产品定位
MOSS-Image 是 OpenMOSS 于 2026-10-16 开源的文生图模型，OpenMOSS 属于上海人工智能实验室体系，采用 Apache-2.0 许可，代码与权重全部公开。它定位为兼顾布局控制、中英文文字渲染和长提示词理解的开源文生图基础模型，采用 5B 参数单流扩散 Transformer，面向希望在日常生成、二次训练和社区插件生态中使用可控文生图能力的用户。

核心功能
MOSS-Image 支持原生布局控制，用户可以在提示词里直接用 JSON 边界框 bbox 指定文字和图形元素的位置。它的中英文文字渲染较准确，官方称在 LongLongTextBench 上拿到 96.3 分，在 RealLayoutArena 上 Elo 为 1698.70，均为厂商自测。模型支持最长 4K token 的超长提示词，并提供 MOSS-Image-Base 预训练版和 MOSS-Image-SFT 监督微调版，前者适合 LoRA 微调和二次训练，后者适合日常文生图开箱使用。

技术特点
MOSS-Image 采用 5B 参数、42 层的单流扩散 Transformer，运行在 FLUX.2 的 latent 空间里，文本编码器使用冻结的 Qwen3.5-9B，VAE 使用 FLUX.2 VAE。推荐采样参数为 flow-matching Euler、50 步、CFG 3、shift 5、第 22 层跳层引导，分辨率范围为 1M 到 2M 像素。5B 的小体量让它在消费级显卡上也能运行，开源社区已出现 8 步加速 LoRA，便于降低推理成本。

适用场景
日常文生图可直接使用 MOSS-Image-SFT，文字分组和版面更整齐；需要做 LoRA 微调或二次训练时可选 MOSS-Image-Base。它适合海报、信息图、带文字排版的设计稿、长提示词复杂画面和需要指定元素位置的布局生成任务。生态方面已提供 ComfyUI 原生插件，可在 ComfyUI Manager 搜索安装，并提供 Gradio 界面、Hugging Face Spaces 在线 Demo、ModelScope 国内镜像以及官方提示词增强 skill，方便把创意转成 Layout 结构化提示词。