OpenMOSS 团队发布并开源图像生成模型 MOSS-Image，参数规模 5B，Base 和 SFT 两个版本的权重都以 Apache-2.0 许可放在 Hugging Face，GitHub 仓库附带中文说明和 ComfyUI 工作流，同步公开了技术报告。团队在官方博客里给它的定位是：
“一个 5B 开放权重图像生成系统：把长文本、结构化布局和可微调部署放到同一条生成路径里。”
长文字和可改的布局
文生图模型渲染大段文字一直容易出错，MOSS-Image 主打的就是这一块。它支持最长约 4K token 的提示词，中英文长文本都能保留换行和段落结构。
另一项能力是结构化布局：用 JSON 描述画布、文字块、物体和边界框，直接指定位置、大小和相互关系。设计师可以在出图前反复改结构，确认版式后再生成，省掉靠提示词碰运气的来回。
技术上，它是从零预训练的单流 Diffusion Transformer，优化器用 Muon 和 AdamW 组合。文本编码器用 Qwen3.5-9B，图像解码借用 FLUX.2 的 VAE。训练数据约 30 亿张图片，带多粒度描述、文字监督和边界框标注，分辨率逐步提到 1024×1024，文本上下文提到 4096 token。
评测数字
团队自建的长文本测试 LLTB 中英文各 120 题，平均目标文字约 1340 个字符。MOSS-Image 六项平均 96.3，团队称是开放权重模型里最高；同表的 Qwen Image 2512 为 64.9。最长的英文任务它得 97.1，最长的中文任务 92.4。
布局测试 7Bench 上差距更大：
| 模型 | mIoU | Layout AUC |
|---|---|---|
| MOSS-Image | 0.8786 | 0.7031 |
| Ideogram 4 | 0.4449 | 0.2046 |
| Nano Banana Pro | 0.3296 | 0.1628 |
| GPT Image 2 | 0.3042 | 0.1554 |
可在端到端人类偏好的 RealLayoutArena 里，GPT Image 2 以约 1844 分排第一，MOSS-Image 约 1699 分排第二，Seedream 5 Pro 第三。团队也注明，三套测试协议不同，分数不能互换，不构成统一排名。以上数据目前只有团队口径，还没有看到第三方复现。
国内团队能拿它做什么
对做中文设计工具的团队，几个条件比较友好。Apache-2.0 允许商用；5B 的体量比动辄几十 B 的图像模型轻得多，按经验估算，单张大显存消费级显卡就能跑推理和 LoRA 微调，具体显存需求以官方说明为准。它支持 Diffusers、Gradio、ComfyUI，以及 LoRA 和全量微调，不想自己部署的也可以走 MOSI 的托管 API。
场景上，中文长文本正是电商海报、长图、课件和公众号头图的日常需求，过去开源模型在这一块普遍偏弱，生成后常要人工重新排字。能用 JSON 锁住版式，也方便把它接进已有的模板系统。
限制写得同样明白。当前版本只做文生图，不能输入参考图，也没有原生图像编辑；提示词增强模块依赖外部语言模型，规划得好坏会直接影响出图。需要改图、换背景的工作流，还得搭配别的模型一起用。
参考来源：OpenMOSS 官方博客、CocoLoop、MOSS-Image 技术报告、Hugging Face 模型页；技术报告核验参数规模、许可证与 LLTB、7Bench 分数。