10 月 16 日,OpenMOSS 团队在 GitHub 官宣 MOSS-Image 的 Base 与 SFT 两版,权重同步上架 Hugging Face,权重与推理代码均按 Apache 2.0 放开。在 FLUX、Qwen-Image 新品不断的开源生图赛道,这个 5B 参数的 DiT 基座走差异化路线:不拼通用美感,主攻图内文字渲染与排版控制,原生支持中英双语提示词。
一个 5B 的双语基座
MOSS-Image-Base 是 MOSS-Image 家族的基座模型,官方定位是给开发者和研究者做下游微调的底座,而不是开箱即用的消费级产品。核心规格:5B 参数 DiT 主干,transformer 与文本编码器 bfloat16、VAE float32,捆绑 VAE 直接用 FLUX.2 small decoder——README 致谢里点名 Diffusers、Qwen 和 FLUX 三团队,技术血统相当坦诚。
提示词侧有两个实用设计:一是原生中英双语,官方 quick start 示例就是一个中文手写便签——冰箱贴上写着「记得买牛奶和鸡蛋」;二是官方称支持最长 4K token 提示词,tag 序列也能直接喂。
JSON layout:把排版变成可编程输入
真正有辨识度的是 layout 控制。MOSS-Image 接受一种 JSON 结构作为 prompt:summary.caption 描述整体场景,items 数组逐个声明元素,每个元素带 label、caption 和 bbox,需要渲染的文字放在 text 字段里。坐标系用 yxyx 格式、以画布中心为原点的绝对像素坐标——1024×1024 画布上每轴从 -512 到 +512。也就是说,「这行字写在便利贴上、便利贴贴在冰箱左上角」这种需求,从自然语言猜测变成了可精确编辑的 JSON:改文字、改描述、改框位置都是结构化操作,同一 layout 还能做受控编辑。
采样配置官方也给全了:flow-matching Euler,50 步,CFG 3,shift 5,负分支默认跳过第 22 层(0 起数),出图尺寸须为 16 的倍数;依赖只要 diffusers 0.38+、transformers 5.3+,几行代码就能跑。
生态起量很快,benchmark 还缺席
上线至今,HF 页面已挂 16 个微调衍生权重、9 个 adapter、2 个量化版、12 个 Spaces 演示,GitHub 仓库 485 star;ComfyUI 原生插件已进 ComfyUI Manager,合入主仓库也在推进。仓库还附一个「prompt enhancer」agent skill,为 GPT-6 家族 agent 设计,把模糊想法编译成详细 caption 或 layout JSON。官方亮点里还明确写了「异构 GPU 训练」——训练在替代 GPU 平台上完成,在当前算力格局下是个不小的信号。
冷水也明确:OpenMOSS 未随发布公布 benchmark 与支持分辨率清单,参数之外的横向对比暂无从做起;「强文字渲染」目前是官方自报,第三方复现数据还没出现。
所以呢
MOSS-Image 的价值不在「又开源一个 5B 生图模型」,而在把「图内排版」做成结构化输入——海报、电商详情页、带字表情包这类中文场景刚需,是不少西方开源模型没认真覆盖的空白。Base 加 SFT 双版本、Apache 2.0、微调门槛低,这是一套标准的「社区帮我长出生态」打法。等第三方跑分和 LoRA 实测出来,这个 5B 的真实水位才见分晓;但双语文字渲染这个切口,已经足够它在不拥挤的位置站住了。