OpenMoss发布MOSS-Image，文生图第一次把「长文本+复杂排版」做成一套系统，模型/训练/代码全部开源，文中附链接。

输入一句不到十个字的中文需求，输出一张文字密集、排版完整的海报、信息图或UI界面。MOSS-Image用5B单流DiT加一个GPT-6驱动的排版Agent，把开源模型一直缺的「密集文字渲染+布局控制」补上了，LLTB文本覆盖率96.3%，代码权重双Apache-2.0。

开源文生图模型这两年在画质、语义对齐上追得很快，但一到「信息密集型图形」就露怯：一张知识卡片、一张活动海报、一个UI界面，画面看起来合理，文字却常常缺字、错字、排版混乱。闭源系统（GPT Image 2、Seedream 5.0 Pro、Qwen Image 3.0 Pro、Nano Banana Pro）早就把这类需求做成了主力场景，开源阵营一直没人正面接。

MOSS-Image是 OpenMOSS 出品的文本到图像模型系列，包含一个基础模型和一个经过精心挑选数据微调的模型。除了自然语言提示外，MOSS-Image 还支持原生文本驱动的布局生成：对象、渲染文本及其空间位置均可在 JSON 提示中指定。该系列模型采用紧凑的 5B 骨干架构，支持高达 4K 个标记的提示，具备强大的文本渲染能力，并提供丰富的动漫和照片级写实风格。Python 和 Gradio 接口均使用共享的 Diffusers 管线。

模型、训练配方、评测框架全部开源，权重Apache-2.0，ComfyUI/SGLang/vLLM-Omni全部day-0支持，Comfy-Org镜像上线11天276万下载，GitHub 2063星。

文本转图像生成

使用共享推理接口，通过 MOSS-Image-Base 或 MOSS-Image-SFT 从自然语言描述生成图像。

原生布局控件

使用结构化的 JSON 提示指定场景、场景中的对象和文本。边界框描述各个元素的位置和大小。

紧凑、适应性强的主干网

5B骨干网支持最多4K个令牌的提示，并可针对自定义任务和域进行微调。模型权重采用Apache-2.0许可。

unsetunset相关链接unsetunset

• 论文：https://arxiv.org/abs/2610.23374
• 代码：https://github.com/OpenMOSS/MOSS-Image
• 主页：https://openmoss.github.io/MOSS-Image
• 模型权重：https://huggingface.co/OpenMOSS-Team/MOSS-Image-Base 、https://huggingface.co/OpenMOSS-Team/MOSS-Image-SFT
• 在线Demo：https://huggingface.co/spaces/OpenMOSS-Team/MOSS-Image
• ModelScope镜像：https://modelscope.cn/models/openmoss/MOSS-Image-Base
• ComfyUI格式权重：https://huggingface.co/Comfy-Org/MOSS-Image

unsetunset内容介绍unsetunset

MOSS-Image是一个「复杂图形生成」系统：输入可以是一句自然语言，也可以是带bounding box的布局JSON，输出是文字可读、元素归位的高密度图像，覆盖海报、信息图、UI三类场景。

与常规文生图模型不同，它的卖点是三件事：

1. 中英双语长文本渲染：训练终阶段文本上限4096token，能把页级长度的文字段落整段画进图里；
2. 显式布局控制：通过文本条件通路直接吃JSON布局（元素+bounding box+字体属性），按坐标摆放文字和物体；
3. Agent做规格生成：PE模块把一句话需求扩写成「内容+排版」规格再交给渲染器，短的原始提示在RLA上只有1081.70Elo，JSON布局提示拉到1622.87。

适用场景：知识卡片与科普信息图、活动海报、原型级UI界面，以及任何「以文字为主体内容」的配图需求。

unsetunset方法概述unsetunset

整套系统分两块：预训练渲染器管「画得出来」，agentic prompt enhancer管「想得清楚」，两者通过同一条文本条件通路衔接。

1. 一条文本通路同时吃自然语言和布局JSON

渲染主干是5B单流DiT：42个block、hidden size 3072、24头注意力（每头128维）、FFN 8192。文本侧用冻结的Qwen3.5-9B提特征（4096维），经线性投影降到3072再加两个text-only Transformer块；图像侧用冻结的FLUX.2 VAE（取自FLUX.2-klein-4B，32通道、8倍下采样），latent按2×2成组，有效步长16像素，1024²分辨率对应4096个image token。位置编码是4D RoPE，坐标轴为(r,t,w,h)：参考图索引、序列位置、宽、高。当前版本没有参考图输入，r=0对应的前32/128头维度不旋转（partial RoPE）——这个设计是给将来接参考图条件预留的，加参考图不用改位置编码。

关键在于条件接口：训练时一部分样本用多粒度caption，另一部分样本用结构化标注（全局描述+逐元素bbox/类别/逐行转写文本+字体属性），两类都走同一条文本通路喂进去，于是推理时模型既能跟自然语言、也能跟JSON布局。标注还保留了换行符——论文的说法是「文字换行本身也是一种布局」，逐行对齐为多行渲染提供了显式监督。

2. 「标注而不过滤」的数据配方

语料从ReLAION、OmniCorpus、DataComp等公开数据构建，SSCD去重加自研AI图检测后从约50亿张收到约30亿张。之后做了一件反直觉的事：不再做质量过滤，水印、模糊人脸、压缩痕迹这类「脏属性」全部写进文本标注，让模型学会把残留属性也画出来，而不是把这类图全部丢掉。论文给的消融是1.6M步对照：额外过滤后GenEval从0.6484跌到0.6244，OneIG从0.4363跌到0.3482，FDR6-LAION从2.4126恶化到3.2184——过滤把数据分布切窄了。

caption由gemma4按短句/段落/详述三档生成，原caption与重写caption按20:80混采；高质量子集另加布局描述（bbox JSON），按domain策略混入训练。

3. 渐进分辨率加Muon混合优化器

训练分三阶段，分辨率从256²爬到1024²，文本上限同步放宽到4096token，终阶段在310K步取EMA权重。优化器用Muon–AdamW混合： eligible矩阵走Muon，其余走AdamW。1B消融里，到达loss 0.41，Muon–AdamW要257K步、AdamW要385K步，省33.2%；到loss 0.403再省28.6%。另一个细节是工程侧的：README明说训练跑在「替代GPU平台」上（heterogeneous GPU training），512卡规模、packing预算8576 token/pack。

4. GPT-6驱动的agentic prompt enhancement

PE模块在推理侧运行：GPT-6按需求媒介路由到任务模块（共享核心定义约束、JSON接口与校验），按需检索知识和视觉参考，最后产出可执行的布局规划——逐元素的字面文本、bounding box、字体与空间关系全部落成JSON，交给渲染器。仓库里连这份PE的skill文件都开源了，可以装进自己的agent复现。注意参考图只用于引导规划，并不直接作为DiT的条件输入。

unsetunset实验结果unsetunset

LongLongTextBench：文本覆盖率

LLTB构造了240个文学文本渲染任务（英中各120，短中长三档），平均目标文本1339.8字符，是LongTextBench（120.3字符）的11.1倍，总字符量321,545。指标是Qwen2.5-VL-7B做OCR后的多集召回率，六组等权平均（Mean-6）：

开源权重模型里断层第一；纵向看，它的短板也是最长的中文文本（92.4，比英文低4.7点），论文原话是「整体召回率高，但最长的中文文本偏低」。另外评测协议有讲究：Ideogram 4在CFG 4下960次生成里61张直接拒绝出图（全在EN-short组），按计零约定Mean-6是63.5，剔除拒绝图则是68.1——两种口径论文都给了。

7Bench：布局控制

224张图、576个目标物体，检出物体上的mIoU：

注意口径：MOSS-Image的检出率（0.77）也明显更高，含未检出物体的全量mIoU是0.68对Ideogram的0.24——差距真实存在，但「0.88对0.44」这个数是只算检出物体的。

官方Layout控制示意：文本意图→布局草图→按bbox成图，支持元素位置、相对尺寸与空间关系。

RealLayoutArena：端到端人类偏好

61个任务（20海报、20信息图、21UI），评委盲测两两对比，Bradley–Terry拟合Elo：

• GPT Image 2：1844.35（第一）
• MOSS-Image+Layout PE：1698.70（95%CI 1655.96–1741.43，第二；293胜/100平/64负）
• Seedream 5.0 Pro：1661.16
• Qwen Image 3.0 Pro+PE：1614.84
• Nano Banana Pro：1590.19

把PE规格改写成统一自然语言、只比主干时，MOSS-Image以1807.34Elo排第一（ERNIE Image 1748.51、SenseNova U1 1689.23）。提示策略消融里，短提示只有1081.70，详细描述1509.21，直接扩写1541.45，自然语言版PE 1506.20，JSON布局版1622.87最高——「把规格喂足」这件事本身值500多分。GPT-6按维度打分的rubric评测（附录H）里，MOSS-Image+Layout PE总分94.93，仍低于GPT Image 2的97.72。

论文Figure 1示例：海报式排版，图注、分区标题与正文全为可读文本。

论文Figure 1示例：信息图，七个分区的密集英文文本与示意图混排。

论文Figure 1示例：UI界面生成，导航、按钮、侧栏文本结构完整。

Base与SFT同提示对比：SFT版板书文本分组更干净、布局更整齐。

unsetunset部署与显存unsetunset

• 全量bf16权重约27.2GB：transformer约10.2GB+Qwen3.5-9B文本编码器约16.8GB+VAE 0.25GB（HF tree实测）。单张24GB卡跑不了全量，Gradio提供GPU resident/Component/Sequential三档内存模式，Component档把编码器按需换入换出；Sequential档最省但最慢。
• 默认采样：flow-matching Euler、50步、CFG 3、shift 5、负分支第22层跳过；示例代码跑1456×1456。
• Apple Silicon有官方文档（M1 Max/32GB验证过）。
• 生态：ComfyUI原生支持（PR 17095）、SGLang与vLLM-Omni day-0、DiffSynth-Studio支持全量微调与LoRA；社区KohakuMossTrainer宣称6GB显存即可做LoRA训练，另有8步DMD蒸馏、FP16修复版、去色带LoRA等衍生仓。

unsetunset局限与未来方向unsetunset

首先，主干只支持文生图：不能条件于参考图像，不支持图像编辑，论文把image-conditioned generation和迭代式设计 refinement明确列为受算力限制的未来工作——4D RoPE的参考轴只是预留，不是能力。 其次，PE模块依赖外部闭源模型（GPT-6），其审美判断、参考解读和事实错误都会直接传导进规格，渲染再忠实也救不回来；这也意味着完整系统的复现效果绑在GPT-6上。 再次，评测口径本身有边界：LLTB的覆盖率指标不检查文字顺序、不惩罚多余OCR单元，不是编辑距离；7Bench的mIoU_det受检出率影响；RLA每个参与者每任务只出一张固定图、不可重采样。 最后，最长的中文文本（92.4）仍是明确弱点，训练数据以英文为主，没有专门的中文caption标注流程。

官方中文板书示例：整体可读，细看个别字符仍有瑕疵。

unsetunset结论unsetunset

MOSS-Image验证了一件事：密集文字和复杂排版不是靠更大参数堆出来的，而是「渲染器+规格生成」两件事一起做出来的——一条文本通路同时学自然语言和布局JSON，「标注而不过滤」保住真实数据分布，一个agent把模糊意图落成可执行规格。

对于想本地跑文生图的同学，优先SFT权重配ComfyUI，显存不足就开Component模式；对做agent+生成系统的人，这篇最有价值的不是5B主干，而是「JSON布局当提示」这条路径和开源的PE skill，可以直接搬去接自家模型。风险提示两点：PE依赖GPT-6，完整系统无法完全脱离闭源组件复现；权重与代码虽是Apache-2.0，但输出内容的合规责任照旧在使用者一侧，商用前自己过一遍法务。

开源文生图补上「长文本+排版」这一块后，竞争的主战场大概就要从「画得像」挪到「排得对」了。