OpenMOSS 推出 MOSS-Image,一款支援 4K Token 與可編輯版面的開源圖像生成器

iconMetaEra
分享
AI summary icon精華摘要
OpenMOSS 已推出 MOSS-Image,為開發者提供新的代幣上線選項。基於 MetaEra 構建,此 5B 參數 DiT 模型支援 4K 代幣、中英文長文本渲染及可編輯的 JSON 布局,具備高佈局準確性與端到端評估功能。該模型以 Apache-2.0 開源,並與 Diffusers、Gradio 和 ComfyUI 兼容。此代幣上線消息標誌著開源圖像生成邁出重要一步。
OpenMOSS 團隊發布開源圖像生成模型 MOSS-Image,基於 5B 參數單流 DiT 架構,支援最長 4K token 提示詞與中英文長文本渲染,具備可編輯的結構化 JSON Layout 能力。該模型在長文本渲染、佈局準確性與端到端偏好评測中表現優異,採用 Apache-2.0 協議開源,相容 Diffusers、Gradio 和 ComfyUI 生態,適用於需要精準排版與本地部署的開發者。

文章作者、來源:AIBase

近日,OpenMOSS(復旦NLP與上海創智等團隊)正式發布開源圖像生成模型——MOSS-Image。針對傳統文生圖模型在海報、資訊圖、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)為基座從零開始預訓練,全面支援最長約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,透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 作為文本編碼器,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。為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為包含字體層級、色板和坐標規範的可執行指令。

image.png

在核心能力與評測表現上,MOSS-Image 展現出了極強的專項優勢:

Long Text Rendering (LLTB): In a benchmark containing 120 Chinese and 120 English tasks, with an average target text length of approximately 1339.8 characters, it achieved a Mean-6 score of 96.3, setting a new record for open-source weighted models, and effectively preserving line breaks and paragraph structure.

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 為 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 Diffusers、Gradio 和 ComfyUI 等生態路徑,支援 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,其提示增強模組也依賴外部語言模型。總體而言,該模型的推出為需要本地部署、精準排版和可複現版式的開發者提供了一個功能強大的開源新選擇。

免責聲明:本頁面資訊可能來自第三方,不一定反映KuCoin的觀點或意見。本內容僅供一般參考之用,不構成任何形式的陳述或保證,也不應被解釋為財務或投資建議。 KuCoin 對任何錯誤或遺漏,或因使用該資訊而導致的任何結果不承擔任何責任。 虛擬資產投資可能存在風險。請您根據自身的財務狀況仔細評估產品的風險以及您的風險承受能力。如需了解更多信息,請參閱我們的使用條款和風險披露 。