MOSS-Image 模型指南
关于 OpenMOSS 开源 5B 文生图模型的所有已核实信息，每个数字都附有来源链接。
MOSS-Image 是 OpenMOSS 于 2026 年 10 月 16 日以 Apache-2.0 协议发布的 50 亿参数文生图扩散 Transformer 模型。 它的设计目标是中英文长文本渲染和基于 JSON 边界框的布局控制，而不是单纯追求照片级写实。本页汇总官方代码仓库、模型卡和技术报告的实际内容，逐条附上来源，并随项目进展持续更新。
最后核实：2026 年 10 月 20 日。MossImage 是独立网站，与 OpenMOSS 无隶属关系。
MOSS-Image 是什么？
MOSS-Image 是一个开放权重的图像生成系统，由 5B 单流扩散 Transformer、冻结的 Qwen3.5-9B 文本编码器和冻结的 FLUX.2 VAE 组成。OpenMOSS 在同一天公开了代码、两个检查点（Base 和 SFT）和一份 35 页的技术报告，ComfyUI、SGLang 和 vLLM-Omni 首日即提供支持。
| 事项 | 内容 | 来源 |
|---|---|---|
| 官方名称 | MOSS-Image（检查点：MOSS-Image-Base、MOSS-Image-SFT） | GitHub |
| 发布日期 | 2026 年 10 月 16 日 | GitHub News |
| 开发者 | OpenMOSS；论文署名为 "MOSI.AI"，所属机构为 MOSI Intelligence、SII、复旦大学和上海交通大学 | arXiv 2610.23374 |
| 许可协议 | 代码和权重为 Apache-2.0；论文为 CC BY 4.0 | Hugging Face |
| 参数量 | 扩散生成器 5B，不含文本编码器和 VAE | arXiv 附录 A |
| 文本编码器 | Qwen3.5-9B，冻结 | arXiv |
| VAE | FLUX.2 VAE（来自 FLUX.2-klein-4B），32 个潜在通道，8 倍下采样 | arXiv |
| 最大提示词长度 | 4,096 个 token | GitHub |
| Hugging Face 组织 | OpenMOSS-Team（不是 "OpenMOSS"，那是一个无关账号） | Hugging Face |
| 在线演示 | Hugging Face Space | Demo |
MOSS-Image 是谁做的？
GitHub 组织是 OpenMOSS，Hugging Face 组织是 OpenMOSS-Team。技术报告署名作者为 "MOSI.AI"，所属机构为 MOSI Intelligence、SII、复旦大学和上海交通大学。项目负责人是 Zhe Xu 和 Donghua Yu；指导老师是 Xie Chen 和 Xipeng Qiu，后者在复旦的团队也是 MOSS 语言模型系列的开发者。
架构是怎样的？
MOSS-Image 是一个 42 层的单流 Transformer，隐藏维度 3072，24 个注意力头、每头 128 维，FFN 维度 8192，从零开始训练。文本特征取自冻结的 Qwen3.5-9B 最后一层，经过一个线性投影和两个纯文本 Transformer 块后再与图像 token 合并。
| 组件 | 规格 |
|---|---|
| 主干 | 5B 单流 DiT，42 层，隐藏维度 3072，24 × 128 注意力头，FFN 8192 |
| 前馈层 | SiTU-GLU 层（论文引用了 Kimi K3） |
| 位置编码 | 4D RoPE，覆盖参考索引、序列、宽度和高度 |
| 潜在 patch | 2 × 2，即一个 token 对应 16 × 16 像素；一张 1024² 图片为 4,096 个 token |
| 优化器 | 混合 Muon-AdamW；1B 消融实验显示，达到相同损失所需步数比 AdamW 少 29-33% |
| 训练数据 | ReLAION、OmniCorpus、DataComp 等，去重后约 30 亿张图片；描述文本以英文为主 |
| 最终检查点 | 第 310,000 步，EMA 权重 |
MOSS-Image-Base 和 MOSS-Image-SFT 有什么区别？
Base 是未经任何后训练、也没有蒸馏推理参数的原始预训练模型，公开出来是为了让社区在未经改动的基础上训练 LoRA。SFT 是在 Base 基础上用精选数据微调得到的，架构和流程完全相同，也是大多数人应该使用的检查点。官方示例显示，SFT 生成的文字分组更干净，白板版面也更有条理。
MOSS-Image 的文字渲染效果如何？
在技术报告提出的 LongLongTextBench（LLTB）上，共 240 个任务、每个平均约 1,340 个字符，MOSS-Image 的平均文字覆盖率达到 96.3。对比中排名第二的开放权重模型 Qwen Image 2512 得分 64.9。英文长文本得分 97.1，中文长文本得分 92.4。
| 基准 | MOSS-Image | 对比 | 来源 |
|---|---|---|---|
| LLTB Mean-6（长文本，中英） | 96.3 | Qwen Image 2512：64.9；Ideogram 4：63.5 | arXiv |
| LLTB 英文长文本 | 97.1 | — | arXiv |
| LLTB 中文长文本 | 92.4 | — | arXiv |
| LongTextBench（短文本，约 120 字符） | 97.63 | 公开基线：96.05-98.85 | arXiv |
英文和中文之间存在差距，是因为训练用的图片描述以英文为主，没有专门的中文描述标注。
布局控制是如何工作的？
你不需要用文字描述位置，而是给 MOSS-Image 一段 JSON 提示词，列出每个元素的标签、描述、可选文字内容，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 布局基准上，这种方式达到 0.88 mIoU 和 0.70 布局 AUC，而 Ideogram 4 为 0.44 和 0.20，GPT Image 2、Nano Banana Pro、Seedream 5.0 Pro 和 Qwen Image 3.0 Pro 则在 0.14-0.17 之间。
该格式的详细说明见我们的布局 JSON 规范页面。官方用户指南将其标记为实验性功能。ComfyUI 提供了 MOSS-Image Layout Prompt 节点，可以把画好的框转换成这段 JSON。
MOSS-Image 在人工评测中表现如何？
在论文提出的 RealLayoutArena（涵盖海报、信息图和 UI 的 61 个任务的盲测成对比较）中，MOSS-Image 配合其提示词增强器达到 1698.70 的 Elo 分数，仅次于 GPT Image 2 的 1844.35，领先于 Seedream 5.0 Pro（1661.16）、带提示词增强的 Qwen Image 3.0 Pro（1614.84）和 Nano Banana Pro（1590.19）。在统一使用增强提示词的情况下，MOSS-Image 主干模型单独排名第一，得分 1807.34。
同一项研究还衡量了提示词风格对结果的影响：短提示词得分 1081.70，详细提示词 1509.21，JSON 布局提示词 1622.87。写结构化提示词的作用比大多数人想象的要大。
论文没有报告最终 5B 模型的 GenEval、DPG-Bench 或 OneIG 分数，因此我们不引用这些数据。
MOSS-Image 团队推荐哪些参数？
使用流匹配 Euler 采样器，步数 50 或以上，CFG 3（短提示词可提高到 6），shift 5，并在第 22 层跳过负分支。输出尺寸必须是 16 的倍数；推荐总像素 100 万到 200 万，可用范围为 25 万到 400 万。
| 参数 | 推荐值 |
|---|---|
| 采样器 | Euler（流匹配），ComfyUI 中调度器选 sgm_uniform |
| 步数 | 50 或以上 |
| CFG | 3（范围 3.0-6.0） |
| Shift | 5 |
| 跳过层 | uncond_skip_layers=[22]；24 和 26 也可以 |
| 负面提示词 | nsfw, worst quality, bad anatomy, watermark, jpeg artifact |
| 分辨率 | 16 的倍数；推荐 100 万到 200 万像素；512² 到 2K 可用 |
| 提示词语言 | 推荐英文；支持中文 |
完整说明见 MOSS-Image 推荐参数。
如何运行 MOSS-Image？
你需要一块支持 CUDA 的 NVIDIA GPU、Python 3.10 或更高版本，以及 PyTorch 2.9 或更高版本。最省事的途径是 Hugging Face Space（无需安装）、ComfyUI（发布当天即合并原生支持）和 Diffusers 自定义 pipeline。
import torch
from diffusers import DiffusionPipeline
pipe = DiffusionPipeline.from_pretrained(
"OpenMOSS-Team/MOSS-Image-SFT",
custom_pipeline="pipeline_moss_image",
trust_remote_code=True,
torch_dtype={"default": torch.bfloat16, "vae": torch.float32},
)
Comfy-Org 重新打包的权重大小：DiT 为 bf16 10.2 GB 或 int8 5.4 GB；Qwen3.5-9B 文本编码器为 int8 9.8 GB 或 w4a8 7.3 GB；FLUX.2 VAE 为 340 MB。团队尚未公布显存需求和推理耗时。分步操作说明见我们的 ComfyUI 指南。
MOSS-Image 有哪些局限？
模型只支持文生图：不接受参考图，也不能编辑已有图片。技术报告将图像条件生成和迭代式优化列为后续工作。论文中的高质量版面依赖外部语言模型作为提示词增强器，作者指出增强器中的错误会传递到图片中。中文长文本得分低于英文，布局 JSON 功能标记为实验性，Base 检查点因为没有任何蒸馏，需要仔细调参。
社区接受度如何？
发布四天后，GitHub 仓库获得 973 个 star，SFT 模型卡显示 414 个点赞和当月 3,336 次下载，Hugging Face 上列出了 SFT 的 16 个适配器、14 个微调版本和 18 个量化版本，以及 Base 的 15 个适配器和 22 个微调版本。社区项目已经包括 4 步和 8 步蒸馏 LoRA、一个名为 Kromoss 的完整微调版本，以及一个名为 KohakuMoss 的 LoRA 训练器。
MOSS-Image 与其他模型对比
| 模型 | 开放权重 | 文生图 | 图片编辑 | 布局 JSON | 7Bench mIoU |
|---|---|---|---|---|---|
| MOSS-Image | 是，Apache-2.0 | 是 | 否 | 是 | 0.88 |
| Nano Banana Pro | 否 | 是 | 是 | 否 | 0.15 |
| GPT Image 2 | 否 | 是 | 是 | 否 | 0.14 |
| Ideogram 4 | 否 | 是 | 是 | 否 | 0.44 |
| Qwen Image 3.0 Pro | 否 | 是 | 是 | 否 | 0.17 |
7Bench 数据来自 arXiv 2610.23374 表 14。详细对比：MOSS-Image 对比 Nano Banana Pro。
常见问题
MOSS-Image 可以免费商用吗？
可以。代码和权重以 Apache-2.0 协议发布，允许商用、修改和再分发，只需保留署名。
MOSS-Image 有官方 API 吗？
没有。截至 2026 年 10 月 20 日，OpenMOSS 没有提供托管 API，Hugging Face 上也没有推理服务商部署该模型。你需要自己运行，或使用 Hugging Face Space。
MOSS-Image 能编辑图片或使用参考图吗？
不能。主干模型只支持文生图。位置编码中为参考图条件预留了位置，留待后续工作。
我应该下载哪个检查点？
生成图片用 MOSS-Image-SFT。只有打算训练 LoRA 或微调时才需要 MOSS-Image-Base。
提示词可以写多长？
通过 Qwen 聊天模板最多 4,096 个 token，足够渲染好几段文字。
MossImage 是 MOSS-Image 的官方网站吗？
不是。MossImage 是一个独立的生成器和指南站。官方主页是 openmoss.github.io/MOSS-Image，官方代码在 GitHub 的 OpenMOSS 组织下。