OpenMOSS发布MOSS-Image：5B参数开源模型，支持4K token长文本渲染

OpenMOSS（复旦NLP与上海创智等团队）近日推出开源图像生成模型MOSS-Image。海报、信息图、漫画和UI设计里长期存在的文字拼错、段落被截断、元素错位等问题，是这款模型主要针对的方向。它从零开始预训练，基座为5B参数的单流DiT(Diffusion Transformer)，可支持最长约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。

技术架构上，MOSS-Image的训练配方是Muon–AdamW，自然语言与结构化布局通过统一的文本条件通道处理。文本编码器选用Qwen3.5-9B，图像解码则配合FLUX.2VAE完成。训练数据规模约3B张图像，其中包含多粒度caption、文字监督和结构化边界框（bbox）监督。

面对复杂创作需求，模型还加了一个意图感知的提示增强(PE)外部规划模块。简短的请求经它处理后，能自动扩展成可执行指令，涵盖字体层级、色板和坐标规范。

核心能力与评测表现上，MOSS-Image的专项优势相当突出。长文本渲染（LLTB）评测包含中英文各120个任务，平均目标文本约1339.8个字符，其Mean-6得分达到96.3，创下开源权重模型的新高，换行和段落结构保留得较好；结构化布局（7Bench）方面，统一JSON Layout任务上检测框mIoU为0.8786，整体布局mIoU为0.6788，空间关系和相对大小的控制表现优异。

端到端偏好（RealLayoutArena）的盲测Elo排名中，其生成器在统一增强提示词下得分1807.34，处于行业领先位置。

目前MOSS-Image的Base与SFT权重均以Apache-2.0协议开源，Diffusers、Gradio和ComfyUI等生态路径已全面打通，LoRA与全量微调均支持。官方也说明了当前边界：backbone属于纯文生图模型，不能直接接收参考图，也无法执行原生图像编辑；提示增强模块则依赖外部语言模型。

对需要本地部署、精准排版和可复现版式的开发者来说，这款模型的推出提供了一个功能较强的开源新选择。