OpenMOSS 开源 5B 图像生成模型 MOSS-Image，支持 4K …
本条为 AI 依据下方公开信源自动整理生成的摘要，不构成转载，可能存在偏差，请以原文为准。整理者：贝果科技 AI 资讯助手。
本条选题由第三方线索发现；线索方提供的摘要未被采用，本页内容依据下方信源整理。线索来源：AIHOT
全文梳理
AI 摘要依据下方信源原文自动整理，非原文转载单流架构从零预训练
MOSS-Image 由 OpenMOSS 等团队以开源形式发布，采用 5B 参数的单流 DiT 结构，训练起点是随机初始化而非在已有模型上继续训练。文本侧接入 Qwen3.5-9B 作为编码器，图像侧使用 FLUX.2 VAE 完成解码，两端分工明确。训练数据规模约 3B 张图像，并在数据中同时保留文字与边界框监督信号，使模型在学习画面生成的同时获得文字位置与版面结构的线索。训练过程并非一步到位，分辨率与上下文长度分阶段抬升，最终达到 1024² 的画幅和 4096 tokens 的上下文。这种逐步放大的做法让模型先在较短序列上稳定，再适应长输入带来的计算与建模压力。相比常见的双流或多模块拼接方案，单流结构把文本与图像信息放在同一主干中处理，参数规模控制在 5B，权重以 Apache-2.0 许可开放，Base 与 SFT 两个版本均可获取。
长提示词与布局描述
该模型可接收最长约 4K token 的提示词，并支持中英文长文本的渲染，这意味着用户可以把较长的文案直接交给模型，由其在画面中排布成可读的文字内容。除自然语言外，MOSS-Image 还接受 JSON Layout 形式的输入，用结构化字段描述画布尺寸、文本内容、各个对象以及它们的边界框，把版面意图显式交给模型。对于习惯简短描述的用户，模型提供可选的 agentic Prompt Enhancement，把一句短请求扩展成符合布局规范的完整描述，降低使用结构化输入的门槛。这一组合让模型在两类场景中都能工作：一类是自由创作，靠长提示词控制画面与文字；另一类是版式明确的生成任务，靠 JSON Layout 精确约束元素位置。长文本渲染与布局控制放在同一个模型内完成，减少了在多个工具之间来回转换的环节。
评测数字与横向位置
在 LLTB 评测中，MOSS-Image 的 Mean-6 得分为 96.3，该结果被称为开放权重模型中的最高值；其中最长英文任务达到 97.1，最长中文任务为 92.4，说明长文本场景下的表现相对均衡。布局相关指标方面，检测框 mIoU 为 0.8786，Layout AUC 为 0.7031，对应模型对元素位置的还原能力。在 RealLayoutArena 的端到端评测中，其 Elo 为 1698.70，位列第二；而在统一增强提示词的条件下，backbone 得分 1807.34，高于 ERNIE Image 与 SenseNova-U1。这些数字覆盖了长文本、布局检测和端到端偏好三个维度，分别对应文字可读性、版面准确度和整体观感。对读者而言，这些结果提供了与同类开放权重方案比较的参照，尤其是长中文任务与布局指标，可直接用于判断模型是否适合带文字的海报、封面等生成需求。
接入方式与微调空间
使用路径上，MOSS-Image 提供 Diffusers、Gradio 与 ComfyUI 三种入口，分别面向脚本调用、快速试用和节点式工作流，用户可按既有习惯选择。模型同时支持 LoRA 与全量微调，意味着既可以用较小成本做风格或任务适配，也可以在算力允许时对全部参数进行调整。Apache-2.0 许可覆盖 Base 与 SFT 权重，商用与二次分发的前提条件较为清晰。适用范围上，长提示词、中英文文字渲染与 JSON Layout 控制是其主要能力方向，配合布局检测指标可以看出它对元素位置的约束较强；限制则体现在参数规模与上下文长度所决定的资源需求，1024² 分辨率与 4096 tokens 是当前训练达到的上限。对打算落地文字类图像生成的团队来说，这套组合提供了从试用、集成到微调的完整链路，是否采用可结合自身对长文本排版和布局精度的要求来判断。
为什么值得看
开放权重模型在长文本渲染与结构化布局上给出可复现的具体分数，并附带可商用许可与微调路径，适合做海报、信息图类落地的团队…
信源1 家
关键事实
MOSS-Image 为 5B 参数单流 DiT，从零预训练，文本编码器为 Qwen3.5-9B，图像解码用 FLUX.2 VAE[1]
支持最长约 4096 token 提示词，分辨率逐步提升到 1024²，训练数据约 3B 张图像[1]
Base 与 SFT 权重采用 Apache-2.0，提供 Diffusers、Gradio、ComfyUI 路径，支持 LoRA 与全量微调[1]
LongLongTextBench 上 Mean-6 为 96.3，为开放权重模型最高，最长英文与中文任务分别为 97.1 和 92.4[1]
统一布局任务检测框 mIoU 0.8786、Layout AUC 0.7031；RealLayoutArena 端到端 Elo 1698.70 排名第二[1]
相关 · 模型
本页内容由 AI 自动聚合公开信源生成，仅供了解行业动态参考，不构成任何投资或决策建议。如需引用请以原文出处为准。