AI画图终于不用抽卡了

这个僵局，最近几天松动了。

一、这两天圈里在传的一个模型

一个叫 MOSS-Image 的开源文生图模型，模思智能和 OpenMOSS 团队做的，主干只有 5B。开源四天，海内外下载量破百万，直接登顶 Hugging Face 文生图趋势榜。11 月 3 日，硅基流动也上线了它。

最初我以为又是一次"榜单刷屏"。但这轮讨论里有句话让我停下来多看了两眼——大家争的不是"画得多好看"，而是"终于不像 AI 画的了"。

这两件事，差得挺远。前者是审美，后者是病根。

二、它主要动了三个地方

1. 先把"AI 味"从训练数据里剔掉

圈子里的一个说法：现在越来越多模型拿 AI 生成的图去训练，练出来的东西就慢慢带上同一种"味"——过分精致的皮肤、糊成一片的发丝、塑料质感的衣褶。数据在循环喂养自己。

MOSS-Image 在数据环节做了件反着来的事：训练集里把 AI 生成图剔出去，只留真实图像，还顺手标注了水印、模糊这类属性。

所以它给人的第一印象不是"更漂亮"，是"更不塑料"。皮肤保留细纹和毛孔，头发边缘不整齐，布料褶皱不是熨过的。

2. 构图可以用坐标"框死"

这是我觉着最实用的部分。它支持结构化 JSON 布局加边界框，你可以直接告诉它每个元素的位置和范围：

官方数据：7Bench 布局评测里，目标定位 mIoU 0.88（坐标基于 1200×672 画布）。

以前你要说"标题在左上、人物在右侧、右下角留 200 像素放二维码"，全靠自然语言磨，磨十遍它还是给你居中。现在它是真的按坐标摆。

把"感觉"变成"坐标"，设计才谈得上被交付

3. 长提示词吃得下

支持最长 4096 tokens 的文本条件。这意味着你不用再把一个想法压缩成五个关键词，可以把主体、空间关系、文字内容、镜头语言、质感一次写完。下面这段可以直接抄去改：

一个不太显眼但很重要的变化：社区有人反馈，这代模型对长描述遵循更好，堆一长串 lowres, bad anatomy, worst quality 的负面词反而会干扰它。你不需要再背提示词公式了，你需要把话说清楚。

三、但先别急着换工具

泼点冷水，四条：

• 慢。
  官方默认 50 步，社区在做 8 步、4 步的加速版，但还在测试，不是开箱即用。
• 画风会飘。
  有开发者明确指出某些风格下稳定性还不够。要做高度统一的系列图，LoRA 该压还是得压。
• 文字渲染别全信。
  "中文长文本覆盖率 96.3%"衡量的是"该出现的字有没有出现"，不等于逐字正确。海报、包装这种要交付的活，出图后一个字一个字核。
• 榜单数字多是自测。
  RLA 真实设计盲评里它 Elo 1698.70，排第二，仅次于 GPT Image 2——成绩漂亮，但当参考，别当定论。

所以现在的选型很清楚：做商业海报、电商主图、带字的封面，它顺手；做高度风格化的系列创作，SD 那套 LoRA 生态还是更成熟。工具之间不是替代关系，是分工。

四、真正值得注意的，不是这一个模型

把最近一个月的事排在一起看，会发现一件更有意思的事：

10 月 6 日，Google 的 Nano Banana 2.1 上了 "Thinking" 模式——落笔之前先推理，先拆主标题、副标、图表、版权说明的视觉权重层级。Krea 2 学会了 boxed layouts。11 月 2 日，商汤的 SenseNova 6.8 Flash 把设计生成铺到了 SVG、Three.js、Blender，还能接 Figma 工作流。

四家，做法不同，方向一致：从"生成"走向"控制"。

左边是反复抽卡的废稿，右边是能被描述、被复现的那一张

过去两年，AI 绘画的进步主要在"像不像"。接下来这两年的竞争，在"听不听话"。对做创作的人来说，这是好事——因为"像"是模型的能力，而"听话"才把决定权还给你。

· · ·

我常被问：AI 会不会取代画师。

这两年我的答案越来越简单：它取代不了审美，只取代"手"。

工具换代，换的其实是"手"这部分的成本——从把参数调到凌晨三点，到把想法说清楚。真正稀缺的从来不是会不会调 CFG、会不会挂 ControlNet，是你知道那张图该长什么样，以及为什么该长那样。

那些熬到深夜的班，希望以后能少一点

所以这次更新真正让人高兴的地方，不是"又能出好看的图了"。

是你终于可以把力气，花在想上，而不是花在猜上。