MOSS-Image 上手：5B 开源生图模型，中文写字和 JSON 排版怎么用

这是一个什么模型

2026 年 10 月 16 日，模思智能（MOSI）与 OpenMOSS 团队开源了文生图模型 MOSS-Image，同时放出两个版本：

MOSS-Image-Base：基础模型，没有做后训练，官方的本意是保留完整的训练信息，方便社区训练 LoRA；
MOSS-Image-SFT：在 Base 基础上用精选数据做了监督微调，官方对比图里文字分组和版面更整齐。

几个关键信息：

项目	MOSS-Image
主干	5B 参数的 DiT，从零训练
文本编码器	Qwen3.5-9B（冻结）
输入	自然语言、Tag 串、JSON 布局，最长约 4K token
分辨率	推荐 1M～2M 总像素，可外推到 512×512 至 2K，任意长宽比（宽高需为 16 的倍数）
许可证	模型卡标注权重与推理代码为 Apache 2.0
使用方式	本地（Diffusers / ComfyUI / Gradio）、MOSI 官方 API（10 月 20 日上线）

量子位 10 月 23 日的报道提到，它上线 4 天在海外社区累计下载超过 130 万次，一度登上 Hugging Face 文生图趋势榜第一。报道还提到一个细节：团队在训练数据里剔除了 AI 生成的图片，这可能是不少开发者觉得它出图“不那么 AI 味”的原因之一。

之前的《先图后视频：用国产图像模型做好首帧和分镜》讲过 Seedream 和 Qwen-Image，MOSS-Image 的定位不太一样：它不追求参数量，而是把力气花在图里的文字和元素摆在哪这两件事上。

它最擅长什么

按官方介绍和社区反馈，MOSS-Image 适合这几类图：

带大段文字的图：便利贴、白板、手写信、菜单、信息图。官方示例是冰箱门上一张写着三行中文的便利贴；
海报和封面：标题、副标题、主视觉、底部信息各在什么位置，可以用 JSON 指定；
二次元和写实照片：官方说两种风格都能出，Tag 串写法对二次元更友好；
想自己训练 LoRA 的人：Base 版就是为微调准备的，社区训练工具已经能在 6GB 显存上训练 LoRA。

如果你只是想要一张好看的风景图，它不一定比 Seedream 或即梦里的模型更省事；但凡图里要写字、要排版，就值得试试。

在哪里用：三条路

第一条：官方 API 和 Playground。 10 月 20 日起，MOSS-Image 上线了 MOSI 开放平台，可以在网页 Playground 里直接试，也可以通过 API 接入。价格以平台页面为准。

第二条：ComfyUI。 ComfyUI 已原生支持，更新到包含 MOSS-Image 支持的 master / nightly 版本，下载 Comfy-Org 提供的 ComfyUI 格式权重，用内置加载节点就能跑，不需要额外装插件。社区还有 8 步蒸馏版、减少竖条色带的 LoRA 和加速节点，可以按需添加。

第三条：命令行 + Gradio 网页界面。

bash

git clone https://github.com/OpenMOSS/MOSS-Image.git
cd MOSS-Image
python -m venv .venv
source .venv/bin/activate
pip install -r requirements.txt

# 启动网页界面
pip install -e '.[ui]'
python gradio_app.py --model OpenMOSS-Team/MOSS-Image-SFT

显卡不够怎么跑

5B 主干听起来不大，但加上 9B 的文本编码器，整个模型包大约 25GB。好在官方做了几档内存模式：

模式	做法
GPU 常驻	整个模型都放显存，最快
组件调度	各组件按需在 CPU 和 GPU 之间搬
顺序加载	显存更低，速度更慢
低显存	DiT 权重放内存，文本编码器和 VAE 按需从硬盘读取

显存预算低于 12GB 时，auto 会自动切到低显存档；也可以手动指定：

bash

python gradio_app.py --profile minimal --model OpenMOSS-Team/MOSS-Image-SFT

README 里给出的实测数据是：生成一张 1024×1024、50 步的图，GPU 显存峰值约 3.85GB，系统内存峰值约 14GB。也就是说，8GB 显存 + 32GB 内存的普通游戏本也有机会跑起来，代价是速度。模型文件建议放在 SSD 上，否则按需读取会很慢。

Mac 用户：官方提供了实验性的 Apple Silicon 支持，在 M1 Max / 32GB 上验证过，需要预留约 40GB 硬盘空间。建议从 512×512、10 步开始试，一张图可能要几分钟，更适合尝鲜。

参数怎么调

官方推荐的默认参数：

参数	推荐值
采样器	Euler
步数	≥ 50
CFG	3.0（短提示词可以调高，推荐 3.0～6.0）
Shift	5.0
跳层引导	uncond skip，跳过第 22 层
负面提示词	可留空，或用 `nsfw, worst quality, bad anatomy, watermark, jpeg artifact`

有一条值得注意：用户指南说，关掉跳层引导，图会非常写实，但细节可能崩坏。想要照片感可以试试关掉，但要多抽几张。

写字：中文要放进引号，换行自己写

提示词语言方面，官方推荐英文（训练量最多），中文也支持。比较稳的写法是：场景用英文描述，要写在图里的字用中文原文，放进引号里。

模型会自动换行，但不一定换在你想要的位置。追求文字准确或精确控制换行，就在提示词里手动换行：

text

A wide view of a refrigerator beside a kitchen counter with a fruit bowl.
A small sticky note on the refrigerator door is handwritten in Chinese:
“记得买牛奶和鸡蛋！
牛奶两盒，鸡蛋一打。
顺便带一袋面包。”

几点经验：

字越少越准，一张图里的大段文字先控制在三五行，跑通了再加；
写清楚字的载体和字体：便利贴、白板、霓虹灯、印刷体、手写体，模型更容易把字放对地方；
生成后逐字检查，错一个字就重抽或局部修改，别直接发出去。

JSON 布局：把海报元素摆到指定位置

这是 MOSS-Image 最有特色的功能（官方标注为实验性）。你可以不写一段话，而是写一个 JSON，告诉模型画布上有哪些元素、每个元素在哪个框里：

summary.caption：整张图的场景和风格；
items：每个元素一项，包括类别 label、描述 caption、位置框 bbox，要写字的元素再加 text；
bbox_format: "yxyx"：坐标顺序是 [上, 左, 下, 右]，注意先写 y 再写 x；
bbox_coord_space: "abs_centralized"：坐标以画布中心为原点，x 向右增大，y 向下增大。

最容易出错的是坐标换算。平时我们习惯以左上角为原点量像素，换算方法是：x 减去宽度的一半，y 减去高度的一半。

举个例子，做一张 1024×1536 的竖版活动海报。先按左上角原点粗略规划：

元素	左上角原点的范围	换算后的 bbox `[y1, x1, y2, x2]`
主标题	上 96～288，左右 112～912	`[-672, -400, -480, 400]`
副标题	上 320～400，左右 192～832	`[-448, -320, -368, 320]`
主视觉	上 480～1216，左右 128～896	`[-288, -384, 448, 384]`
底部信息	上 1280～1440，左右 112～912	`[512, -400, 672, 400]`

写成 JSON：

json

{
  "summary": {
    "meta": ["poster"],
    "canvas": "single",
    "caption": "A warm autumn event poster for a small neighborhood bookstore, cream paper texture background, flat illustration style, orange and deep green palette."
  },
  "items": [
    {
      "label": "text",
      "caption": "Large bold deep-green Chinese title, centered.",
      "text": "秋日读书夜",
      "bbox": [-672, -400, -480, 400]
    },
    {
      "label": "text",
      "caption": "Smaller orange subtitle, centered.",
      "text": "带一本书，换一杯热茶",
      "bbox": [-448, -320, -368, 320]
    },
    {
      "label": "object",
      "caption": "A flat illustration of a cozy bookstore window at night with warm light, stacks of books and a cup of tea.",
      "bbox": [-288, -384, 448, 384]
    },
    {
      "label": "text",
      "caption": "Two lines of small dark text, centered.",
      "text": "11 月 15 日 周六 19:00\n街角书店二楼",
      "bbox": [512, -400, 672, 400]
    }
  ],
  "bbox_coord_space": "abs_centralized",
  "bbox_format": "yxyx"
}

使用时：

在 Gradio 里，把 JSON 直接粘贴进提示词框，宽高设成和坐标一致的 1024×1536；
用 Python 调用时，传入 json.dumps(layout, ensure_ascii=False)，否则中文会被转义；
想改标题文字或挪位置，只改对应那一项的 text 或 bbox 再生成，比重写整段提示词可控得多。

手算坐标麻烦的话，可以让 DeepSeek 或千问帮你：把上面这张“左上角原点”的表格发给它，让它按换算规则输出 JSON，思路和《让 DeepSeek / 千问当你的提示词助手》一样。官方也提供了一个提示词增强 Skill（moss-image-prompt-enhancer），能把一句话想法扩写成详细描述或布局 JSON，适合本身在用 Agent 工具的人。

想训练自己的 LoRA

Base 版没做蒸馏和后训练，官方明确说是为了方便社区微调。目前有两个现成的训练工具：

KohakuMossTrainer（10 月 18 日发布）：支持全量微调和 LoRA / LyCORIS，最低 6GB 显存可训练适配器，支持 Windows、Linux；
DiffSynth-Studio（魔搭社区）：已支持 MOSS-Image 的全量微调和 LoRA 训练。

官方提醒：自己训练时保持文本编码器冻结，不要微调它。

训练素材同样要守规矩：用自己拍的、画的或已获授权的图片，不要拿某位画师的作品集训练“仿某某画风”的 LoRA，也不要训练真实人物的脸。

发布前的提醒

标注 AI 生成：按《人工智能生成合成内容标识办法》，海报、封面发到社交平台时主动声明 AI 生成；用于商业活动的物料也建议在角落注明；
检查文字：活动时间、地址、价格这类信息错一个字就是事故，生成后务必人工核对，必要时在设计软件里重新排字；
不生成真实人物和他人商标：不要用它做冒充品牌的海报，也不要生成公众人物的肖像；
权重许可是 Apache 2.0，对商用比较友好，但生成内容是否侵权，仍取决于你写了什么、拿什么当参考。更多细节见《发布 AI 视频、音乐、图片前必看》。

参考来源

AI 生成内容信息整理截至 2026-11-04。本文由 AI 辅助生成，内容依据公开资料整理，仅供学习交流；平台功能与价格变化较快，请以官方最新信息为准。