2026 年 10 月 17 日——OpenMOSS 团队于 10 月 16 日发布并开源文生图模型 MOSS-Image，提供 MOSS-Image-Base 基础版与 MOSS-Image-SFT 监督微调版两个版本，代码与权重以 Apache 2.0 许可公开。模型采用 5B 单流扩散 Transformer（DiT）架构，原生支持 JSON 结构化布局控制、最长 4096 token 的提示词输入与中英文长文本渲染，官方报告称其在自建长文本渲染基准上的开源模型中排名第一。
发布概况与开源信息
MOSS-Image 由 OpenMOSS 团队推出。据项目官网与官方技术报告，该团队由上海创新研究院（SII）、复旦大学自然语言处理实验室与模思智能（MOSI Intelligence）联合组建，技术报告署名单位包括模思智能、SII、复旦大学与上海交通大学。团队此前已开源 MOSS 对话语言模型与 MOSS-TTS、MOSS-Transcribe-Diarize 等语音系列模型。
本次发布包含两个权重版本，两个版本共享同一架构与推理接口：
| 模型 | 说明 | 权重渠道 |
|---|---|---|
| MOSS-Image-Base | 基础版文生图模型，未做后训练 | Hugging Face、ModelScope |
| MOSS-Image-SFT | 在 Base 基础上经精选数据监督微调 | Hugging Face、ModelScope |
开源范围与许可情况如下：权重在 Hugging Face 与 ModelScope 均标注 Apache 2.0 许可；GitHub 仓库的流水线代码同样采用 Apache 2.0，官方说明第三方组件保留各自原有许可。除权重与代码外，官方还提供了 Hugging Face Spaces 在线演示、35 页技术报告 PDF 以及配套的提示词增强（Prompt Enhancer）技能文件。截至发稿，GitHub 仓库已获得 372 个星标，Hugging Face 上两个模型合计约 310 个点赞。
架构与技术特性
官方技术报告披露，MOSS-Image 的扩散生成器为从零预训练的 5B 单流 DiT，官方明确 5B 这一数字仅指扩散生成器本身，不含冻结的文本编码器与 VAE。模型组件与规格如下：
| 组件 | 规格 |
|---|---|
| 扩散生成器 | 5B 单流 Transformer，42 层主干 |
| 隐藏维度 | 3072，24 头注意力（每头 128 维），FFN 8192 |
| 文本编码器 | Qwen3.5-9B（冻结），取最终层 4096 维隐状态 |
| 文本适配器 | 线性投影 4096→3072，加两层纯文本 Transformer |
| VAE | FLUX.2 VAE（冻结，取自 FLUX.2-klein-4B），32 通道潜变量，有效图像步长 16 像素 |
| 位置编码 | 4D RoPE（参考索引、序列、宽、高四轴） |
| 优化器 | Muon 与 AdamW 混合（二维矩阵参数走 Muon） |
| 训练 | 三阶段渐进训练，分辨率与文本长度逐级提升，最终在 31 万步取 EMA 权重 |
预训练语料来自 ReLAION、OmniCorpus、DataComp 等公开图文数据集，经 SSCD 去重与自研 AI 生成图像检测过滤，规模约从 50 亿张缩减至 30 亿张；训练标注以英文为主。官方 README 提到，训练使用了异构 GPU 平台。
能力层面，MOSS-Image 主打三项特性：一是复杂文字渲染，支持中英文文字生成与自动换行，可通过换行符精确控制排版；二是布局控制，用户在提示词中以 JSON 格式描述整体场景（summary）与各元素（items）的类别、描述和边界框（bbox），即可指定画面中文字与物体的位置，坐标系为以画布中心为原点的绝对像素坐标；三是长提示词支持，最终阶段训练的文本条件上限为 4096 token。模型同时支持自然语言、Danbooru 风格 tag 串以及 JSON 的混合输入，官方展示的效果覆盖动漫与写实两种风格。
Base 版未做任何后训练，也未做 CFG 等推理参数蒸馏，官方表示这是为了完整保留训练信息、便于社区训练 LoRA；SFT 版则在文字分组与版面组织上表现更清晰。官方后续规划包括 R2I 参考生图、DMD 少步蒸馏与布局增强模型。
官方评测数据
官方技术报告同时发布了两项自建基准，并给出了与闭源、开源系统的对比数据：
| 基准 | MOSS-Image 成绩 | 对照 |
|---|---|---|
| LongLongTextBench（LLTB，自建，中英长文本渲染） | Mean-6 均值 96.3 | Qwen Image 2512 为 64.9，落后 31.4 个百分点 |
| RealLayoutArena（RLA，自建，端到端系统对比） | 1698.70 Elo，排名第二 | 次于 GPT Image 2，领先 Seedream 5.0 Pro |
| RLA 共享增强提示词（仅比拼生成器） | 1807.34 Elo，排名第一 | ERNIE Image 1748.5，SenseNova U1 1689.2 |
| 7Bench 布局控制 | 检出目标 mIoU 0.6788 | Ideogram 4.0 为 0.2433，Qwen Image 3.0 Pro 为 0.1694，GPT Image 2 为 0.1431 |
在 LLTB 的六组子项中，MOSS-Image 最长中文文本组得分 92.4，为六组中最低，官方亦说明长中文文本的召回率相对偏低。
注：LLTB 与 RLA 均为官方自建基准，上述分数为官方技术报告自评口径；7Bench 为第三方布局评测，但对比结果同样出自官方报告。
上手方式
MOSS-Image 提供三种主要接入方式。ComfyUI 方面，仓库提供原生插件，在 ComfyUI Manager 中搜索 MOSS-Image 即可安装，官方称接入 ComfyUI 官方仓库的工作正在进行。Diffusers 方面，模型以自定义流水线形式接入，要求 Python 3.10 以上、PyTorch 2.9 以上，以及 diffusers 0.38、transformers 5.3 以上版本，运行于支持 CUDA 的 NVIDIA GPU。此外仓库内置 Gradio 网页界面，提供整卡常驻、组件调度与顺序推理三种显存模式。
官方推荐的推理配置为：Flow-matching Euler 采样器、50 步以上、CFG 3.0、Shift 5.0、负分支跳层取第 22 层；推荐输出总像素 1M、1.5M 或 2M，可外推至 0.25M（512×512）至 4M（2K）的任意分辨率，任意长宽比均支持，但宽高需为 16 的整数倍。
举手提问