MOSS-Image 开源:5B DiT 支持中英文渲染与 JSON 版式控制

Xianbao_QIAN · x · 2026-10-17

复旦 MOSS 团队在 Hugging Face 开源 MOSS-Image 图像生成模型:基于 5B Diffusion Transformer,搭配 Qwen3.5 文本编码器与 FLUX.2 VAE,主打中英文文字渲染和可控版式。亮点包括:支持最长 4K token 的长提示词与多行文字渲染;实验性 JSON 版式控制,可用边界框指定文字与物体的位置;支持多种宽高比与分辨率;提供 Diffusers、Gradio、ComfyUI 等工作流及 Prompt Enhancer Skill;Base 与 SFT 权重均开放。帖内还附 vLLM-Omni 部署教程,含 Docker 镜像选择(CUDA 13.0/12.9)、单 GPU 启动命令与 API 用法,可用 /v1/images/generations 接口直接服务 Base/SFT 两个版本。