MOSS-Image:能画长文字、遵循 JSON 版面的 5B 开源图像模型

OpenMOSS 以 Apache 2.0 发布 MOSS-Image:5B 生成器,能渲染大段中英文文字并遵循 JSON 版面,低内存档位的显存峰值接近 4 GB。

  • 新发布
  • 阅读约 3 分钟
  • 发布于

上海创智学院下的研究团队 OpenMOSS 于 2026 年 10 月 16 日发布了 MOSS-Image。这是一对文生图检查点,Base 和 SFT,连同代码、权重和技术报告一起,以 Apache 2.0 发布。它的卖点是:图片里要有大量正确的文字,中文和英文都行。

有什么新东西

生成器是一个 50.8 亿参数的单流扩散模型,共 42 个块,从零开始训练。它通过冻结的 Qwen3.5-9B 文本编码器读取最长 4,096 个 token 的提示词,并在 FLUX.2 VAE 的潜空间里作画。除了普通提示词,它还接受 JSON 版面:每个条目有标签、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,所以可以把标题钉在海报顶部,把插图放在底部。

技术报告提出了两个基准,并且都由团队自己运行。在测试长篇中英文文字的 LongLongTextBench 上,MOSS-Image 得 96.3 分,Qwen Image 2512 是 64.9 分。在版面方面,它在检测到的物体上的平均 IoU 为 0.88,Ideogram 4 是 0.44。在 RealLayoutArena 上,对九个完整系统做盲测的人类比较中,它排名第二,仅次于 GPT Image 2,而且这个“系统”把一个基于智能体的提示词增强器算在内。该增强器是面向 GPT-6 系列智能体的技能,不是权重。

怎么运行

仓库共 27.2 GB,因为 16.8 GB 的 Qwen3.5-9B 文本编码器随 10.2 GB 的 Transformer 一起下载,所以“5B”只指生成器。默认设置是 50 步、引导系数 3,用户指南建议输出 100 万到 200 万像素。ComfyUI 原生支持,SGLang 和 vLLM-Omni 在发布当天就提供了支持,Diffusers 需要自定义管线代码。

README 列出了一个低内存档位,它把 Transformer 留在 CPU 内存里。生成一张 1024×1024 的图片时,峰值为 3.65 GiB 的 GPU 显存和 14 GiB 的系统内存,我们预计它会比全部放在 GPU 上更慢。第三方项目几天内就出现了:标称 6 GB 显存即可做 LoRA 训练的训练器、8 步蒸馏版本,以及 C++ 和 CUDA 推理引擎。这一版不支持参考图输入和图像编辑。

许可证

权重和随附的推理代码采用朴素的 Apache 2.0,每个仓库都带有 LICENSE 文件。除标准的声明外,没有营收上限、地区限制或命名要求。

为什么重要

我们目录里的开放图像模型,大多带有限制商用的许可证条件:FLUX 3 Image Klein 有营收上限,Qwen-Image-2.1 只限研究,MiniMax H3-Image 有地区限制。Z-Image 是宽松许可证的例外,主打速度和写实。MOSS-Image 增加了第二个 Apache 2.0 选择,重点是长文字和版面控制。

所有分数都来自 OpenMOSS,它的报告也没有测试 Z-Image,所以请用自己的提示词试试。我们的 MOSS-Image 与 Z-Image 对比页面把两者并排放在一起,图像和视频榜单则展示整个类别。

来源

本文涉及的模型

模型 发布时间 参数量 上下文 许可证 最小版本所需内存
MOSS-Image OpenMOSS 5.08B – Apache 2.0 (宽松) 4.2 GB 笔记本或手机
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