MOSS-Image

MOSS-Image 是 OpenMOSS 开源的文生图模型系列，面向插画、海报、信息图与写实图像等创作场景。模型支持自然语言提示词，也支持以 JSON 描述物体、可见文字及其空间位置，让创作者在描述画面内容的同时控制构图与排版。

该系列采用 5B 主干网络，支持最长 4K tokens 的输入提示词。MOSS-Image-Base 是基础模型；MOSS-Image-SFT 在 Base 的基础上使用精选数据微调。代码与模型权重均已开放，支持通过 Python 或 Gradio 体验，并可结合社区工具开展部署和微调。

让文字融入画面

支持在图像中生成中英文文字，将标题、段落、手写便签或板书融入场景。创作者可以在提示词中指定可见文字与换行，用于海报、图文内容和带文字的插画。

控制物体与文字的位置

通过结构化 Layout 提示词描述物体、文字及边界框，指定画面中的位置和空间关系。它适用于需要明确排版的海报、信息图和多元素构图；输入为文字与 JSON 布局描述。

容纳更完整的创作描述

支持最长 4K tokens 的提示词，可在一次输入中描述主体、背景、材质、光照、风格与可见文字，为复杂画面提供更完整的创作信息。

覆盖多种视觉风格

支持动漫、写实、素描和视觉设计等风格，可用于人物插画、场景概念图、城市风景和海报创作。下方示例展示了不同画幅与视觉表达。

开放部署与微调

模型权重采用 Apache-2.0 许可。除了仓库提供的 Python 和 Gradio 入口，社区已提供 SGLang、vLLM-Omni 和 ComfyUI 相关支持；KohakuMoss（Kohaku） 支持 Base 与 SFT 的全参数微调和 LoRA 训练。

LLTB：长文本渲染

在中英文长文本渲染基准 LongLongTextBench 上，MOSS-Image 的平均文本覆盖率（Mean-6）达到 96.3%，位居参评开源权重模型首位；英文和中文最长文本组分别达到 97.1% 和 92.4%。

LLTB 文本覆盖率（%），越高越好。 — Table 4

7Bench：布局控制

在 7Bench 布局控制评测中，MOSS-Image 的已检测目标平均交并比（mIoU_det）达到 0.88，Layout AUC 达到 0.70，两项指标均领先参评模型。

7Bench 布局控制，两项指标均为越高越好。 — Table 3

RLA：真实设计任务

RealLayoutArena 通过人工盲评比较海报、信息图和用户界面等 61 个设计任务的生成结果。

共享增强提示词

各生成器使用相同的增强自然语言提示词时，MOSS-Image 获得 1807.3 Elo，位居参评生成器首位。

共享增强提示词下的生成器比较，误差线为 95% 置信区间。 — Figure 4(a)

端到端生成

MOSS-Image 结合基于 GPT-6 的 Layout PE 提示词增强，获得 1698.7 Elo，在参评端到端系统中排名第二。

端到端系统比较，误差线为 95% 置信区间；两组 Elo 分别拟合。 — Figure 4(c)

数据来源：MOSS-Image Technical Report，Tables 3–4 & Figure 4.

文字渲染

动漫课堂场景中包含多行中文板书，展示文字与人物、背景的共同生成。

文字渲染示例

布局控制

左侧展示布局框与元素位置的标注，右侧展示对应的布局生成结果。框线用于解释布局约束。

布局标注与生成结果

多样风格

城市全景、几何设计、素描、雕塑、动漫与写实场景的生成样例。

多样风格展示

Base 与 SFT 对比

在这个白板文字示例中，SFT 的文字分组更清晰，内容排版更有条理。该对比用于展示具体样例的视觉差异。

在 在线 Demo 中尝试自己的提示词。需要本地部署、推理参数和布局格式时，可查看 中文用户指南。

模型下载：ModelScope · Base · ModelScope · SFT

研究主页：MOSS-Image

MOSS-Image Technical Report

@misc{ai2026mossimagetechnicalreport,
      title={MOSS-Image Technical Report},
      author={MOSI. AI},
      year={2026},
      eprint={2610.23374},
      archivePrefix={arXiv},
      primaryClass={cs.CV},
      url={https://arxiv.org/abs/2610.23374},
}