2026 開源 AI 繪圖模型 MOSS-Image 深度解析｜會排版的 AI 畫師：一次寫上千字、用 JSON 指定每個字的位置，適合你嗎？

叫 AI 在圖裡寫字，你是不是也常看到一串像外星文的符號？文字渲染一直是繪圖模型的弱點，排版更不用說。2026 年 10 月 16 日開源的 MOSS-Image，主打的正是這兩件事：號稱一次能寫上千字，還能用 JSON 指定每個字、每個物件要放在畫面哪裡。

我是欣欣。這篇用評測的角度，把它的架構、亮點、跑分和使用門檻一次整理清楚。先說在前面：目前所有分數都是官方自建的測試，還沒有第三方獨立評測，我會在每個數字旁邊標清楚。

AI 畫圖最怕寫字？MOSS-Image 想解決的問題

一般繪圖模型靠「描述」理解你要的畫面：你寫「標題放在上面」，它只能猜大概的位置。MOSS-Image 多了一條路：直接把版面寫成座標。官方 Quick start 的示範，就是在冰箱便利貼上寫出三行繁體中文：「記得買牛奶和雞蛋！牛奶兩盒，雞蛋一打。順便帶一袋麵包。」

身世卡：誰做的、怎麼授權、去哪下載

1. 開發團隊：OpenMOSS（SII），技術報告署名 MOSI Intelligence；MOSS 這個名字最早來自復旦大學的開源對話模型。
2. 發布日期：2026 年 10 月 16 日，同時發布 MOSS-Image-Base 與 MOSS-Image-SFT 兩個版本。
3. 開放程度：模型權重、推理程式碼、技術報告全部公開，採 Apache 2.0 授權，沒有營收門檻。
4. 取得管道：Hugging Face、ModelScope，以及 Hugging Face Space 的線上 Demo。

小彩蛋：MOSS 的英文是苔蘚，所以影片裡把它畫成一顆戴圓框眼鏡、耳朵夾著鉛筆的苔蘚球設計師「小苔」。

架構拆解：一條三人工廠流水線

1. 讀稿員：Qwen3.5-9B 文字編碼器（凍結不訓練），負責讀懂長達 4K token 的提示詞。
2. 畫師：5B 單流 DiT，42 層聯合區塊、隱藏寬度 3,072、24 個注意力頭；文字 token 和圖像 latent 在同一條流裡一起處理。
3. 沖印師：FLUX.2 VAE（凍結），採用 FLUX.2 的小型解碼器、32 個 latent 通道，把 latent 沖洗成照片。

訓練祕辛三張卡

第一，使用 Muon 與 AdamW 混合優化器，官方消融實驗在兩個檢查點分別少用 33.2% 與 28.6% 的步數就達到相同 loss。第二，訓練資料從約 50 億張篩到約 30 億張圖片（ReLAION 衍生語料）。第三，在「替代 GPU 平台」上完成異質 GPU 訓練。

讀稿的、畫畫的、沖洗的都是一流好手，MOSS 自己練的是中間那位畫師。

七大亮點：一關一關看

1. 版面控制：用 JSON 指定文字與物件的位置。
2. 文字渲染：圖中文字清晰準確，中英文都支援。
3. 超長提示詞：最多 4K token，整段文案都塞得進去。
4. 多種風格：動漫與寫實都能畫。
5. 容易微調：Base 模型刻意不做蒸餾，保留完整訓練資訊，方便社群訓練 LoRA。
6. 小而有效率：只用 5B 的主幹網路。
7. 異質 GPU 訓練：不只在單一品牌的 GPU 上訓練。

重頭戲：JSON 版面魔術

先學座標：中心是原點，y 往下變大

JSON 版面使用 abs_centralized 座標：以 1024×1024 的畫布為例，中心點是原點，左右各 ±512，x 往右變大、y 往下變大，所以左上角是 (-512, -512)、右下角是 (512, 512)。方框採 yxyx 格式，順序是 [y_min, x_min, y_max, x_max]。

現場示範：一張極簡旅遊海報

官方範例是一張極簡旅遊海報。summary 先描述整張圖：奶油色背景、藍色的山、標題 EXPLORE。接著在 items 裡放兩個物件：第一個是文字，text 寫 EXPLORE，bbox 是 [-416, -384, -288, 384]，翻成白話就是畫面上方、左右置中的細長標題框；第二個是一座藍色的山，bbox 是 [-192, -288, 384, 288]，放在下方中間的大框。

換算成一般左上角座標，標題框是 x=128、y=96、寬 768、高 128；山景框是 x=224、y=320、576×576。方框落下後，海報就照著這份「設計稿」長出來。

第二輪：只改兩行 JSON

接著只改兩個地方："text": "EXPLORE" 改成 "TAIWAN"；山的 bbox 從 [-192, -288, 384, 288] 改成 [-192, -448, 384, 64]，中心往左移 192 像素，caption 也同步改成 lower left。換算後，新的山景框左上角是 (x=64, y=320)。

為什麼重要：官方消融實驗

官方在 RealLayoutArena 做了消融實驗：同一個系統，用 JSON 版面提示拿到 1,622.87 分，純自然語言提示是 1,506.20 分（官方自測）。

不會寫 JSON？官方附了 Prompt Enhancer

官方提供一個 Prompt Enhancer Skill，可以把「我想要一張……」的點子轉成詳細描述或 JSON 版面，設計給 GPT-6 系列代理使用；附帶的腳本還會把像素座標草稿轉成中心座標 JSON。要注意兩件事：這是實驗性功能，而且座標是絕對像素，換解析度就要重算。

別的模型靠「描述」猜你要的版面，MOSS-Image 直接看「設計稿」。

評審席大比拚：官方自測的三場比賽

以下三場比賽都是官方發布的成績，畫面上每一張都蓋了「官方自測」的章。

比賽一：超長文字渲染 LongLongTextBench

這是官方自建的 240 題文學長文測試，目標文字平均約 1,340 字，指標是 Mean-6，越高越好。MOSS-Image 拿到 96.3（英文 97.1、中文 92.4）；開源對手 Qwen Image 2512 是 64.9、Z-Image Base 40.8、FLUX.2 11.8。同一張表裡的閉源模型 GPT Image 2 是 99.0、Nano Banana Pro 96.6，所以 MOSS-Image 排第三。

比賽二：版面精準度 7Bench

指標是平均 IoU：指定的框和畫出來的框重疊得越多，分數越高。MOSS-Image 0.88，第二名 Ideogram 4.0 只有 0.44，Nano Banana Pro 與 Seedream 5.0 Pro 都是 0.33，Qwen Image 3.0 Pro 0.31，GPT Image 2 0.30。也就是說，它的重疊程度是第二名的兩倍。

比賽三：端到端競技場 RealLayoutArena

Elo 分數 GPT Image 2 以 1,844.35 排第一，MOSS-Image 1,698.70 排第二。這裡一定要附註：這個分數是「MOSS-Image＋GPT-6 提示詞增強」的雙模型組合成績，不是生成器單獨的分數。

寫字它是前段班，排版它是第一名，但考卷是自己出的。

Base 還是 SFT？

Base 是原汁原味版，沒做蒸餾，CFG 等推理參數也沒被調過，最適合拿來訓練 LoRA，但要自己調好參數才會出好圖。SFT 在精選資料上微調過，同一個白板範例，文字分組更清楚、版面更整齊。一句話：想直接出圖選 SFT，想自己練模型選 Base。

上手教學：把參數推到官方建議值

1. 解析度：總像素 1M、1.5M 或 2M，可外推 512×512 到 2048×2048。
2. 長寬：任意比例，但長寬都要是 16 的倍數。
3. 步數 Steps：至少 50。
4. CFG：預設 3.0，建議 3.0–6.0，短提示詞可以調高。
5. Shift：5.0；取樣器：Euler（Flow-matching）。
6. SLG：建議負向分支跳過第 22 層（22、24、26 層都有幫助）。

SLG 小實驗

同一段提示詞、同一個 seed，分別開啟和關閉 SLG。關掉 SLG 的畫面非常寫實，但手和尺規這些細節可能會崩掉。下圖的圈選處是本頻道的觀察，生成結果每次不同。

提示詞小撇步

1. 英文效果最好，中文與其他語言也支援。
2. 推薦負面詞：nsfw, worst quality, bad anatomy, watermark, jpeg artifact。
3. 標籤順序：品質 → 分數 → Meta → 年份 → 角色 → 作品 → 畫師 → 一般描述。
4. 想精準控制換行，直接在提示詞中加入 \n 或真正的換行。

安裝管道與硬體

官方提供五個管道：Diffusers（Python）、Gradio 本機介面、ComfyUI（在 ComfyUI Manager 搜尋 MOSS-Image；Comfy-Org 另有含 INT8 模型與量化文字編碼器的重新打包版）、SGLang，以及 vLLM-Omni。SFT 整包下載約 27.2GB，其中文字編碼器約 16.8GB。官方沒有公布最低 VRAM，但提供「全 GPU／元件切換／循序省記憶體」三種模式，VRAM 不夠就選循序模式或降低解析度。

社群怎麼說：好評與限制

模型才發布兩天，大規模實測還很少，以下整理自開發者社群與第三方分析。好評：Apache 2.0、沒有營收門檻，商用很乾淨；第三方分析認為，版面變成「資料」之後可以版本控制、寫 schema 驗證，出錯時直接看哪個座標錯了；技術報告非常詳細；社群動作超快，發布約一天內就出現 4 步 DMD LoRA 與 8 步蒸餾版本，ComfyUI、SGLang、vLLM 的部署文件也第一時間到位。

吐槽與限制：亮眼分數都來自官方自建測試，沒有第三方獨立分數；最高的競技場成績要搭配 GPT-6 提示詞增強；絕對像素座標換解析度就要重算；最長的中文段落召回率較低（中文 92.4 vs 英文 97.1）；不支援圖片編輯，參考圖生成只是預留功能；預設 50 步偏慢，少步數蒸餾官方說「敬請期待」；vLLM-Omni 的整合 PR 發布時尚未合併；下載量大，JSON 版面對新手也有門檻。

誰該用 MOSS-Image？

1. 🟢 適合：海報、資訊圖表、電商主圖、知識卡片、UI 示意圖這類「版面先決定好」的工作；需要大量中英文字的圖；想自建、離線、商用、訓練 LoRA 的開發者。
2. 🟡 再等等：需要改圖、參考圖、極速出圖的人，先等編輯功能與蒸餾版。
3. 🔴 不適合：沒有 GPU、只想偶爾畫張圖的人，直接用線上 Demo 或雲端服務更省事。

結語：AI 畫圖的下一步

MOSS-Image 最大的不同，不是畫得比別人美，而是把「排版」變成可以寫程式控制的東西：版面是一份 JSON，可以版本控制、可以驗證、可以精準修改。它的跑分很亮眼，但都還是官方自測；等第三方評測出來，我會再幫大家更新。

AI 畫圖的下一步不是畫得更美，而是放得更準。

完整 12 分鐘的動畫解說（含 JSON 現場示範與參數教學）請見 YouTube 頻道「欣欣 的 AI 無限世界」。

開源 AI 繪圖模型 MOSS-Image 深度解析影片：

https://youtu.be/U4avG4_y4S4

本文配圖為原創動畫影片截圖；圖中的生成圖都是頻道自己用 MOSS-Image 生成的，並非官方範例圖。所有分數為官方自測，資料整理至 2026 年 10 月 17 日。

#AI繪圖 #開源模型 #JSON版面 #文字渲染