MOSS-Image ist ein Text-zu-Bild-Modell, das das OpenMOSS-Team der Fudan-Universität am 16. Oktober 2026 als Open Source veröffentlicht hat. Das Repository auf GitHub liegt in der Organisation OpenMOSS und heißt MOSS-Image, die Gewichte stehen unter der Apache-2.0-Lizenz. Die Antwort vorweg: Wer regelmäßig Poster, Infografiken und E-Commerce-Bilder mit viel Text braucht, sollte es ausprobieren. Wer nur ab und zu ein realistisches Foto erzeugen will, muss es nicht extra aufsetzen.
Es löst ein altes Problem der Open-Source-Bildgenerierung
Die meisten offenen Text-zu-Bild-Modelle scheitern, sobald Text im Bild vorkommt, bei Chinesisch besonders schlimm: Je mehr Zeichen, desto mehr Fehler. Genau hier setzt MOSS-Image an: ein Diffusionsmodell mit 5 Milliarden Parametern, dazu ein Qwen3.5-Textencoder und der VAE von FLUX.2. Im Benchmark LLTB für langes Text-Rendering erreicht es eine durchschnittliche Textabdeckung von 96,3 Prozent und liegt damit unter den bewerteten Open-Weight-Modellen auf Platz eins. Noch praktischer ist die Layoutkontrolle: Neben natürlicher Sprache kann man ein JSON-Dokument mitgeben, das festlegt, wo jedes Element sitzt und welche Zeile wo steht. Titel, Hauptmotiv und Hilfselemente lassen sich vorab fixieren, das Layout hängt nicht mehr vom Zufall ab. Prompts dürfen bis zu 4.000 Tokens lang sein, sodass mehrere Motive, räumliche Beziehungen und Stilvorgaben auf einmal hineinpassen.
Die Kosten des Setups: Erst die Online-Demo testen, dann entscheiden
Es gibt zwei Einstiege. Wer nur sehen will, was es kann, öffnet die offizielle Online-Demo auf Hugging Face Spaces und tippt einfach einen Prompt ein, ganz ohne Installation. Wer es lokal betreiben will, klont das Repository OpenMOSS/MOSS-Image auf GitHub, installiert die Abhängigkeiten nach Anleitung und erzeugt Bilder über den Python-Workflow oder die Gradio-Oberfläche; Diffusers und ComfyUI werden ebenfalls unterstützt. Der Preis ist die Grafikkarte: Lokale Inferenz braucht eine NVIDIA-GPU mit CUDA-Umgebung. Wer keinen eigenen Grafikprozessor hat, sollte es gar nicht erst versuchen, die Demo reicht aus.
Drei Stolperstellen, die man besser vorher kennt
Erstens, die richtige Version wählen: MOSS-Image-Base ist die Basis für Fine-Tuning und LoRA-Training, zum direkten Erzeugen von Bildern nimmt man MOSS-Image-SFT. Zweitens, die Koordinaten im JSON-Layout sind relativ zur Bildmitte angegeben; eine falsche Zahl, und das Element verrutscht. Vor dem endgültigen Bild also erst eine kleine Version testen. Drittens, für andere Sprachen als Chinesisch und Englisch gibt es keine veröffentlichten Bewertungen, also bei kleineren Sprachen erst selbst testen. Außerdem weist die Community darauf hin, dass das Modell keine Inhaltsfilter hat, also vor kommerzieller Nutzung selbst noch einmal prüfen. Wer nur englische Poster macht oder bereits eine kommerzielle Lösung wie Midjourney nutzt, für den ist MOSS-Image deutlich weniger interessant.
