2026年10月29日，MOSS-Image由OpenMOSS团队正式发布。这是一个开放权重的图像生成模型，专攻海报、信息图等最难的一类任务：画面同时出现大量文字与位置明确的元素。它采用5B参数单流扩散Transformer（DiT），从零预训练，支持最长约4K token的提示词、中英文长文本渲染和可直接编辑的JSON版式描述，权重以Apache-2.0协议开放，支持本地部署与微调。
对需要出可交付视觉材料的人来说，关键不在“能不能画出来”，而在文字会不会写错、元素会不会跑位。MOSS-Image把版式变成明确输入：先定元素位置和大小，再生成画面。
先看它要解决的麻烦
普通文生图只要理解“画面里有什么”就够了。可交付的海报还要求标题拼写准确、文字顺序稳定、段落不被截断；信息图还要求元素落在指定区域、各元素保持层次。文字越长、版式越复杂，这些要求越容易互相干扰。它拆成两个入口：提示词适合快速创作，结构化版式适合复现与反复修改。
5B模型加JSON版式是怎么工作的
主干是5B参数单流DiT，文本编码器用Qwen3.5-9B，并加入文字与边界框监督，分辨率与上下文长度逐步提升到1024×1024与4096 token。提示增强是可选的外部规划模块，能把“做一张咖啡店开业海报”扩展成包含文字、字体层级、色板、边界框和排除约束的可执行规范。不用它时也可直接传提示词或JSON版式。
三组评测数字要分开读
长文本评测LongLongTextBench含中英文各120个任务，平均目标文本约1340个字符，MOSS-Image的Mean-6为96.3，是开放权重模型最高成绩。它衡量渲染质量，不等同于事实准确率。布局评测7Bench的检测框mIoU为0.8786，高于同任务的闭源系统。端到端评测RealLayoutArena的Elo为1698.70，排名第二；只比较生成器主干时为1807.34，高于另外两个基座。两者口径不同，不能拼成一张总榜。
边界同样明确
它不能接收参考图，也不提供原生图像编辑；提示增强依赖外部语言模型，规划质量会影响版式规格。它适合需要本地部署、复现固定版式或用自有数据继续训练的团队。只想要托管成品体验、或主要需求是改图的人，闭源服务与编辑工具现阶段更省事。实际效果仍要以自己的素材试为准。
