搜索
开源图像生成迎来新突破：OpenMOSS 发布 MOSS-Image，主打长文本渲染与可编辑布局
2 小时前
由复旦NLP团队与上海创智等团队联合组成的OpenMOSS，发布了开源图像生成模型MOSS-Image。该模型基于5B参数的单流DiT架构，从零开始进行预训练。针对传统文生图模型在海报、信息图等场景中存在的文字拼写错误、段落截断、元素错位等问题，MOSS-Image支持最长4K token的提示词输入，能够实现中英文长文本的精准渲染，并支持可编辑的结构化JSON Layout。模型采用Muon–AdamW训练配方，以Qwen3.5-9B作为文本编码器，FLUX.2VAE作为图像解码器，基于约3B张包含多粒度caption、文字与结构化边界框监督的图像数据集进行训练。此外，模型还引入了意图感知的提示增强外部规划模块，以扩展生成指令。在多项评测中，MOSS-Image在长文本渲染、结构化布局、端到端偏好等维度上表现优异。其相关权重已按照Apache-2.0协议开源，打通了多个主流生态路径，支持LoRA与全量微调。不过，当前该模型为纯文生图模型，无法直接接收参考图或执行原生图像编辑，提示增强模块也依赖外部大模型。尽管如此，MOSS-Image仍为有本地部署、精准排版等需求的开发者提供了新的开源选择。
