MOSS-Image - 模思智能联合 OpenMOSS 开源的文生图模型

1.3K 00

MOSS-Image是什么

MOSS-Image 是模思智能与 OpenMOSS 团队联合推出的开源文生图模型，以 5B 参数的扩散変圧器为核心，搭配クウェン3.5-9B 文本编码器与フラックス.2 VAE。MOSS-Image主打文字渲染与版式控制，支持中英文长文本、JSON 布局指令和最高 4096 トークン的提示词，通过剔除 AI 生成图的训练策略降低"AI 味"，适合海报、电商图等设计场景。

MOSS-Image的功能特色

文生图生成：仅凭文字描述可产出写实照片、动漫、插画等多种风格画面。
中英文字渲染：对密集排版与长段落文字做专项优化，能较好保留换行等格式。
结构化布局控制：通过 JSON 中的 summary、items、bbox 字段，精确指定标题、物体与文字的位置。
超ロング・キュー・ワード・サポート：最长可处理 4096 tokens，适合包含多主体、空间关系和镜头语言的复杂需求。
丰富部署生态：提供 Diffusers、Gradio、ComfyUI、SGLang、vLLM-Omni 等多种接入方式，并有量化、加速和 LoRA 等社区衍生方案。

MOSS-Image的核心优势

画面更自然：训练时剔除了 AI 生成图像，削弱常见的"塑料感"和过度修饰，成片更接近真实摄影质感。
文字渲染领先：针对中英文密集文本重点调优，LLTB 基准 Mean-6 覆盖率达 96.3%，在开放权重模型中表现突出。
布局精细可控：原生支持 JSON Layout 与 Bounding Box 指令，标题、物体、文字的位置都能显式指定，构图不再"靠猜"。
复杂指令消化能力强：4096 tokens 的长提示词上限，让多主体、空间关系、镜头语言等细节可以同时传达给模型。
轻量易二次开发：5B 参数规模便于微调，加上 Apache-2.0 宽松协议，LoRA、量化和加速衍生模型在社区快速涌现。

MOSS-Image的项目地址

プロジェクトのウェブサイト：https://openmoss.ai/MOSS-Image/
GitHubリポジトリ：https://github.com/OpenMOSS/MOSS-Image
HuggingFaceモデルライブラリ::
- https://huggingface.co/OpenMOSS-Team/MOSS-Image-SFT
- https://huggingface.co/OpenMOSS-Team/MOSS-Image-Base
技術論文：https://github.com/OpenMOSS/MOSS-Image/blob/main/paper/MOSS_Image_Technical_Report.pdf

MOSS-Image的使用步骤

建築環境：准备 Python 3.10+ 和 NVIDIA GPU，安装与 CUDA 版本匹配的 PyTorch。
コードを取得：从 GitHub 克隆 MOSS-Image 仓库，并创建独立的虚拟环境。
依存関係のインストール：激活虚拟环境后，运行 requirements.txt 安装所需库。
積載モデル：通过 Diffusers 以 custom_pipeline="pipeline_moss_image" 方式加载 Base 或 SFT 权重。
设置精度：DiT 建议用 bfloat16、VAE 用 float32，然后将管道移至 CUDA。
普通生图：输入自然语言描述，设定宽高、推理步数（如 50 步）和引导系数（如 3.0）即可生成。
布局生图：把标题、物体和文字位置写成 JSON 格式的 Layout，作为提示词传入以控制排版。
复杂需求：用 Prompt Enhancer 将创意扩写成详细描述或结构化布局，再交给模型生成。
ComfyUI 方案で ComfyUI Manager 中搜索安装 MOSS-Image 插件，导入示例工作流直接运行。