MOSS-Image
OpenMOSS 的 5B 图像模型,能画出大段中英文文字并遵循 JSON 版面,采用 Apache 2.0,约 4 GB 显存即可运行。
一句话概括. MOSS-Image 是一个可以下载权重的 AI 图像模型,擅长画带有大量文字的图片,比如海报、信息图和便签,中文和英文都可以;你还可以给它一份 JSON 版面,指定每段文字和每个物体的位置。它采用 Apache 2.0,可以商用。开发者的低内存档位能让它在约 4 GB 显存的 GPU 上运行,但此时需要约 14 GB 系统内存。
概述
MOSS-Image 是 OpenMOSS 发布的一对文生图模型。OpenMOSS 是上海创智学院(Shanghai Innovation Institute)下的研究团队,与复旦大学和 MOSS-AI 合作。MOSS-Image-Base 和 MOSS-Image-SFT 于 2026 年 10 月 16 日连同代码和权重一起发布,技术报告在 10 月 19 日上线 arXiv(2610.23374)。SFT 是 Base 在精选数据上微调得到的版本,开发者的示例里它把白板上的文字分组得更清楚;想把模型适配到自己的任务,开发者指向的是 Base。它的卖点是文字密集而清晰、版面可控:提示词最长可达 4,096 个 token,图片里能渲染大段中英文文字,还可以用 JSON 版面给每个条目指定标签、描述、可选文字,以及以画布中心为原点、以像素为单位的边界框。
生成器是一个 50.8 亿参数的单流扩散 Transformer,共 42 个块,从零开始训练,分三个分辨率和文本长度逐步提高的阶段,优化器是 Muon 与 AdamW 的混合。它通过冻结的 Qwen3.5-9B 文本编码器读取提示词,在 FLUX.2 VAE 的潜空间里工作,所以“5B”只指生成器:仓库共 27.2 GB,其中文本编码器约 16.8 GB,Transformer 约 10.2 GB。默认采样器是 50 步的 flow-matching Euler,引导系数为 3;用户指南建议输出 100 万到 200 万像素,并称模型可以外推到 25 万至 400 万像素。它可以通过 Diffusers(需要自定义管线代码)运行,也原生支持 ComfyUI,并支持 SGLang 和 vLLM-Omni。
README 给出了生成一张 1024×1024 图片、50 步的实测峰值:已分配显存 3.65 GiB,系统内存 14 GiB。这个数字来自低内存档位:它把 Transformer 放在 CPU 内存里,文本编码器和 VAE 按需从磁盘加载,所以可以预期它比全部放在 GPU 上更慢。因此本站把约 4.2 GB 显存(3.85 GiB 的保留峰值)列为最低要求,并注明内存方面的前提。第三方项目很快跟上:有标称 6 GB 显存即可训练适配器的训练器、8 步蒸馏版本、FP16 修复版,以及 C++ 和 CUDA 推理引擎。
技术报告自己提出了两个基准。在测试中英文长文本的 LongLongTextBench 上,MOSS-Image 得 96.3 分(Mean-6),Qwen Image 2512 是 64.9 分,最长的英文和中文设置分别是 97.1 和 92.4。版面方面,它在检测到的物体上的平均 IoU 为 0.88,版面 AUC 为 0.70,Ideogram 4 是 0.44 和 0.20。在 RealLayoutArena 这项对九个完整系统的盲测人类偏好比较中,前面带有提示词增强智能体的 MOSS-Image 得 1698.70 Elo,排第二,仅次于 GPT Image 2,高于 Seedream 5.0 Pro;在所有生成器使用同样的增强提示词时,单独的主干模型评分最高(1807.34)。这个增强器不在下载内容里:仓库把它做成了面向 GPT-6 系列智能体的技能。这一版只能文生图;报告称参考图输入和编辑属于以后的工作。
适合做什么
- 需要在画面里写出大段正确中英文文字的海报、信息图、便签和界面示意图
- 版面可控的生成:用 JSON 版面指定每段文字和每个物体的位置,并配合编辑这类版面的工具
- 在小底座上做 LoRA 和全量微调,因为 Base 和 SFT 都已发布,第三方训练器也已支持
- 商用工作,因为权重和代码都是标准 Apache 2.0,每个仓库都带 LICENSE 文件
需要注意
- 文字和版面的成绩来自 OpenMOSS 自己的基准,第二名的端到端结果还依赖一个面向 GPT-6 系列智能体的提示词增强器,它不在权重里
- “5B”只指生成器;27.2 GB 的仓库里还有 16.8 GB 的 Qwen3.5-9B 文本编码器
- 3.65 GiB 的 GPU 峰值对应低内存档位,它需要 14 GiB 系统内存和快速 SSD,而且应该比全部放在 GPU 上更慢
- 只能文生图,这一版没有参考图输入,也不能编辑图片
- 部署需要较新的库(模型卡列出 Diffusers 0.38、Transformers 5.3 和 PyTorch 2.9),还要用 trust_remote_code 允许自定义管线代码
性能数据来自开发方,未经独立验证。
需要多少内存?
以下是 MOSS-Image 各版本的内存数据。图像、视频、语音和音乐管线还要加载文本编码器和解码器,所以所需内存可能比主检查点更大。
| 版本 | 参数量 | 下载大小 | 所需内存 | 可运行于 |
|---|---|---|---|---|
| MOSS-Image-SFT (BF16) BF16 | 5.08B | 27 GB | 4.2 GB | 笔记本或手机 |
| MOSS-Image-Base (BF16) BF16 | 5.08B | 27 GB | 4.2 GB | 笔记本或手机 |
下载大小包含运行模型所需的全部组件,例如生成器、文本编码器和解码器。所需内存优先采用开发方声明或已公开的实测最低值;没有时按下载大小加约 15% 估算。更大的图像、更长的片段和更高的分辨率需要更多内存。 开发方给出的最低显存要求为 4.2 GB。
许可证,用大白话说
最常见的宽松型许可证之一。你可以使用、修改模型并基于它销售产品,只需遵守少量条件。
延伸阅读
常见问题
- MOSS-Image 是什么?
- MOSS-Image 是一个可以下载权重的 AI 图像模型,擅长画带有大量文字的图片,比如海报、信息图和便签,中文和英文都可以;你还可以给它一份 JSON 版面,指定每段文字和每个物体的位置。它采用 Apache 2.0,可以商用。开发者的低内存档位能让它在约 4 GB 显存的 GPU 上运行,但此时需要约 14 GB 系统内存。
- MOSS-Image 可以商用吗?
- 可以。MOSS-Image 采用 Apache 2.0 发布,这是一种宽松许可证。只要遵守常规条件(例如保留许可证声明),就可以商用。
- MOSS-Image 是开源的吗?
- MOSS-Image 采用 Apache 2.0 发布,该许可证经开源促进会(OSI)认可。训练数据和训练代码不一定公开,因此更准确的说法是“采用开源许可证的开放权重模型”。
- 我能在自己的电脑上运行 MOSS-Image 吗?
- 可以。最小版本 MOSS-Image-SFT (BF16) 在 4 位精度下约需 4.2 GB 内存,现代笔记本或中端显卡即可胜任。
- MOSS-Image 是什么时候发布的?
- MOSS-Image 由 OpenMOSS 于 2026年10月16日 发布。
官方链接
来源
规格数据来自以下一手资料。文中提到的基准测试结果由开发方自报。
- MOSS-Image repository and README (GitHub) github.com
- MOSS-Image-SFT model card (Hugging Face) huggingface.co
- MOSS-Image-Base model card (Hugging Face) huggingface.co
- MOSS-Image Technical Report (arXiv 2610.23374) arxiv.org
- MOSS-Image user guide (GitHub) github.com
发布时间等信息最近核实于 2026年11月11日。
相关模型
| 模型 | 发布时间 | 参数量 | 上下文 | 许可证 | 最小版本所需内存 |
|---|---|---|---|---|---|
| Z-Image Tongyi MAI | 6.15B | – | Apache 2.0 (宽松) | 16 GB 笔记本或手机 | |
| Qwen-Image-2.1 Alibaba Qwen | 7.1B | – | Qwen Research License (非商用) | 20 GB 游戏显卡 | |
| FLUX 3 Image Klein Black Forest Labs | 5.6B | – | FLUX Kommunity (附条件) | 8 GB 笔记本或手机 | |
| MiniMax H3-Image MiniMax | 33.1B | – | MiniMax H3-Image Community (附条件) | 155 GB 大内存台式机 |