被投企业动态 | 开源四天下载百万,MOSS-Image 登顶 Hugging Face 文生图模型趋势榜!

MOSS-Image 的核心优势主要体现在三个方面：更准确的文字渲染、更可控的画面布局，以及对复杂提示词和多样化视觉风格的支持。

01 更准确的中英文文字渲染

MOSS-Image 面向中英文密集文字生成进行了重点优化，能够在图像中呈现清晰、准确的文本，并保留换行等文字结构信息。

左右滑动查看更多

02 更可控的 Layout 布局生成

在生成包含多元素、复杂排版的图片时，仅通过自然语言描述构图，很难满足精细的布局要求。为此，MOSS-Image 支持通过结构化 JSON Layout 控制文字和视觉元素的位置，为海报、图解等复杂排版场景提供更灵活的控制方式。

开发者可以通过 summary 描述整体场景，通过 items 指定文字、物体及其视觉特征，并使用 Bounding Box（边界框）定义不同元素在画布中的位置与范围。

左右滑动查看更多

03 最长 4K tokens，支持复杂描述与多样化视觉风格

为了支持更复杂的创作任务，MOSS-Image 的文本条件长度最高可达 4096 tokens。对于包含多个主体、复杂空间关系、细致视觉要求的生成任务，开发者可以提供更充分的描述。

在视觉风格上，MOSS-Image 能够生成动漫、插画和照片级写实等不同类型的图像，适用于多样化的创作需求。

左右滑动查看更多

统一文本与图像建模

MOSS-Image 的核心是一套从零预训练的单流扩散 Transformer 架构。

模型采用 42 个联合 Transformer Block，结合冻结的 Qwen3.5-9B 文本编码器与 FLUX.2 VAE，将文本条件与图像潜变量组织到统一的生成架构中。

其中，Qwen3.5-9B 负责提取文本特征，FLUX.2 VAE 负责处理图像潜变量，DiT 则承担扩散生成过程中的核心建模任务。

MOSS-Image System Architecture

MOSS-Image 在 Transformer Block 中采用了多项设计：

• 联合自注意力：用于文本与图像信息的联合建模。

• 共享调制：在模型内部组织和调制条件信息，大幅度减少调制层的冗余参数量。

• SiTU-GLU 前馈层：作为 Transformer Block 中的前馈计算模块，提升长期训练的数值稳定性。

• 4D RoPE：参与模型的位置编码与时空信息表示，并为未来的参考图条件扩展保留相应维度。

数据与训练

除了模型架构，训练数据的组织方式同样影响着图像生成模型的表现。

在训练数据处理上，团队去除了重复样本和 AI 生成图像，同时尽可能保留真实图像的多样性，并对其中的水印、模糊等属性进行标注。

在算力基础设施方面，MOSS-Image 还采用国产 PPU 算力平台进行模型训练，积累了图像生成模型在不同算力架构上的训练与工程适配经验。