MOSS-Image 是什么？

MOSS-Image 是 OpenMOSS 开源的文生图模型系列，于 2026 年 10 月 16 日以 Apache-2.0 协议发布。 它由一个 5B 单流扩散 Transformer、冻结的 Qwen3.5-9B 文本编码器和 FLUX.2 VAE 组成。它的专长是文字与排版：能在图片中渲染长段中英文，支持最长 4,096 tokens 的提示词，还能读取 JSON 布局，为每个物体和每行文字指定边界框。

你可以直接在浏览器里试用、在 ComfyUI 中运行，或调用官方 API。

参数规格一览

	MOSS-Image
开发方	OpenMOSS（MOSI.AI）
发布日期	2026 年 10 月 16 日
生成器	5B 单流 DiT，42 层，隐藏维度 3072
文本编码器	Qwen3.5-9B（冻结）
VAE	FLUX.2 VAE（冻结，32 通道潜空间）
提示词长度	最长 4,096 tokens
输入格式	自然语言、标签序列、JSON 布局，或混合使用
输出尺寸	约 0.25–4 百万像素，任意比例，宽高为 16 的倍数；推荐 1–2 百万像素
版本	MOSS-Image-Base、MOSS-Image-SFT
默认采样	Flow-matching Euler，50 步，CFG 3，shift 5，负向分支跳过第 22 层
许可证	Apache-2.0

工作原理

生成器是单流 Transformer：Qwen3.5-9B 编码器输出的文本 token 与 FLUX.2 VAE 的图像潜变量拼成一个序列，在 42 层中做联合自注意力。由于文本编码器本身是一个大语言模型，提示词可以很长、很详细——完整的海报需求、标签列表或结构化 JSON 都可以。

根据技术报告，模型是从零预训练的，使用约 30 亿张图片，来自公开数据集（包括 ReLAION、OmniCorpus、DataComp 等）以及富文本和海报数据。除去重和剔除 AI 生成图片外，团队没有做进一步过滤，水印、模糊和压缩痕迹改为写进图片描述。描述被改写为短、中、长三个版本，并配有带边界框的布局 JSON。训练使用 Muon 与 AdamW 混合优化器。

Base 和 SFT 怎么选

两个版本架构和参数完全相同，可以随时切换。

• MOSS-Image-SFT 在精选数据上对 Base 做了微调。在官方白板对比中，它的文字分组更清晰、版面更有条理。日常生成请用 SFT，ComfyUI 的默认模板加载的也是它。
• MOSS-Image-Base 没有做后训练，也没有做 CFG 蒸馏。它的变化更丰富，对 booru 风格的标签式提示词理解更好，是官方推荐的 LoRA 训练起点。在 Base 上使用短提示词时，可以把 CFG 调高（3–6）。

上图为官方对比中的 Base 输出。打开 SFT 版本 对比文字分组效果。

评测数据

以下数据全部来自 OpenMOSS 自己的技术报告，尚未经过独立复现。

长文本渲染 · LongLongTextBench

LLTB 要求模型渲染中英文短、中、长三档文学段落，再测量正确出现的文字比例（六档的 Mean-6 覆盖率）。

模型	Mean-6 文字覆盖率
MOSS-Image	96.3
Qwen-Image-2512	64.9

MOSS-Image 在该评测中是开源模型第一，领先 Qwen-Image-2512 31.4 个百分点。

布局精度 · 7Bench

7Bench 衡量生成的物体是否落在指定的框内（224 张图，576 个目标物体）。

模型	mIoU	Layout AUC
MOSS-Image	0.679	0.703
Ideogram 4.0	0.243	0.205
Qwen Image 3.0 Pro	0.169	0.176
Seedream 5.0 Pro	0.167	0.179
Nano Banana Pro	0.149	0.163
GPT Image 2	0.143	0.155

所有模型拿到的都是相同的目标框：GPT Image 2、Nano Banana Pro、Seedream 5.0 Pro 和 Qwen Image 3.0 Pro 接收原始 JSON 提示词；Ideogram 4 使用其公开的 FP8 权重，框被转换成它自己的 JSON 格式。mIoU 把漏画的物体记为 0。Ideogram 自己的报告给出的 7Bench mIoU 约为 0.69，OpenMOSS 认为差异来自模型版本、提示词格式和评分实现的不同。

人类偏好 · RealLayoutArena

在针对真实、布局复杂需求的盲测两两投票中，完整的 MOSS-Image 系统获得 1698.70 Elo，仅次于 GPT Image 2，领先 Seedream 5.0 Pro。当所有生成模型都使用相同的增强提示词时，MOSS-Image 主干模型以 1807.34 Elo 在九个模型中排名第一，领先 ERNIE Image（1748.51）。同一研究还发现，在各种提示词策略中，JSON 布局得分最高（1622.87，自然语言为 1506.20）。

擅长什么

• 图中文字： 海报、菜单、招牌、标签、白板和信息图，中文、英文或中英混排皆可。
• 长而详细的提示词： 最长 4,096 tokens，足以写下完整的设计需求。
• 精确摆放： 用 JSON 布局为每个元素指定边界框。我们的布局编辑器可以帮你自动生成。
• 不只是文字： OpenMOSS 重点展示了二次元和写实风格，可在首页查看官方的雨夜街景和插画示例。
• 高效、易微调： 5B 生成器配合量化权重可在消费级显卡运行，Base 专为 LoRA 训练设计。

已知局限

• 官方模型只支持文生图。 没有图片输入；目前编辑图片需要在 ComfyUI 开发分支上使用社区 LoRA。
• 布局控制仍属实验性。 框是强引导，不是硬性边界；我们的测试中文字有时会高出框。参见真实示例。
• 长文本仍需校对。 96% 的覆盖率意味着部分段落仍会出错，生僻字和很小的文字最难。
• 英文提示词最稳。 技术报告指出训练描述“以英文为主，没有专门的中文描述标注”。中文提示词可用，中文文字也能渲染得很好，但结果波动可能更大。
• SFT 在部分图片上会出现竖向色带。 社区的 DeBand LoRA 可以缓解。
• 默认需要 50 步。 因此比蒸馏模型慢；社区的 8 步 DMD LoRA 以少量画质换取速度。

使用方式

途径	适合	成本
在线生成器	立即试用，任意比例，最高 200 万像素	送 3 张，之后用积分
Hugging Face Space	用自己的 HF 额度免费生成	免费，受每日 ZeroGPU 时长限制
ComfyUI	本地工作流、布局、LoRA	自己的显卡，免费
Diffusers / Python	脚本与自定义管线	自己的显卡，免费
官方 MOSI API	应用集成与自动化	Beta 期间限时免费，需 API Key

时间线

• 2026 年 10 月 16 日 — 发布 MOSS-Image-Base 与 MOSS-Image-SFT 代码和权重；ComfyUI、SGLang、vLLM-Omni 首日支持。
• 2026 年 10 月 18 日 — KohakuMossTrainer 发布，支持 LoRA 与全量微调。
• 2026 年 10 月 19 日 — 技术报告发布于 arXiv（2610.23374）。
• 2026 年 10 月 20 日 — MOSS-Image 上线官方 MOSI API 平台；ComfyUI 加入社区颜色与深度控制适配器。
• 2026 年 10 月 22–23 日 — ComfyUI 开发分支支持 MOSS-Image 编辑 LoRA（尚未进入稳定版）。