OpenMOSS开源5B生图模型 中文文字排版可控

时间：2026年10月16日 地点：中国上海 人物：OpenMOSS 团队（源自复旦 MOSS 项目） 事件详情：OpenMOSS 正式发布 MOSS-Image 系列文生图模型，包含基座版 MOSS-Image-Base 与经精选数据微调的 MOSS-Image-SFT，代码与权重同步在 GitHub、Hugging Face、ModelScope 开源。 模型采用 5B 参数单流扩散 Transformer（42 层），文本编码器为 Qwen3.5-9B，VAE 沿用 FLUX.2 small 解码器，支持最长约 4K token 的提示词，输出尺寸为 16 的任意倍数。 其核心能力是原生布局控制：用户可用 JSON 指定画面描述、每个元素与文字的边界框（bbox_format 为 yxyx，坐标以画布中心为原点），文字框会按指定内容渲染，中英文均可清晰成像，适合海报、电商图、信息图等排版密集场景。 工程侧同步提供 Diffusers 自定义 pipeline、Gradio 界面与 ComfyUI 原生插件（可在 ComfyUI Manager 搜索 MOSS-Image 安装，要求 ComfyUI 0.41.3 以上），官方仓库集成仍在推进。权重以 Apache 2.0 协议开放，可本地部署与商用。 背景：开源生图赛道今年竞争激烈，阿里 Qwen-Image 2.1、FLUX 系列、谷歌 Nano Banana 2.1 等先后迭代，但中文文字渲染和可控排版长期是开源模型的短板，闭源产品在商用素材生成上仍占优势。OpenMOSS 此前以 MOSS 对话模型知名，此次是其首次把扩散模型完整开源。 影响：Apache 2.0 意味着企业可零 API 成本本地部署，海报、出版、电商等对文字准确性敏感的行业可直接接入；Base 未做 CFG 蒸馏，便于社区训练 LoRA 与行业微调，SFT 版则开箱即用。团队还披露训练使用异构 GPU 平台，在算力供应链受限的背景下提供了一个可复用的工程样本。上线三天，GitHub 已获约 608 星，Hugging Face 模型页获 273 个赞、下载 1791 次。 总结：MOSS-Image 用 5B 的轻量身板把文字可读、布局可控做成开源默认能力，补齐了开源生图在商用排版场景的关键一环，接下来考验的是社区 LoRA 生态与推理效率。 参考来源： GitHub 仓库：https://github.com/OpenMOSS/MOSS-Image Hugging Face Base：https://huggingface.co/OpenMOSS-Team/MOSS-Image-Base Hugging Face SFT：https://huggingface.co/OpenMOSS-Team/MOSS-Image-SFT 项目主页：https://openmoss.ai/MOSS-Image/ ComfyUI 官方教程：https://docs.comfy.org/zh/tutorials/image/moss-image/moss-image Comfy-Org 转包权重：https://huggingface.co/Comfy-Org/MOSS-Image ModelScope：https://modelscope.cn/models/openmoss/MOSS-Image-Base Hugging Face Space 演示：https://huggingface.co/spaces/OpenMOSS-Team/MOSS-Image