MOSS Image AI 生成器

MOSS Image（官方写法为 MOSS-Image）是 OpenMOSS 于 2026 年 10 月 16 日以 Apache-2.0 许可证发布的开源文生图模型。它采用单流扩散 Transformer 架构，参数量 50 亿，搭配 Qwen3.5-9B 文本编码器和 FLUX.2 VAE，训练数据约 30 亿张图片。它的目标不是在照片级写实上取胜。它的使命是做好两件大多数生成器都做不好的事：正确渲染大段中英文文字，并把元素放到你指定的位置。

为什么 AI 图片里的文字总是乱码？

扩散模型从图片描述中学习，而描述很少逐字写出招牌上的每个词。模型学会的是文字“长什么样”，而不是“写了什么”，于是生成出形似字母的噪点、漏字，或者把你的标题改写一番。每多一行，就多一次出错的机会。中文受害最深：训练描述绝大多数是英文，大多数模型从未学会汉字是怎么构成的。

MOSS Image 如何处理长文本？

技术报告（arXiv 2610.23374）提出了 LongLongTextBench：240 条提示词，中英文各半，目标文本平均约 1,340 个字符。MOSS Image 平均得分 96.3，长英文 97.1，长中文 92.4。Qwen Image 2512 为 64.9，Ideogram 4 为 63.5。提示词窗口为 4,096 个 token，提示词里的换行会直接变成图片里的换行，段落在哪里折行由你决定。

什么是 MOSS Image 版式 JSON？

你可以不写“标题在顶部，logo 在左下角”这样的描述，而是直接给模型一个 JSON 对象。每个元素包含一个标签（text、character 或 object）、一段说明、可选的文本字符串，以及一个以画布中心为原点、用绝对像素坐标表示的边界框。在 7Bench 版式基准上，这种方式取得 0.88 的平均 IoU，Ideogram 4 为 0.44，GPT Image 2、Nano Banana Pro 和 Seedream 5.0 Pro 为 0.14 到 0.17。人工评测中，JSON 提示词也比详细的文字描述更受青睐，Elo 分数 1,622.87 对 1,509.21。该功能目前标记为实验性，格式详见我们的 MOSS Image 版式 JSON 指南。

MOSS Image 适合谁？

所有需要在图片里放文字的人：制作海报的活动主办方、产出信息图和语录卡片的营销人员、需要一张产品标签的小品牌，以及中英文双语协作的团队。ComfyUI、Diffusers、SGLang 和 vLLM-Omni 在发布首日就支持了这个模型，社区在四天内发布了 30 多个 LoRA、微调版本和量化权重。

怎样写好 MOSS Image 提示词？

• 所有需要渲染的文字都放在引号里，不加引号的句子会被改写。
• 说明每行文字的位置和大小：“顶部大号大写标题，底部小号日期行”。
• 中文文字直接写汉字，不要用英文去描述它。
• 需要精确定位时，把文字描述换成版式 JSON。

更多示例（包括中文示例）见 MOSS Image 提示词库。

MossImage 扮演什么角色？

MossImage 是围绕该模型搭建的独立生成器和知识库，与 OpenMOSS 无隶属关系。该模型目前还没有官方托管 API，所以我们的在线生成器在引擎集成完成前处于预览阶段，每张结果都会标明由哪个引擎生成。版式模式（拖画文本框并导出版式 JSON，无需手动输入坐标）正在开发中。MOSS Image 模型指南涵盖了模型架构、推荐参数（50 步以上、CFG 3、shift 5）以及如何自己运行权重。

有哪些局限？

该模型目前只支持文生图，参考图和图片编辑列为后续工作。长中文文本略逊于英文，92.4 对 97.1。论文中效果最好的版式依赖外部语言模型来扩写提示词，版式 JSON 也仍处于实验阶段。它需要 50 步以上的采样，速度并不快，作者也坦言这个模型的卖点是文字和结构，而不是纯粹的写实感。每次生成都请校对一遍，文字渲染在不同批次间会有差异。