开源发布后，MOSS-Image 很快迎来全球开发者的接力。截至2026年10月24日，其在 Hugging Face 的 Comfy-Org 分发仓库下载量突破 200万次；围绕模型，微调、蒸馏加速、编辑适配与跨平台部署等社区探索陆续展开。一个开放模型，正在成为更多人继续创新的起点。
10月16日，上海创智学院 OpenMOSS 团队开源 MOSS-Image。这款由博士生主导推进、依托国产 PPU 算力开展预训练的图像生成模型，将突破重点放在 中英文长文本渲染、原生布局控制与真实图文设计 上：不仅生成画面，也让文字与版面成为可控制的创作对象。
一、一次开源，长出一个生态：社区影响持续扩展
MOSS-Image 开放代码与模型权重，使开发者能够下载、微调和部署，并围绕自身需求继续改进。模型的热度，正在转化为可复用的工具、工作流与社区衍生成果。
为了培育更有活力的开源生态，MOSS-Image 此次不仅提供面向使用的 SFT 版本，也开放了预训练 Base 模型。 两者的价值有所不同：SFT 版本面向经过进一步优化的生成体验，Base 则把更接近预训练阶段的模型底座交到社区手中，为继续训练、全参数微调和不同方向的后训练研究提供起点。
开放 Base，也是更深一层的开放选择。相比只提供接口或经过后训练的模型，Base 权重让外界能够更直接地研究预训练形成的能力与局限，并观察训练配方在模型行为中留下的效果。这涉及企业对技术积累与竞争壁垒的权衡，因此 开放 Base 往往比开放成品模型需要更大的开放意愿。需要区分的是，开放权重并不等于公开全部训练数据、代码或完整训练细节。
MOSS-Image 希望交给社区的，不只是一个“可以用”的模型，更是一个“可以继续创造”的起点。 开发者可以据此探索自己的数据、训练方法和应用方向，让更多衍生模型与工具在同一个开放底座上生长。
海外社区对MOSS-Image也是好评如潮。
截至10月25日，MOSS-Image吸引了开源社区的极大二次开发热情。Base 与 SFT 已衍生出众多社区贡献的适配器、微调和量化版本：Base 对应 37个适配器、36个微调版本、12个量化版本和27个在线 Space；SFT 对应 37个适配器、17个微调版本、41个量化版本和45个在线 Space。
围绕开放权重，社区探索正沿着多个方向展开：
模型再训练：开发者 lodestones 基于 Base 推出全参数微调模型 Kromoss，并发布加速适配器，让基础模型成为再创新的起点。
少步数生成：社区推出8步蒸馏项目与4步生成适配器，探索降低推理步数、提升使用效率。
图像编辑与角色参考：Ostris 等开发者及社区项目探索编辑 LoRA、参考图接入与角色一致性创作。这些属于社区扩展，不等同于原始文生图模型已原生具备全部编辑能力。
跨平台部署与训练：stable-diffusion.cpp、MLX 移植和第三方训练工具持续拓展模型的使用方式，连接不同计算环境与定制训练需求。
从生成模型到适配工具，再到社区衍生版本，开源使研究成果不止停留在一次发布，而成为持续建设的起点。可定制、可部署、可再训练，也是 MOSS-Image 面向开发者的重要价值。
二、社区关注的背后：文字、布局与真实设计三项优势
一张海报，画面好看只是第一步。标题能否准确呈现，长段说明会不会漏字，文字与插图能否落在指定位置，才决定它能否真正用于信息表达。
根据团队发布的技术报告，MOSS-Image 在长文本评测中取得 96.3% 的平均文本覆盖率，在参评开放权重模型中领先；在涵盖海报、信息图和用户界面的 RealLayoutArena 评测中，加入提示词增强的完整系统仅次于 GPT-Image2；使用共享增强提示词时，其生成骨干排名第一。
文字更完整 · 布局更可控 · 开放权重可再创新
从“生成一张好看的图”，走向“生成一张能承载完整信息的图”。
先看四个关键结果：
96.3%：LongLongTextBench 平均文本覆盖率，参评开放权重模型中领先。
31.4 个百分点：上述指标相对 Qwen Image 2512 的提升。
仅次于 GPT-Image2：RealLayoutArena 端到端系统评测中，MOSS-Image（含提示词增强）的表现。
共享提示词第一：同一评测中，在共享增强自然语言提示词条件下的生成骨干排名。
（一）优势一：不只写对几个字，更能承载中英文长文本
对于知识白板、活动海报和信息展示，模型需要处理的不只是一个短标题，而可能是一整段说明。随着文本变长，漏字和内容缺失会直接影响图像的可用性。
为考察这一能力，团队提出 LongLongTextBench（LLTB），包含240个中英文长文本任务，覆盖短、中、长三个长度档位。每个模型、每个任务生成4张图像，全部计分，而非从中挑选最好的一张。
LLTB 平均文本覆盖率 | MOSS-Image | Qwen Image 2512 |
英文与中文六个分组的平均值 | 96.3% | 64.9% |
MOSS-Image 高出31.4个百分点。 在更长文本分组中，英文长文本覆盖率为 97.1%，中文长文本覆盖率为 92.4%。论文报告，其平均成绩在参评开放权重模型中领先。
这项优势的实际意义是：当文字成为画面的主要信息载体时，MOSS-Image 更有能力保留需要传达的内容，让长文案与插图、背景共同构成完整表达。
（二）优势二：不仅能理解构图，也能接收明确的位置安排
图文设计的难点，还在于“把正确的内容放在正确的位置”。仅用一句自然语言描述上下左右，往往难以表达标题区、主体区与说明区之间的具体关系。
MOSS-Image 支持 原生布局控制：用户可以通过结构化提示词，分别指定物体、文字和边界框位置，把整体创意进一步拆解为元素级的空间安排。制作海报时，可以预先确定顶部标题、中央主体与底部说明；制作信息图时，可以安排多个信息区域的大小与相互关系。
在论文报告的 7Bench 布局评测中，MOSS-Image 的检测到目标对象平均交并比（mIoU_det）为 0.88，Layout AUC 为 0.70；作为对照，Ideogram 4 对应为 0.44 和 0.20。两项指标均为越高越好，论文报告 MOSS-Image 在参评模型中领先。
这让“我要怎样的版面”不再只能依靠模糊描述，而可以转化为更明确的生成条件。 模型同时支持最长 4K tokens 的提示词输入，为详细文案、场景要求和构图约束留出表达空间。
（三）优势三：面向真实图文设计，与主流闭源系统同场比较
长文本与布局控制最终要服务于实际任务：一句“做一张活动海报”，能否变成内容完整、文字可读、版面协调的设计？
团队构建的 RealLayoutArena（RLA） 包含61个任务，覆盖海报、信息图和用户界面，通过匿名成对人类偏好评测，综合考察指令遵循、内容完整性、文字可读性和视觉组织。
在端到端系统比较中，MOSS-Image 将图像生成骨干与意图感知的提示词增强模块结合，把简短需求转化为更详细的内容和布局规格。论文报告的部分参评系统成绩如下：
端到端系统 | RLA Elo 评分（越高越好） |
GPT-Image2 | 1844.35 |
MOSS-Image + Layout PE | 1698.70 |
Seedream 5.0 Pro | 1661.16 |
Qwen Image 3.0 Pro with PE | 1614.84 |
Nano Banana Pro | 1590.19 |
在该组端到端评测中，MOSS-Image 仅次于 GPT-Image2，评分高于上述其他参评系统。 这说明，在文字与布局密集的设计任务中，开放图像生成系统已经展现出与主流闭源系统竞争的能力。
为了进一步考察生成骨干本身，论文还进行了另一组比较：让不同生成器使用 共享的增强自然语言提示词，不再各自追加提示词增强。此时，MOSS-Image 以 1807.34 的 Elo 评分排名第一，ERNIE Image 与 SenseNova-U1 分别为1748.51和1689.23。
两组实验回答了不同的问题：前者考察“从简短需求到成品”的完整系统，后者考察“拿到同一份详细要求后，谁能更好地画出来”。MOSS-Image 的竞争力，不仅来自需求规划，也体现在生成骨干对详细内容与版面要求的执行能力上。
三、国产 PPU 预训练：让模型研究与计算平台协同推进
MOSS-Image 的生成骨干是一款 50亿参数的单流扩散 Transformer（DiT），依托国产 PPU 算力从零开展预训练。这里的50亿参数指生成骨干，不包含冻结的文本编码器与图像自编码器。
基础模型研发不仅需要算法，也需要数据、训练系统与计算平台的共同支撑。在国产算力环境中完成预训练，让参与学生有机会在真实任务中理解模型方法与计算系统之间的联系，积累从研究设计到工程执行的完整经验。
这项实践的价值，不只是“把模型训练出来”，更在于把模型研发与国产计算平台一起跑通，为后续研究、部署与应用探索积累基础。
四、博士生主导：在真实研发任务中连接科研与人才培养
MOSS-Image 由创智博士生为主的学生团队主导推进。在上海创智学院全时导师邱锡鹏教授指导下，数据、AI Infra、模型算法、训练系统、推理部署与应用适配等方向的同学和企业研发人员共同参与，把学术探索与完整工程链路连接起来。
学生作者包括 12名在读博士生：徐哲、朱影、章之禹、张文擘、李睿潇、张奕洋、梁天一、罗尹泽、吴乾奕、赵奕伟、陈千、张浩威；1名硕士生余东桦，以及 1名本科生章腾岳（创智预录取）。不同培养阶段、不同专业方向的成员围绕数据、AI Infra、模型训练与工程实现协同推进。
模思智能是依托 OpenMOSS 团队孵化的 AI 企业，与上海创智学院共同构建研创学生态，推动联合培养与研发协作，让博士生、硕士生、本科实习生与企业研发人员围绕共同目标形成研究合力。
对学生而言，参与基础模型研发，意味着将研究想法放进完整系统中检验，并通过模型发布、工具适配和社区反馈，理解科研成果从实验走向应用的过程。开源则让这一过程延伸到全球开发者的交流与共同建设之中。
把长文字写完整，把复杂版面安排好，把模型能力开放给更多人继续创造。 MOSS-Image 展现的不只是图像生成能力的进步，也是上海创智学院将前沿科研、人才培养与产业协作相结合的一次实践。
● 项目入口与评测来源
技术报告：MOSS-Image Technical Report，arXiv:2610.23374v1，2026年10月16日提交。
项目主页：MOSS-Image
GitHub：OpenMOSS/MOSS-Image
Hugging Face：Base｜SFT
ModelScope：Base｜SFT
在线体验：Hugging Face Space
