OpenMOSS 开源 5B 文生图模型 MOSS-Image：能用 JSON 指定文字和物体摆在哪
OpenMOSS 团队在 10 月 16 日开源了 5B 参数的文生图模型 MOSS-Image，分 Base 和 SFT 两个版本，权重和推理代码按 Apache 2.0 发布。它主打图中文字渲染（含中文）和版式控制，可以用一段 JSON 写清每行字、每个元素放在画面哪个位置，支持最长 4K token 的提示词，并提供 ComfyUI 插件和给 AI 助手用的提示词增强技能。
据 MOSS-Image GitHub 仓库 的更新记录，OpenMOSS 团队在 10 月 16 日发布了 MOSS-Image-Base 和 MOSS-Image-SFT 两个文生图模型，代码和权重同时公开。SFT 版本是在 Base 基础上用精选数据微调的，官方示例里它排出来的文字分组更清楚、版面更整齐。两者都可以在 Hugging Face 模型页 和魔搭社区下载。
这次开源的主要特点：
- 版式控制：除了普通自然语言描述和标签串，还能直接把一段 JSON 当提示词，用坐标框写明标题、正文、插图分别放在画布哪个区域，适合海报、封面这类对排版有要求的图；改 JSON 里的文字或框的位置，就能有针对性地调整画面；
- 图中文字渲染：官方把清晰准确地生成图内文字列为卖点，示例就是让模型在冰箱便利贴上手写三行中文购物清单；
- 长提示词：单条提示词最长支持 4K token，复杂画面可以一次写细；
- 体量较小、方便微调：主干只有 5B 参数，官方说可以在 Gradio 里切换显存模式来适配显存不够的显卡，也给了 LoRA 训练指南；默认采样 50 步，出图速度不算快；
- 工具链：仓库自带原生 ComfyUI 插件，可在 ComfyUI Manager 里搜索安装；另有一个提示词增强技能，能让 AI 助手把一句想法扩写成详细描述或带坐标的版式 JSON；
- 许可：模型权重和配套推理代码按 Apache 2.0 发布，这一许可本身允许商用。
对创作者意味着什么： 做小红书封面、公众号头图、知识卡片这类图文内容的人，最头疼的往往是 AI 图里的字写错、位置乱。MOSS-Image 把「字写什么、放哪里」交给结构化描述来控制，又是可本地部署的开源模型，适合有 N 卡、会用 ComfyUI 的创作者或小团队搭自己的封面流水线。不过它需要一定的部署门槛，官方也没有给出明确的显存要求，建议先在 Hugging Face 上的在线演示里试几张，再决定是否本地部署；生成的文字仍要逐字核对，商用前也请再看一遍模型页上的许可说明。
信息来源：MOSS-Image GitHub 仓库（本文为编辑整理改写）
