MOSS-Image – 模思智能与 OpenMOSS 开源的 5B 原生布局控制文生图模型

MOSS-Image 是模思智能（MOSI）与 OpenMOSS 团队于 2026 年 10 月开源的5B 参数文生图基础模型，主要解决版面可控的图像生成：用一段 JSON 描述每个元素的标注框与文字，模型照此把位置、层级与排版一并画出来。主干为 42 层扩散 Transformer，提示词最长约 4K token，适用于海报排版、信息图、界面稿与多语言文字场景。

MOSS-Image 的核心能力

差异在一处：版面不是靠形容词猜，而是写在输入里。

用 JSON 描述版面，按标注框落位

布局输入分 summary 与 items 两段：前者交代画布与总述，后者逐个列元素，可给 label、caption、text 与 bbox，坐标空间由 bbox_coord_space 指定，默认 abs_centralized，框格式为 yxyx。把 JSON 粘进 Gradio 提示词框即可，画布尺寸须与生成尺寸一致。提示词上限约 4K token，整版排版也写得下。

在画面里写中英文文字

文字渲染覆盖标题、画面内短句与标注。官方示例用一句中文便签作提示词，生成的图里便签字句完整可读。技术报告为此构造中英双语、短中长三档评测集，长档中文正文实测落在 1,657 至 1,788 字，字形承接能力面向整段正文而非零散词条。它与 Ming-Image-0.1-Design 这类设计向开源模型走两条路：后者面向整版设计，MOSS-Image 把控制权交回布局 JSON。

Base 与 SFT 两组权重

Base 是基础文生图版本，SFT 在其之上用精编数据微调。官方对照示例里，SFT 的文字分组更清晰、白板版式更规整。两组权重各有 Hugging Face 与 ModelScope 两份分发，可分别部署与微调。

接入现有推理栈

除 diffusers 直接调用，ComfyUI 已原生支持，装上 Comfy-Org 格式权重后用内置加载器即可，无需插件；SGLang 与 vLLM-Omni 在发布当天同步支持。官方另附提示词增强脚本，把画面想法转成带整数中心坐标的布局 JSON。

MOSS-Image 与同类图像生成模型的对比

下表取自 MOSS-Image 技术报告的 7Bench 布局控制实验结果：同一批题集、同一套判定脚本，四列都参与该组评测。题集共 224 张图、576 个目标对象。

上表数据取自技术报告的 7Bench 结果表。mIoU 差异最直接：MOSS-Image 为 0.6788，另外三款落在 0.14 至 0.24。检出率看是否把要求的对象都画出来，MOSS-Image 为 0.7726，Ideogram 4.0 为 0.5469，差距小于精度那一行。严格阈值差别最大：门槛抬到 0.9 后另外三款接近零，MOSS-Image 仍为 0.4650。实验由发布方执行，题集与脚本随报告公开。

「检出对象数」指 576 个目标里被检出的个数，与检出率同源；「检出后 mIoU」只统计被检出的对象，两处口径按报告原样引用。

MOSS-Image 的 VAE 直接取自 FLUX.2-klein-4B。若想看这条路线在消费级显卡上的落地形态，可参考 FLUX 3 Image Klein（Black Forest Labs 开源的图像生成与编辑模型，轻量版面向显存有限的本地环境）。

MOSS-Image 的应用场景与适用人群

版面与文字都能写进输入之后，用法偏向需要精确交付的场合：

• 海报与物料排版：标题、副标题、插画、落款的标注框先定好，再让模型按框出图，不必反复重抽。
• 信息图与知识卡片：多个文字块与图形块各占其位，读写顺序与层级在输入里就已确定。
• 多语言物料：同一版式换语种文本重新生成，中英两套共用一套坐标。

适用人群：适合需要精确控制版面、又不愿上闭源服务的品牌设计与前端团队，以及愿意为一版海报多花几轮调布局的设计岗位；只想一句话出图、不想碰 JSON 的人，用云端成品服务更省事。

MOSS-Image 的使用方法

官方给了三条路径：不装环境可在网页里试，本机部署走 Python 接口，已有 ComfyUI 工作流的可直接加载权重。

网页试用：不装环境，在浏览器里传提示词

1. 打开 Hugging Face 上的演示空间（由 OpenMOSS 官方团队搭建），界面为 Gradio，模型选 Base。
2. 提示词框里粘画面描述；做布局控制时把布局 JSON 一并粘进去，画布尺寸与生成尺寸保持一致。
3. Advanced 里选显存模式：常驻 GPU 最快，组件模式按需搬，顺序卸载最省显存但更慢。

本机部署：用 Python 接口调用权重

1. 克隆 MOSS-Image 官方仓库，建虚拟环境后执行 pip install -r requirements.txt。
2. 载入权重：DiffusionPipeline.from_pretrained("OpenMOSS-Team/MOSS-Image-Base", custom_pipeline="pipeline_moss_image", trust_remote_code=True)，主干用 bfloat16、VAE 用 float32。
3. 采样保留默认：num_inference_steps=50、guidance_scale=3.0、uncond_skip_layers=[22]；固定 manual_seed 便于版本间比对。

ComfyUI：把权重接进现有工作流

1. 把 ComfyUI 更新到带 MOSS-Image 支持的分支或每夜版，装齐依赖。
2. 下载 Comfy-Org/MOSS-Image 格式权重放入模型目录，用内置加载器接入，采样走 Flow-matching。

显存不足时先切组件模式，再把分辨率降一档；批量出图固定随机种子，否则批次间差异难判断来自提示词还是随机性。要微调时，DiffSynth-Studio 与 KohakuMossTrainer 都支持全参与 LoRA，后者标注 6GB 显存可起步。

MOSS-Image 的项目地址

• 项目官网：https://openmoss.ai/MOSS-Image/
• GitHub 主仓库：https://github.com/OpenMOSS/MOSS-Image
• Hugging Face 权重库：https://huggingface.co/OpenMOSS-Team/MOSS-Image-Base
• 技术报告：https://arxiv.org/abs/2610.23374

MOSS-Image 的价格与开源情况

MOSS-Image 按 Apache-2.0 协议开源，代码与 Base、SFT 两组权重都可免费下载、自托管与商用，没有许可费用；官方在 Hugging Face 与 ModelScope 各提供一份分发。

真实成本落在算力上：主干 5B、文本编码器 9B，本地推理要按两组权重合计的体量预留显存档位，显存不足时用组件卸载换运行空间，代价是速度。只做适配训练时，社区工具标注 6GB 显存可起步。通过 MOSI API Platform 调用按该平台刊例计费。

MOSS-Image 的常见问题