国产5B生图模型MOSS-Image开源爆火：主打自然画风与精准布局控制
2026/10/23 16:50阅读量 1
由模思智能和OpenMOSS团队开源的5B参数生图模型MOSS-Image在海外社区迅速走红，上线4天下载量超130万。该模型通过剔除AI生成训练数据以摆脱“AI味”，并在文字渲染、JSON结构化布局控制和长Prompt支持方面表现突出。目前社区已涌现出加速版、量化版及多种风格LoRA，API也已同步上线。
事件概述
由模思智能（Mosi Intelligence）和OpenMOSS团队联合开源的图像生成模型MOSS-Image在海外AI社区引发广泛关注。该模型基于5B参数的DiT（Diffusion Transformer）主干架构，上线仅4天便在Hugging Face等海外平台收获超过130万次下载，GitHub获得1.4k Stars，并登顶文生图趋势榜。
核心技术与能力亮点
MOSS-Image在技术设计上重点解决了复杂视觉设计任务中的可控性问题，主要具备以下三大核心能力：
- 高质量文字渲染：针对密集中英文文本进行优化，能保留换行等结构信息。在Long Long Text Benchmark (LLTB)评测中，其Mean-6文本覆盖率达到96.3%，位列参评开放权重模型第一。
- 结构化布局控制：支持通过JSON Layout输入，用户可明确指定物体、文字的位置（Bounding Box）及视觉特征。在7Bench布局控制评测中，取得0.88的目标定位mIoU和0.70的布局AUC。在RLA真实设计盲评中，其Elo点估计达到1807.34，在统一增强提示词组别中领先ERNIE Image和SenseNova U1。
- 长Prompt支持：支持最长4096 tokens的文本条件输入，结合结构化Layout，提高了对复杂主体、空间关系及镜头语言的描述精度。
架构与训练细节
- 模型架构：采用从零预训练的单流扩散Transformer架构。核心DiT主干为5B参数，结合冻结的Qwen3.5-9B文本编码器与FLUX.2 VAE。
- 数据处理：团队对训练数据进行了去重和质量筛选，特意剔除了AI生成的图像，旨在保留真实图像的多样性，从而减少输出画面的同质化“AI味”。
- 算力支持：模型训练采用了国产PPU算力平台。
社区反响与生态发展
开源后，开发者社区反应迅速，衍生工具链快速完善：
- 效率优化：出现了8步DMD加速方案（Lodestone）及4步生成方案（Rapid-MOSS），显著降低推理步数。
- 部署适配：INT8量化、GGUF格式、MLX权重等多版本陆续发布，SGLang、vLLM-Omni等推理框架也在Day 0完成适配。
- 风格扩展：社区开始训练涵盖手机摄影、动漫、像素艺术等多种风格的LoRA模型。
- 应用集成：MOSS-Image API已正式上线，同时模思智能推出了桌面端语音助手MosMos，支持语音交互调用模型。
背景信息
此次开源前，模思智能于10月12日宣布完成超10亿元人民币Pre-A轮融资，由华控基金领投。除MOSS-Image外，MOSS系列在语音（TTS累计下载破300万）、视频理解等领域已有多个模型发布，近期还将推出全双工实时交互系统MOSS-Live及新一代语音合成模型MOSS-TTS 2.0。