复旦 MOSS-Image 开源:5B DiT 支持中英长文本渲染,再附 8 步 DMD 提速 LoRA
ostrisai · x · 2026-10-18
OpenMOSS 团队在 Hugging Face 开源图像生成模型 MOSS-Image,基于 5B 参数的 Diffusion Transformer(DiT),主打中英文文字渲染与可控排版。
核心特性:
- 长提示词与文字渲染:支持最长 4K token 的 prompt,含多行文字,适合海报、信息图等场景
- 实验性 JSON 布局控制:可用 bounding box 指定文字和物体的位置
- 灵活生成:多种长宽比、分辨率与自定义推理设置
- 开发者工作流:支持 Diffusers、Gradio、ComfyUI,附 Prompt Enhancer Skill
此外社区发布了基于该模型的 8 步 DMD 蒸馏 LoRA(data-space DMD,原 50 步 CFG 3 → 8 步无 CFG),以 LoRA 形式加载在原版 transformer 上即可用,采样器为 shift 5、CFG 1。注意蒸馏权重必须以 fp32 加载运行,转 bf16 会丢失大部分蒸馏效果;要快可保留 bf16 基座、unmerged 应用 LoRA 适配器。Base 与 SFT checkpoint 均已开放,Apache 2.0 协议。
所属事件:复旦 OpenMOSS 开源 5B 文生图模型 MOSS-Image(13 条相关)→
「多模态」频道最新
- MOSS-Image SPT 蒸馏版 8 步出图,登 Hugging Face 热门 — lodestones · 2026-10-18
- 视频生成 API 每 10 秒约 0.5 美元,自建服务器何时更划算? — Key-Lychee-913 · 2026-10-18
- VFX 大师全程语音指挥 Claude 建 Houdini 场景:50 小时渲染成品 — bilawalsidhu · 2026-10-18
- 让四家 AI 画自己的拟人龙虾，风格差异大到能猜出是谁 — peteypeso · 2026-10-18
- NVIDIA RTX VFX 扩展装不上？一条 pip 命令搞定 ComfyUI 安装 — Mad4reds · 2026-10-18
- 用户实测 Moss 图像模型:上手不如 Krea 2,调教后反而更强 — Dalkx · 2026-10-18