MOSS-Image 是什么？架构、基准测试与许可证详解
一篇面向普通读者的指南，介绍 OpenMOSS 开源的 5B 文生图模型 MOSS-Image：它擅长什么、如何训练，以及局限在哪里。
MOSS-Image 是一个 50 亿参数的扩散 Transformer 文生图模型，由 OpenMOSS 于 2026 年 10 月 16 日以 Apache-2.0 许可证发布，专为渲染超长中英文文字和遵循 JSON 版式指令而设计。它只支持文生图：没有图像编辑、没有参考图模式，目前也没有官方托管 API。
本文会说明它由谁开发、如何工作、公开的基准测试结果如何，以及它在哪些方面还有不足。下文中的每个数字都附有来源链接：GitHub 仓库、arXiv 技术报告或 Hugging Face 模型卡。如果想看更精简的概览，请参阅 MOSS-Image 模型指南。
MOSS-Image 是谁开发的？
MOSS-Image 由 MOSI Intelligence 联合上海创新研究院（SII）、复旦大学和上海交通大学共同开发。技术报告的署名作者为"MOSI.AI"，Zhe Xu 和 Donghua Yu 为共同第一作者，Xie Chen 和 Xipeng Qiu 为指导老师。
邱锡鹏（Xipeng Qiu）是复旦大学 MOSS 团队的负责人。代码托管在 GitHub 的 OpenMOSS 组织下；权重则放在 Hugging Face 的 OpenMOSS-Team 下。注意 Hugging Face 上的 OpenMOSS 组织是另一个无关团队，下载前请核对名称。
MOSS-Image 是什么时候发布的？
MOSS-Image 于 2026 年 10 月 16 日发布。代码、权重以及对 SGLang、vLLM-Omni 和 ComfyUI 的 day-0 支持在同一天上线，35 页的技术报告也以 2610.23374 的编号提交到了 arXiv。ComfyUI Wiki 的新闻稿对此次发布做了报道。
发布时公开了两个检查点：MOSS-Image-Base 和 MOSS-Image-SFT。两者架构与推理流程完全相同。Hugging Face Space 上提供免费在线演示。
MOSS-Image 的架构是怎样的？
MOSS-Image 是一个从零训练的 50 亿参数单流扩散 Transformer（DiT）。它使用冻结的 Qwen3.5-9B 语言模型作为文本编码器，并使用冻结的 FLUX.2 VAE 构建潜空间。5B 这个参数量只包含扩散生成器本身，不含文本编码器和 VAE。
以下所有数据均来自 arXiv 报告附录 A 和 Hugging Face 模型卡。
| 组件 | 规格 |
|---|---|
| 生成器 | 5B 单流 DiT，从零训练，42 层，隐藏维度 3072，24 个注意力头 × 128 维，FFN 8192 |
| 文本编码器 | Qwen3.5-9B（冻结）。最后一层的 token 状态（4096 维）经一个线性层和一个两层纯文本 Transformer 投影到 3072 维 |
| VAE | FLUX.2 VAE（冻结），取自 FLUX.2-klein-4B。32 通道潜变量，8 倍下采样 |
| 位置编码 | 覆盖参考索引、序列、宽度和高度的 4D RoPE。参考轴为未来的参考图生成预留 |
| 前馈网络 | SiTU-GLU，沿用自 Kimi K3 |
| Patch 划分 | 2×2 潜变量 patch，相当于 16 px 步长。一张 1024² 图像对应 4096 个 token |
| 文本上限 | 4096 token |
| 优化器 | Muon-AdamW 混合优化器。在 1B 规模的消融实验中，达到相同损失所需步数比单用 AdamW 少 29-33% |
由于文本编码器和 VAE 都是现成的标准组件，ComfyUI 只需把 DiT 作为新模型类型加进去即可。这也是社区能在几天内完成集成的主要原因。
MOSS-Image-Base 和 MOSS-Image-SFT 有什么区别？
MOSS-Image-Base 是原始预训练模型，没有经过任何后训练，也没有做诸如内置 CFG 之类的推理参数蒸馏。MOSS-Image-SFT 则是同一模型在精选数据上做监督微调后的版本。大多数用户应该使用 SFT。Base 的存在意义是为 LoRA 和全量微调提供一个干净的起点。
官方示例描述 SFT 检查点的文字分组更干净，白板式版式也更有条理。GitHub README 解释说，Base 有意完整保留了所有训练信息，以便社区在其之上训练适配器。如果你只想生成图片，选 SFT 并按照推荐设置来即可。
MOSS-Image 渲染长文本的能力有多强？
长文本渲染是该模型公开成绩中最突出的一项。在论文提出的 LLTB（LongLongTextBench）基准上，MOSS-Image 的 Mean-6 得分为 96.3，其中英文长文本 97.1，中文 92.4。榜单上的下一名 Qwen Image 2512 得分 64.9，差距达 31.4 分。
LLTB 包含 240 条提示词，中英文各 120 条，平均每条 1,339.8 个字符。报告指出，这大约是旧版 LongTextBench 的 11 倍长度。在拒绝生成计为零分的情况下，Ideogram 4 在 LLTB 上得分 63.5。
在更短的 LongTextBench（平均 120 字符）上，MOSS-Image 得分 97.63。开源基线模型的得分在 96 到 98.9 之间，因此论文认为该基准已经饱和。换行可以在提示词中用 \n 或真实换行符控制。中文得分低于英文，是因为训练用的图像描述大多是英文。提示词示例汇总在我们的 MOSS-Image 提示词指南中。
MOSS-Image 的 JSON 版式控制是如何工作的？
MOSS-Image 可以直接接受一个 JSON 对象作为提示词。JSON 中列出各个元素，每个元素有标签（text、character 或 object）、描述、可选的文字内容和一个边界框。在 7Bench 版式基准上，MOSS-Image 的 mIoU 为 0.88，Layout AUC 为 0.70；Ideogram 4 分别为 0.44 和 0.20。
边界框采用 yxyx 格式，即 [y_min, x_min, y_max, x_max]，坐标空间为 abs_centralized。也就是以画布中心为原点的绝对像素坐标，x 向右、y 向下，因此 1024×1024 的画布在两个轴上都是 -512 到 +512。论文认为，以零为中心的绝对坐标比归一化到 [0, 1000] 范围的坐标更能泛化到未见过的分辨率。
根据报告，GPT Image 2、Nano Banana Pro、Seedream 5.0 Pro 和 Qwen Image 3.0 Pro 在 7Bench 上的得分都落在 0.14-0.17 区间。该功能被标记为实验性（Experimental）。ComfyUI 核心内置了 MOSS-Image Layout Prompt 节点，可将手绘的框转换成这种 JSON。完整字段说明见我们的版式 JSON 规范。
MOSS-Image 在人类偏好测试中排名如何？
在论文中的盲测成对人类偏好测试 RealLayoutArena 里，MOSS-Image 的端到端排名第二，Bradley-Terry Elo 为 1698.70，仅次于 GPT Image 2 的 1844.35。Seedream 5.0 Pro 得分 1661.16，带提示词增强的 Qwen Image 3.0 Pro 为 1614.84，Nano Banana Pro 为 1590.19。
该竞技场涵盖 61 个任务：20 张海报、20 张信息图和 21 个 UI 界面。端到端排名中的 MOSS-Image 条目使用了 GPT-6 做提示词增强。在另一个所有模型都收到相同增强提示词的设定下，MOSS-Image 以 1807.34 排名第一，领先 ERNIE Image 的 1748.51 和 SenseNova-U1 的 1689.23。
论文还测量了提示词风格对 MOSS-Image Elo 的影响：简短提示词 1081.70，详细提示词 1509.21，自然语言增强提示词 1506.20，JSON 版式提示词 1622.87。实际结论是：一份版式 JSON 比一段写得很好的文字描述更有效。
需要注意的是：报告没有公布最终 5B 模型的 GenEval、DPG-Bench 或 OneIG 得分，只有小规模消融模型的数据。凡是你看到引用的 MOSS-Image 通用基准数字，都应该对照 arXiv 原文核实。
MOSS-Image 是如何训练的？
MOSS-Image 在约 30 亿张去重图像上训练，数据来自 ReLAION、OmniCorpus、DataComp 等来源，并用 Gemma 4 重新生成了描述。训练在 512 台设备上进行，团队称之为"异构 GPU 平台"，具体 GPU 型号未公布。
图像描述以英文为主，没有专门的中文标注流程，报告将此作为中英文长文本召回率存在差距的原因。
MOSS-Image 有哪些已知局限？
MOSS-Image 只支持文生图。它不能接受参考图，也不能编辑已有图片；论文将图像条件生成列为未来工作。此外，高质量版式还依赖外部 LLM 来扩写提示词，LLM 的错误会直接传导到图像上。
- 中文长文本得分低于英文（LLTB 上 92.4 对 97.1）。
- Base 模型需要 50 步以上并仔细调整 CFG。没有官方蒸馏检查点，所以速度不快。
- JSON 版式控制被标记为实验性功能。
- 按照 ComfyUI Wiki 的总结，团队自己的定位是：这个模型的卖点是文字和结构，而不是纯粹的照片级真实感。
- 官方未公布显存需求和推理速度。
- 开源的版式提示词增强器宣布"即将推出"，但尚未发布。
现在怎样才能试用 MOSS-Image？
最快的途径是官方 Hugging Face Space，无需任何配置。如果要本地运行，ComfyUI 在发布当天就把支持合并进了核心代码（Kijai 提交的 PR #17095），Comfy-Org 也发布了重新打包的检查点。Diffusers 可通过自定义 pipeline 加载。
GitHub 列出的运行要求：Python 3.10 或更高、PyTorch 2.9 或更高、NVIDIA CUDA、diffusers 0.38 或更高、transformers 5.3 或更高。权重体积：DiT bf16 10.2 GB，DiT int8 5.4 GB，Qwen3.5-9B int8 9.8 GB 或 w4a8 7.3 GB，FLUX.2 VAE 340 MB。Gradio 应用提供三种显存模式：全部常驻 GPU、组件卸载和顺序卸载。
SGLang 和 vLLM-Omni 都有 day-0 支持；vLLM recipe 是搭建服务最快的方式。目前没有托管 API：截至 2026 年 10 月 20 日，Hugging Face Inference Provider、fal.ai、Replicate、WaveSpeed 和 Kie.ai 上均没有部署。我们的 ComfyUI 指南详细讲解了本地工作流。如果你只是想马上做一张海报，可以试试 MossImage 生成器。
社区采用 MOSS-Image 的速度有多快？
发布四天后，GitHub 仓库已有 973 个 star 和 45 个 fork，Hugging Face 上两个检查点的微调和 LoRA 合计已超过 30 个。社区蒸馏成果包括一个 4 步的"rapid-moss" LoRA 和一个 8 步的 DMD LoRA。
2026 年 10 月 20 日 Hugging Face 数据快照：
| 检查点 | 点赞 | 月下载量 | 适配器 | 微调 | 其他 |
|---|---|---|---|---|---|
| MOSS-Image-SFT | 414 | 3,336 | 16 | 14 | 18 个量化版本，21 个 Space |
| MOSS-Image-Base | 371 | 2,774 | 15 | 22 | — |
其他早期衍生项目还包括 Kromoss 全量微调和 KohakuMoss LoRA 训练器，均出现在 10 月 17 日至 19 日之间。
FAQ
MOSS-Image 可以免费商用吗？
可以。代码和权重均以 Apache-2.0 许可证发布，允许商业使用、修改和再分发。技术报告本身采用 CC BY 4.0。许可证文件见 GitHub。
MOSS-Image 能编辑图片或使用参考照片吗？
不能。该模型只支持文生图。参考图和图像编辑在报告中被列为未来工作，4D RoPE 的参考轴就是为此预留的。
MOSS-Image 需要多少显存？
团队尚未公布显存数字。仅 bf16 DiT 就有 10.2 GB，官方 Gradio 应用为显存较小的机器提供了组件卸载和顺序卸载模式。
我应该下载 Base 还是 SFT？
生成图片请下载 MOSS-Image-SFT。MOSS-Image-Base 是微调的起点，没有经过任何后训练。
MOSS-Image 支持中文文字吗？
支持。LLTB 包含 120 条中文提示词，MOSS-Image 在上面得分 92.4，英文为 97.1。由于训练描述以英文为主，仍然建议使用英文提示词。
MOSS-Image 有 API 吗？
暂时没有。截至 2026 年 10 月 20 日，没有官方托管端点，各大推理平台也都没有上架该模型。你可以用 Diffusers pipeline、ComfyUI、SGLang 或 vLLM-Omni 自行部署。