MOSS-Image-Base - OpenMOSS 文生图模型家族的基础权重

MOSS-Image-Base 是 OpenMOSS 团队 MOSS-Image 系列中的基础文生图（text-to-image）模型，托管在 Hugging Face 上，以 diffusers 框架为调用入口。按项目自述，它面向需要以文本生成图像、并且希望对画面中文字位置与物体排布做结构化控制的开发者与研究者：除了普通自然语言提示词，它还接受标签序列和 JSON 布局作为输入。仓库同时提供基础版与 SFT 版本，项目说明中给出的示例对比显示，SFT 版本在文字分组和版面组织上更规整，而 Base 版是这一家族的基础权重。

维护者与状态

该仓库由 OpenMOSS-Team 维护，创建于 2026-10-11，最后更新于 2026-10-16。截至 2026-10-19 的数据读取时间，近 30 天下载量为 1791，点赞数为 298。事实表中未列出正式 release 信息，因此这里不对版本发布节奏作额外推断；如需确认版本状态，应以仓库页面为准。

主要能力

以下能力均据项目自述（模型卡与用户指南）整理，未经本站独立验证：

• 多种提示形式：支持自然语言提示词、标签序列，以及 JSON 布局三种输入方式，其中 JSON 布局用于控制文字放置与物体排布。
• 布局到图像生成：可将 JSON 布局直接作为提示词传入，描述场景、需要渲染的文字、物体及其位置。布局结构使用 summary.caption 与 items，包围盒格式为 bbox_format: "yxyx"，坐标空间为 bbox_coord_space: "abs_centralized"。在 Python API 中用 json.dumps(layout, ensure_ascii=False) 序列化后传给 pipe；在 Gradio 界面中把 JSON 粘贴到 Prompt 字段并设置匹配的图像尺寸。
• 结构化编辑：据项目说明，布局还可用于受控编辑和更易用的布局工具，通过修改文字、元素描述与包围盒来调整图像内容与构图。
• 提示词增强技能：MOSS-Image Prompt Enhancer 可把图像想法转成详细描述或空间布局提示词，面向具备本地文件与 Python 工具能力的 GPT-6 系列智能体；随附脚本把像素坐标草稿转换为带整数中心坐标的紧凑 JSON，本身不调用图像生成服务。使用时把技能文件夹装入智能体的 skills 目录，再以 $moss-image-prompt-enhancer 调用，并将编译结果粘贴到 MOSS-Image 的正向提示词中；若输出为布局，生成尺寸需与布局一致。
• ComfyUI 支持：项目说明称可在 ComfyUI Manager 中搜索 MOSS-Image 安装原生插件，接入官方 ComfyUI 仓库的工作尚在进行中。

使用入口

模型权重与说明位于 OpenMOSS-Team/MOSS-Image-Base。

据项目说明，运行需要 Python 3.10 或更高版本，以及支持 CUDA 的 NVIDIA GPU；需先安装与自身 CUDA 环境兼容的 PyTorch 2.9 或更高版本，再安装依赖：

pip install "diffusers>=0.38" "transformers>=5.3" "accelerate>=1.10" "safetensors>=0.6" "Pillow>=10"

调用方式为通过 DiffusionPipeline.from_pretrained 加载，并指定 custom_pipeline="pipeline_moss_image" 与 trust_remote_code=True；模型与自定义流水线代码会自动下载并缓存，也可传入完整的本地模型目录。项目说明中给出的精度设置为 transformer 与文本编码器使用 bfloat16，VAE 与初始噪声使用 float32，内置 VAE 采用 FLUX.2 small 解码器。Gradio 界面、CPU offload 与编译选项需参照项目快速开始文档。

采样默认值据项目说明为：Flow-matching Euler 采样器、50 步、CFG 3、shift 5、负分支跳过第 22 层（从 0 开始计数）、负向提示词为空。默认引导每步执行两次 transformer 前向；传入 uncond_skip_layers=[] 可关闭负分支跳过，或设置 negative_prompt 提供负向提示词。Python API 中图像宽高必须为 16 的正整数倍。

许可与限制

许可证为 apache-2.0。据项目自述，模型权重与随附推理代码均以 Apache License 2.0 发布，项目同时致谢 Diffusers、Qwen 与 FLUX 团队。

已知限制与前置条件（据项目说明）：需要 Python 3.10 以上与支持 CUDA 的 NVIDIA GPU；依赖版本有明确下限（diffusers 0.38、transformers 5.3、accelerate 1.10、safetensors 0.6、Pillow 10）；图像尺寸须为 16 的倍数；默认采样配置每步两次前向，计算开销相对更高。分辨率、采样、提示词与 LoRA 训练方面的建议需查阅项目用户指南。本站未对该模型进行实际运行测试，上述能力与参数均来自项目自述，实际表现请以自行验证为准。