MOSS-Image 是什么：OpenMOSS 开源图像模型，主打文字渲染与布局控制

MOSS-Image 是 OpenMOSS 团队新发布的开源开放权重文生图模型家族：包含 MOSS-Image-Base 和 MOSS-Image-SFT 两个 checkpoint，代码与权重全部公开，2026 年 10 月 16 日以 Apache 2.0 协议发布，同日还放出了 arXiv 技术报告。它的主打方向在开放权重模型里相当少见：不追求泛化的画面质感，而是专攻开源模型长期最弱的两件事——在图片里渲染密集、准确的文字，以及精确控制每个元素"放在哪"。（顺带一提：直接搜这个词组，出来的多半是苔藓植物照片；模型本身在 OpenMOSS GitHub 仓库和 Hugging Face上。）

哪怕只是偶尔关注图像模型，这次发布也值得花十分钟了解。下面讲清楚它是什么、能做什么、和你已经在用的生成器有什么区别，以及三种实际上手方式。

重点速览

• MOSS-Image 是一个 5B 参数的单流扩散 transformer（DiT），从零预训练，针对中英双语图内文字渲染和布局控制做了优化。
• 发布两个 checkpoint：Base（完整保留训练信息，适合训练 LoRA）和 SFT（在精选数据上微调，开箱即用的文字分组和排版更干净）。
• 最有辨识度的能力是 JSON 布局提示词：描述每个元素并给出边界框，模型按坐标组织画面。
• 按其技术报告的自报数据，在 LongLongTextBench 基准上取得 96.3% 的平均文字覆盖率——作者称这是开放权重模型中的最好成绩。
• 今天就能上手：浏览器里直接跑官方 Hugging Face Space，装 ComfyUI 插件，或用 diffusers 本地部署——没有名单，没有 waitlist。

来源：GitHub 上的 OpenMOSS/MOSS-Image 仓库（2026 年 10 月 19 日访问）

MOSS-Image 到底是什么

MOSS-Image 来自 OpenMOSS，同一底座训练出两个模型：

Base 模型刻意"完整保留"训练信息——团队明确把它定位成社区训练 LoRA 的底座（唯一的要求：微调时冻结 text encoder）。SFT 版本则用一部分灵活性换取更好的即用效果；在团队自己的对比示例里，SFT 生成的文字分组更清晰、白板式排版更有条理。

底层架构方面，技术报告描述了一个从零预训练的 5B 单流扩散 transformer。按当代图像模型的标准，这个规模相当紧凑——小到微调和自部署都现实可行，同时（报告认为）又足以承载信息密集的构图。

它能做什么

渲染真实文字——而且是双语

图内文字是大多数图像模型的滑铁卢：logo 自己拼错、海报长出乱码字符，中文字符的惨状更甚于拉丁字母。文字渲染正是 MOSS-Image 的头号卖点。技术报告为此提出了 LongLongTextBench（LLTB）——一个针对中英长文本渲染的基准——并报告了 96.3% 的平均文字覆盖率，作者称这是开放权重模型中的最高水平。这个数字应当理解为团队自己的基准成绩，而非独立评测的结论；但这项能力本身，无疑就是这次发布的重心。

官方用户指南里有两个实用细节：英文渲染效果最好（训练数据最多，中文也支持）；想精确控制换行，直接在提示词里插入 \n，不用指望排版引擎猜中你的意图。

用 JSON 布局控制构图

这是最具辨识度的功能。MOSS-Image 接受结构化的布局提示词：一个 JSON 对象描述整体场景，items 里逐个描述元素——每个元素带类别（label）、描述（caption）和边界框（bbox），渲染文字时还可以直接指定内容：

{
  "summary": {
    "meta": ["poster"],
    "canvas": "single",
    "caption": "A minimalist travel poster with a cream background, a blue mountain illustration, and the title EXPLORE at the top."
  },
  "items": [
    {
      "label": "text",
      "caption": "Large dark-blue uppercase title centered at the top.",
      "text": "EXPLORE",
      "bbox": [-416, -384, -288, 384]
    },
    {
      "label": "object",
      "caption": "A flat blue mountain illustration in the lower center.",
      "bbox": [-192, -288, 384, 288]
    }
  ],
  "bbox_coord_space": "abs_centralized",
  "bbox_format": "yxyx"
}

边界框使用以画布中心为原点的绝对像素坐标（yxyx 顺序：y-min、x-min、y-max、x-max）。用户指南说明这是对近期一些相对坐标方案的有意取舍——作者认为绝对坐标在不同分辨率和宽高比之间迁移效果更好。这个功能标注为实验性，它也改变了"编辑"的方式：想移动标题或替换物体，改 JSON 然后重新生成——和编辑器里选中拖拽是两种完全不同的工作流。

布局 JSON 工作流的概念示意；图中 schema 为通用示意，并非 MOSS-Image 的真实格式（真实格式见上方代码示例）。非真实模型输出。

吃得下长提示词，也吃得下多种输入

提示词最长支持 4K tokens，输入风格有三种：自然语言、danbooru 风格的 tag 序列（官方推荐顺序：Quality → Score → Meta → Year → Character → Series → Artist → General，明显照顾二次元模型的工作流），以及 JSON 布局。自然语言和结构化输入可以混用。发布还规划了 agentic 提示词增强器，把粗糙的需求转写为详细的内容与布局规格；免训练版本已作为 skill 放进仓库，微调版布局增强模型则预告为后续工作。

分辨率和风格自己定

推荐输出尺寸是 1M、1.5M 或 2M 总像素，并可在 0.25M（512×512）到 4M（2K）之间外推，宽高比任意——只要边长是 16 的倍数——而不是固定几张预设。风格方面，发布亮点列明高质量动漫和照片写实两种输出；tag 序列支持加上推荐的负面提示词组（nsfw, worst quality, bad anatomy, watermark, jpeg artifact），读起来就像是预料到二次元社区的工作流会第一天到场。确实到了：发布当天，SGLang、vLLM-Omni 和 ComfyUI 都完成了 day-0 支持。

它和其他图像模型的区别

不算完整对比——但有四点差异，足以帮你判断要不要关注：

1. 控制面是一份契约，不是一个愿望。 多数文生图模型接收自然语言然后近似发挥；MOSS-Image 的布局 JSON 直接告诉它东西放在哪。技术报告的整体立论就是：开放权重模型输给闭源系统，恰恰输在密集文字和复杂布局上，而这门布局语言就是它用来补差距的机制。
2. 两个 checkpoint，而不是一个。 多数发布只给一个微调后的模型。把未经后训练的 Base 和打磨过的 SFT 一起放出，是对开放生态的一次表态：你可以在一个推理行为没被后训练"揉过"的模型上训练 LoRA。
3. 基准瞄准的是开源阵营。 按报告自报数字：在 RealLayoutArena（RLA）上，backbone 在"共享增强提示词"的评测条件下排第一，而完整系统在端到端对比中排第二——这个细节说得很诚实，因为提示词增强模块的贡献清晰可见。
4. 紧凑且务实。 5B backbone、支持 SGLang 和 vLLM-Omni 服务栈、原生 ComfyUI 插件、在替代 GPU 平台上完成训练——所有信号都指向可用性，而不是只活在跑分里的展示品。

预期也要摆正：这是一个文生图生成器。没有上传照片、在图上刷笔修改的编辑能力——这里的"编辑"指调整布局 JSON 再重新生成——而让商业模型快到秒出图的少步数蒸馏（DMD 一类方法），也已公告为未来工作。

来源：Hugging Face 上的 OpenMOSS-Team/MOSS-Image Space（2026 年 10 月 19 日访问）

怎么上手

零部署——Hugging Face Space。 官方 demo Space 跑的就是仓库本地应用的 Gradio 界面：模型选择（Base 或 SFT）、正面/负面提示词框、分辨率与宽高比控制，外加 steps、CFG、Shift 和跳层引导的进阶滑杆。把上面的海报 JSON 直接粘进提示词框，把宽高设成匹配值即可。发布首周请做好排队的心理准备。

用 ComfyUI。 在 ComfyUI Manager 里搜 "MOSS-Image" 安装原生插件；仓库附带示例工作流。如果你是做模型服务的，SGLang 和 vLLM-Omni 在发布当天都已支持。

diffusers 本地跑。 需要 Python 3.10+、PyTorch 2.9+ 和 diffusers>=0.38；模型卡的 quickstart 通过自定义 pipeline_moss_image 管线加载 OpenMOSS-Team/MOSS-Image-Base。推荐采样设置：Euler 采样器、至少 50 步、CFG 3.0（短提示词可适当调高）、Shift 5.0，跳层引导用第 22 层做 negative-branch skip。显存紧张的话，Memory mode 下拉里有组件卸载和更慢的 Sequential 兜底。

值不值得关注

如果你要做海报、平面或营销素材，文字必须真的可读，那 MOSS-Image 是最值得盯的开源选项之一——文字渲染和布局控制正是它为补齐而生的地方。如果你训练 LoRA，一个未经后训练的 Base checkpoint 是实打实的好起点。如果你只是想出图、不想养 GPU，账就不这么算了：自部署一个 5B 扩散模型是爱好，托管工具——包括我们之前解读过的开源发布——依然是从提示词到图片的更快路径。

悬而未决的问题是 JSON 布局控制会不会普及。如果它成为人们指挥图像模型的方式——就像结构化 JSON 改变了我们与语言模型对话的方式——那 MOSS-Image 这次发布看起来就不只是又一个 checkpoint，而更像一份接口提案。换句话说，值得花这十分钟。