Az új MOSS-Image 5B modell figyelemre méltó képességeit mutatják be ebben a bemutatóban, amely helyileg, saját gépen futtatva részletgazdag és komplex képeket hoz létre egyszerű szöveges leírás alapján. Különlegessége, hogy képes teljes jeleneteket szimulálni, a legapróbb virágszirmoktól egészen a távoli hófödte csúcsokig, mindezt egyetlen prompt nyomán, további szerkesztés vagy beavatkozás nélkül.
Egy másik érdekes téma a modell szöveges és elrendezés-vezérlési funkciója, amely révén előre meghatározott pozícióba helyezhetők az objektumok, illetve befolyásolható a kompozíció. A bemutató során kísérleteznek angol, kínai és – teszt jelleggel – urdu szöveg generálásával is, rávilágítva, hogy a betűk generálása vegyes eredményt hoz: az angol és a kínai szövegek részben jól, más esetekben pontatlanul jelennek meg.
Látványos tesztek során a modell különféle kulturális, tájképi és portréalanyokat ábrázol, több földrajzi helyszínből merítve inspirációt. Felmerül a kérdés, mennyire képes hűen visszaadni a helyi sajátosságokat, illetve hol húzódik a mesterséges intelligencia képgenerálásának jelenlegi határa. Az elrendezés-vezérlés tapasztalatai szerint a kívánt pozíciók nem mindig pontosak, de a jelenet vizuális minősége magas, különösen az arcok és a panorámatájak esetében – más alkalommal viszont előfordulnak elmosódott részletek és pontatlan elhelyezések.
Felvetődik az is, hogy a képalkotást mennyire befolyásolja a felhasználó által megadott input: mennyire jelenik meg pontosan például egy kulturális motívum, ruházat vagy speciális szöveg, illetve hogyan birkózik meg a modell különböző nyelvekkel és összetett feladatokkal.
