OpenMOSS 发布开源图像生成模型 MOSS-Image，主打长文本渲染与可编辑布局


**一句话结论：** MOSS-Image 面向的是图像生成中最难交付的一类任务：海报、信息图、漫画、UI 草图和教学材料里同时出现大量文字与多个有明确位置关系的元素。它以 5B 参数的单流 DiT 为基座，从零开始训练，支持最长约 4K token 的提示词、中文和英文长文本渲染，以及可以直接编辑的 JSON Layout。论文报告显示，它在开放权重模型的长文本评测上达到最高水平；在统一增强提示词后，基座生成器的布局偏好得分也超过了被比较的生成器。

### 5B 单流 DiT

从零预训练的图像生成基座，采用 Muon–AdamW 训练配方，并以统一的文本条件通道处理自然语言和结构化 Layout。

### 长文本渲染

保留换行和段落结构，支持中英文长文本；适合标题、说明、对白、表格和信息密集的视觉材料。

### 可编辑布局

用 JSON 描述画布、文本、对象和边界框，控制位置、大小与空间关系，也便于在生成前反复修改版式。

### 开放生态

Base 与 SFT 权重采用 Apache-2.0，提供 Diffusers、Gradio 和 ComfyUI 路径，并支持 LoRA 与全量微调。