5B 的 MOSS-Image 把海報上的中文寫對了，代價是它不會改圖

十月中旬，一個叫 MOSS-Image 的開源模型在幾個中文技術群裡傳開。傳的理由很樸素：它能把海報上的中文字寫對。

這話聽起來像在誇一個成年人會用筷子。但只要你做過海報、資訊圖、電商詳情頁，就知道這有多難。過去兩年，我們習慣了這樣的流程：讓模型出圖，然後打開修圖軟體，把模型寫歪的字一個個蓋掉重打。模型負責畫，人負責寫字，分工明確。

MOSS-Image 想改的就是這個分工。它來自 OpenMOSS 團隊（復旦大學 NLP 與上海創智等），5B 參數，單流 DiT 架構，從零預訓練，權重以 Apache-2.0 釋出。

它到底把什麼做對了

官方給的評測裡，最值得看的是長文本渲染。測試集是中英文各 120 個任務，平均目標文本長度約 1339.8 個字元，評分指標 Mean-6 拿到 96.3。這個分數在開源權重模型裡是新高。所謂「長文本」，不是寫個標題四個字，而是一整段話，還得保住換行和段落結構。

第二塊是版面。它支援結構化的 JSON Layout 輸入：你把畫面拆成 summary 和 items，每個元素給出類型、描述、文字內容，以及一個 bbox 座標框，模型按這個框去擺。在這個任務上，偵測框的 mIoU 是 0.8786，整體版面 mIoU 是 0.6788。翻成白話：元素大致能落在你指定的位置，但整體構圖還做不到像設計軟體那樣精確。

第三塊是提示詞長度。它接受最長約 4K token 的提示詞。這個數字對寫海報的人意義重大，因為一張資訊圖的描述本來就長：主標題什麼字體感覺、副標題什麼層級、色票幾號色、左下角放什麼圖示。以前要把這些壓縮成一句話，現在可以直接寫。

裝起來不難，難的是它不肯改圖

跑起來的方式很普通。複製儲存庫，建虛擬環境，裝相依套件，然後呼叫 Gradio 或直接寫 Python：

複製下來建好環境裝完相依套件，pip install -e '.[ui]' 之後跑 python gradio_app.py --model OpenMOSS-Team/MOSS-Image-Base 就有介面。Python 這一側用 Diffusers 的 custom_pipeline 載入，取樣預設是 Flow-matching Euler、50 步、CFG 3、shift 5，並且在第 22 層做負分支跳層。VRAM 不夠可以切到 Sequential 模式，代價是慢。

真正的問題在這裡：它是純文字生圖模型。不能接參考圖，沒有原生編輯能力。你想「把這張海報的標題換一下」，做不到，只能重新生成一張。提示增強模組也要靠外部語言模型來擴寫，模型自己不幹這件事。

這不是小缺陷。做物料的人，八成時間花在改圖而不是出圖：客戶說 logo 放大兩毫米，法務說那句宣傳語要刪掉，營運說這個 SKU 的顏色不對。一個只能從零生成的模型，等於把這些人鎖在「重新抽卡」的迴圈裡。抽出來的第二張，構圖又變了。

所以在實際工作流裡，它更像一個「起點生成器」：用它把版面和文字一次做對，匯出，再進設計軟體微調。這已經比過去省事，但它不是終點。

96.3 分是在什麼條件下拿到的

這裡要說清楚，免得被數字帶著走。96.3 是在一個特定評測集上、用特定指標算出來的，目標文本平均 1339 個字元。它證明的是「在這個長度區間、這類版面任務上，它的文字準確度領先開源同行」，不等於「任意長度的中文文案都不會錯」。

另外，官方在模型卡裡自己寫了邊界：backbone 是純文字生圖，不能接收參考圖或執行原生編輯，提示增強依賴外部 LLM。這種主動交代邊界的態度，在開源模型裡不算常見，值得記一筆。

社群已經開始補它的短板

發布不到兩週，社群動作挺快。DiffSynth-Studio 支援了 Base 和 SFT 兩個版本的全量微調與 LoRA 訓練。有人做了 DeBand LoRA，專門壓 SFT 版本裡那種縱向色帶，同時說明「壓條紋會改變細節」這個取捨。還有人做了 8 步 DMD 蒸餾版，配 ComfyUI 的 LoRA 適配器。

這三件事湊在一起，說明它被當成了「底模」而不是「成品」。有人願意在它上面訓 LoRA、做蒸餾，比發布時衝上多少 star 更能說明它的實際價值。

至於選 Base 還是 SFT：官方給的對比例子裡，SFT 的文字分組更清楚、白板版面更整齊。做海報和資訊圖直接上 SFT，想自己微調就從 Base 開始。

誰應該現在就用它

如果你的活是批量產出中文海報、課程資訊圖、公眾號長圖、菜單、說明牌，而且有本地顯示卡，那它值得花一個下午試。這類需求的特點是版面固定、文字多、要求可重現，正好是它的強項。

如果你的活是修圖、換背景、把既有照片改成某種風格，那就別折騰了。它做不了，或者說做得比你現有工具更費勁。

文件連結和權重都在 HuggingFace 與 ModelScope 上，Apache-2.0 授權，商用沒太多顧慮。真正需要提前想清楚的是顯示記憶體和流程：Sequential 模式能救小卡，但會把「快速試錯」變成「泡杯茶等一等」。