OpenMOSS 開源 MOSS-Image：50 億引數文生圖，支援精準佈局與文字渲染

MOSS-Image 是 OpenMOSS 開源的一款 50 億引數文生圖模型，核心賣點就是輕量、能畫精準構圖，而且能在圖片裡工整地寫字。

專案採用極度寬鬆的 Apache 2.0 許可證，程式碼和模型權重全部公開，商用也沒有限制。

它能做什麼

大多數開源文生圖模型很難精準控制畫面元素的位置，文字渲染也經常變成亂碼。MOSS-Image 重點解決了這兩個痛點。

它支援類似 Krea 的佈局控制功能。你可以在畫布上直接畫出邊界框，指定哪裡放角色、哪裡放背景道具，模型就會嚴格按照框定的空間去生成畫面，不會互相打架。

它的文字渲染表現很紮實，不僅能生成英文招牌，還能處理便籤上的手寫中文短句。配合最長 4K token 的長提示詞支援，它很適合用來畫漫畫分鏡、流程示意圖、資訊圖表以及遊戲概念場景。

畫風覆蓋面很廣，無論是日系動漫還是照片級寫實風格都能駕馭。油管評測者甚至認為它在開箱即用和內容自由度上的表現明顯好於 Flux 3。

不過它目前有一個明確短板：只支援純文本生成圖片，暫時無法像一些多模態模型那樣，通過自然語言對話去直接修改已經生成的圖片。

硬體門檻與部署方式

MOSS-Image 是基於 DiT 架構設計的，體積控制得相當緊湊，Transformer 核心權重僅約 10GB，對視訊記憶體非常友好。

官方一次性放出了兩個版本。MOSS-Image-Base 適合開發者拿去繼續做全量微調；日常直接出圖的使用者選 MOSS-Image-SFT 即可，這是經過監督微調的版本，畫面質感和審美水平更好。

生態適配來得很快。它在釋出當天就打通了 ComfyUI 原生支援，不需要裝第三方外掛，更新 ComfyUI 後載入權重就能跑。它同時相容 vLLM-Omni 和 SGLang 推理加速。

微調門檻也很低。社群工具 KohakuMossTrainer 支援混合精度和 CPU 解除安裝，最低只要 6GB 視訊記憶體就能訓練 LoRA 適配層，Windows 和 Linux 都能跑。

如果你不想本地折騰，也可以直接在 MOSI API Platform 的 Playground 裡線上試玩，或者呼叫 API 接入自己的流程。

為什麼重要

對於個人插畫師、漫畫作者和獨立遊戲開發者來說，MOSS-Image 是目前少有的低門檻生產力工具。它把原本需要複雜 ControlNet 外掛才能實現的構圖定位，變成了模型原生的方框佈局，極大降低了排版控制的難度。

我們認為它的聰明之處在於務實剋制。它沒有盲目追求上百億的大引數量，而是把 50 億引數的能耐集中在構圖、文字渲染和輕量推理上，讓主流消費級顯示卡也能流暢出圖和微調。

它的主要短板在於缺乏影像編輯與多輪修改能力。如果你需要頻繁墊圖精修，它目前還替代不了成熟的工作流；但在構圖草稿和帶字資訊圖的初始生成上，它絕對值得立刻下載跑一跑。