近日，OpenMOSS（復旦NLP與上海創智等團隊）正式發佈了開源圖像生成模型 —— MOSS-Image。針對傳統文生圖模型在海報、信息圖、漫畫及UI設計中常年面臨的“文字拼寫錯誤、段落截斷、元素錯位”等痛點，該模型以5B參數的單流 DiT(Diffusion Transformer)爲基座從零開始預訓練，全面支持最長約4K token的提示詞、中英文長文本渲染以及可編輯的結構化 JSON Layout。

image.png

在技術架構方面，MOSS-Image採用Muon–AdamW訓練配方，通過統一的文本條件通道來處理自然語言和結構化佈局。模型使用 Qwen3.5-9B 作爲文本編碼器，並配合 FLUX.2VAE 進行圖像解碼。訓練數據集涵蓋約3B張圖像，融入了多粒度caption、文字監督與結構化邊界框（bbox）監督。爲了應對複雜創作需求，模型還引入了意圖感知的提示增強(PE)外部規劃模塊，可將簡短的請求自動擴展爲包含字體層級、色板和座標規範的可執行指令。

image.png

在覈心能力與評測表現上，MOSS-Image展現出了極強的專項優勢:

長文本渲染（LLTB）:在包含中英文各120個任務、平均目標文本約1339.8個字符的評測中，其Mean-6得分爲96.3，創造了開源權重模型的新高，能夠較好地保留換行和段落結構。

結構化佈局（7Bench）:在統一JSON Layout任務上，其檢測框mIoU達到0.8786，整體佈局mIoU爲0.6788，在空間關係和相對大小控制上表現優異。

端到端偏好（RealLayoutArena）:在盲測Elo排名中，其生成器本身在統一增強提示詞下的得分達到1807.34，處於行業領先地位。

目前，MOSS-Image 的 Base 與 SFT 權重均採用 Apache-2.0協議開源，並全面打通了 Diffusers、Gradio 和 ComfyUI 等生態路徑，支持 LoRA 與全量微調。不過，官方也明確了其當前邊界:其 backbone 屬於純文生圖模型，無法直接接收參考圖或執行原生圖像編輯，其提示增強模塊也依賴外部語言模型。總體而言，該模型的推出爲需要本地部署、精準排版和可復現版式的開發者提供了一個功能強大的開源新選擇。