MOSS-Image 問世了：OpenMOSS 推出一款 5B DiT，能在提示詞中接收邊界框

MOSS-Image 發布背後有個尷尬的細節：目前關於它最響亮的說法，其實還不完全成立。10 月 17 日，vLLM 自家帳號祝賀 OpenMOSS 團隊開源發布，並表示「很榮幸能在 Day 0 就以 vLLM-Omni 支援 MOSS-Image」。但真正把該模型加入該執行環境的 pull request——[Model] 以 SLG 新增 MOSImage 文字轉圖像，橫跨 25 個檔案、新增 3,605 行——是在 10 月 14 日開啟的，至今仍處於開啟狀態，審閱者還要求提供相對於已固定參考實作的輸出對等性證據。vLLM-Omni 最新已發布的版本是 v0.31.0rc1，日期為 10 月 6 日。因此，沒有任何已出貨的 vLLM-Omni 版本包含這個模型；而對 Day 0 說法最誠實的版本是：這條服務路徑目前是以一個你可以自行建置的分支存在，而不是一個你可以直接安裝的套件。這個區別在這裡比平常更重要，因為 MOSS-Image 是一個確實有趣的發布，其真正內容在於權重：MOSS-Image-Base 與 MOSS-Image-SFT，於 2026 年 10 月 16 日在 Apache 2.0 授權下發布，圍繞一個可接受結構化 JSON 版面作為提示的精簡擴散 Transformer 打造。

有人想要個概略輪廓時的簡短版本。OpenMOSS——MOSS 語言與語音產品線背後的實驗室，與 MOSI Intelligence 及學術夥伴合作——推出了一個從頭訓練的 5B 單流擴散 transformer，搭配凍結的 Qwen3.5-9B 文字編碼器與凍結的 FLUX.2 VAE，採用寬鬆授權，涵蓋權重與推論程式碼。它的賣點不在於原始影像品質，而在於你可以交給它一個包含邊界框、字面文字字串與排版註記的 JSON 物件，而它會忠實遵循。附帶的基準測試數字是廠商自家的，且是在廠商同樣自行打造的兩項基準上測得。這並不構成否定它的理由，但確實意味著你該把這些數字讀成實驗室的內部計分板，而非聯盟排行榜。

實際上出貨了什麼，以及出貨到哪裡

這些成果直接明瞭且易於檢核。在 Hugging Face 上，OpenMOSS-Team/MOSS-Image-Base與OpenMOSS-Team/MOSS-Image-SFT帶有權重，兩者皆有 ModelScope 鏡像、一個在單張 A10G 上運行的 Gradio Space，以及一個收錄了 pipeline、ComfyUI 外掛程式與技術報告的 GitHub 儲存庫。openmoss.ai 的專案頁面標註了相同日期：2026 年 10 月 16 日 —— 隆重推出 MOSS-Image-Base，程式碼與模型權重皆已開放下載。

兩個檢查點，同一套架構。Base 是預訓練模型；SFT 則是在精選資料上微調而成。廠商自家的比較範例顯示，SFT 能產生更緊密的文字分組與更有條理的版面配置，這大致上就是一個刻意保持未蒸餾的基礎模型，在精選資料上微調後會有的表現。Base 說明卡明確指出，它「未經過任何後訓練，也未對 CFG 等推論參數進行蒸餾」，所述原因是為了保留訓練資訊，並讓模型更容易用來訓練 LoRA。實際後果是，Base 是更適合微調的宿主，卻是較差的隨性提示預設選項。

授權方面，權重與獨立管線程式碼皆採用 Apache 2.0——沒有營收門檻、沒有可接受使用附錄、也沒有另立的商業授權層級。對一個以「將清晰易讀的文字渲染進圖像」為主要賣點的模型而言，這件事比基準測試表更具實質影響，因為文字渲染正是會在商業工作中出現的能力：產品模擬圖、UI 設計稿、資訊圖表、海報、廣告版面編排。

架構，以真正重要的數字呈現

技術報告的組態表，正是發布內容不再只是新聞稿、而開始成為規格書的地方。5B 這個數字僅指擴散生成器本身——一個單流 Transformer，深度為 42 個聯合區塊，隱藏寬度 3072，24 個注意力頭各 128 維，使用 SiTU-GLU 活化函數的 8192 寬前饋網路，以及四軸旋轉位置編碼，其第一軸保留給參考索引，因此之後可以加入參考條件生成，而不必改變位置方案。

接著，還有「5B」這個標籤悄悄排除掉的部分：

• 文字編碼器 — Qwen3.5-9B，凍結，將最終層 token 隱藏狀態以維度 4096 經由線性投影饋送至 3072，外加兩個純文字 transformer 區塊。將 9B 編碼器硬接到 5B 生成器上，其實際佔用的資源規模遠比表面數字所暗示的更大。

• VAE — FLUX.2 的 VAE，凍結並從 FLUX.2-klein-4B 載入，具有 32 個潛在通道，空間下採樣因子為 8，並以 2×2 的潛在區塊使有效影像步幅達到 16 像素。MOSS-Image 自家的模型卡指出，它使用的是 FLUX.2 小型解碼器。

• 下載大小 — SFT 儲存庫總計約 27.2 GB，其中文字編碼器約 16.8 GB，分散於四個分片，而 transformer 約 10.2 GB，分散於三個分片。請以編碼器來規劃，而不是徽章。

• 提示詞上限 — 在預訓練最終階段為 4096 個 token，符合廠商「最高可達 4K token」的說法。輸出尺寸必須是 16 的正倍數，指南建議 100 萬、150 萬或 200 萬像素，並支援從 0.25M（512×512）到 4M 的外推範圍。

• 取樣預設值 — flow-matching Euler、50 步、CFG 3.0、shift 5.0，並在負向分支的第 22 層啟用跳層引導。預設引導路徑每步需要兩次 transformer 前向傳遞，這就是為什麼 50 步並不像聽起來那麼省資源。

• 訓練 —— 三個漸進式解析度階段：256px 進行 2.1M 步、512px 進行 2.1M 步，接著約 1024² 進行 0.31M 步，每樣本的最大 token 數從 576 提升至 3,072，再到 8,192。語料庫是衍生自 ReLAION 的資料集，透過去重與移除 AI 生成影像，從約 50 億張精簡至 30 億張；報告指出並未套用進一步的篩選——標註中含有瑕疵的影像會被保留並描述其瑕疵，而非予以捨棄。最佳化採用混合式 Muon–AdamW，而廠商自家的 1B 參數消融實驗指出，在兩個檢查點上，達到相同損失所需的步數比 AdamW 少了 33.2% 與 28.6%。文中表示訓練使用了異質 GPU 平台，這是有關硬體供應而非模型本身的說法，且報告並未指名這些平台。

在基準測試之前，有件事值得先提一下

提示增強模組——也就是把「設計一張英文無尾熊知識資訊圖」變成完整內容與版面規格的那個部分——並非供應商自家的小型模型。報告明白指出，LayoutPE 在推論時使用 GPT-6 搭配模組化的任務指令，而該儲存庫內附的提示增強技能，則被描述為專為 GPT-6 系列代理程式所設計。因此，下方最強的端對端結果並非單一模型的輸出；而是一條雙模型管線，其規格那一半跑在別人的 API 上。如果你一直把 Elo 排名當成生成器的純粹衡量指標，那它並不是。

基準測試表格，以及其作者是誰

MOSS-Image 是在隨發布一同提供的兩個基準上進行評估，這兩個基準源自廠商自己的主張：現有測試無法衡量它所關注的事物。LongLongTextBench 包含 240 項文學文本渲染任務——120 項英文、120 項中文，平均目標長度為 1,339.8 個字元，約為 LongTextBench 平均值的十一倍。RealLayoutArena 則有 61 項設計任務（20 張海報、20 張資訊圖表、21 個使用者介面），以盲測成對人工比較進行評判，並擬合至 Bradley–Terry Elo 量表。凡有出現基線之處，都是廠商執行其他人的模型所得的結果。本節的每一項數字皆為廠商自行回報、未經重現，且其中沒有任何一項經過獨立審核。

在 LongLongTextBench 的 Mean-6 文字覆蓋率上，MOSS-Image 拿下 96.3 分——是該廠商表格中開放權重模型的最佳成績，明顯領先 Q​wen-Image-2512 的 64.9，而在最長條件下的得分為英文 97.1、中文 92.4。讓這張表格保持誠實的數字，是它上方的那一行：在廠商自家的基準測試上、以廠商自家的執行結果來看，GPT Image 2 拿下 99.0 分，Nano Banana Pro 則是 96.6 分。OpenMOSS 發布了一張競爭對手依然勝出的表格，這點本身就有些價值。

在 7Bench 版面控制上，差距更是大得多——MOSS-Image 在偵測到的目標物件上平均 IoU 為 0.88，相較之下 Ideogram 4.0 為 0.44、Nano Banana Pro 與 Seedream 5.0 Pro 為 0.33、Qwen Image 3.0 Pro 為 0.31、GPT Image 2 為 0.30，而 Layout AUC 為 0.70，其他一眾對手則落在 0.16 到 0.20 之間。如果這些數字經得起重現驗證，那麼精確的物件擺放正是這個模型真正具備的能力。

在 RealLayoutArena 端到端測試中，MOSS-Image 達到 1698.70 Elo，95% 信賴區間為 1655.96 至 1741.43——總排名第二，落後於 GPT Image 2 的 1844.35，領先 Seedream 5.0 Pro（1661.16）、帶提示增強的 Qwen Image 3.0 Pro（1614.84）以及 Nano Banana Pro（1590.19）。當比較僅限於在共享的增強自然語言提示下的主幹模型時，MOSS-Image 以 1807.34 位居第一，領先 ERNIE Image 的 1748.51 和 SenseNova-U1 的 1689.23。對於任何計劃使用它的人來說，提示策略消融實驗是論文中最有用的部分：在同一系統上，JSON 佈局提示得分為 1622.87，自然語言提示得分為 1506.20。佈局介面不是附加功能。效能正是體現在這裡。

報告對自身提出的兩點但書值得重申。LongTextBench 被形容為對當前強大模型而言已接近飽和，而這是該廠商在解釋為何要打造更難的測試，而不是安於一套舊測試。此外，端到端 Elo 的信賴區間完全不與任何區間重疊，但它很寬——達 85 個 Elo 分——而且是在一個由人類評分者評判的 61 項任務競技場上。

自行運行它，以及這麼做的代價

目前我們無法確認 MOSS-Image 有任何可用的商用 API，它也不在我們自家的目錄中——OrcaRouter 提供 200 多個模型，MOSS-Image 並不在其中，因此這裡的任何內容都不應被解讀為我們提供該模型。現有的做法是自行託管：採用 Diffusers 搭配自訂 pipeline（pipeline_moss_image、diffusers 0.38 或更新版本、transformers 5.3 或更新版本、torch 2.9 或更新版本、Python 3.10+）、一個 Gradio 應用程式，以及可透過 ComfyUI Manager 安裝的原生 ComfyUI 外掛，而整合進官方 ComfyUI 儲存庫的工作則被描述為仍在進行中。此外還有一個供代理框架使用的提示詞增強技能，它能將像素座標草稿編譯成模型所用的中心座標 JSON 格式，過程中完全不呼叫任何影像服務——這是一項小巧卻確實有用的工具。

社群已經完成了廠商未完成的部分。在發布後大約一天內，Hugging Face 上就出現了第三方建置：該模型的 Comfy-Org 打包版本、一個實驗性的 Kijai 建置、GGUF 量化、INT8 與 INT4 ConvRot 轉換、一個 W4A8 OrbitQuant 建置，以及——對任何沒有資料中心的人來說最實用——一個 4 步 DMD LoRA 和一個 8 步蒸餾變體，正面迎戰 50 步的預設值。這些都不是廠商支援的，也都沒有經過基準測試，但它們是正常的訊號，顯示一項發布已經落到了打算使用它、而不只是引用它的人手中。

這正是路由層發揮價值的地方，而這條界線值得說得精確。我們並不託管 MOSS-Image，因此無法提供它，也不會暗示我們可以。我們能做的是這場比較的另一半：如果你想拿自託管的 MOSS-Image 與託管的圖像模型相比，託管的那一邊只要一把 API 金鑰，就能在 我們的目錄上以供應商定價、零加成取得——因此託管模型的供應商價格一有變動，這裡當天就生效，而不是等到每季一次的合約週期——並搭配自動容錯移轉可跨供應商運作，還有一套路由 DSL，讓你能把多個模型放在單一端點之後。拿一個未經實證的檢查點去對比租來的模型，不該還得再學第二套 SDK，而這是我們唯一的主張。

誰應該著手處理這件事，誰又應該等待？

若你的工作涉及生成圖像，且圖像中要在特定位置含有正確、清晰可讀的多語言文字——海報、介面模擬圖、資訊卡，任何版面配置本身就是交付成果、而非偶然巧合的情況——MOSS-Image 是過去一個月最直接針對此需求的開放權重發布，而 Apache 2.0 授權意味著通常的商業審查流程會很簡短。從 SFT checkpoint 開始，預期要提供結構化 JSON，而非自然語言文字，並且先為編碼器的 16.8 GB 編列預算，再為生成器編列預算。

如果你這週就需要一個可呼叫的端點、如果你是租用算力而非自行擁有，或者你想在投入之前先看到一個獨立驗證的數字，那就再等等。其架構是乾淨的單流設計，搭配凍結的編碼器與凍結的 VAE，這會讓它執行起來很直接——但每步兩次前向傳遞、共 50 步，是真實的服務成本，「5B」這個標籤低估了下載量，而那些亮眼分數是供應商在自家基準上、使用一個跑在第三方模型上的規格階段所產出的。等有重現結果，或者等 vLLM-Omni 這條路徑合併成你可以安裝的東西再說。

本次發佈未能解決的兩個問題

模型的版面控制是否足以合理化工作流程的變更？

這取決於你能否將意圖表達為方框與字串。版面 JSON 使用以畫布中心為基準量測的絕對像素座標，並搭配 bbox_format "yxyx"，這與其他幾個近期版面系統所採用的相對座標慣例不同——供應商主張絕對像素更適合多解析度作業。採用它意味著你得改寫現有的提示邏輯，而供應商自家的 7Bench 差距（0.88 mIoU，相對於落在 0.30–0.44 的對照群）是唯一證明改寫值得的證據。這項數據是由撰寫該指標的人所測得的。

微調的故事真的如授權條款所暗示的那麼開放嗎？

部分未知。權重與管線程式碼採用 Apache 2.0，而 Base 刻意保持未蒸餾，讓 LoRA 有可著力之處，這是一項實質承諾。但報告中的訓練配方——分階段解析度課程、ReLAION 過濾決策、Muon–AdamW 拆分——是文件說明，而非釋出的資料，而到目前為止，微調指引包含具體指示（保持文字編碼器凍結；不要微調它）加上一段標註提示。簡單 SFT 能解鎖基於參考的生成與 GIF 輸出的說法，是以附帶「敬請期待」的研究發現形式陳述，而不是你今天能查核的結果。

有三件事能讓 MOSS-Image 從一個令人印象深刻的儲存庫，變成一個定案的選擇，而這三件事目前都還不存在：由作者以外任何人獨立執行 LongLongTextBench 或 RealLayoutArena，將 vLLM-Omni 修補程式合併進已標記的發行版本並附上其審查者所要求的輸出對等性證據，以及一個獲得廠商背書的少步蒸餾檢查點，而不只是社群轉換版本。在那之前，準確的總結是這樣的——一個文件完備的 5B 擴散 Transformer，具備異常強大的文字與版面介面，一份涵蓋程式碼與權重的寬鬆授權，在它自己編寫的測試上取得基準領先地位並在端到端比較中排名第二，以及一個真實存在但仍停留在開放拉取請求中的服務方案。

像這次發布背後有紀錄的 AI 失敗與代理事件，都收錄於 OrcaRouter AI Incident Archive，其中每一筆條目都附有各自的來源、嚴重程度、信心評級與爭議標記。