos e teve ~25 segundos por imagem; no fluxo padrão do ComfyUI, ~30 segundos. O padrão recomendado no repositório é mais conservador: 50 passos, CFG 3, salto do shift em 5. Ou seja, o número que você vê nos tutoriais e o número que sai na sua máquina vão diferir — sempre diferem.

A alegação que não conseguimos confirmar é a mais repetida: a de que o modelo quantizado roda com 4 GB de VRAM ou menos. Nenhum arquivo publicado tem esse tamanho, e não medimos. Fica registrada como promessa de canal, não como fato.

O recurso que custava caro virou um campo de JSON

Em 4 de outubro publicamos aqui sobre o FLUX 3 e o controle de imagem por caixas: em vez de descrever tudo em prosa e torcer, você entrega retângulos e o modelo respeita cada um. Naquele momento, era o argumento de venda de uma API paga de topo.

O MOSS faz a mesma coisa — e é aberto. O layout entra como JSON, com um cenário e uma lista de itens, cada item com sua descrição e sua caixa. O relatório técnico chama isso de "composição com consciência de intenção", e o repositório traz o formato e um workflow pronto. No teste do canal, os elementos ficaram onde foram pedidos, inclusive um logo de refrigerante com o texto correto em chinês.

Essa é a notícia de verdade do lançamento, e ela é chata de contar: controle espacial deixou de ser diferencial de fornecedor. Em duas semanas, o recurso que justificava assinatura virou um arquivo de configuração que qualquer pessoa roda na própria máquina.

O asterisco: ele escreve, mas não conversa

O entusiasmo para no ponto em que você quer editar uma foto existente. O MOSS não aceita "tire o vaso da mesa e coloque um gato". O caminho é o antigo: carregar a imagem, pintar a máscara à mão, e descrever só o que entra ali — inpainting tradicional. O próprio vídeo que elogia o modelo resume: "não é ótimo, é inpainting tradicional".

Vale comparar com o Qwen Image 2.1, que em setembro mostramos editando por linguagem natural, com até dez imagens de referência. São dois modelos abertos que rodam na sua máquina e resolvem problemas diferentes: um gera com texto e layout sob controle; o outro edita por conversa. Se o seu caso é trocar o fundo de uma foto de produto, o MOSS é a ferramenta errada — e é melhor descobrir isso antes de baixar 19 GB.

Quatro dias de comunidade dizem mais que o paper

O sinal mais forte não está no relatório técnico: está no que apareceu em quatro dias ao redor de um modelo Apache 2.0.

Day-0 em três stacks. No mesmo dia dos pesos, 16 de outubro, já havia suporte nativo no ComfyUI, no SGLang e no vLLM-Omni. Modelo aberto só é aberto quando o ecossistema chega junto.
LoRA que corta o tempo em 3 a 4 vezes. Uma destilação comunitária de 8 passos (MOSS-Image-SFT-8-steps-dmd) já soma 54.814 downloads. Com 8 passos e CFG 1, a geração acelera — e o preço é que, com CFG 1, o prompt negativo deixa de ter efeito. Toda otimização cobra alguma coisa.
Treinar ficou barato. O KohakuMossTrainer, lançado em 18 de outubro, treina LoRA e fine-tune completo com 6 GB de VRAM — menos do que custa gerar a imagem. É a inversão que define esta geração de modelos pequenos: ajustar ficou mais acessível que usar.
Correções de defeito viraram pacote. Já existe LoRA para reduzir as faixas de cor verticais do modelo (banding), pesos FP16 consertados para evitar estouro numérico e um acelerador que prevê estados internos. Em quatro dias, o modelo ganhou um mercado de segunda mão.

Mesmo peso, veredito oposto

Ontem este blog publicou o caso do FLUX 3 klein: também 5 bilhões, também aberto no mesmo mês, e a medição no ComfyUI entregou dedos extras e anatomia deformada. Hoje é o contrário: um modelo de peso quase idêntico entrega texto correto e layout obediente.

É o melhor argumento possível contra a métrica mais usada da indústria. Contagem de parâmetros não prevê qualidade — ela prevê quanto de memória você vai gastar. Duas equipes, dois modelos de 5 bilhões, dois resultados opostos, três dias de diferença. Quem escolhe ferramenta de IA olhando "quantos B" está escolhendo pela ficha técnica errada.

O que isso muda para quem constrói no Brasil

Para uma PME brasileira, o ponto não é técnica: é conta e é dado. Gerar imagem com modelo local elimina custo por imagem e resolve a parte chata da LGPD — o material do cliente nunca sai da sua máquina, o que importa quando o insumo é foto de produto, documento ou material interno. Uma loja que precisa de 200 variações de cartaz por mês deixa de pagar por chamada de API e passa a pagar por uma placa de vídeo uma vez.

Mas o gargalo muda de lugar: sai do preço e vira o encanamento. Você precisa montar o fluxo, escolher a quantização, aceitar que o texto em português ainda é o teste mais duro — o paper fala em inglês e chinês, e o português com acento continua sendo a fronteira que ninguém mediu de forma pública. Nenhum número neste post cobre português. Quem for usar em produção deve medir, porque a promessa do fornecedor não inclui a nossa língua.

É por isso que a pergunta certa não é "qual é o melhor modelo de imagem aberto". É "quanto custa, no meu hardware, a imagem que eu realmente preciso — e o que eu perco no caminho". O MOSS Image responde muito bem à primeira parte e devolve a segunda em forma de trabalho. A parte que ninguém vai fazer por você é medir.