MOSS-Image-SFT 开源了：一个能让你用 JSON 摆布局、还带中文手写字提示的 5B 文生图模型

2026年10月18日

复旦系（OpenMOSS）这套 MOSS-Image 系列最近把 SFT 版模型丢上了 Hugging Face，还配了全套的中英用户指南、ComfyUI 插件、Gradio demo 和技术报告。乍看又是一篇开源模型的发布稿，但细看有几个点值得单独拿出来说。

先说最直观的感受：这是 5B 参数的文生图模型，「Base」和「SFT」两个版本都放了权重。SFT 版是监督微调出来的，和 Base 共用同一套架构和推理流程，但示例对比里能看出 SFT 在文字排版上更干净——比如同一张白板场景，SFT 生成的文字分组更清楚。对做图、做海报、做 UI 初稿的人来说，「图上文字不乱」这本身就是刚需，很多模型卡在这一环。

更值得注意的是它的输入方式。它不止接受自然语言提示，还支持标签序列和 JSON 布局两种控制方式。这意味着你可以直接用一个 JSON 描述场景、要渲染的文字、物体和各自的位置，把 bbox 坐标写进去，模型按布局出图。对想要「排版准确」而不是「靠抽卡碰运气」的用户来说，这是实打实的工作流变化——写布局而不是写 prompt。

动手跑起来也不复杂。官方给的 quick start 是 Python 3.10 以上、NVIDIA GPU 加 CUDA，装 diffusers、transformers、accelerate 那一套，DiffusionPipeline.from_pretrained("OpenMOSS-Team/MOSS-Image-SFT", custom_pipeline="pipeline_moss_image", trust_remote_code=True) 就能拉起来。官方示例是一张冰箱贴中文便签图——提示词里就带着手写体中文「记得买牛奶和鸡蛋」，这个例子选得挺有指向性，中文手写文字生成是很多模型翻车的地方，它拿这个当演示。

默认采样参数也给了：Flow-matching Euler 采样器，50 步，CFG 3，Shift 5，负分支在第 22 层跳过，negative prompt 默认空。默认每次用两个 transformer 前向，如果不想要这个可以关掉 uncond_skip_layers=[]。注意 Python API 里图片尺寸必须是 16 的整数倍。模型权重约 5B 参数，transformer 和 text encoder 用 bfloat16，VAE 和初始噪声用 float32，打包的 VAE 用的是 FLUX.2 的小 decoder。license 是 Apache 2.0，对商用开发比较友好。

另外还有一个「Prompt Enhancer」skill，是给 GPT-6 系 agent 用的提示词增强技能，把图像想法转成详细描述或空间布局 prompt，生成紧凑 JSON。它不调用任何生图服务，只是本地工具。也就是说，这套东西从 agent 写布局，到模型按布局出图，串成了一条可配置的链路，不只是单个模型的事。

要说边界：技术报告是挂在 GitHub 仓库里的 PDF，具体 benchmark 数据我还没逐一核过；ComfyUI 的官方仓库集成「还在进行中」，目前要靠 ComfyUI Manager 里搜 MOSS-Image 装原生插件。下载量方面，这个 SFT 模型上月下载 1,036 次，热度还不算高，但也正因为是刚开源的早期，改起来空间大。

对一个要做「文字准确、布局可控」的文生图场景的人来说，这套模型的价值在于把你从「反复抽卡碰运气的 prompt」里解放出来，改成用结构化的 JSON 去摆元素。谁会因此受益？跑 ComfyUI 做流程图的、给产品画 UI 初稿的、想要中文字正确显示的电商素材团队，都值得花半小时试一轮。不过也别指望它一上来就完美——50 步加双前向的默认配置意味着生成不便宜，尺寸限制、agent skill 的成熟度，都还得自己踩坑验证。

如果你动手，官方留了几个入口：Hugging Face 上的 MOSS-Image-Base 和 MOSS-Image-SFT 模型页、ModelScope 上的对应模型、GitHub 仓库（含中文用户指南和 ComfyUI 指南）、Gradio demo，以及那份技术报告 PDF。反正权重免费，Apache 2.0 也没拦着你拿去改，值得下场跑一把看看中文手写这块到底有几分成色。

相关链接