5B 的 MOSS-Image 把海报上的中文写对了，代价是它不会改图

十月中旬，一个叫 MOSS-Image 的开源模型在几个中文技术群里传开。传的理由很朴素:它能把海报上的中文字写对。

这话听起来像在夸一个成年人会用筷子。但只要你做过海报、信息图、电商详情页，就知道这有多难。过去两年，我们习惯了这样的流程:让模型出图，然后打开修图软件，把模型写歪的字一个个盖掉重打。模型负责画，人负责写字，分工明确。

MOSS-Image 想改的就是这个分工。它来自 OpenMOSS 团队(复旦大学 NLP 与上海创智等)，5B 参数，单流 DiT 架构，从零预训练，权重用 Apache-2.0 放出来。

它到底把什么做对了

官方给出的评测里，最值得看的是长文本渲染。测试集是中英文各 120 个任务，平均目标文本长度约 1339.8 个字符，评分指标 Mean-6 拿到 96.3。这个分数在开源权重模型里是新高。所谓"长文本"，不是写个标题四个字，而是一整段话，还得保住换行和段落结构。

第二块是布局。它支持结构化的 JSON Layout 输入:你把画面拆成 summary 和 items，每个元素给出类型、描述、文字内容、以及一个 bbox 坐标框，模型按这个框去摆。在这个任务上，检测框的 mIoU 是 0.8786，整体布局 mIoU 是 0.6788。翻译成人话:元素大致能落在你指定的位置，但整体构图还做不到像设计软件那样精确。

第三块是提示词长度。它接受最长约 4K token 的提示词。这个数字对写海报的人意义重大，因为一张信息图的描述本来就长:主标题什么字体感觉、副标题什么层级、色板几号色、左下角放什么图标。以前要把这些压缩成一句话，现在可以直接写。

装起来不难，难的是它不肯改图

跑起来的方式很普通。克隆仓库，建虚拟环境，装依赖，然后调 Gradio 或直接写 Python:

克隆下来建好环境装完依赖，pip install -e '.[ui]' 之后跑 python gradio_app.py --model OpenMOSS-Team/MOSS-Image-Base 就有界面。Python 侧用 Diffusers 的 custom_pipeline 加载，采样默认是 Flow-matching Euler、50 步、CFG 3、shift 5，并且在第 22 层做负分支跳层。显存不够可以切到 Sequential 模式，代价是慢。

真正的问题在这里:它是纯文生图模型。不能接参考图，没有原生编辑能力。你想"把这张海报的标题换一下"，做不到，只能重新生成一张。提示增强模块也要靠外部语言模型来扩写，模型自己不干这件事。

这不是小缺陷。做物料的人，八成时间花在改图而不是出图:客户说 logo 放大两毫米，法务说那句宣传语要删掉，运营说这个 SKU 的颜色不对。一个只能从零生成的模型，等于把这些人锁在"重新抽卡"的循环里。抽出来的第二张，构图又变了。

所以在实际工作流里，它更像一个"起点生成器":用它把版式和文字一次性做对，导出，再进设计软件微调。这已经比过去省事，但它不是终点。

96.3 分是在什么条件下拿到的

这里要说清楚，免得被数字带着走。96.3 是在一个特定评测集上、用特定指标算出来的，目标文本平均 1339 个字符。它证明的是"在这个长度区间、这类版式任务上，它的文字准确度领先开源同行"，不等于"任意长度的中文文案都不会错"。

另外，官方在模型卡里自己写了边界:backbone 是纯文生图，不能接收参考图或执行原生编辑，提示增强依赖外部 LLM。这种主动交代边界的态度，在开源模型里不算常见，值得记一笔。

社区已经开始补它的短板

发布不到两周，社区动作挺快。DiffSynth-Studio 支持了 Base 和 SFT 两个版本的全量微调与 LoRA 训练。有人做了 DeBand LoRA，专门压 SFT 版本里那种纵向色带，同时说明"压条纹会改变细节"这个取舍。还有人做了 8 步 DMD 蒸馏版，配 ComfyUI 的 LoRA 适配器。

这三件事凑在一起，说明它被当成了"底模"而不是"成品"。有人愿意在它上面训 LoRA、做蒸馏，比发布时冲上多少 star 更能说明它的实际价值。

至于选 Base 还是 SFT:官方给的对比例子里，SFT 的文字分组更清楚、白板版式更整齐。做海报和信息图直接上 SFT，想自己微调就从 Base 开始。

谁应该现在就用它

如果你的活是批量产出中文海报、课程信息图、公众号长图、菜单、说明牌，而且有本地显卡，那它值得花一个下午试。这类需求的特点是版式固定、文字多、要求可复现，正好是它的强项。

如果你的活是修图、换背景、把已有照片改成某种风格，那就别折腾了。它做不了，或者说做得比你现有工具更费劲。

文档链接和权重都在 HuggingFace 与 ModelScope 上，Apache-2.0 许可，商用没太多顾虑。真正需要提前想清楚的是显存和流程:Sequential 模式能救小卡，但会把"快速试错"变成"泡杯茶等一等"。