MOSS-Image 今日发布

产品简介

MOSS-Image 是 OpenMOSS 团队开源的文生图模型家族，包含基础版 MOSS-Image-Base 与精选数据精调版 MOSS-Image-SFT，两款模型共用同一套 Diffusers 推理管线。除了自然语言描述，它还支持原生布局生成：可以用一份 JSON 提示词同时指定场景、物体、画面文字以及它们的空间位置。整个系列基于 5B 参数的紧凑骨干，最长可接受 4K token 的提示词，模型权重以 Apache-2.0 协议开放。

核心功能

• 文生图：自然语言直接出图，Base 版偏通用，SFT 版文字分组更清晰、白板类版式更规整
• 原生布局控制：用 JSON 描述 bounding box，画面里文字、图标、插画的位置与大小可控
• 强文字渲染：能在海报、便签、价签、包装上生成清晰准确的文字
• 4K token 长提示词：能容纳复杂场景描述、人物设定与镜头语言
• 多风格输出：二次元动漫与写实摄影两种主风格，也能做视觉设计类排版
• 一套接口两种用法：Python 与 Gradio 共用 Diffusers 管线，ComfyUI 已原生支持
• 在线试用与 API：官方提供 Live Demo、HuggingFace 与 ModelScope 权重、MOSI API 平台
• 官方提示词增强 Skill：把想法编译成 caption 或带坐标的 layout JSON

特色优势

文字渲染和版式控制是它最突出的能力，这在海报、商品图、分镜漫画这类图里必须写字的场景里非常关键。5B 的骨干体量让它在消费级显卡上也能跑，同时留出微调空间。10 月 16 日发布当天即接入 SGLang、vLLM-Omni 与 ComfyUI，10 月 19 日技术报告上 arXiv，10 月 20 日上线 MOSI API 平台，从开源到可调用只用了四天。

技术实现

它是一套扩散 Transformer 架构：文本编码器为 Qwen3.5-9B，变分部分使用 FLUX.2 的小型 VAE（官方训练框架的权重清单即 qwen3.5_9b 与 flux2-vae_small 两个文件）。官方推理示例里 DiT 跑 bfloat16、VAE 保持 float32，推荐 50 步采样、guidance scale 取 3.0，并对指定层做无条件跳过来提速。训练侧官方开源了 KohakuMossTrainer，支持全量微调与 LyCORIS 系列 LoRA，最小可落到 6GB 显存。

应用场景

电商主图与详情页带中文卖点文案、活动海报与社交媒体配图、带标题与插画排版的旅行海报、多格漫画与分镜草图、游戏界面 HUD 截图生成、信息结构图与白板、影视级写实照片复刻，以及用社区 LoRA 微调出专属画风。

适用人群

需要图里写字不出错的设计师与电商运营、做分镜和角色立绘的漫画作者、要把文生图接进产品的独立开发者与算法工程师，以及想在自己显卡上微调专属风格的创作者。

出品方与开源许可

OpenMOSS 团队出品，代码与模型权重以 Apache-2.0 协议发布，同时在 HuggingFace 与 ModelScope 同步，开源技术报告的 arXiv 编号为 2610.23374。

官网链接

项目主页 https://openmoss.ai/MOSS-Image/ ，代码与权重见 https://github.com/OpenMOSS/MOSS-Image 。