返回首页

MOSS-Image 是什么:Base 与 SFT

要出成品图用 SFT,要训练用 Base。下载地址、推荐参数和现在做不到的事都在下面,逐条对照官方仓库、模型卡和技术报告。

MOSS-Image 是一个开源权重的文生图模型,主攻"图里有字"的场景:海报、菜单、招牌,以及其他文字必须写对、位置必须摆对的版式。它由 MOSS 系列的团队 OpenMOSS 在 2026 年 10 月 16 日发布,分 Base 和 SFT 两个版本,权重、代码和技术报告都已公开。

这一页只整理官方资料里写清楚的内容,核实日期为 2026 年 11 月 9 日,每条数字都在文末附了来源。本站是独立服务,与 OpenMOSS 团队没有隶属关系。

谁发布的,采用什么许可?

MOSS-Image 的代码仓库和两个模型卡标注的都是 Apache-2.0 许可,可以商用,需要署名,没有按张计费。技术报告发布在 arXiv(2610.23374),权重在 Hugging Face 和 ModelScope 上都能下载。OpenMOSS 自己也通过 MOSI 平台提供 API,本站则是把同一套权重接在自己的界面后面。

它是怎么做的?

MOSS-Image 是一个约 50 亿参数的单流扩散 Transformer(DiT),从零预训练,不是在别的图像模型上微调出来的。官方仓库写明的结构是 42 层 Transformer,配 Qwen3.5-9B 文本编码器和 FLUX.2 VAE,因此提示词最长可以到 4K token。

除主干之外,论文还提出了一个"意图感知"的提示词增强模块,把一句简短需求扩写成详细描述或版式规格再生成。公开的权重是主干模型,增强环节属于托管系统的一部分。

Base 和 SFT 该用哪个?

要出图用 SFT,要训练用 Base。

大多数人直接用 SFT。它在精选数据上从 Base 微调而来,官方文档也先讲 SFT,因为它的文字分组更整齐、场景排布更清楚。Base 没有做后训练和 CFG 蒸馏,是 LoRA 和全量微调的起点。

Base 与 SFT 对照

MOSS-Image-BaseMOSS-Image-SFT
是什么预训练权重,没有后训练在精选数据上对 Base 做的监督微调
文字保真短句能写对,出错集中在长句和结构特殊的行短句同样准确,文字分组更整齐
创造性构图更发散、指向性更弱版式更有条理,模型卡自己举的例子是一块排布更清楚的白板
步数自己设。用户指南建议 50 步或更多,CFG 3.0(范围 3.0–6.0),shift 5,flow-matching Euler模型卡列出的默认值相同:50 步、CFG 3、shift 5、Euler
显存同一量级的权重。1024×1024、50 步、低显存模式下峰值 3.65 GiB 显存;没有来源给出最低要求数字相同。换权重不改变显存预算
适合谁LoRA 和全量微调,后训练在这里反而碍事海报、菜单、招牌,以及任何文字必须读得出来的图

谁该用哪个。 想要一张成品图,用 SFT。准备在权重上训练,用 Base——用户指南把"没有后训练"解释成有意为之,好让训练信号保持完整。本站的模型选择器里两者价格相同,我们自己用三条提示词做过对照:短句和中英混排两边没有稳定的胜负,差别出现在长句和结构特殊的行上,而且同一条提示词跑两次结果并不总是一致。重要的图多生成两三张,逐张校对。

在 ComfyUI 里切换两者只需要换一个加载器,在本站则是模型选择器里的一次点击。

长文本和中文的渲染效果如何?

论文给了主要数字。在随模型提出的 LongLongTextBench(LLTB,专门测长段落中英文渲染)上,MOSS-Image 在开源权重模型中报告了最好的结果,平均文字覆盖率 96.3%。在衡量端到端版式生成的 RealLayoutArena(RLA)上,系统对比排第二,而只用统一增强提示词评估时,它的主干排第一。

"覆盖率"不等于"全对"。我们自己生成的样图里,短句几乎不出错,出错集中在地址这种长字符串、小字号和特殊标点上。关于精确文字的提示词写法里有我们逐张核对的方法。

JSON 版式是怎么控制的?

版式是一个 JSON 对象,包含 summary(画布尺寸、整体描述)和一组 items。每个 item 有标签(text、object 或 character)、一句描述和边界框,文字类的 item 还要写上要渲染的字。坐标以画布中心为原点,用 yxyx 顺序,所以在 1024×1024 的画布上每个值都落在 −512 到 +512 之间。

把这段 JSON 贴进提示词框,并把输出尺寸设成你设计画布时的尺寸,就能按版式生成。JSON 版式详解里有完整例子,可视化版式生成器可以画框直接生成这段 JSON。

两个版本分别从哪里下载?

两个权重都已公开。先按上面的结论选一个,再下载对应的文件,页面上的文件名写明了是哪一个。

ComfyUI 官方模板加载的是另一套文件:一个 int8 权重,加上文本编码器和 VAE,都在 Comfy-Org/MOSS-Image。ComfyUI 指南列出了四个工作流各自需要哪个文件。

怎么运行?

官方写了四条路。权重在 ComfyUI 里原生支持(发布当天就能用),也可以用 Diffusers 管线、自带的 Gradio 界面,或部署到 SGLang、vLLM-Omni 这类推理服务上。

先用这组:MOSS-Image-SFT,大约 100 万到 200 万像素(仓库举的例子是 1024×1024),50 步,CFG 3,shift 5,flow-matching Euler。 Base 的起点相同,CFG 可以在 3.0 到 6.0 之间。这是仓库建议的默认值,不是对每条提示词都最好的设置。

同一页还写了负面分支的 skip-layer guidance(SLG),在第 22 层跳过——24、26 层也有帮助;关掉 SLG 画面更真实,但细节可能塌掉。

显存数字也是公开的:1024×1024、50 步、低显存模式下,一张图峰值占用 3.65 GiB 显存和约 14 GiB 系统内存。ComfyUI 指南整理了四个官方工作流、各自需要的模型文件和参数。

要求:分辨率、尺寸与显存

输出建议在 100 万、150 万或 200 万像素;模型能从 25 万像素(512×512)外推到 400 万像素(约 2K)。比例任意,但宽高必须是 16 的正整数倍——Python API 和手动填写尺寸时不符合就直接报错,Gradio 界面会替你取整。提示词可以写到约 4000 个 token。显存方面,没有任何一手来源给出最低要求;仓库公开的是上面那个 3.65 GiB 峰值,以及显存紧张时降低分辨率或改用顺序卸载、CPU 卸载的建议。

不想在本地装环境的话,本站把同一套权重放在网页表单后面:写需求,出海报,省掉部署这一步。

它还做不到什么?

官方资料里没有提到图像编辑或图生图流程,所以应当把它当作文生图模型,而不是修图工具。想只改已有图片里的一行字、其余保持不变,目前没有官方支持的做法。

写错一个字有两种处理,都不是去改像素。大部分字都不对,就重新生成:把要出现的字放进引号,写明每行放在哪,并要求不要加别的字。画面已经对、只错一个词,就在设计工具里盖住那个词再打一遍。精确文字的提示词写法给出了提示词的结构,三次真实出错分别是哪种错。

画面发糊通常是输出尺寸的问题,不是渲染坏了。按上面的 100 万到 200 万像素直接生成,不要先出小图再放大,字也要写大。模糊测试把故意虚化的背景和发糊的字分开了。

文字质量也不是保证。覆盖率是在基准提示词上测的,而我们自己的测试里,同一条提示词两次生成的结果就不一样 —— 重要的图多跑两三张,再逐张校对。许可是 Apache-2.0,但模型仍然继承了训练数据里的偏差。

还可以读这些

来源

最后核实:2026 年 11 月 9 日。

关于 MOSS-Image 的常见问题

MOSS-Image 可以商用吗?

可以。两个模型卡和代码仓库标注的都是 Apache-2.0 许可,允许商用,需要署名,没有按张计费。MOSI 这类托管 API 和本站会另定价格。

该跑 Base 还是 SFT?

生成图片用 SFT:它在精选数据上从 Base 微调而来,文字分组更整齐。准备训练 LoRA 或做全量微调时用 Base,因为它没有后训练和 CFG 蒸馏。

MOSS-Image 能修改已有图片吗?

官方资料写的是文生图和 JSON 版式控制,没有提供编辑或图生图流程。想改图里的一行字,只能用更精确的提示词重新生成。

MOSS-Image 有多大,能跑在哪里?

它是约 50 亿参数的单流扩散 Transformer,配 Qwen3.5-9B 文本编码器和 FLUX.2 VAE。可以在 ComfyUI、Diffusers、自带的 Gradio 界面、SGLang 和 vLLM-Omni 上运行;1024×1024、50 步、低显存模式下峰值约 3.65 GiB 显存。

把脑海中的画面,做出来

你想表达什么?

从一句标题开始,留一点空间,看看它会成为怎样的画面。

进入创作空间