OpenMOSS 开源 MOSS-Image：5B 文生图模型把"排版"写进提示词，中英文文字渲染不再是老大难

标题：OpenMOSS 开源 MOSS-Image：5B 文生图模型把"排版"写进提示词，中英文文字渲染不再是老大难

10月16日，OpenMOSS 团队正式开源了 MOSS-Image——一个 5B 参数的单流扩散 Transformer（DiT）文生图模型，同时放出 MOSS-Image-Base 与 MOSS-Image-SFT 两个权重，权重与推理代码均采用 Apache-2.0 协议。这次开源最值得关注的不是参数量，而是它把"图里画什么字、元素摆在哪个位置"变成了可以结构化控制的数据。以下内容基于官方 GitHub 仓库、Hugging Face 模型卡与第三方媒体转述整理。

它想解决什么问题

生图模型画得越来越好看，但一直有两个老大难：一是图里的文字经常糊成乱码，尤其是中文；二是"我要把标题放左上角、logo 放右下角"这种排版诉求，靠自然语言提示词基本控制不准。MOSS-Image 的思路是把布局从"描述"升级成"数据"：你可以用一段 JSON 描述整个场景，再用 items 数组逐条列出每个元素的标签（文字 / 角色 / 物体）、说明文字，以及用边界框（bbox）标注的位置和大小。盒子用 bbox_format: "yxyx"、bbox_coord_space: "abs_centralized" 的以画布中心为原点的像素坐标。

好处很直接：因为布局是结构化数据，改动也变成结构化的——改一句说明、挪一个框，理论上只有那一部分构图会变化。官方还配了一个 ComfyUI 核心节点 MOSS-Image Layout Prompt，把"创建边界框"画出来的框直接转成模型要的布局 JSON。

关键规格

• 生成器：5B 单流 DiT，42 层，hidden width 3072，24 个注意力头（每头 128 维），四轴旋转位置编码（第一轴预留给参考索引，为后续参考图条件生成留口子）
• 文本编码器：冻结的 Qwen3.5-9B（最后一层隐状态 4096 维，投影到 3072 再接两个文本专用 block）——注意这部分不算在"5B"里
• VAE：冻结的 FLUX.2 VAE（取自 FLUX.2-klein-4B），32 latent 通道
• 提示词：最长支持 4K token；可用自然语言、booru 风格标签序列，或布局 JSON
• 官方推荐参数：flow-matching Euler 采样器，50 步以上，CFG 3（3～6），shift 5，第 22 层做 negative-branch skipping；分辨率建议 1M/1.5M/2M 像素，512×512 到 4M 像素都支持，需为 16 的倍数
• 语言：中英文文字渲染都做了专门优化，提示词不指定换行时模型会自行断行

Base 和 SFT 怎么选

两个权重架构和推理管线一样。Base 是预训练版本，官方明确说它"没有做任何后训练或推理参数蒸馏（如 CFG）"，目的就是保留完整训练信号、方便做 LoRA 微调——代价是随手用效果一般，需要跑 50 步以上配 CFG 3。SFT 是在精选数据上微调过的版本，官方对比示例显示同一提示词下 SFT 的文字分组更整齐、布局更条理。简单说：想自己训 LoRA 用 Base，想直接用选 SFT。

想跑起来要多少显存

同日 Comfy-Org/ComfyUI 的核心支持就合入了（PR #17095，由 Kijai 提交），不过这个提交晚于最新发布 tag，老安装需要更新才能用。权重方面，Comfy-Org/MOSS-Image 提供了标准 ComfyUI 加载器要用的单文件版本：

• 扩散模型：moss_image_sft_bf16 10.2 GB / moss_image_sft_int8_convrot 5.4 GB（Base 同样有 bf16/int8 两种）
• 文本编码器：qwen3.5_9b_int8_convrot 9.8 GB / qwen3.5_9b_w4a8_gptq 7.3 GB
• VAE：flux2-vae.safetensors 340 MB

官方仓库还自带一个从 ComfyUI Manager 安装的原生插件 moss-image，示例工作流是 1024×1024、50 步、CFG 3、shift 5、skip layer 22。官方演示的 Gradio Space 跑在单张 A10G 上，本地门槛不算高，但"5B + 9B 文本编码器"的组合实际占用比标题参数看起来要大不少。需要注意的是，内嵌 VAE 用的是 FLUX.2 small decoder，装环境时要留意 diffusers / transformers 版本要求。

社区热度：B站已有对比测评

发布次日（10月17日），B站博主 T8star-Aix 就发布了这条视频的对比测评，把 MOSS Image 与 Qwen Image 2.1、Flux3 Klein 放在一起做了百组对比，并开源了一个提示词强化节点、以及社区加速 8 步 LoRA。对关心"这几个开源生图模型到底谁强"的人来说，这类实测是官方 benchmark 之外的补充参考。

几个要泼的冷水

• 官方附带的 benchmark 数字是厂商自己在两个自建基准上跑的，可以当作实验室内部记分牌，不是第三方横向榜单
• 有媒体指出，此前宣称的"vLLM-Omni Day 0 支持"目前仍是一个未合并的 PR（3,605 行、25 个文件，10 月 14 日开，仍在审核），所以只存在于可自行编译的分支，而非可直接安装的版本
• 布局 JSON 能力很强，但也意味着你要按它的格式去组织坐标，学习成本和调试成本还在

对谁有用

• 平面设计 / 海报 / 信息图 / UI 稿从业者：文字渲染 + 布局控制正好命中商业交付场景
• 本地部署党：Apache-2.0 无营收红线、无商用附加条款，权重和推理代码都可自由使用
• LoRA 训练者：Base 版没蒸馏、是全量训练信号，适合当微调底模

MOSS-Image 的定位很清楚：不跟你在"照片级真实感"上硬碰，而是赌"文字 + 结构可控"这条更商用化的路。如果你做的工作里经常要往图里塞准确的中英文字、或者要精确摆版，这个模型值得上手试试。

参考来源

• OpenMOSS/MOSS-Image 官方仓库与 News 页（2026-10-16）：https://github.com/OpenMOSS/MOSS-Image
• Hugging Face 官方模型卡 MOSS-Image-SFT（Apache-2.0）：https://huggingface.co/OpenMOSS-Team/MOSS-Image-SFT
• 第三方媒体（ComfyUI 支持与权重规格）：https://comfyui-wiki.com/en/news/2026-10-16-moss-image
• 第三方媒体（许可与工程化现状分析）：https://www.orcarouter.ai/blog/moss-image-native-layout-control-release
• 热度佐证：T8star-Aix 对比测评视频（2026-10-17）：https://www.youtube.com/watch?v=3ZNUn5UZ4Oc

参考来源

• https://github.com/OpenMOSS/MOSS-Image