OpenMOSS開源5B文字生成圖像模型，主打長文字

OpenMOSS 團隊發布並開源圖像生成模型 MOSS-Image，參數規模為 5B，Base 與 SFT 兩個版本的權重皆以 Apache-2.0 授權放在 Hugging Face，GitHub 儲存庫附有中文說明與 ComfyUI 工作流程，同時公開了技術報告。團隊在官方部落格中對它的定位是：

「一個 5B 開放權重圖像生成系統：把長文字、結構化版面與可微調部署放進同一條生成路徑。」

長文字與可修改的版面

文字生成圖像模型在渲染大段文字時一向容易出錯，MOSS-Image 主打的正是這一塊。它支援最長約 4K token 的提示詞，中英文長文字都能保留換行與段落結構。

另一項能力是結構化版面：以 JSON 描述畫布、文字區塊、物件與邊界框，直接指定位置、大小與彼此的關係。設計師可以在出圖前反覆修改結構，確認版式後再生成，省去靠提示詞碰運氣的來回調整。

技術上，它是從零開始預訓練的單流 Diffusion Transformer，最佳化器採用 Muon 與 AdamW 的組合。文字編碼器使用 Qwen3.5-9B，圖像解碼則借用 FLUX.2 的 VAE。訓練資料約 30 億張圖片，附有多粒度描述、文字監督與邊界框標註，解析度逐步提升到 1024×1024，文字上下文提升到 4096 token。

評測數據

團隊自建的長文字測試 LLTB 中英文各 120 題，平均目標文字約 1340 個字元。MOSS-Image 六項平均 96.3 分，團隊稱這是開放權重模型中最高；同一份表中的 Qwen Image 2512 為 64.9。最長的英文任務得 97.1 分，最長的中文任務得 92.4 分。

在版面測試 7Bench 上，差距更大：

然而在端對端人類偏好的 RealLayoutArena 中，GPT Image 2 以約 1844 分排名第一，MOSS-Image 約 1699 分居次，Seedream 5 Pro 第三。團隊也註明，三套測試的協定不同，分數不能互相換算，也不構成統一排名。以上數據目前僅為團隊說法，尚未看到第三方重現。

中國團隊能拿它做什麼

對於開發中文設計工具的團隊，有幾項條件相當友善。Apache-2.0 允許商用；5B 的體量比動輒數百億參數的圖像模型輕得多，依經驗估算，單張大顯存的消費級顯示卡就能跑推論與 LoRA 微調，實際顯存需求仍以官方說明為準。它支援 Diffusers、Gradio、ComfyUI，以及 LoRA 與全量微調，不想自行部署的也可以使用 MOSI 的託管 API。

在應用場景上，中文長文字正是電商海報、長圖、課件與微信公眾號頭圖的日常需求，過去開源模型在這一塊普遍偏弱，生成後常需人工重新排字。能以 JSON 鎖定版式，也方便把它接進既有的範本系統。

限制同樣寫得很清楚。目前版本只做文字生成圖像，不能輸入參考圖，也沒有原生圖像編輯；提示詞增強模組依賴外部語言模型，規劃得好不好會直接影響出圖。需要修圖、換背景的工作流程，還得搭配其他模型一起使用。

參考來源：OpenMOSS 官方部落格、CocoLoop、MOSS-Image 技術報告、Hugging Face 模型頁面；參數規模、授權條款與 LLTB、7Bench 分數已對照技術報告核實。