MOSS-Image
OpenMOSS开源的文生图模型，专攻文字渲染和版面控制
中英文长文本写到96.3%覆盖，JSON边界框定位置，量化版低显存可跑，ComfyUI原生支持
核心功能
文字渲染
中英文长文本在图里尽量写对、保住换行和排版结构，不是“能看出是个字”就交差。
JSON布局控制
用summary、items、bbox把标题、物体和文字的位置钉死，不靠“左边”“右边”这种自然语言去碰运气。
长提示词
最长4096 tokens，多主体、空间关系和风格描述可以塞进同一段话里，不用为了篇幅删掉关键约束。
量化与加速
INT8、GGUF到4-bit量化都有，社区8步/4步加速LoRA把标准50步流程压下来，低显存卡也能跑起来。
生态接入
Diffusers、ComfyUI、Gradio都有路径，ComfyUI 0.42.0已经原生支持，不依赖第三方插件也能走通。
产品特色
- 01
它把“字写对”这件事从运气变成了可控项
文生图模型写字歪歪扭扭是常态，FLUX.2在LLTB上的文字覆盖率是11.8%，Qwen-Image 2512是64.9%，MOSS-Image报了96.3%。当然这个数字来自作者自建的LLTB基准、作者自己跑的对比，不是第三方审计。但方向是对的：它把每个文字元素配一个边界框，让模型知道“这几个字放在这个框里”，而不是让扩散过程自由发挥。用社区的话说，就是“写字真的准”。
- 02
JSON布局控制比自然语言描述可靠得多
消融实验里JSON layout输入拿到1622.87 Elo，自然语言描述是1506.20，简短指令只有1081.70。差距摆在这里。如果你做过海报或者电商图就知道，“把价格放在左下角”和“bbox=[x1,y1,x2,y2]”之间隔着一整条沟通成本曲线。MOSS-Image把这条曲线压平了，代价是你得愿意写JSON。
- 03
硬件门槛比参数看起来友好，但“能跑”和“跑得舒服”是两回事
4-bit量化版3.35GB左右，RTX 3070 8GB配合ComfyUI低显存模式能跑；社区教程也说4GB显存量化版可以启动。但原生完整流程的权重加起来接近30GB，12GB卡在1024×1280下显存吃到11.5GB，属于“刚好卡住”。A100-40G跑2048×2048要3分21秒、显存38.1GB。它不是轻量模型，量化和加速LoRA才是日常用的打开方式。
- 04
5B的体量换来了LoRA的轻便，但画质不是它的主战场
5B主干意味着微调成本低，社区20张图就能训一个风格LoRA，8到12GB显存配合省内存技巧能跑，1500到4000步几个小时出活。Edit LoRA在发布后几天就出现了，支持一到四张参考图加文本指令做编辑。但画质和“美感”这件事，5B比不过两倍参数的模型，社区评测也直言“画质虽不及Creature 2，但在同量级中综合能力最强”。它赢在文字和布局的准确性上，不是赢在每一张图都让你“哇”。
应用场景
✅ 海报和信息图
标题、价格、日期用JSON把位置定好，让模型在指定区域把字写对，比生成完再进PS贴文字省一道工序。
✅ 电商详情页文案图
卖点、参数、标签分块控制，文字和商品区域各占各的框，减少“字压在产品上”或者“参数挤成一团”的情况。
✅ 中英文双语物料
菜单、活动页、贴纸这类需要两种语言并排的版面，长提示词加bbox能同时约束文字内容和空间关系。
✅ 本地化设计初稿
把品牌名和固定文案放进布局里跑初稿，虽然精细排版还得人调，但至少初稿的文字是可读的、位置是可控的。
✅ LoRA风格定制
20到200张风格一致的图就能训一个专属LoRA，做系列视觉或者个人画风的时候，不用从零微调一个大模型。
常见问题
解答您关于"MOSS-Image"的常见疑问，让您更好地使用这款AI工具
-
Qwen-Image更均衡，文字和美感都不错；FLUX偏欧美风格，局部编辑能力强，但文字渲染在LLTB上的覆盖只有11.8%。MOSS-Image的差异点很明确：中文长文本渲染和JSON布局控制。它不是“全能更好”，是在“图里写字”和“按框摆东西”这两件事上更专注。如果你不需要这两样，它的吸引力会打折扣。
-
不是。这个数字是Mean-6覆盖率，衡量的是文字内容被覆盖的程度，不等于每个字都拼对、排版都完美，也不代表日文或繁体中文的专项准确率。而且基准是作者自建的，对手模型也是作者自己跑的，没有第三方独立复现。把它理解成“在开放权重模型里文字能力明显靠前”是合理的，理解成“不用校对”就过了。
-
量化版可以启动，社区有RTX 3070 8GB和4GB显存量化版的实测路径。但“能跑”和“好用”之间有距离：完整流程的文本编码器本身就不小，量化会损失一些细节，分辨率高了显存还是会吃紧。如果手头是8GB以下的卡，建议先走ComfyUI的GGUF/INT8路线加8步加速LoRA，把预期放在“能用”而不是“流畅”。
-
不需要了。ComfyUI 0.42.0已经原生支持MOSS-Image，CLIPLoader的type下拉里有moss_image选项，布局控制和色彩/深度控制节点也在核心里。第三方插件反而可能因为采样参数冲突（比如shift值不一致）带来问题。升级到新版本ComfyUI，用原生链路是最省事的。
-
需要在本机生成带清晰文字和可控版面的图、又不想完全依赖闭源API的人，匹配度最高。做海报、信息图、电商文案图、双语物料的场景，它的文字和布局能力是实打实的差异点。如果你主要追求画面美感和角色一致性，或者不愿意折腾ComfyUI和量化配置，它可能不是最省心的选择。5B模型加上Apache-2.0，适合愿意动手调的人，不适合只想“打开就出片”的人。
立即体验“MOSS-Image”
MOSS-Image是模思智能与OpenMOSS联合开源的文生图模型，Apache-2.0协议，强项是在图里把字写对、把版面摆对。中英文长文本渲染在自家LLTB上跑到96.3%，支持JSON边界框控制位置，量化版4GB显存能跑，ComfyUI已原生支持。但基准是作者自建自测的，画质不是它的主战场，短提示和冷门角色也不太稳。
