一句话看懂：OpenMOSS 联合复旦 NLP 等机构发布 5B 参数开源图像生成模型 MOSS-Image，从零预训练，支持约 4K token 提示词、中英文长文本渲染和 JSON 布局控制，Base 与 SFT 权重采用 Apache-2.0 许可。
事件核心：发生了什么
据 OpenMOSS 官方博客，MOSS-Image 是一个 5B 参数的单流 Diffusion Transformer 图像生成系统，2026 年 10 月发布。它从零预训练，文本编码器使用 Qwen3.5-9B，图像解码使用 FLUX.2 VAE，训练数据约 3B 张图像，分辨率和上下文长度逐步提升至 1024² 与 4096 tokens。其核心卖点是把自然语言提示词和结构化 JSON Layout 放进同一条文本条件通道，同时支持中英文长文本、换行与段落结构。
技术报告给出三项评测：在 LongLongTextBench（中英文各 120 个任务）上 Mean-6 为 96.3，称其为开放权重模型最高成绩；统一 Layout 任务检测框 mIoU 为 0.8786；端到端人类偏好评测 RealLayoutArena 的 Elo 为 1698.70，低于 GPT Image 2 的 1844.35。
为什么重要
海报、信息图、漫画、UI 草图这类任务，难点不在“画得像”，而在文字拼写、段落顺序和元素位置能否稳定交付。闭源模型在这块普遍更强，但不可检查、不可微调。MOSS-Image 把布局变成显式 JSON 输入，并开放权重，意味着开发者可以在本地复现版式、做 LoRA 或领域微调，把“文字和元素放在哪”从隐含提示变成工程参数。
从竞争格局看，它填的是开放权重模型里长文本排版这一相对空白的位置。论文同时强调，端到端排名取决于各系统自己的提示增强与产品流程，因此不宜把这些分数拼成跨任务总榜。
对用户/开发者/创作者的影响
目前公开信息显示，仓库提供 Base 和 SFT 两套权重，已接入 Diffusers、Gradio 与 ComfyUI，社区还提供 SGLang、vLLM-Omni 等推理或训练入口。创作者可先用 SFT 体验较稳定的文字分组与白板类版式；需要精确排版时，可直接把含 summary、items、bbox 的 JSON 当作 prompt。开发者则可用 Base 继续预训练或做 LoRA，适配品牌字体和垂直数据。需要说明的是，当前 backbone 是文生图模型，不能直接接收参考图，也不提供原生图像编辑。
AI 工具推荐
想把多个 AI 模型放在一个入口？
GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型，适合写作、绘图、视频和日常 AI 工作流。
推广链接：通过此链接购买，我可能获得佣金，不影响你的价格。
值得关注的后续
一是模型实际生成质量是否与论文中的 LLTB、RLA 分数一致，尤其是中文长文本的错字率与段落截断情况；二是社区基于 Apache-2.0 的微调生态能否快速补齐参考图输入与图像编辑能力；三是闭源竞品是否跟进结构化布局接口，把 JSON Layout 变成行业通用输入格式。
