2026年10月29日，OpenMOSS 在官方博客发布开源图像生成模型 MOSS-Image。MOSS-Image 以 5B 参数的单流 DiT 为基座，从零开始预训练，面向海报、信息图、漫画、UI 草图和教学材料这类文字密集、版式要求明确的图像任务。它的权重以 Apache-2.0 协议开放，提供 Base 与 SFT 两个版本，并给出 Diffusers、Gradio 和 ComfyUI 的使用路径。
两种输入，对应两种做法
MOSS-Image 提供两种输入方式。直接写自然语言提示词，适合快速起稿；需要复现和反复修改的画面，可以改用 JSON Layout，把画布、文本、对象和边界框写清楚，指定每个元素的位置、大小和空间关系。两种输入走同一条文本条件路径，因此可以从描述想法逐步过渡到指定版式。模型支持最长约 4K token 的提示词，保留换行和段落结构，支持中文和英文长文本渲染，适合标题、说明、对白、表格和信息密集的视觉材料。官方还提供意图感知的提示增强模块，能把短请求扩展成内容与布局规范，但它是可选的外部规划模块，只用本地基座时也可以直接传入普通提示词或 JSON Layout。
评测数字要分开看
官方技术报告给出三组数字。长文本评测 LongLongTextBench 上，MOSS-Image 的 Mean-6 为 96.3，是该评测中开放权重模型的最高成绩；布局评测 7Bench 上，它的检测框 mIoU 为 0.8786；端到端偏好评测 RealLayoutArena 上，它的 Elo 为 1698.70，排第二，低于 GPT Image 2 的 1844.35。这三组数字来自不同评测协议，不能拼成一个跨任务总榜。长文本分数衡量的是文字覆盖与渲染质量，不能直接等同于事实准确率；端到端排名同时包含各家系统的提示规划与产品流程，单独比较生成器时，MOSS-Image 在统一增强提示词下得分为 1807.34。
适合谁，边界在哪
MOSS-Image 更适合需要本地部署、可复现版式，或用自有数据继续训练的团队。Base 版本适合作为继续预训练、领域微调或 LoRA 的起点，SFT 版本适合直接体验更稳定的文字分组和白板类版式。边界也很清楚：当前基座是纯文生图模型，不能直接接收参考图，也不提供原生图像编辑；提示增强依赖外部语言模型，规划质量会影响最终规格。它的价值不在通用画图，而在把文字应该出现在哪里、元素应该放在什么位置，变成明确、可检查的输入。
