MOSS-Image 是复旦大学 OpenMOSS 团队 2026 年 10 月 16 日开源的文生图模型，GitHub 上的仓库在 OpenMOSS 组织下，项目名就叫 MOSS-Image，权重按 Apache-2.0 协议发布。结论先说：经常要做带大段文字的海报、信息图、电商图，值得折腾；只想随手出几张写实照片，没必要专门搭它。
它解决的是开源生图的老毛病
多数开源文生图模型一遇到画面里的文字就翻车，中文尤其严重，字越多错得越离谱。MOSS-Image 的卖点就是把这块补上：5B 参数的扩散模型主干，配 Qwen3.5 文本编码器和 FLUX.2 的 VAE，在长文本渲染评测 LLTB 上平均文本覆盖率 96.3%，在参评的开源权重模型里排第一。更实用的是布局控制：提示词里除了自然语言，还能交一份 JSON，说清每个元素放哪、每行文字写什么，标题、主视觉、辅助元素的位置都能事先定死，排版不再全凭运气。提示词最长支持 4K token，一次塞进多主体、空间关系和风格要求也不容易超。
部署成本：先试在线 Demo，再决定要不要装
上手分两档。只想看效果，直接打开 Hugging Face Spaces 上的官方在线 Demo，打字就能出图，不用装任何东西。想本地跑，拉 GitHub 上的 OpenMOSS/MOSS-Image 仓库，按说明装依赖，用 Python 流程或 Gradio 界面出图，也支持 Diffusers 和 ComfyUI。代价是显卡：本地推理要一块 NVIDIA 显卡加 CUDA 环境，没有独显的电脑先别折腾，Demo 够用了。
三个坑点，别等出图才发现
第一，版本别下错：MOSS-Image-Base 是给微调和训 LoRA 准备的底座，直接出图选 MOSS-Image-SFT。第二，JSON 布局的坐标是相对于画布中心的，写错一个数，元素就跑偏，出图前先拿小图试一版。第三，中文以外的文字没有公开评测，换小语种先自己测；另外社区反馈提到这个模型没加内容护栏，商用出图前自己把一道关。只做英文海报、或者已有 Midjourney 这类商用方案在手的人，MOSS-Image 的吸引力没那么大。
