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。

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。

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。





