让图像模型做一张海报，几乎人人都遇过同一个坑：插画没毛病，标题却拼成了一串谁也不认识的假字，段落拦腰截断，价格标签漂进产品图里。英文尚且如此，中文更难——一个笔画写错，整个词就变了意思。所以带字的正式设计，开源模型长期以来基本不敢碰。
10月16日，上海的一支团队把这个「不敢碰」变成了「随便下」。由复旦大学自然语言处理实验室、上海创智学院、上海交通大学与模思智能（MOSI.AI）等组成的 OpenMOSS 团队——也就是当年 MOSS 对话模型背后的那批人——正式开源文生图模型 MOSS-Image。它从零预训练，专攻两件不炫技但直接决定商用价值的事：把中英文长段文字画对，把每个元素放在版式规定的位置上。
它到底提供了什么
- 一套 5B 参数的单流扩散 Transformer（DiT）主干，分 Base 与 SFT 两个权重版本，Apache-2.0 协议，可商用、可微调；
- 提示词最长支持 4K token，中英文长文本渲染；
- 原生 JSON 版式输入：每个文字块和元素的坐标、内容都可以显式指定，改坐标、改文字后重新生成，即可完成受控编辑；
- 权重上架 Hugging Face 与魔搭社区，ComfyUI、Diffusers、Gradio、SGLang、vLLM-Omni 全部打通，发布当天即可用。
文字渲染是图像模型的经典弱项。扩散模型靠逐步去噪生成图像，天生不擅长「一笔都不能错」的符号级精确度，中文字符数量庞大，难度更高。MOSS-Image 的做法是把功课做在预训练里：官方技术报告（arXiv 2610.23374）称训练用了约 30 亿张图像，混合常规描述、文字监督与结构化边界框标注，让模型从一开始就知道画面里有些区域是用来「拼写」的。文本编码器用的是 Qwen3.5-9B，图像解码沿用 FLUX.2 VAE。值得一提，训练在异构的替代 GPU 平台上完成，团队未公布具体芯片型号。
评测方面，团队自建了两套基准：长文本渲染基准 LLTB 上，平均文字覆盖率达到 96.3%，为开源权重模型中最高；端到端版式基准 RealLayoutArena 上，共享增强提示的条件下其主干在生成器中排第一，完整系统端到端排第二；结构化布局任务的检测框 mIoU 为 0.8786。注意：这些数字全部来自团队自报，权重虽已公开，第三方独立复测尚未出现。
版式为什么值得单独做成输入格式？因为设计工作的本质不是「画得好看」，而是「各就各位」：标题在哪、主图在哪、免责声明用几号字，都有明确约束。过去这类约束只能靠提示词碰运气，现在变成一份可保存、可复用、可交接的 JSON 文件，设计流程里其他人也能照着改。对电商、出版这类一次生成几百张带字图的场景，可复现比惊艳更重要。
为什么全球读者也该关心
中国开源大模型（大模型）这几年的主线是拼通用能力：更大的混合专家（MoE）架构、更长的上下文、更高的榜单分数。MOSS-Image 走的是另一条路——挑一个痛点明确、有真实收入的细分工作，把它做成开源的默认能力。5B 的体量意味着消费级显卡就能跑：官方低显存模式生成一张 1024×1024 图像峰值不到 4 GiB 显存，社区训练工具 6 GiB 就能起步做 LoRA 微调。对需要本地部署、数据不出门的设计团队，这是实打实的选项。
诚实的局限
- 全部评测数字为厂商自报，尚无独立第三方验证；
- 主干是纯文生图模型，不能输入参考图，也不支持原生图像编辑，结构化改版式是唯一的编辑路径；且模型卡仍将版式提示标注为实验性功能，输出尺寸须为 16 的倍数；
- 提示词增强模块是外部组件，依赖另一个语言模型，部署链路更复杂；
- 团队未公布替代算力平台的芯片与吞吐细节；
- 5B 的体量在摄影质感、复杂姿态上不敌最大的闭源系统，它的优势刻意做窄。
普通人现在能做什么
- 做海报、信息图、电商素材的读者，先用 SFT 版加一份简单 JSON 版式试一张图，再下判断——它和别的开源模型差别最大的地方就在版式输入；
- 想微调的创作者从 Base 版起步，团队专门保留了它方便社区训练 LoRA；
- 开源图像模型的评测多偏英文场景，你自己的语种、自己的排版任务，才是真正该跑的测试。