近日，OpenMOSS（复旦NLP与上海创智等团队）正式发布了开源图像生成模型 —— MOSS-Image。针对传统文生图模型在海报、信息图、漫画及UI设计中常年面临的“文字拼写错误、段落截断、元素错位”等痛点，该模型以5B参数的单流 DiT(Diffusion Transformer)为基座从零开始预训练，全面支持最长约4K token的提示词、中英文长文本渲染以及可编辑的结构化 JSON Layout。
在技术架构方面，MOSS-Image采用Muon–AdamW训练配方，通过统一的文本条件通道来处理自然语言和结构化布局。模型使用 Qwen3.5-9B 作为文本编码器，并配合 FLUX.2VAE 进行图像解码。训练数据集涵盖约3B张图像，融入了多粒度caption、文字监督与结构化边界框（bbox）监督。为了应对复杂创作需求，模型还引入了意图感知的提示增强(PE)外部规划模块，可将简短的请求自动扩展为包含字体层级、色板和坐标规范的可执行指令。
在核心能力与评测表现上，MOSS-Image展现出了极强的专项优势:
长文本渲染（LLTB）:在包含中英文各120个任务、平均目标文本约1339.8个字符的评测中，其Mean-6得分为96.3，创造了开源权重模型的新高，能够较好地保留换行和段落结构。
结构化布局（7Bench）:在统一JSON Layout任务上，其检测框mIoU达到0.8786，整体布局mIoU为0.6788，在空间关系和相对大小控制上表现优异。
端到端偏好（RealLayoutArena）:在盲测Elo排名中，其生成器本身在统一增强提示词下的得分达到1807.34，处于行业领先地位。
目前，MOSS-Image 的 Base 与 SFT 权重均采用 Apache-2.0协议开源，并全面打通了 Diffusers、Gradio 和 ComfyUI 等生态路径，支持 LoRA 与全量微调。不过，官方也明确了其当前边界:其 backbone 属于纯文生图模型，无法直接接收参考图或执行原生图像编辑，其提示增强模块也依赖外部语言模型。总体而言，该模型的推出为需要本地部署、精准排版和可复现版式的开发者提供了一个功能强大的开源新选择。
