MOSS-Image 布局 JSON 规范

MOSS-Image 布局 JSON 是一种提示词格式：把一张图描述成一组元素，每个元素有标签、描述、可选的文字内容，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。你把这段 JSON 粘贴到提示词框里代替一句话，模型就会把每个元素放进对应的框内。本页依据官方用户指南和技术报告记录该格式。

OpenMOSS 将此功能标记为“实验性”。最后核实：2026 年 10 月 20 日。

布局 JSON 提示词长什么样？

下面是官方的旅行海报示例，画布为 1024 × 1024，包含一个文字元素和一个物体元素。

{
  "summary": {
    "meta": ["poster"],
    "canvas": "single",
    "caption": "A minimalist travel poster with a cream background, a blue mountain illustration, and the title EXPLORE at the top."
  },
  "items": [
    {
      "label": "text",
      "caption": "Large dark-blue uppercase title centered at the top.",
      "text": "EXPLORE",
      "bbox": [-416, -384, -288, 384]
    },
    {
      "label": "object",
      "caption": "A flat blue mountain illustration in the lower center.",
      "bbox": [-192, -288, 384, 288]
    }
  ],
  "bbox_coord_space": "abs_centralized",
  "bbox_format": "yxyx"
}

每个字段是什么意思？

顶层有四个键：summary、items、bbox_coord_space 和 bbox_format。summary 描述整张图，items 描述各个组成部分，最后两个键声明所有框的读取方式。

字段	类型	含义
`summary.meta`	字符串数组	图片类型标签，例如 `["poster"]`
`summary.canvas`	字符串	单画布填 `"single"`
`summary.caption`	字符串	对整张图的自然语言描述
`items[].label`	字符串	`text`、`character` 或 `object`
`items[].caption`	字符串	该元素应该是什么样子
`items[].text`	字符串	要渲染的原文；仅用于 `text` 元素
`items[].bbox`	4 个整数的数组	该元素的框，按两个格式键的声明读取
`bbox_coord_space`	字符串	`"abs_centralized"`：绝对像素，原点在画布中心
`bbox_format`	字符串	`"yxyx"`：`[y_min, x_min, y_max, x_max]`

坐标是如何定义的？

坐标为绝对像素，原点在画布中心，x 向右增大，y 向下增大。在 1024 × 1024 的画布上，两个轴的范围都是 -512 到 +512。要把一个以左上角为原点的普通框转换过来，所有 x 值减去宽度的一半，所有 y 值减去高度的一半。

左上角原点的框（1024²）	居中坐标的框	含义
y 96 到 224，x 128 到 896	`[-416, -384, -288, 384]`	靠近顶部的标题带
y 320 到 896，x 224 到 800	`[-192, -288, 384, 288]`	中下部的插画

记住 yxyx 的顺序：第一个值是 y_min，不是 x_min。框的坐标要和你在生成器中设置的宽高保持一致；框的数值不会自动缩放。

{
  "summary": {
    "meta": ["infographic"],
    "canvas": "single",
    "caption": "A clean vertical infographic on white with a title and three numbered steps, each with a small green icon on the left and short text on the right."
  },
  "items": [
    {
      "label": "text",
      "caption": "Bold dark-green title centered at the top.",
      "text": "How Compost Works",
      "bbox": [-448, -320, -352, 320]
    },
    {
      "label": "object",
      "caption": "Flat green icon of a kitchen scrap bowl.",
      "bbox": [-256, -320, -128, -192]
    },
    {
      "label": "text",
      "caption": "Step one label in dark sans-serif.",
      "text": "1. Collect scraps",
      "bbox": [-240, -160, -144, 320]
    },
    {
      "label": "object",
      "caption": "Flat green icon of layered leaves.",
      "bbox": [-64, -320, 64, -192]
    },
    {
      "label": "text",
      "caption": "Step two label in dark sans-serif.",
      "text": "2. Layer greens and browns",
      "bbox": [-48, -160, 48, 320]
    },
    {
      "label": "object",
      "caption": "Flat green icon of a garden fork.",
      "bbox": [128, -320, 256, -192]
    },
    {
      "label": "text",
      "caption": "Step three label in dark sans-serif.",
      "text": "3. Turn weekly",
      "bbox": [144, -160, 240, 320]
    }
  ],
  "bbox_coord_space": "abs_centralized",
  "bbox_format": "yxyx"
}

用户指南中的建议

坐标要和输出尺寸保持一致，输出尺寸必须是 16 的正整数倍。
text 字段放要渲染的原文，caption 放它的样式；不要只把文字写在 caption 里。
推荐用英文写 caption，因为大部分训练数据是英文，但 text 字符串可以是中文。
在 text 字符串中插入 \n 可以强制换行。
代码仓库附带一个提示词增强器 skill，可以把像素坐标草稿转换成带整数居中坐标的紧凑 JSON；官方已预告将发布一个微调过的开源布局增强器，但尚未上线。

MOSS-Image 布局 JSON 规范

布局 JSON 提示词长什么样？

每个字段是什么意思？

坐标是如何定义的？

为什么用绝对坐标而不是 0-1000 的相对坐标？

如何使用布局 JSON 提示词？

不用图生图，能直接修改布局吗？

布局 JSON 能带来多大提升？

第二个示例：三步信息图

用户指南中的建议

常见问题

`items[].label` 允许哪些取值？

`summary` 块是必需的吗？

框超出画布会怎样？

布局 JSON 可以用于其他模型吗？

参考来源