MOSS-Image · AI 工具图鉴

📌 核心价值：中文字是模型自己画进图里的，不用再抠图补字

一个 5B 参数的开源图像模型，2026 年 10 月 16 日刚放出权重，免费、能本地跑。官方示例里白板上那一整段中文手写体，是模型一次生成的——不是后期 P 上去的。

MOSS-Image 生成效果拼图

🚀 什么是 MOSS-Image？

做图的人都有同一个痛点：画面再好看，文字一塌糊涂。

让 AI 生成一张海报，山、水、人物都对，唯独标题写成鬼画符；想让它画个写着中文的白板，出来的全是乱码笔画。所以过去的标准流程是——AI 出底图，人再打开设计软件把字一个个敲上去、对齐、调间距。一张封面来回折腾半小时。

MOSS-Image 想解决的就是这一步。它由 OpenMOSS 团队开源，仓库 2026 年 10 月 16 日公开，当前 412 星、Apache-2.0 协议，基座是 5B 参数的单流 DiT 模型，文字编码器用的是 Qwen3.5-9B，VAE 来自 FLUX.2。

核心定位：它不是「又一个出图模型」，而是把「图上写字」这件事变成了模型的原生能力。

它有两个版本：

MOSS-Image-Base：纯基座，没做任何后训练和蒸馏，参数得自己按官方推荐配；
MOSS-Image-SFT：在整理过的数据上微调过，文字的成组和版式更整齐。

✨ 核心能力一览

MOSS-Image 核心能力

这三个点值得单独拆开说。

① 中文字，真能画对

官方 showcase 里这张是最有说服力的：

中文黑板手写体

黑板上那段话是完整可读的：「一、MOSS-Image 的技术路线：5B 的单流 DiT 模型，基于 Muon 训练……」三行带编号的中文，字迹像人手写，没有缺笔画、没有串行。

另一张更极端——真人出镜，身后的玻璃板上是密密麻麻三段中文：

人像场景中的中文板书

输入要求：中文或英文提示词，直接把要写的字放进引号里，需要换行的位置手动加换行符。

输出效果：文字随场景光照、透视、材质一起渲染，不是贴图。

适用场景：海报标题、知识类封面、教学板书、产品包装上的说明文字。

② 位置能按坐标摆

光会写字还不够，字得待在正确的位置。MOSS-Image 支持用一段 JSON 直接把版式喂进去：每个元素写清类型、描述、文字内容，再给一个坐标框。

布局控制示意

坐标用的是以画布中心为原点的绝对像素，顺序是 [y_min, x_min, y_max, x_max]。比如 1024×1024 的画布，每个轴的范围就是 -512 到 +512。官方解释过为什么不用相对坐标：不同分辨率和长宽比下，绝对像素更好控。

{
  "summary": {
    "meta": ["poster"],
    "canvas": "single",
    "caption": "A minimalist travel poster with a cream background and a blue mountain illustration."
  },
  "items": [
    {
      "label": "text",
      "caption": "Large dark-blue uppercase title centered at the top.",
      "text": "EXPLORE",
      "bbox": [-416, -384, -288, 384]
    }
  ],
  "bbox_coord_space": "abs_centralized",
  "bbox_format": "yxyx"
}

把这段 JSON 当 prompt 传进去，同时把宽高设成对应的尺寸，模型就按你画的框排版。

③ 5B 身板，还能微调

5B 在图像模型里算轻的。更关键的是它的定位——Base 版刻意不做后训练、不做 CFG 蒸馏，为的是把训练信息完整保留下来，方便社区自己训 LoRA。官方明确提醒：训的时候文本编码器要冻结，不要微调它。

这意味着风格、字体、行业版式都能自己练一版，而不是只能等官方更新。

🛠️ 三种跑法，按习惯挑

第一种：ComfyUI（最多人选这条）

仓库自带原生插件。把 comfyui/moss-image/ 整个复制到 ComfyUI/custom_nodes/moss-image/ 下，重启 ComfyUI 就能用；也可以在仓库根目录执行：

python comfyui/install.py --comfy-root /path/to/ComfyUI

然后下载官方工作流 comfyui/moss-image/example_workflows/moss-image.json，拖进 ComfyUI。工作流已经配好了 50 步、CFG 3、Shift 5、负向跳过第 22 层，采样器 Euler，分辨率 1024×1024，点 Run 就出图。

模型权重在 HuggingFace 和 ModelScope 都有，国内直接下 ModelScope 那个就行。

第二种：Gradio 界面

pip install -e '.[ui]'
python gradio_app.py --model OpenMOSS-Team/MOSS-Image-Base

界面里有「显存模式」可选，后面会讲。

第三种：Python 直接调

import torch
from diffusers import DiffusionPipeline

pipe = DiffusionPipeline.from_pretrained(
    "OpenMOSS-Team/MOSS-Image-Base",
    custom_pipeline="pipeline_moss_image",
    trust_remote_code=True,
    torch_dtype={"default": torch.bfloat16, "vae": torch.float32},
)
pipe = pipe.to("cuda")

image = pipe(
    "A wide view of a refrigerator beside a kitchen counter. "
    "A small sticky note on the door is handwritten in Chinese:\n"
    "记得买牛奶和鸡蛋！\n牛奶两盒，鸡蛋一打。",
    height=1456, width=1456,
    num_inference_steps=50,
    guidance_scale=3.0,
    uncond_skip_layers=[22],
    generator=torch.Generator("cpu").manual_seed(42),
).images[0]
image.save("note.png")

注意：宽高必须是 16 的整数倍，否则直接报错。官方推荐 1M、1.5M、2M 总像素数，也能外推到 512×512 到 2K。

🖥️ 显存不够怎么办

官方没给一个死的显存数字，而是给了三档模式，在 Gradio 的高级设置里切：

模式	行为	什么时候用
GPU resident	整个模型常驻显存	显存够，追求速度
Component	按需在 CPU / GPU 之间搬组件	显存中等，折中
Sequential · fallback	进一步降显存，速度变慢	显存紧张时兜底

显存实在不够，就选 Sequential，或者把出图尺寸调小。另外 Sequential 模式下「编译 DiT」这个加速选项是关掉且不可用的。

📊 和云端方案怎么选

MOSS-Image 与云端方案对比

一句话：偶尔出一两张图，云端更省事；要批量出、要数据不外流、要练自己的风格，本地这套才划算。

云端方案打开网页就能用，不用配环境，但它按张收费，图也得上到别人服务器。MOSS-Image 软件和权重都是免费的，成本只剩电费，代价是首次要装 Python 或 ComfyUI。

💡 Base 和 SFT 到底差在哪

官方放了一组对照，同一个提示词、同一个人物和板书：

MOSS-Image-Base	MOSS-Image-SFT
三行文字挤在一起，层级偏弱	层级清楚，排版更整齐

Base 版效果

Base 版板书内容是对的，但三行中文挤在一起，字块疏密控制偏弱，行与行之间分不开。

SFT 版效果

SFT 版层级更清楚：一级标题加粗，正文往里缩进，行间距拉开，整块文字读起来更整齐。

结论很直接：想开箱好用，下 SFT；想自己训 LoRA、要一个"干净"的基座，用 Base。

⚠️ 四个先说清楚的坑

第一，中文提示词不如英文稳。 官方用户指南写得很直白：提示词默认推荐英文，因为训练量最多，中文也支持但不是最优。想要最好效果，用英文描述场景，把要渲染的中文原样放进引号。

第二，自动换行不保证符合你的预期。 官方原话是"支持自动换行，但未必完全符合预期"。要追求文字正确率和精确换行，就在 prompt 里手动加换行符——这一步别省。

第三，Base 版不是开箱即用。 它没做后训练也没蒸馏，参数不配对，出来的图会崩。老老实实按 50 步、CFG 3、Shift 5、Euler、跳过第 22 层这套推荐值来。

第四，它刚发布两天。 412 星、权重 10 月 16 日才公开，生态还在早期，插件、整合包、教程都不如成熟模型多。着急上生产的，先拿它跑一批小样验证，别直接替换现有流程。

💰 定价方案

软件和权重全部免费，Apache-2.0 协议。

代码：https://github.com/OpenMOSS/MOSS-Image
权重（海外）：HuggingFace OpenMOSS-Team/MOSS-Image-Base / MOSS-Image-SFT
权重（国内）：ModelScope openmoss/MOSS-Image-Base / MOSS-Image-SFT

💡 你的成本只有电费：不按张计费，出多少张都不加钱。

🎯 总结

MOSS-Image 真正动的是那条最烦人的尾巴——图做完了，字还得人手补。

它把文字渲染和版式控制做成了模型的原生能力：中英混排能画对，位置能用坐标钉死，5B 的身板还能自己训 LoRA。加上 Apache-2.0 和国内可下的权重，对做封面、做海报、做知识图文的自媒体来说，这是一条值得现在就试的路。

推荐指数： ⭐⭐⭐⭐（满分5星，扣一星因为刚发布、生态还薄）

适合人群： 做封面海报的自媒体、需要批量出图文的知识博主、要数据不外流的团队、想训自有风格的开发者

不适合： 只想点一下就出图、完全不想碰环境配置的人

👉 建议的第一步：先下 SFT 版权重，用官方那套 ComfyUI 工作流跑一张带中文标题的图，看看字到底对不对——比看十篇评测都直观。

GitHub 仓库： OpenMOSS/MOSS-Image

数据截至 2026-10-18，最新信息请以官方仓库为准。

配套媒体