AI AI工具情报站
模型动态OpenMOSS / 复旦NLP / 上海创智 / MOSI(网页)

Image,主打长文本渲染与可编辑布局

📰 OpenMOSS / 复旦NLP / 上海创智 / MOSI(网页)📅 2026-10-28T16:00:00.000Z

核心亮点

OpenMOSS 团队(复旦 SII)于 10 月 29 日发布 MOSS-Image 技术报告与权重。这是一个 5B 参数的开放权重图像生成系统,专攻图像生成中最难交付的一类任务:海报、信息图、漫画、UI 草图与教学材料里同时出现大量文字与多个有明确位置关系的元素。它把"文字和元素应该放在哪里"变成了明确的输入,而不是藏在一句自然语言里。

具体事件经过

MOSS-Image 的基座是一个 5B 参数的单流 Diffusion Transformer(DiT),从零预训练,文本编码器用 Qwen3.5-9B,图像解码用 FLUX.2 VAE;训练数据约 30 亿张图像,并加入多粒度 caption、文字监督与结构化边界框监督。分辨率与上下文长度逐步提升到 1024² 与 4096 tokens,使模型在放大画面细节的同时保留长提示词中的版式约束。

技术细节

它提供两条互补入口:直接自然语言提示适合快速创作;结构化 Layout(用 JSON 描述画布、文本、对象与边界框)适合需要复现与编辑的画面。在此之上还有可选的"意图感知提示增强"(agentic Prompt Enhancement),能把"做一张咖啡店开业海报"这类短请求扩展成可执行的内容与布局规范(文字、字体层级、色板、bbox、锚点、must_not 约束)。评测上,LLTB 长文本 Mean-6 达 96.3(开放权重最高);7Bench 检测框 mIoU 0.8786、Layout AUC 0.7031;RealLayoutArena 端到端 Elo 1698.70(第二)。

与竞品对比

相比 GPT Image 2(RLA Elo 1844)、Ideogram 4 等闭源系统,MOSS-Image 的优势集中在文字密度、中英文渲染、可解释布局与开放部署。Base 与 SFT 权重采用 Apache-2.0,提供 Diffusers、Gradio、ComfyUI 路径,并支持 LoRA 与全量微调——这是闭源 API 做不到的。

行业影响与适用场景

对需要本地部署、可复现版式、或要用自有数据继续训练的团队,MOSS-Image 给出了一条"开放、可检查、可微调"的路。它把文生图从"画得像"推进到"文字准、版式稳",特别适合需要精确排版的营销海报、信息图与 UI 原型场景。